Inżynieria wiedzy. Sztuczna inteligencja. Uczenie maszynowe

Inżynieria wiedzy odnosi się do zbioru metod, modeli i technik mających na celu kształtowanie systemów ukierunkowanych na znajdowanie rozwiązań problemów w oparciu o dostępną wiedzę. Termin ten odnosi się do metodologii, teorii i technologii, które obejmują techniki analizowania, wydobywania, przetwarzania i prezentowania reprezentacja wiedzy.

Istota sztucznej inteligencji leży w naukowej analizie i automatyzacji funkcji ludzkiej nieodłącznej inteligencji. To, co łączy większość problemów, to złożoność ich maszynowej implementacji. Studiowanie AI uświadomiło nam, że za rozwiązaniem problemów stoi potrzeba wiedzy eksperckiej, czyli stworzenia systemu zdolnego nie tylko do zapamiętywania, ale także do analizowania i dalszego wykorzystywania wiedzy eksperckiej; można ją wykorzystać do celów praktycznych.

Historia terminu

Inżynieria wiedzy i rozwój inteligentnych systemów informacyjnych, w szczególności systemów ekspertowych, są ze sobą ściśle powiązane.

Na Uniwersytecie Stanforda w USA w latach 60-tych i 70-tych, pod kierownictwem E. W. Hoffmana, instytut badawczy. Feigenbaum opracował system DENDRAL, a nieco później MYCIN. Oba systemy nazywane są systemami eksperckimi ze względu na możliwość zapisywania, przechowywania w pamięci komputera i wykorzystywania do rozwiązywanie problemów wiedza specjalistyczna. Ten obszar technologii jest określany jako "inżynieria wiedzy" z przesłanki prof. Feigenbaum, który stał się twórcą systemów eksperckich.

Podejścia

Inżynieria wiedzy opiera się na dwóch podejściach: transformacji wiedzy i budowaniu modeli.

1. Transformacja wiedzy. Proces zmiany ekspertyzy i przejście od wiedzy eksperckiej do jej programowej implementacji. Stanowiło to podstawę do rozwoju systemów opartych na wiedzy. Format reprezentacji wiedzy - reguły. Wady to niemożność reprezentowania wiedzy milczącej i różnych rodzajów wiedzy w odpowiedniej formie, trudność odzwierciedlenia dużej liczby reguł.
2. Budowa modelu. Tworzenie SI jest uważane za formę modelowania; budowanie modelu komputerowego przeznaczonego do rozwiązywania problemów w danej dziedzinie na równi z ekspertami. Model nie jest w stanie naśladować na poziomie poznawczym działania eksperta, ale pozwala uzyskać podobny wynik.

Modele i metody inżynierii wiedzy są ukierunkowane na rozwój systemów komputerowych, których głównym celem jest pozyskiwanie istniejącej wiedzy i jej dalsza organizacja dla jak najbardziej efektywnego wykorzystania.

Sztuczna inteligencja, sieci neuronowe i uczenie maszynowe: jaka jest różnica?

Jednym ze sposobów implementacji sztucznej inteligencji jest sieć neuronowa.

Uczenie maszynowe to dziedzina rozwoju SI, mająca na celu badanie metod budowania samouczących się algorytmów. Pojawia się potrzeba przy braku rozwiązania danego problemu. W takiej sytuacji korzystniejsze jest opracowanie mechanizmu, który może stworzyć metodę znalezienia rozwiązania, a nie jego poszukiwania.

Pod często spotykanym terminem "Głęboko" ("dogłębnie") Nauka obejmuje algorytmy uczenia maszynowego, działać co wymaga dużej ilości zasobów obliczeniowych. Pojęcie w większości przypadków i związane z sieciami neuronowymi.

Wyróżnia się dwa rodzaje sztucznej inteligencji: wąsko ukierunkowaną, czyli słabą, oraz ogólną, czyli silną. Działanie słabego jest ukierunkowane na poszukiwanie rozwiązań dla wąskiej listy zadań. Najwybitniejszymi przedstawicielami wąsko ukierunkowanej AI są asystenci głosowi Google Assistant, Siri i Alice. Z kolei zdolności silnej AI pozwalają jej na wykonanie niemal każdego ludzkiego zadania. Dziś ogólna sztuczna inteligencja jest uważana za utopijną: jej realizacja nie jest możliwa.

Uczenie maszynowe

Uczenie maszynowe odnosi się do metod z dziedziny sztucznej inteligencji, stosowanych w celu stworzenia maszyny zdolnej do uczenia się na podstawie doświadczeń. Pod pojęciem procesu uczenia się rozumie się przetwarzanie przez maszyny ogromnych ilości danych i poszukiwanie w nich wzorców.

Uczenie maszynowe i data science, choć podobne, różnią się od siebie i każde z nich zajmuje się innym problemem. Oba narzędzia są częścią sztucznej inteligencji.

Uczenie maszynowe, które jest jedną z gałęzi AI, to algorytmy, na podstawie których komputer jest w stanie wyciągać wnioski bez trzymania się sztywno określonych reguł. Maszyna wyszukuje wzorce w złożonych problemach z wieloma parametrami, znajdując dokładniejsze odpowiedzi niż ludzki mózg. Efektem metody jest dokładna predykcja.

Nauka o danych

Jest to nauka o tym, jak analizować dane i wydobywać z nich wartościową wiedzę i informacje (data mining). Komunikuje się z uczeniem maszynowym i nauką o myśleniu, z technologiami umożliwiającymi interakcję z dużymi ilościami danych. Data science działa poprzez analizę danych i znalezienie właściwego podejścia do sortowania, przetwarzania, selekcji i pobierania informacji.

Przykładem mogą być informacje o wydatkach finansowych firmy i informacje o kontrahentach, które są ze sobą powiązane jedynie czasem i datą transakcje oraz pośrednie dane bankowe. Dogłębna analiza maszynowa danych pośrednich może wskazać najbardziej kosztownego kontrahenta.

Sieci neuronowe

Sieci neuronowe, które nie są osobnym narzędziem, ale rodzajem uczenia maszynowego, mogą symulować ludzki mózg za pomocą sztucznych neuronów. Są nastawione na rozwiązanie danego zadania i samodzielne uczenie się na podstawie otrzymanych doświadczeń z minimalizacją błędów.

Cele uczenia maszynowego

Za główny cel uczenia maszynowego uważa się częściową lub całkowitą automatyzację poszukiwania rozwiązań różnych problemów analitycznych. Z tego powodu uczenie maszynowe musi tworzyć przewidywania na podstawie danych tak dokładne, jak to tylko możliwe. Uczenie maszynowe powoduje przewidywanie i zapamiętywanie wyniku z możliwością późniejszego odtworzenia i wybrania jednego z lepszych wyborów.

Rodzaje uczenia maszynowego

Klasyfikacja uczenia się przez nauczyciela występuje w trzech kategoriach:

1. Z nauczycielem. Ma zastosowanie, gdy wykorzystanie wiedzy polega na nauczeniu maszyny rozpoznawania sygnałów i obiektów.
2. Bez nauczyciela. Zasada działania Jest zbudowany na algorytmach, które wykrywają podobieństwa i różnice obiekty, anomalie, a następnie rozpoznanie tego, co jest uważane za niepodobne lub nietypowe.
3. Ze wzmocnieniem. Stosowany, gdy maszyna musi prawidłowo wykonać zadania w środowisku zewnętrznym z wieloma możliwymi rozwiązaniami.

Dzieli się ze względu na rodzaj stosowanych algorytmów na:

1. Nauka klasyczna. Algorytmy uczenia się opracowane ponad pół wieku temu na potrzeby biur statystycznych i z czasem starannie przebadane. Używane do zadań związanych z manipulacją danymi.
2. Uczenie głębokie i sieci neuronowe. Nowoczesne podejście do uczenia maszynowego. Sieci neuronowe znajdują zastosowanie w przypadku konieczności generowania lub rozpoznawania obrazów i wideo, tłumaczenia maszynowego, złożonych procesów podejmowania decyzji i analizy.

W inżynierii wiedzy możliwe są zespoły modeli, łączące kilka różnych podejść.

Korzyści płynące z uczenia maszynowego

Dzięki odpowiedniemu połączeniu różnych typów i algorytmów uczenia maszynowego możliwa jest automatyzacja rutynowych procesów biznesowych. Część kreatywną - negocjacje, zawieranie umów, opracowywanie i realizację strategii - pozostawiamy ludziom. To rozróżnienie nie jest bez znaczenia, ponieważ ludzie, w przeciwieństwie do maszyn, są zdolni do myślenia poza schematami.

Wyzwania związane z tworzeniem AI

W kontekście tworzenia AI wyróżnia się dwa problemy tworzenia sztucznej inteligencji:

• Zasadność uznania istot ludzkich za samoorganizujące się świadomości i wolnej woli i odpowiednio uznania sztucznej inteligencji za inteligentną wymaga tego samego;
• Porównywanie sztucznej inteligencji z ludzkim umysłem i jego możliwościami, które nie uwzględnia indywidualnych cech wszystkich systemów i pociąga za sobą ich dyskryminację ze względu na brak sensowności ich działań.

Problemy tworzenia sztucznej inteligencji polegają na kształtowaniu się obrazów i pamięci obrazów. Ludzkie łańcuchy obrazów są asocjacyjne, w przeciwieństwie do uczenia maszynowego; komputery szukają konkretnych folderów i plików, a nie wybierają ciągów asocjacyjnych, w przeciwieństwie do ludzkiego umysłu. Sztuczna inteligencja w inżynierii wiedzy wykorzystuje w swojej pracy określoną bazę danych i nie jest zdolna do eksperymentowania.

Drugim problemem jest nauczenie języków maszynowych. Tłumaczenie tekstu przez programy tłumaczące jest często automatyczne, a wynik końcowy jest reprezentowany przez zbiór słów. Poprawne tłumaczenie wymaga zrozumienia znaczenia zdania, co jest trudne do zrealizowania przez AI.

Brak woli w sztucznej inteligencji jest również postrzegany jako problem na drodze do stworzenia. W prostych słowach, komputery nie mają żadnych osobistych pragnień, w przeciwieństwie do mocy i zdolności do wykonywania skomplikowanych obliczeń.

Współczesne systemy sztucznej inteligencji nie mają motywacji do dalszego istnienia i doskonalenia się. Większość AI jest motywowana jedynie przez ludzkie zadanie i potrzebę jego wykonania. Teoretycznie można na to wpłynąć poprzez stworzenie pętli sprzężenia zwrotnego między komputerem a człowiekiem oraz udoskonalenie systemu samouczenia się komputera.

Prymitywność sztucznie tworzonych sieci neuronowych. Do tej pory mają zalety identyczne jak ludzki mózg: uczą się na podstawie osobistych doświadczeń, potrafią wyciągać wnioski i wyłuskiwać najważniejsze informacje z otrzymanych informacji. Jednocześnie systemy inteligentne nie są w stanie powielić wszystkich funkcji ludzkiego mózgu. Inteligencja tkwiąca we współczesnych sieciach neuronowych nie przewyższa inteligencji zwierząt.

Minimalna skuteczność SI dla celów wojskowych. Twórcy maszyn-robotów opartych na AI borykają się z problemem niezdolności AI do uczenia się, automatycznego rozpoznawania i poprawnej analizy informacji w czasie rzeczywistym.