Inženjering znanja. Umjetna inteligencija. Strojno učenje

Pod inženjeringom znanja podrazumijeva se skup metoda, modela i tehničkih tehnika usmjerenih na formiranje sustava dizajniranih za pronalaženje rješenja problema na temelju postojećeg znanja. Zapravo, ovaj pojam podrazumijeva metodologiju, teoriju i tehnologiju koja obuhvaća metode analize, ekstrakcije, obrade i prikazi znanja.

Suština umjetne inteligencije leži u znanstvenoj analizi i automatizaciji intelektualnih funkcija svojstvenih čovjeku. S obzirom na to, većini problema zajednička je složenost njihove strojne implementacije. Proučavanje AI omogućilo nam je da osiguramo da iza rješavanja problema leži potreba za znanjem stručnjaka, odnosno stvaranjem sustava koji može ne samo pamtiti, već i analizirati i koristiti znanje stručnjaka u budućnosti; može se koristiti u praktične svrhe.

Povijest pojma

Inženjering znanja i razvoj inteligentnih informacijskih sustava, posebno ekspertnih sustava, usko su povezani.

Na američkom veučilištu Tanford 60-ih i 70-ih, pod vodstvom e. Feigenbaumov sustav je razvijen, nešto kasnije - oceana. Oba su sustava dobila titulu stručnjaka zbog svoje sposobnosti akumuliranja u računalnoj memoriji i korištenja za rješavanje problema stručno znanje. Ovo područje tehnologije dobilo je pojam "inženjering znanja" uz poruku profesora e. Feigenbaum, koji je postao tvorac stručnih sustava.

Pristupi

Inženjering znanja temelji se na dva pristupa: transformaciji znanja i izgradnji modela.

1. Transformacija znanja. Proces promjene stručnosti i prelazak sa stručnog znanja na njegovu softversku implementaciju. Na njemu je izgrađen razvoj. Format predstavljanja znanja-pravila. Nedostaci su nemogućnost predstavljanja implicitnog znanja i različitih vrsta znanja u adekvatnom obliku, složenost odražavanja velikog broja pravila.
2. Izgradnja modela. Stvaranje AI smatra se vrstom simulacije; izgradnja računalnog modela dizajniranog za rješavanje problema u određenom području ravnopravno sa stručnjacima. Model nije u stanju oponašati aktivnost stručnjaka na kognitivnoj razini, ali omogućuje vam da dobijete sličan rezultat.

Modeli i metode inženjerstva znanja usmjereni su na razvoj računalnih sustava čiji je glavni cilj stjecanje znanja koje stručnjaci imaju i njihovo naknadno organiziranje za najučinkovitiju upotrebu.

Umjetna inteligencija, neuronske mreže i strojno učenje: u čemu je razlika?

Jedan od načina implementacije umjetne inteligencije je neuronska mreža.

Strojno učenje-područje razvoja umjetne inteligencije usmjereno na proučavanje metoda za izgradnju algoritama za samoučenje. Potreba za tim nastaje u nedostatku jasno rješenje određenog problema. U takvoj je situaciji isplativije razviti mehanizam koji može stvoriti metodu za pronalaženje rješenja, a ne tražiti ga.

Pod pojmom koji se često susreće "duboko" ("duboko") učenje podrazumijeva algoritme strojnog učenja, za rad koji zahtijevaju veliku količinu računalnih resursa. Koncept je u većini slučajeva povezan s neuronskim mrežama.

Postoje dvije vrste umjetne inteligencije: usko usmjerena, ili slaba, i opća, ili jaka. Djelovanje slabih usmjereno je na pronalaženje rješenja za uski popis zadataka. Najistaknutiji predstavnici usko fokusirane umjetne inteligencije su glasovni pomoćnici asa, asa i Alice. Sposobnosti jakog ai-a, nasuprot tome, omogućuju mu izvršavanje gotovo bilo kojeg ljudskog zadatka. do danas se opća umjetna inteligencija smatra utopijom: njezina provedba je nemoguća.

Strojno učenje

Strojno učenje podrazumijeva se kao tehnike u području umjetne inteligencije koje se koriste za stvaranje stroja sposobnog za učenje iz iskustva. Proces učenja znači strojnu obradu ogromnih nizova podataka i traženje obrazaca u njima.

Koncepti Ace i Ace, unatoč sličnosti, i dalje se razlikuju i svaki se nosi sa svojim zadacima. Oba alata ulaze u umjetnu inteligenciju.

Strojno učenje, koje je jedna od grana AI, algoritmi su na temelju kojih je računalo sposobno donositi zaključke bez pridržavanja čvrsto kodiranih pravila. Stroj traži obrasce u složenim problemima s više parametara, pronalazeći preciznije odgovore, za razliku od ljudskog mozga. Rezultat metode je točno predviđanje.

Data science

Znanost o načinima analize podataka i izvlačenja dragocjenog znanja i informacija iz njih (NASA). Komunicira s strojnim učenjem i znanošću o razmišljanju, s tehnologijama interakcije s velikim količinama podataka. Rad vam omogućuje analizu podataka i pronalaženje pravog pristupa za naknadno sortiranje, obradu, uzorkovanje i pronalaženje informacija.

Na primjer, postoje podaci o financijskim troškovima poduzeća i podaci drugih ugovornih strana, međusobno povezani samo putem vremena i datuma operacije i posrednih bankovnih podataka. Dubinska strojna analiza posrednih podataka omogućuje vam određivanje najskuplje druge ugovorne strane.

Neuronske mreže

Neuronske mreže, koje nisu zaseban alat, već jedna od vrsta strojnog učenja, sposobne su simulirati rad ljudskog mozga uz pomoć umjetnih neurona. Njihovo djelovanje usmjereno je na rješavanje zadatka i samoučenje na temelju stečenog iskustva uz minimiziranje pogrešaka.

Ciljevi strojnog učenja

Glavni cilj strojnog učenja je djelomična ili potpuna automatizacija pronalaženja rješenja za različite analitičke probleme. Iz tog razloga, strojno učenje mora na temelju dobivenih podataka dati najtočnija predviđanja. Rezultat učenja stroja je predviđanje i pamćenje rezultata s mogućnošću naknadne reprodukcije i odabira jedne od najboljih opcija.

Vrste strojnog učenja

Razvrstavanje nastave na temelju prisutnosti učitelja odvija se u tri kategorije:

1. S učiteljem. Primjenjuje se kada upotreba znanja podrazumijeva osposobljavanje stroja za prepoznavanje signala i objekata.
2. Bez učitelja. Princip rada temelji se na algoritmima koji otkrivaju sličnosti i razlike objekti, anomalije s naknadnim prepoznavanjem onoga što se od njih smatra različitim ili neobičnim.
3. S pojačanjem. Primjenjuju se ako stroj mora pravilno izvršavati zadatke u vanjskom okruženju s mnogo mogućih rješenja.

Prema vrsti korištenih algoritama dijele se na:

1. Klasični trening. Algoritmi učenja razvijeni prije više od pola stoljeća za zavode za statistiku i opsežno proučavani u međuvremenu. Koristi se za rješavanje problema vezanih uz rad s podacima.
2. Duboko učenje i neuronske mreže. Suvremeni pristup strojnom učenju. Neuronske mreže koriste se kada je potrebno generiranje ili prepoznavanje videozapisa i slika, strojno prevođenje, složeni procesi donošenja i analize odluka.

U inženjerstvu znanja mogući su ansambli modela koji kombiniraju nekoliko različitih pristupa.

Prednosti strojnog učenja

Kompetentnom kombinacijom različitih vrsta i algoritama strojnog učenja moguća je automatizacija rutinskih procesa u poslovanju. Kreativni dio-pregovaranje, sklapanje ugovora, sastavljanje i izvršavanje strategija - prepušteno je ljudima. Takva je podjela važna, jer je osoba, za razliku od stroja, sposobna razmišljati izvan okvira.

Izazovi izgradnje AI

U kontekstu stvaranja umjetne inteligencije razlikuju se dva problema stvaranja umjetne inteligencije:

• Legitimnost prepoznavanja osobe kao samoorganizirajuće svijesti i slobodne volje i, prema tome, prepoznavanje umjetne inteligencije kao inteligentne zahtijeva isto;
• Usporedba umjetne inteligencije s ljudskim umom i njegovim sposobnostima, koja ne uzima u obzir individualne karakteristike svih sustava i podrazumijeva njihovu diskriminaciju zbog obezvređivanja njihovih aktivnosti.

Problemi stvaranja umjetne inteligencije leže, između ostalog, u formiranju slika i figurativne memorije. Figurativni lanci kod ljudi formiraju se asocijativno, za razliku od rada stroja; za razliku od ljudskog uma, računalo traži određene mape i datoteke, a ne bira lance asocijativnih snopova. Umjetna inteligencija u inženjerstvu znanja koristi određenu bazu podataka u svom radu i nije sposobna eksperimentirati.

Drugi problem je podučavanje jezika stroja. Prijevod teksta prevoditeljskim programima često se vrši automatski, a konačni rezultat predstavljen je skupom riječi. Ispravan prijevod zahtijeva razumijevanje značenja rečenice, što je AI teško implementirati.

Nedostatak očitovanja volje u umjetnoj inteligenciji također se smatra problemom na putu do njenog stvaranja. Jednostavno rečeno, računalu nedostaju osobne želje, za razliku od kapaciteta i mogućnosti za obavljanje složenih izračuna.

Suvremeni sustavi umjetne inteligencije nemaju poticaja za daljnje postojanje i poboljšanje. Većina AI motivirana je samo zadatkom koji je postavio čovjek i potrebom da se to učini. U teoriji se na to može utjecati stvaranjem povratnih informacija između računala i čovjeka i poboljšanjem računalnog sustava samoučenja.

Primitivnost umjetno stvorenih neuronskih mreža. Danas ih karakteriziraju prednosti identične ljudskom mozgu: njihovo učenje odvija se na temelju osobnog iskustva, sposobni su izvući zaključke i izvući glavno iz primljenih informacija. Istodobno, inteligentni sustavi nisu u stanju duplicirati sve funkcije ljudskog mozga. Inteligencija svojstvena modernim neuronskim mrežama ne nadmašuje inteligenciju životinje.

Minimalna učinkovitost AI u vojne svrhe. Kreatori robotskih strojeva temeljenih na umjetnoj inteligenciji suočavaju se s problemom nemogućnosti AI da samostalno uči, automatski prepoznaje i ispravno analizira primljene informacije u stvarnom vremenu.