Под инженерией знаний подразумевают совокупность методов, моделей и технических приемов, направленных на формирование систем, предназначенных для поиска решений проблем на основании имеющихся знаний. Фактически под данным термином понимают методологию, теорию и технологию, охватывающие методы анализа, добычи, обработки и представления знаний.
Сущность искусственного интеллекта кроется в научном анализе и автоматизации интеллектуальных функций, присущих человеку. При этом общим для большинства проблем является сложность их машинного воплощения. Изучение ИИ позволило убедиться в том, что за решением проблем кроется необходимость в знаниях экспертов, то есть создании системы, способной не просто запоминать, но и анализировать и использовать в дальнейшем знания экспертов; ее можно применять в практических целях.
История появления термина
Вам будет интересно:Художественные школы в Челябинске: начало творческих судеб
Инженерия знаний и разработка интеллектуальных информационных систем, в частности - экспертных систем, тесно связаны.
В Стэнфордском университете США в 60-70-х годах под руководством Э. Фейгенбаума была разработана система DENDRAL, немногим позднее - MYCIN. Обе системы получили звание экспертных ввиду их способностей накапливать в компьютерной памяти и использовать для решения проблем знания экспертов. Данная область техники получила термин "инженерии знаний" с посыла профессора Э. Фейгенбаума, ставшего создателем экспертных систем.
Подходы
Вам будет интересно:Фразеологизмы о дружбе: понятие "дружба" и "фразеологизм", примеры
В основе инженерии знаний лежат два подхода: преобразование знаний и построение моделей.
Модели и методы инженерии знаний направлены на разработку компьютерных систем, основной целью которых является получение имеющихся у специалистов знаний и их последующая организация для наиболее эффективного использования.
Искусственный интеллект, нейросети и машинное обучение: в чем разница?
Вам будет интересно:Общие правила силлогизма: примеры использования, определение, последовательность и обоснования
Одним из способов реализации искусственного интеллекта является нейронная сеть.
Машинное обучение - область разработки ИИ, направленная на изучение методов построения самообучаемых алгоритмов. Необходимость в этом возникает при отсутствии четкого решения конкретной задачи. В такой ситуации выгоднее разработать механизм, способный создать метод поиска решения, а не искать его.
Под часто встречаемым термином "глубокое" ("глубинное") обучение подразумевают алгоритмы машинного обучения, для работы которых требуется большое количество вычислительных ресурсов. Понятие в большинстве случаев и ассоциируется с нейронными сетями.
Выделяют два вида искусственного интеллекта: узконаправленный, или слабый, и общий, или сильный. Действие слабого направлено на поиск решения узкого списка задач. Наиболее яркими представителями узконаправленного ИИ являются голосовые помощники Google Assistant, Siri и Алиса. Способности сильного ИИ, напротив, позволяют ему выполнить практически любую человеческую задачу. на сегодняшний день общий искусственный интеллект считается утопией: его реализация невозможна.
Машинное обучение
Под машинным обучением понимают методы в сфере искусственного интеллекта, применяемые для создания машины, способной обучаться на собственном опыте. Под процессом обучения подразумевают обработку машиной огромных массивов данных и поиск в них закономерностей.
Понятия Machine learning и Data science, несмотря на свою схожесть, все же различаются и справляются каждый со своими задачами. Оба инструмента входят в искусственный интеллект.
Машинное обучение, являющееся одним из разделов ИИ, - алгоритмы, на основании которых компьютер способен делать выводы, не придерживаясь жестко заданных правил. Машина ищет закономерности в сложных задачах с большим количеством параметров, находя более точные ответы, в отличие от мозга человека. Результатом метода является точное прогнозирование.
Data science
Наука о способах анализа данных и извлечения из них ценных знаний и информации (data mining). Она сообщается с машинным обучением и наукой о мышлении, с технологиями взаимодействия с большими объемами данных. Работа Data science позволяет проанализировать данные и отыскать правильный подход для последующей сортировки, обработки, выборки и поиска информации.
К примеру, существуют сведения о финансовых тратах предприятия и сведения контрагентов, связанные между собой только посредством времени и даты проведения операций и промежуточных банковских данных. Глубокий машинный анализ промежуточных данных позволяет определить наиболее затратного контрагента.
Нейросети
Нейронные сети, являясь не отдельным инструментом, но одним из видов машинного обучения, способна моделировать работу человеческого мозга при помощи искусственных нейронов. Их действие направлено решение поставленной задачи и самообучение на основании полученного опыта с минимизацией ошибок.
Цели машинного обучения
Основной целью машинного обучения считается частичная либо полная автоматизация поиска решений различных аналитических задач. По этой причине машинное обучение должно давать на основании полученных данных максимально точные прогнозы. Результатом обучения машины становится предсказание и запоминание результата с возможностью последующего воспроизведения и выбора одного из лучших вариантов.
Виды машинного обучения
Классификация обучения по признаку наличия учителя происходит на три категории:
По виду используемых алгоритмов разделяют на:
В инженерии знаний возможны ансамбли моделей, объединяющие несколько разных подходов.
Польза машинного обучения
При грамотной комбинации разных видов и алгоритмов машинного обучения возможна автоматизация рутинных процессов в бизнесе. Творческая часть - ведение переговоров, заключение договоров, составление и выполнение стратегий - остается за людьми. Такое разделение немаловажно, поскольку человек, в отличие от машины, способен мыслить нешаблонно.
Проблемы создания ИИ
В контексте создания ИИ выделяют две проблемы создания искусственного интеллекта:
- Правомерность признания за человеком самоорганизующегося сознания и свободной воли и, соответственно, для признания искусственного интеллекта разумным требуется то же самое;
- Сравнение искусственного интеллекта с человеческим разумом и его способностями, что не учитывает индивидуальных особенностей всех систем и влечет за собой их дискриминацию по причине обессмысливания их деятельности.
Проблемы создания искусственного интеллекта кроются в том числе в формировании образов и образной памяти. Образные цепочки у людей формируются ассоциативно, в отличие от работы машины; в противоположность человеческому разуму компьютер отыскивает конкретные папки и файлы, а не выбирает цепочки ассоциативных связок. Искусственный интеллект в инженерии знаний использует в работе конкретную базу данных и не способен экспериментировать.
Вторая проблема - обучение машины языкам. Перевод текста программами-переводчиками часто осуществляется автоматически, а итоговый результат представлен набором слов. Для корректного перевода требуется понимание смысла предложения, что сложно реализуемо ИИ.
Отсутствие проявлений воли у искусственного интеллекта также считается проблемой на пути к его созданию. Проще говоря, у компьютера отсутствуют личные желания, в отличие от мощностей и возможностей для проведения сложных расчетов.
Современные системы искусственного интеллекта не имеют стимулов к дальнейшему существованию и совершенствованию. Большинство ИИ мотивируются только задачей, поставленной человеком, и необходимостью ее выполнения. В теории повлиять на это можно посредством создания обратной связи между компьютером и человеком и улучшения системы самообучения компьютера.
Примитивность искусственно созданных нейросетей. На сегодняшний день им свойственны преимущества, идентичные мозгу человека: их обучение происходит на основе личного опыта, способны делать выводы и извлекать главное из полученной информации. При этом интеллектуальные системы не способны дублировать все функции человеческого мозга. Интеллект, присущий современным нейросетям, не превосходит интеллект животного.
Минимальная эффективность ИИ в военных целях. Создатели машин-роботов на основе искусственного интеллекта сталкиваются с проблемой неспособности ИИ самообучаться, автоматически распознавать и корректно анализировать полученную информацию в режиме реального времени.