Kejuruteraan pengetahuan ialah satu set kaedah, model dan teknik yang bertujuan untuk mencipta sistem yang direka bentuk untuk mencari penyelesaian kepada masalah berdasarkan pengetahuan sedia ada. Malah, istilah ini difahami sebagai metodologi, teori dan teknologi, meliputi kaedah analisis, pengekstrakan, pemprosesan dan pembentangan pengetahuan.
Intipati kecerdasan buatan terletak pada analisis saintifik dan automasi fungsi intelek yang wujud dalam diri manusia. Pada masa yang sama, kerumitan pelaksanaan mesin mereka adalah perkara biasa kepada kebanyakan masalah. Kajian AI memungkinkan untuk memastikan bahawa di sebalik penyelesaian masalah terletak keperluan untuk pengetahuan pakar, iaitu penciptaan sistem yang bukan sahaja dapat menghafal, tetapi juga menganalisis dan menggunakan pengetahuan pakar pada masa hadapan; ia boleh digunakan untuk tujuan praktikal.
Sejarah istilah
Kejuruteraan pengetahuan dan pembangunan sistem maklumat pintar, khususnya sistem pakar, berkait rapat.
Di Universiti Stanford di Amerika Syarikat pada tahun 60-70an, di bawah pimpinan E. Feigenbaum, seorangSistem DENDRAL, sedikit kemudian - MYCIN. Kedua-dua sistem telah mendapat gelaran pakar kerana keupayaan mereka untuk terkumpul dalam ingatan komputer dan menggunakan pengetahuan pakar untuk menyelesaikan masalah. Bidang teknologi ini menerima istilah "kejuruteraan pengetahuan" daripada mesej Profesor E. Feigenbaum, yang menjadi pencipta sistem pakar.
Pendekatan
Kejuruteraan pengetahuan adalah berdasarkan dua pendekatan: transformasi pengetahuan dan pembinaan model.
- Transformasi pengetahuan. Proses menukar kepakaran dan peralihan daripada pengetahuan pakar kepada pelaksanaan perisiannya. Pembangunan Sistem Berasaskan Pengetahuan dibina di atasnya. Format perwakilan pengetahuan - peraturan. Kelemahannya ialah ketidakmungkinan untuk mewakili pengetahuan tersirat dan pelbagai jenis pengetahuan dalam bentuk yang mencukupi, kesukaran untuk mencerminkan sejumlah besar peraturan.
- Model bangunan. Membina AI dianggap sebagai sejenis simulasi; membina model komputer yang direka untuk menyelesaikan masalah dalam bidang tertentu secara sama rata dengan pakar. Model ini tidak mampu meniru aktiviti pakar di peringkat kognitif, tetapi ia membolehkan memperoleh hasil yang serupa.
Model dan kaedah kejuruteraan pengetahuan bertujuan untuk pembangunan sistem komputer, tujuan utamanya adalah untuk mendapatkan pengetahuan yang tersedia daripada pakar dan kemudian menyusunnya untuk kegunaan yang paling berkesan.
Kecerdasan buatan, rangkaian saraf dan pembelajaran mesin: apakah perbezaannya?
Salah satu cara untuk melaksanakan kecerdasan buatan ialah sarafrangkaian.
Pembelajaran mesin ialah bidang pembangunan AI yang bertujuan untuk mengkaji kaedah untuk membina algoritma pembelajaran kendiri. Keperluan untuk ini timbul jika tiada penyelesaian yang jelas kepada masalah tertentu. Dalam keadaan sedemikian, adalah lebih menguntungkan untuk membangunkan mekanisme yang boleh mencipta kaedah untuk mencari penyelesaian, daripada mencarinya.
Pembelajaran istilah "deep" ("deep") yang biasa digunakan merujuk kepada algoritma pembelajaran mesin yang memerlukan sejumlah besar sumber pengkomputeran untuk beroperasi. Konsep dalam kebanyakan kes dikaitkan dengan rangkaian saraf.
Terdapat dua jenis kecerdasan buatan: fokus sempit, atau lemah, dan umum, atau kuat. Tindakan golongan lemah bertujuan mencari penyelesaian kepada senarai masalah yang sempit. Wakil yang paling menonjol bagi AI tertumpu sempit ialah pembantu suara Google Assistant, Siri dan Alice. Sebaliknya, kebolehan AI yang kuat membolehkannya melaksanakan hampir semua tugas manusia. hari ini, kecerdasan am buatan dianggap sebagai utopia: pelaksanaannya adalah mustahil.
Pembelajaran mesin
Pembelajaran mesin merujuk kepada kaedah dalam bidang kecerdasan buatan yang digunakan untuk mencipta mesin yang boleh belajar daripada pengalaman. Proses pembelajaran difahami sebagai pemprosesan tatasusunan data yang besar oleh mesin dan pencarian corak di dalamnya.
Konsep Pembelajaran mesin dan sains Data, walaupun persamaannya, masih berbeza dan masing-masing menangani tugas mereka sendiri. Kedua-dua instrumen termasuk dalam tiruankecerdasan.
Pembelajaran mesin, yang merupakan salah satu cabang AI, ialah algoritma yang berasaskan komputer yang mampu membuat kesimpulan tanpa mematuhi peraturan yang ditetapkan dengan ketat. Mesin mencari corak dalam tugas yang kompleks dengan sejumlah besar parameter, mencari jawapan yang lebih tepat, tidak seperti otak manusia. Hasil kaedah ialah ramalan yang tepat.
Sains data
Ilmu tentang cara menganalisis data dan mengekstrak pengetahuan dan maklumat berharga daripadanya (perlombongan data). Ia berkomunikasi dengan pembelajaran mesin dan sains pemikiran, dengan teknologi untuk berinteraksi dengan sejumlah besar data. Kerja sains Data membolehkan anda menganalisis data dan mencari pendekatan yang betul untuk pengisihan, pemprosesan, pensampelan dan perolehan maklumat seterusnya.
Sebagai contoh, terdapat maklumat tentang perbelanjaan kewangan perusahaan dan maklumat tentang rakan niaga yang saling berkaitan hanya mengikut masa dan tarikh transaksi serta data perbankan perantaraan. Analisis mesin mendalam bagi data perantaraan membolehkan anda menentukan rakan niaga yang paling mahal.
Rangkaian saraf
Rangkaian saraf, bukan alat yang berasingan, tetapi salah satu jenis pembelajaran mesin, dapat mensimulasikan kerja otak manusia menggunakan neuron buatan. Tindakan mereka bertujuan untuk menyelesaikan tugas dan pembelajaran kendiri berdasarkan pengalaman yang diperoleh dengan meminimumkan ralat.
Matlamat pembelajaran mesin
Matlamat utama pembelajaran mesin dianggap sebagai automasi separa atau lengkap bagi mencari penyelesaian kepada pelbagai analisistugasan. Atas sebab ini, pembelajaran mesin harus memberikan ramalan yang paling tepat berdasarkan data yang diterima. Hasil pembelajaran mesin ialah ramalan dan hafalan hasil dengan kemungkinan pembiakan seterusnya dan pemilihan salah satu pilihan terbaik.
Jenis pembelajaran mesin
Pengkelasan pembelajaran berdasarkan kehadiran guru berlaku dalam tiga kategori:
- Bersama guru. Digunakan apabila penggunaan pengetahuan melibatkan pengajaran mesin untuk mengecam isyarat dan objek.
- Tanpa guru. Prinsip operasi adalah berdasarkan algoritma yang mengesan persamaan dan perbezaan antara objek, anomali, dan kemudian mengenali yang mana antaranya dianggap tidak serupa atau luar biasa.
- Dengan tetulang. Digunakan apabila mesin mesti melaksanakan tugas dengan betul dalam persekitaran dengan banyak penyelesaian yang mungkin.
Mengikut jenis algoritma yang digunakan, ia dibahagikan kepada:
- Pembelajaran klasik. Algoritma pembelajaran dibangunkan lebih daripada setengah abad yang lalu untuk pejabat statistik dan dikaji dengan teliti dari semasa ke semasa. Digunakan untuk menyelesaikan masalah yang berkaitan dengan bekerja dengan data.
- Pembelajaran mendalam dan rangkaian saraf. Pendekatan moden untuk pembelajaran mesin. Rangkaian saraf digunakan apabila penjanaan atau pengecaman video dan imej, terjemahan mesin, proses membuat keputusan dan analisis yang kompleks diperlukan.
Dalam kejuruteraan pengetahuan, himpunan model boleh dilakukan, menggabungkan beberapa pendekatan berbeza.
Faedah pembelajaran mesin
Dengan gabungan kompeten pelbagai jenis dan algoritma pembelajaran mesin, adalah mungkin untuk mengautomasikan proses perniagaan rutin. Bahagian kreatif - berunding, memuktamadkan kontrak, merangka dan melaksanakan strategi - diserahkan kepada orang ramai. Pembahagian ini penting, kerana seseorang, tidak seperti mesin, mampu berfikir di luar kotak.
Masalah mencipta AI
Dalam konteks mencipta AI, terdapat dua masalah untuk mencipta kecerdasan buatan:
- Legitimasi mengiktiraf seseorang sebagai kesedaran mengatur diri dan kehendak bebas dan, oleh itu, untuk mengiktiraf kecerdasan buatan sebagai munasabah, perkara yang sama diperlukan;
- Perbandingan kecerdasan buatan dengan minda manusia dan kebolehannya, yang tidak mengambil kira ciri-ciri individu semua sistem dan memerlukan diskriminasi kerana aktiviti mereka tidak bermakna.
Masalah mencipta kecerdasan buatan terletak, antara lain, dalam pembentukan imej dan ingatan kiasan. Rantai kiasan pada manusia dibentuk secara bersekutu, berbeza dengan operasi mesin; Berbeza dengan minda manusia, komputer mencari folder dan fail tertentu, dan tidak memilih rangkaian pautan bersekutu. Kecerdasan buatan dalam kejuruteraan pengetahuan menggunakan pangkalan data khusus dalam kerjanya dan tidak dapat membuat percubaan.
Masalah kedua ialah mempelajari bahasa untuk mesin. Terjemahan teks melalui program terjemahan selalunya dijalankan secara automatik, dan hasil akhir diwakili oleh satu set perkataan. Untuk terjemahan yang betulmemerlukan pemahaman makna ayat, yang sukar untuk AI dilaksanakan.
Kekurangan manifestasi kehendak kecerdasan buatan juga dianggap sebagai masalah dalam perjalanan ke penciptaannya. Ringkasnya, komputer tidak mempunyai keinginan peribadi, berbanding kuasa dan keupayaan untuk melakukan pengiraan yang rumit.
Sistem kecerdasan buatan moden tidak mempunyai insentif untuk kewujudan dan penambahbaikan selanjutnya. Kebanyakan AI hanya dimotivasikan oleh tugas manusia dan keperluan untuk menyelesaikannya. Secara teorinya, ini boleh dipengaruhi dengan mencipta maklum balas antara komputer dan seseorang dan menambah baik sistem pembelajaran kendiri komputer.
Keprimitifan rangkaian saraf buatan. Hari ini, mereka mempunyai kelebihan yang sama dengan otak manusia: mereka belajar berdasarkan pengalaman peribadi, mereka dapat membuat kesimpulan dan mengekstrak perkara utama daripada maklumat yang diterima. Pada masa yang sama, sistem pintar tidak dapat menduplikasi semua fungsi otak manusia. Kepintaran yang wujud dalam rangkaian saraf moden tidak melebihi kecerdasan haiwan.
Keberkesanan minimum AI untuk tujuan ketenteraan. Pencipta robot berasaskan kecerdasan buatan berhadapan dengan masalah ketidakupayaan AI untuk belajar sendiri, secara automatik mengenali dan menganalisis maklumat yang diterima dengan betul dalam masa nyata.
