Kennisengineering is een reeks methoden, modellen en technieken die gericht zijn op het creëren van systemen die zijn ontworpen om oplossingen voor problemen te vinden op basis van bestaande kennis. In feite wordt deze term opgevat als methodologie, theorie en technologie, die methoden voor analyse, extractie, verwerking en presentatie van kennis omvat.
De essentie van kunstmatige intelligentie ligt in de wetenschappelijke analyse en automatisering van intellectuele functies die inherent zijn aan de mens. Tegelijkertijd komt de complexiteit van hun machine-implementatie voor bij de meeste problemen. De studie van AI maakte het mogelijk om ervoor te zorgen dat achter de oplossing van problemen de behoefte aan deskundige kennis ligt, dat wil zeggen, het creëren van een systeem dat niet alleen deskundige kennis kan onthouden, maar ook kan analyseren en in de toekomst kan gebruiken; het kan voor praktische doeleinden worden gebruikt.
Geschiedenis van de term
Kennisengineering en de ontwikkeling van intelligente informatiesystemen, in het bijzonder expertsystemen, zijn nauw met elkaar verbonden.
Aan de Stanford University in de VS in de jaren 60-70, onder leiding van E. Feigenbaum, eenDENDRAL-systeem, iets later - MYCIN. Beide systemen hebben de titel van expert gekregen vanwege hun vermogen om zich op te stapelen in het computergeheugen en om de kennis van experts te gebruiken om problemen op te lossen. Dit technologiegebied kreeg de term "kennistechnologie" van de boodschap van professor E. Feigenbaum, die de maker van expertsystemen werd.
Benaderingen
Kennisengineering is gebaseerd op twee benaderingen: kennistransformatie en modelbouw.
- Transformatie van kennis. Het proces van het veranderen van expertise en de overgang van expertkennis naar de software-implementatie ervan. De ontwikkeling van Knowledge Based Systems is erop gebouwd. Kennisrepresentatieformaat - regels. De nadelen zijn de onmogelijkheid om impliciete kennis en verschillende soorten kennis in een adequate vorm weer te geven, de moeilijkheid om een groot aantal regels weer te geven.
- Bouwmodellen. AI bouwen wordt beschouwd als een soort simulatie; het bouwen van een computermodel dat is ontworpen om problemen op een bepaald gebied op voet van gelijkheid met experts op te lossen. Het model is niet in staat om de activiteit van een expert op cognitief niveau te imiteren, maar het maakt het mogelijk om een soortgelijk resultaat te verkrijgen.
Modellen en methoden van kennisengineering zijn gericht op de ontwikkeling van computersystemen, met als belangrijkste doel het verkrijgen van de beschikbare kennis van specialisten en deze vervolgens te organiseren voor het meest effectieve gebruik.
Kunstmatige intelligentie, neurale netwerken en machine learning: wat is het verschil?
Een van de manieren om kunstmatige intelligentie te implementeren is neuraalnetwerk.
Machine learning is een gebied van AI-ontwikkeling dat gericht is op het bestuderen van methoden voor het bouwen van zelflerende algoritmen. De behoefte hieraan ontstaat bij het ontbreken van een duidelijke oplossing voor een specifiek probleem. In een dergelijke situatie is het winstgevender om een mechanisme te ontwikkelen dat een methode kan creëren om een oplossing te vinden, in plaats van ernaar te zoeken.
De veelgebruikte term "deep" ("deep") leren verwijst naar machine learning-algoritmen die een grote hoeveelheid computerbronnen nodig hebben om te werken. Het concept wordt in de meeste gevallen geassocieerd met neurale netwerken.
Er zijn twee soorten kunstmatige intelligentie: eng gericht, of zwak, en algemeen, of sterk. De actie van de zwakken is gericht op het vinden van een oplossing voor een smalle lijst van problemen. De meest prominente vertegenwoordigers van eng gerichte AI zijn de stemassistenten Google Assistant, Siri en Alice. Daarentegen stellen sterke AI-vaardigheden het in staat om bijna elke menselijke taak uit te voeren. vandaag wordt kunstmatige algemene intelligentie als een utopie beschouwd: de implementatie ervan is onmogelijk.
Machineleren
Machine learning verwijst naar de methoden op het gebied van kunstmatige intelligentie die worden gebruikt om een machine te maken die kan leren van ervaring. Het leerproces wordt opgevat als de verwerking van enorme gegevensarrays door de machine en het zoeken naar patronen daarin.
De concepten Machine Learning en Data Science zijn, ondanks hun gelijkenis, nog steeds verschillend en hebben elk hun eigen taken. Beide instrumenten zijn opgenomen in de kunstmatigeintelligentie.
Machine learning, een van de takken van AI, zijn algoritmen op basis waarvan een computer conclusies kan trekken zonder zich aan strak opgestelde regels te houden. De machine zoekt naar patronen in complexe taken met een groot aantal parameters en vindt nauwkeurigere antwoorden, in tegenstelling tot het menselijk brein. Het resultaat van de methode is een nauwkeurige voorspelling.
Datawetenschap
De wetenschap van het analyseren van gegevens en het extraheren van waardevolle kennis en informatie daaruit (datamining). Het communiceert met machine learning en de wetenschap van het denken, met technologieën voor interactie met grote hoeveelheden gegevens. Het werk van Data Science stelt je in staat om gegevens te analyseren en de juiste aanpak te vinden voor latere sortering, verwerking, bemonstering en het ophalen van informatie.
Er is bijvoorbeeld informatie over de financiële kosten van een onderneming en informatie over tegenpartijen die alleen onderling verbonden zijn door de tijd en datum van transacties en tussentijdse bankgegevens. Diepe machinale analyse van tussentijdse gegevens stelt u in staat de duurste tegenpartij te bepalen.
Neurale netwerken
Neurale netwerken, die geen afzonderlijk hulpmiddel zijn, maar een van de soorten machine learning, zijn in staat om het werk van het menselijk brein te simuleren met behulp van kunstmatige neuronen. Hun actie is gericht op het oplossen van de taak en zelflerend op basis van ervaring die is opgedaan met het minimaliseren van fouten.
Machine leerdoelen
Het belangrijkste doel van machine learning wordt beschouwd als gedeeltelijke of volledige automatisering van het zoeken naar oplossingen voor verschillende analytischetaken. Om deze reden zou machine learning de meest nauwkeurige voorspellingen moeten geven op basis van de ontvangen gegevens. Het resultaat van machine learning is de voorspelling en memorisatie van het resultaat met de mogelijkheid van latere reproductie en selectie van een van de beste opties.
Soorten machine learning
Classificatie van leren op basis van de aanwezigheid van een leraar vindt plaats in drie categorieën:
- Met de leraar. Gebruikt wanneer het gebruik van kennis inhoudt dat de machine moet worden geleerd signalen en objecten te herkennen.
- Zonder leraar. Het werkingsprincipe is gebaseerd op algoritmen die overeenkomsten en verschillen tussen objecten en anomalieën detecteren en vervolgens herkennen welke ervan als ongelijk of ongebruikelijk wordt beschouwd.
- Met versterkingen. Gebruikt wanneer een machine taken correct moet uitvoeren in een omgeving met veel mogelijke oplossingen.
Afhankelijk van het type algoritme dat wordt gebruikt, zijn ze onderverdeeld in:
- Klassiek leren. Leeralgoritmen die meer dan een halve eeuw geleden zijn ontwikkeld voor statistische bureaus en in de loop van de tijd zorgvuldig zijn bestudeerd. Wordt gebruikt om problemen met het werken met gegevens op te lossen.
- Deep learning en neurale netwerken. Moderne benadering van machine learning. Neurale netwerken worden gebruikt wanneer het genereren of herkennen van video's en afbeeldingen, machinevertaling, complexe besluitvormings- en analyseprocessen vereist zijn.
In kennisengineering zijn ensembles van modellen mogelijk, waarbij verschillende benaderingen worden gecombineerd.
De voordelen van machine learning
Met een competente combinatie van verschillende soorten en algoritmen van machine learning, is het mogelijk om routinematige bedrijfsprocessen te automatiseren. Het creatieve gedeelte - onderhandelen, contracten sluiten, strategieën opstellen en uitvoeren - wordt overgelaten aan mensen. Deze verdeling is belangrijk, omdat een mens, in tegenstelling tot een machine, in staat is buiten de kaders te denken.
Problemen bij het maken van AI
In de context van het creëren van AI zijn er twee problemen bij het creëren van kunstmatige intelligentie:
- De legitimiteit van het erkennen van een persoon als een zelforganiserend bewustzijn en vrije wil en, dienovereenkomstig, voor het erkennen van kunstmatige intelligentie als redelijk, is hetzelfde vereist;
- Vergelijking van kunstmatige intelligentie met de menselijke geest en zijn capaciteiten, waarbij geen rekening wordt gehouden met de individuele kenmerken van alle systemen en die discriminatie met zich meebrengt vanwege de zinloosheid van hun activiteiten.
De problemen bij het creëren van kunstmatige intelligentie liggen onder meer in de vorming van beelden en figuratief geheugen. Figuratieve ketens bij de mens worden associatief gevormd, in tegenstelling tot de bediening van een machine; in tegenstelling tot de menselijke geest zoekt een computer naar specifieke mappen en bestanden en selecteert hij geen ketens van associatieve schakels. Kunstmatige intelligentie in kennisengineering gebruikt een specifieke database in haar werk en kan niet experimenteren.
Het tweede probleem is het leren van talen voor de machine. Het vertalen van tekst door vertaalprogramma's gebeurt vaak automatisch en het eindresultaat wordt weergegeven door een reeks woorden. Voor een correcte vertalingvereist begrip van de betekenis van de zin, wat voor AI moeilijk te implementeren is.
Het gebrek aan manifestatie van de wil van kunstmatige intelligentie wordt ook als een probleem beschouwd op weg naar de creatie ervan. Simpel gezegd, de computer heeft geen persoonlijke wensen, in tegenstelling tot de kracht en het vermogen om complexe berekeningen uit te voeren.
Moderne kunstmatige-intelligentiesystemen hebben geen prikkels voor verder bestaan en verbetering. De meeste AI's worden alleen gemotiveerd door een menselijke taak en de noodzaak om deze te voltooien. In theorie kan dit worden beïnvloed door een feedback tussen een computer en een persoon te creëren en het zelflerende systeem van de computer te verbeteren.
Primitiviteit van kunstmatig gecreëerde neurale netwerken. Tegenwoordig hebben ze voordelen die identiek zijn aan het menselijk brein: ze leren op basis van persoonlijke ervaring, ze zijn in staat om conclusies te trekken en het belangrijkste uit de ontvangen informatie te halen. Tegelijkertijd zijn intelligente systemen niet in staat om alle functies van het menselijk brein te dupliceren. De intelligentie die inherent is aan moderne neurale netwerken is niet groter dan de intelligentie van een dier.
Minimale effectiviteit van AI voor militaire doeleinden. De makers van op kunstmatige intelligentie gebaseerde robots worden geconfronteerd met het probleem van het onvermogen van AI om de ontvangen informatie in re altime zelf te leren, automatisch te herkennen en correct te analyseren.
