Znalostní inženýrství. Umělá inteligence. Strojové učení

Inženýrstvím znalostí se rozumí soubor metod, modelů a technických technik zaměřených na formování systémů určených k hledání řešení problémů na základě dostupných znalostí. Ve skutečnosti je tento termín chápán jako metodika, teorie a technologie zahrnující metody analýzy, těžby, zpracování a reprezentace znalostí.

Entita umělá inteligence spočívá ve vědecké analýze a automatizaci inteligentních funkcí spojených s člověkem. To je řečeno, společné pro většinu problémů je složitost jejich strojové inkarnace. Studium AI umožnilo zajistit, aby za řešením problémů byla potřeba znalostí odborníků, to znamená vytvoření systému schopného nejen zapamatovat si, ale také analyzovat a používat znalosti odborníků v budoucnu; lze jej použít pro praktické účely.

Historie vzniku termínu

Znalostní inženýrství a vývoj inteligentních informačních systémů, zejména expertních systémů, jsou úzce propojeny.

Na Stanfordské univerzitě v USA v 60. a 70. letech pod vedením E. Feigenbaum byl vyvinut systém DENDRAL, o něco později-MYCIN. Oba systémy získaly titul expert kvůli jejich schopnostem hromadit se v počítačové paměti a používat pro řešení problémů znalosti odborníků. Tato oblast techniky dostala termín "znalostní inženýrství" s vysláním profesora e. Feigenbaum, který se stal tvůrcem expertních systémů.

Přístup

Znalostní inženýrství je založeno na dvou přístupech: transformaci znalostí a konstrukci modelů.

1. Transformace znalostí. Proces změny odborných znalostí a přechod od odborných znalostí k jejich softwarové implementaci. Na něm byl postaven vývoj Knowledge Based Systems. Formát prezentace znalostí-pravidla. Nevýhodou je nemožnost reprezentovat implicitní znalosti a různé typy znalostí v odpovídající formě, obtížnost odrážet velký počet pravidel.
2. Budování modelů. Vytvoření AI je považováno za druh modelování; budování počítačového modelu, který má řešit problémy v konkrétní oblasti na stejné úrovni jako odborníci. Model není schopen simulovat činnost odborníka na kognitivní úrovni, ale umožňuje získat podobný výsledek.

Modely a techniky znalostního inženýrství se zaměřují na vývoj počítačových systémů, jejichž hlavním cílem je získat znalosti dostupné odborníky a jejich následná organizace pro co nejefektivnější využití.

Umělá inteligence, neuronové sítě a strojové učení: jaký je rozdíl?

Jedním ze způsobů implementace umělé inteligence je neuronová síť.

Strojové učení-oblast vývoje AI zaměřená na učení technik budování samoučitelných algoritmů. Potřeba toho vzniká při absenci jasné řešení konkrétního problému. V takové situaci je výhodnější vyvinout mechanismus schopný vytvořit metodu hledání řešení a nehledat ji.

Pod běžně viděným termínem "hluboký" ("hlubinný") učení znamená algoritmy strojového učení, pro provoz které vyžadují velké množství výpočetních zdrojů. Koncept je ve většině případů spojen s neuronovými sítěmi.

Existují dva typy umělé inteligence: úzkoprsý nebo slabý a obecný nebo silný. Cílem slabé akce je najít řešení úzkého seznamu úkolů. Nejvýraznějšími představiteli úzce zaměřené AI jsou hlasoví Asistenti Google Assistant, Siri a Alice. Schopnosti silné AI mu naopak umožňují splnit téměř jakýkoli lidský úkol. k dnešnímu dni je obecná umělá inteligence považována za utopii: její implementace není možná.

Strojové učení

Strojové učení se rozumí technikám v oblasti umělé inteligence používaným k vytvoření stroje schopného učit se ze zkušeností. Proces učení znamená strojové zpracování obrovských datových polí a hledání vzorců v nich.

Pojmy Machine learning A Data science se navzdory své podobnosti stále liší a každý se vyrovnává se svými vlastními úkoly. Oba nástroje vstupují do umělé inteligence.

Strojové učení, které je jednou z částí AI, jsou algoritmy, na jejichž základě je počítač schopen vyvodit závěry, aniž by dodržoval pevně zakódovaná pravidla. Stroj hledá vzory v náročných úkolech s více parametry a hledá přesnější odpovědi na rozdíl od lidského mozku. Výsledkem metody je přesná predikce.

Data science

Věda o způsobech analýzy dat a získávání cenných znalostí a informací z nich (data mining). Komunikuje se strojovým učením a vědou o myšlení, s technologiemi interakce s velkým množstvím dat. Práce Data science umožňuje analyzovat data a najít správný přístup pro následné třídění, zpracování, načítání a vyhledávání informací.

Například existují informace o finančních výdajích podniku a informace o protistranách, které jsou propojeny pouze časem a datem provedení operace a průběžných bankovních údajů. Hloubková strojová analýza mezilehlých dat umožňuje určit nejdražší protistranu.

Neurosety

Neuronové sítě, které nejsou samostatným nástrojem, ale jedním typem strojového učení, jsou schopny simulovat fungování lidského mozku pomocí umělých neuronů. Jejich akce je zaměřena na řešení daného úkolu a samostudium na základě získaných zkušeností s minimalizací chyb.

Cíle strojového učení

Hlavním cílem strojového učení je částečná nebo úplná automatizace hledání řešení různých analytických problémů. Z tohoto důvodu by strojové učení mělo na základě získaných údajů poskytovat co nejpřesnější předpovědi. Výsledkem učení stroje je predikce a zapamatování výsledku s možností následného přehrávání a výběru jedné z nejlepších možností.

Druhy strojového učení

Klasifikace učení podle přítomnosti učitele probíhá ve třech kategoriích:

1. S učiteli. Používá se, když použití znalostí znamená naučit stroj rozpoznávat signály a objekty.
2. Bez učitele. Princip práce staví na algoritmech detekujících podobnosti a rozdíly objekty, anomálie s následným rozpoznáním toho, co je považováno za neobvyklé nebo neobvyklé.
3. S posilami. Platí, pokud stroj musí správně provádět úkoly ve vnějším prostředí s mnoha možnými řešeními.

Podle typu použitých algoritmů se dělí na:

1. Klasické učení. Učební algoritmy vyvinuté před více než půl stoletím pro statistické úřady a pečlivě studované v uplynulém čase. Používá se k řešení problémů souvisejících s prací s daty.
2. Hluboké učení a neuronové sítě. Moderní přístup k strojovému učení. Neurosety se používají, když je vyžadováno generování nebo rozpoznávání videa a obrázků, strojový překlad, složité procesy rozhodování a analýzy.

Ve znalostním inženýrství jsou možné modelové soubory, které kombinují několik různých přístupů.

Výhody strojového učení

S kompetentní kombinací různých typů a algoritmů strojového učení je možná automatizace rutinních procesů v podnikání. Kreativní část-vyjednávání, uzavírání smluv, sestavování a provádění strategií - je ponechána na lidech. Toto oddělení je důležité, protože člověk, na rozdíl od stroje, je schopen myslet nešablonně.

Výzvy vytváření AI

V kontextu vytváření AI existují dva problémy s vytvářením umělé inteligence:

• Oprávněnost uznání za osobu samoorganizujícího se vědomí a svobodné vůle, a tedy uznání umělé inteligence za rozumnou, vyžaduje totéž;
• Porovnání umělé inteligence s lidskou myslí a jejími schopnostmi, což nezohledňuje individuální vlastnosti všech systémů a vede k jejich diskriminaci z důvodu pochopení jejich činnosti.

Problémy s tvorbou umělé inteligence spočívají mimo jiné ve formování obrazů a obrazové paměti. Obrazové řetězce u lidí se na rozdíl od práce stroje vytvářejí asociativně; na rozdíl od lidské mysli počítač hledá konkrétní složky a soubory, místo aby si vybral řetězce asociativních svazků. Umělá inteligence ve znalostním inženýrství používá v práci konkrétní databázi a není schopna experimentovat.

Druhým problémem je výuka jazyků. Překlad textu překladatelskými programy se často provádí automaticky a konečný výsledek je reprezentován sadou slov. Správný překlad vyžaduje pochopení významu věty, což je obtížné implementovat AI.

Nedostatek projevů vůle v umělé inteligenci je také považován za problém na cestě k jeho vytvoření. Jednoduše řečeno, počítač nemá osobní touhy, na rozdíl od kapacit a schopností provádět složité výpočty.

Moderní systémy umělé inteligence nemají motivaci k další existenci a zlepšování. Většina AI je motivována pouze úkolem stanoveným člověkem a potřebou jeho provedení. Teoreticky to lze ovlivnit vytvořením zpětné vazby mezi počítačem a člověkem a zlepšením systému samoučení počítače.

Primitivita uměle vytvořených neuronových sítí. K dnešnímu dni se vyznačují výhodami identickými s mozkem člověka: jejich učení probíhá na základě osobních zkušeností, jsou schopni vyvodit závěry a získat hlavní věc z získaných informací. Inteligentní systémy přitom nejsou schopny duplikovat všechny funkce lidského mozku. Inteligence spojená s moderními neurosety nepřekonává inteligenci zvířete.

Minimální účinnost AI pro vojenské účely. Tvůrci robotických strojů založených na umělé inteligenci čelí problému neschopnosti AI učit se, automaticky rozpoznávat a správně analyzovat získané informace v reálném čase.