Инженерингът на знанието е набор от методи, модели и техники, насочени към създаване на системи, предназначени да намират решения на проблеми въз основа на съществуващите знания. Всъщност този термин се разбира като методология, теория и технология, обхващащи методи за анализ, извличане, обработка и представяне на знания.
Същността на изкуствения интелект се крие в научния анализ и автоматизацията на интелектуалните функции, присъщи на човека. В същото време сложността на тяхното машинно изпълнение е обща за повечето проблеми. Изучаването на AI направи възможно да се уверим, че зад решаването на проблемите се крие необходимостта от експертни знания, тоест създаването на система, която може не само да запаметява, но и да анализира и използва експертни знания в бъдеще; може да се използва за практически цели.
История на термина
Инженерингът на знанието и развитието на интелигентни информационни системи, по-специално експертни системи, са тясно свързани.
В Станфордския университет в САЩ през 60-70-те години, под ръководството на Е. Файгенбаум, аDENDRAL система, малко по-късно - MYCIN. И двете системи са получили званието експерт заради способността си да се натрупват в паметта на компютъра и да използват знанията на експертите за решаване на проблеми. Тази област на технологиите получи термина "инженерство на знания" от посланието на професор Е. Файгенбаум, който стана създател на експертни системи.
Подходи
Инженерингът на знанието се основава на два подхода: трансформация на знания и изграждане на модел.
- Трансформация на знанието. Процесът на промяна на експертизата и прехода от експертни знания към неговото софтуерно внедряване. Върху него е изградено развитието на системи, базирани на знания. Формат на представяне на знанията - правила. Недостатъците са невъзможността за представяне на имплицитно знание и различните видове знания в адекватна форма, трудността при отразяване на голям брой правила.
- Изграждане на модели. Изграждането на AI се счита за вид симулация; изграждане на компютърен модел, предназначен да решава проблеми в определена област наравно с експерти. Моделът не е в състояние да имитира дейността на експерт на когнитивно ниво, но позволява да се получи подобен резултат.
Моделите и методите за инженерство на знанието са насочени към разработването на компютърни системи, чиято основна цел е да се получат наличните знания от специалисти и след това да се организират за най-ефективно използване..
Изкуствен интелект, невронни мрежи и машинно обучение: каква е разликата?
Един от начините за прилагане на изкуствен интелект е невроненмрежа.
Машинното обучение е област на развитието на AI, насочена към изучаване на методи за изграждане на алгоритми за самообучение. Необходимостта от това възниква при липса на ясно решение на конкретен проблем. В такава ситуация е по-изгодно да се разработи механизъм, който може да създаде метод за намиране на решение, вместо да се търси.
Често използваният термин "дълбоко" ("дълбоко") обучение се отнася до алгоритми за машинно обучение, които изискват голямо количество изчислителни ресурси за работа. Концепцията в повечето случаи се свързва с невронни мрежи.
Има два вида изкуствен интелект: тясно фокусиран, или слаб, и общ, или силен. Действието на слабите е насочено към намиране на решение на тесен списък от проблеми. Най-изявените представители на тясно фокусирания AI са гласовите асистенти Google Assistant, Siri и Alice. За разлика от тях, силните способности на AI му позволяват да изпълнява почти всяка човешка задача. днес изкуственият общ интелект се счита за утопия: прилагането му е невъзможно.
Машинно обучение
Машинното обучение се отнася до методите в областта на изкуствения интелект, използвани за създаване на машина, която може да се учи от опита. Процесът на обучение се разбира като обработка на огромни масиви от данни от машината и търсене на модели в тях.
Концепциите за машинно обучение и наука за данни, въпреки приликата си, все още са различни и всяка се справя със собствените си задачи. И двата инструмента са включени в изкуственатаинтелигентност.
Машинното обучение, което е един от клоновете на AI, е алгоритми, въз основа на които компютърът може да прави заключения, без да се придържа към строго определени правила. Машината търси модели в сложни задачи с голям брой параметри, намирайки по-точни отговори, за разлика от човешкия мозък. Резултатът от метода е точно прогнозиране.
Наука за данни
Науката за това как да анализирате данни и да извличате ценни знания и информация от тях (извличане на данни). Той комуникира с машинното обучение и науката за мисленето, с технологиите за взаимодействие с големи количества данни. Работата на Data Science ви позволява да анализирате данни и да намерите правилния подход за последващо сортиране, обработка, вземане на проби и извличане на информация.
Например, има информация за финансовите разходи на предприятието и информация за контрагенти, които са свързани помежду си само от часа и датата на транзакциите и междинните банкови данни. Дълбок машинен анализ на междинни данни ви позволява да определите най-скъпия контрагент.
Невронни мрежи
Невронните мрежи, тъй като не са отделен инструмент, а един от видовете машинно обучение, са в състояние да симулират работата на човешкия мозък с помощта на изкуствени неврони. Тяхното действие е насочено към решаване на задачата и самообучение на база натрупан опит с минимизиране на грешките.
Цели за машинно обучение
Основната цел на машинното обучение се счита за частична или пълна автоматизация на търсенето на решения за различни аналитичнизадачи. Поради тази причина машинното обучение трябва да дава най-точните прогнози въз основа на получените данни. Резултатът от машинното обучение е прогнозирането и запаметяването на резултата с възможност за последващо възпроизвеждане и избор на една от най-добрите опции.
Видове машинно обучение
Класификация на обучението въз основа на присъствието на учител се среща в три категории:
- С учителя. Използва се, когато използването на знания включва обучение на машината да разпознава сигнали и обекти.
- Без учител. Принципът на действие се основава на алгоритми, които откриват прилики и разлики между обекти, аномалии и след това разпознават кой от тях се счита за различен или необичаен..
- С подкрепления. Използва се, когато една машина трябва да изпълнява задачи правилно в среда с много възможни решения.
Според вида на използваните алгоритми, те са разделени на:
- Класическо обучение. Алгоритмите за обучение, разработени преди повече от половин век за статистическите служби и внимателно проучени с течение на времето. Използва се за решаване на проблеми, свързани с работата с данни.
- Дълбоко обучение и невронни мрежи. Модерен подход към машинното обучение. Невронните мрежи се използват, когато се изисква генериране или разпознаване на видеоклипове и изображения, машинен превод, сложни процеси за вземане на решения и анализ.
В инженерството на знанието са възможни ансамбли от модели, комбиниращи няколко различни подхода.
Предимствата на машинното обучение
С компетентна комбинация от различни видове и алгоритми на машинно обучение е възможно да се автоматизират рутинни бизнес процеси. Творческата част – договаряне, сключване на договори, изготвяне и изпълнение на стратегии – е оставена на хората. Това разделение е важно, защото човек, за разлика от машината, е способен да мисли извън кутията.
Проблеми при създаването на AI
В контекста на създаването на изкуствен интелект има два проблема за създаване на изкуствен интелект:
- Изисква се легитимността на признаването на човек като самоорганизиращо се съзнание и свободна воля и съответно за признаване на изкуствения интелект като разумен;
- Сравнение на изкуствения интелект с човешкия ум и неговите способности, което не отчита индивидуалните характеристики на всички системи и води до тяхната дискриминация поради безсмислеността на техните дейности.
Проблемите при създаването на изкуствен интелект се крият, наред с други неща, във формирането на образи и образна памет. Образните вериги при хората се образуват асоциативно, за разлика от работата на машина; за разлика от човешкия ум, компютърът търси конкретни папки и файлове и не избира вериги от асоциативни връзки. Изкуственият интелект в инженерството на знанието използва специфична база данни в своята работа и не е в състояние да експериментира.
Вторият проблем е изучаването на езици за машината. Преводът на текст чрез програми за превод често се извършва автоматично, а крайният резултат е представен от набор от думи. За правилен преводизисква разбиране на смисъла на изречението, което е трудно за изпълнение от AI.
Липсата на проявление на волята на изкуствения интелект също се смята за проблем по пътя към неговото създаване. Просто казано, компютърът няма лични желания, за разлика от мощността и способността да извършва сложни изчисления.
Съвременните системи за изкуствен интелект нямат стимули за по-нататъшно съществуване и усъвършенстване. Повечето ИИ са мотивирани само от човешка задача и необходимостта да я изпълнят. На теория това може да бъде повлияно чрез създаване на обратна връзка между компютър и човек и подобряване на системата за самообучение на компютъра.
Примитивност на изкуствено създадените невронни мрежи. Днес те имат предимства, идентични с човешкия мозък: те се учат въз основа на личен опит, могат да правят заключения и да извличат основното от получената информация. В същото време интелигентните системи не са в състояние да дублират всички функции на човешкия мозък. Интелигентността, присъща на съвременните невронни мрежи, не надвишава интелигентността на животно.
Минимална ефективност на AI за военни цели. Създателите на роботи, базирани на изкуствен интелект, са изправени пред проблема с невъзможността на AI да се самообучава, автоматично разпознава и правилно анализира получената информация в реално време.
