Inženjering znanja. Umjetna inteligencija. Mašinsko učenje

Inženjering znanja podrazumeva skup metoda, modela i tehnika usmerenih na formiranje sistema dizajniranih da pronađu rešenja za probleme zasnovane na postojećem znanju. Zapravo, ovaj pojam se shvata kao metodologija, teorija i tehnologija, koji pokrivaju metode analize, ekstrakcije, obrade i prezentacija znanja.

Entitet umjetna inteligencija leži u naučnoj analizi i automatizaciji intelektualnih funkcija svojstvenih čovjeku. Istovremeno, složenost njihove implementacije mašine zajednička je za većinu problema. Proučavanje umjetne inteligencije omogućilo je da se osigura da iza rješavanja problema stoji potreba za stručnim znanjem, odnosno stvaranjem sistema sposobnog ne samo za pamćenje, već i za analizu i korištenje stručnog znanja u budućnosti; može se primijeniti u praktične svrhe.

Istorija pojma

Inženjering znanja i razvoj inteligentnih informacionih sistema, posebno ekspertskih sistema, usko su povezani.

Na Univerzitetu Stanford u SAD-u 60-70-ih godina pod vodstvom E. Feigenbaum je razvio DENDRALNI sistem, a nešto kasnije i MYCIN. Oba sistema su dobila titulu ekspertskih sistema zbog svoje sposobnosti da akumuliraju stručno znanje u memoriji računara i koriste ga za riješite probleme . Ovo polje tehnologije dobilo je termin "inženjering znanja" iz obećanja profesora E. Feigenbaum, koji je postao kreator stručnih sistema.

Pristupi

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

1. Transformacija Znanja. Proces promene ekspertize i prelazak sa stručnog znanja na njihovu programsku implementaciju. Razvoj sistema zasnovanog na znanju zasnivao se na it-u. Format prezentacije znanja-pravila. Nedostaci su nemogućnost predstavljanja implicitnog znanja i različitih vrsta znanja u adekvatnom obliku, teškoća odražavanja velikog broja pravila.
2. Modeli za izgradnju. Stvaranje umjetne inteligencije smatra se svojevrsnim modeliranjem; izgradnja računarskog modela dizajniranog za rješavanje problema u određenom području ravnopravno sa stručnjacima. Model nije u stanju simulirati aktivnost stručnjaka na kognitivnom nivou, ali vam omogućava da dobijete sličan rezultat.

Modeli i metode inženjeringa znanja usmjereni su na razvoj računarskih sistema čija je glavna svrha stjecanje znanja dostupnih stručnjacima i njihovoj naknadnoj organizaciji za najefikasniju upotrebu.

Umjetna inteligencija, neuronske mreže i mašinsko učenje: koja je razlika?

Jedan od načina za implementaciju umjetne inteligencije je neuronska mreža.

Mašinsko učenje je područje razvoja umjetne inteligencije usmjereno na proučavanje metoda za konstruiranje algoritama za samoučenje. Potreba za tim se javlja u odsustvu jasnog rješenja za određeni zadatak. U takvoj situaciji isplativije je razviti mehanizam sposoban za stvaranje metode pronalaženja rješenja, umjesto da ga tražite.

Pod često susretanim terminom "deep" ("je li u dubini") učenje podrazumijeva algoritme mašinskog učenja, za rad je potrebna velika količina računarskih resursa. Koncept je u većini slučajeva povezan sa neuronskim mrežama.

Postoje dvije vrste umjetne inteligencije: usko usmjerena, ili slaba, i opšta, ili jaka. Slaba akcija ima za cilj pronalaženje rješenja za uski popis zadataka. Najistaknutiji predstavnici usko fokusirane umjetne inteligencije su glasovni asistenti Google Assistant, Siri i Alice. Sposobnosti jake AI, naprotiv, omogućavaju mu da obavlja gotovo svaki ljudski zadatak. danas se opća umjetna inteligencija smatra utopijom: njena implementacija je nemoguća.

Mašinsko učenje

Mašinsko učenje se shvata kao metode u oblasti veštačke inteligencije koje se koriste za stvaranje mašine koja može da uči iz sopstvenog iskustva. Pod procesom učenja podrazumijevaju obradu ogromnih nizova podataka mašinom i traženje obrazaca u njima.

Koncepti mašinskog učenja i nauke o podacima, uprkos njihovoj sličnosti, i dalje su različiti i svaki se nosi sa svojim zadacima. Oba alata su uključena u umjetnu inteligenciju.

Mašinsko učenje, koje je jedan od odjeljaka umjetne inteligencije, algoritmi su na osnovu kojih računar može donositi zaključke bez pridržavanja strogo postavljenih pravila. Mašina traži obrasce u složenim zadacima sa velikim brojem parametara, pronalazeći tačnije odgovore, za razliku od ljudskog mozga. Rezultat metode je tačno predviđanje.

Data science

Nauka o analizi podataka i izvlačenju vrijednih znanja i informacija iz njih (Data mining). Komunicira sa mašinskim učenjem i naukom o razmišljanju, sa tehnologijama interakcije sa velikim količinama podataka. Rad nauke o podacima omogućava vam da analizirate podatke i pronađete pravi pristup za naknadno sortiranje, obradu, uzorkovanje i traženje informacija.

Na primjer, postoje informacije o finansijskim troškovima preduzeća i informacije o ugovornim stranama koje su međusobno povezane samo kroz vrijeme i datum transakcija i srednji bankarski podaci. Dubinska mašinska analiza srednjih podataka omogućava vam da odredite najskuplju drugu stranu.

Neuronske mreže

Neuronske mreže, koje nisu zaseban alat, već jedna od vrsta mašinskog učenja, u stanju su simulirati rad ljudskog mozga pomoću umjetnih neurona. Njihovo djelovanje ima za cilj rješavanje zadatka i samoučenje na osnovu iskustva stečenog minimiziranjem grešaka.

Ciljevi Mašinskog Učenja

Glavnim ciljem mašinskog učenja smatra se djelomična ili potpuna automatizacija traženja rješenja za različite analitičke zadatke. Iz tog razloga, mašinsko učenje treba da daje najtačnija predviđanja na osnovu dobijenih podataka. Rezultat mašinskog učenja je predviđanje i pamćenje rezultata s mogućnošću naknadne reprodukcije i odabira jedne od najboljih opcija.

Vrste mašinskog učenja

Klasifikacija nastave na osnovu prisustva nastavnika odvija se u tri kategorije:

1. Sa nastavnikom. Koristi se kada upotreba znanja podrazumijeva obučavanje mašine da prepoznaje signale i objekte.
2. Bez učitelja. Princip rada zasniva se na algoritmima koji otkrivaju sličnosti i razlike objekata, anomalija, praćeno prepoznavanjem onoga što se smatra različitim ili neobičnim.
3. Sa pojačanjima. Koriste se ako mašina mora pravilno obavljati zadatke u vanjskom okruženju sa mnogo mogućih rješenja.

Po tipu korištenih algoritama podijeljeni su na:

1. Klasična obuka. Algoritmi učenja razvijeni prije više od pola stoljeća za statističke biroe i temeljito proučeni u proteklom vremenu. Koristi se za rješavanje problema vezanih za rad s podacima.
2. Duboko učenje i neuronske mreže. Savremeni pristup mašinskom učenju. Neuronske mreže se koriste kada su potrebni generisanje ili prepoznavanje videa i slika, mašinski prevod, složeni procesi donošenja odluka i analize.

Ansambli modela koji kombinuju nekoliko različitih pristupa mogući su u inženjerstvu znanja.

Prednosti mašinskog učenja

Kompetentnom kombinacijom različitih vrsta i algoritama mašinskog učenja moguće je automatizirati rutinske procese u poslovanju. Kreativni dio-pregovaranje, zaključivanje ugovora, izrada i izvršavanje strategija-prepušten je ljudima. Takva podjela je važna jer je osoba, za razliku od mašine, sposobna razmišljati nekonvencionalno.

Problemi stvaranja umjetne inteligencije

U kontekstu stvaranja umjetne inteligencije postoje dva problema stvaranja umjetne inteligencije:

• Legitimitet priznavanja samoorganizirajuće svijesti i slobodne volje za osobu, a shodno tome i za prepoznavanje umjetne inteligencije kao inteligentne;
• Poređenje umjetne inteligencije s ljudskim umom i njegovim sposobnostima, koje ne uzima u obzir individualne karakteristike svih sistema i povlači za sobom njihovu diskriminaciju zbog besmislenosti njihovih aktivnosti.

Problemi stvaranja umjetne inteligencije leže, između ostalog, u formiranju slika i maštovitog pamćenja. Figurativni lanci kod ljudi formiraju se asocijativno, za razliku od rada mašine; za razliku od ljudskog uma, računar traži određene mape i datoteke i ne bira lance asocijativnih paketa. Veštačka inteligencija u inženjerstvu znanja koristi određenu bazu podataka u svom radu i nije u stanju da eksperimentiše.

Drugi problem je učenje mašinskih jezika. Prevođenje teksta prevodilačkim programima često se vrši automatski, a konačni rezultat predstavljen je skupom riječi. Tačan prijevod zahtijeva razumijevanje značenja rečenice, što je AI teško implementirati.

Nedostatak volje u vještačkoj inteligenciji također se smatra problemom na putu njenog stvaranja. Jednostavno rečeno, računar nema lične želje, za razliku od kapaciteta i mogućnosti za složene proračune.

SAVREMENI SISTEMI veštačke inteligencije nemaju podsticaje za dalje postojanje i unapređenje. Većina umjetne inteligencije motivirana je samo zadatkom koji je postavila osoba i potrebom da ga ispuni. U teoriji, na to može uticati stvaranje povratnih informacija između računara i osobe i poboljšanje računarskog sistema za samoučenje.

Primitivnost vještački stvorenih neuronskih mreža. Do danas imaju prednosti identične ljudskom mozgu: njihova obuka temelji se na ličnom iskustvu, u stanju su izvući zaključke i izvući glavnu stvar iz primljenih informacija. Istovremeno, Inteligentni sistemi nisu u stanju da dupliciraju sve funkcije ljudskog mozga. Inteligencija svojstvena modernim neuronskim mrežama ne prelazi inteligenciju životinje.

Minimalna ai efikasnost u vojne svrhe. Kreatori robotskih mašina baziranih na AI suočavaju se s problemom nesposobnosti AI da samostalno uči, automatski prepoznaje i pravilno analizira informacije primljene u realnom vremenu.