Žinių inžinerija – tai metodų, modelių ir metodų rinkinys, skirtas sukurti sistemas, skirtas rasti problemų sprendimus remiantis turimomis žiniomis. Tiesą sakant, šis terminas suprantamas kaip metodika, teorija ir technologija, apimanti žinių analizės, gavimo, apdorojimo ir pateikimo metodus.
Dirbtinio intelekto esmė glūdi žmogui būdingų intelektinių funkcijų mokslinėje analizėje ir automatizavime. Tuo pačiu metu jų įrengimo sudėtingumas yra būdingas daugeliui problemų. AI tyrimas leido įsitikinti, kad už problemų sprendimo slypi ekspertinių žinių poreikis, tai yra sistemos, galinčios ne tik įsiminti, bet ir analizuoti bei panaudoti ekspertines žinias, sukūrimas ateityje; jį galima naudoti praktiniais tikslais.
Termino istorija
Žinių inžinerija ir pažangių informacinių sistemų, ypač ekspertinių sistemų, kūrimas yra glaudžiai susiję.
60–70-aisiais Stanfordo universitete JAV, vadovaujant E. Feigenbaumui,DENDRAL sistema, kiek vėliau – MYCIN. Abi sistemos gavo eksperto vardą dėl gebėjimo kaupti kompiuterio atmintyje ir panaudoti ekspertų žinias sprendžiant problemas. Ši technologijų sritis gavo terminą „žinių inžinerija“iš profesoriaus E. Feigenbaumo, kuris tapo ekspertinių sistemų kūrėju, pranešimo.
Požiūriai
Žinių inžinerija grindžiama dviem būdais: žinių transformavimu ir modelių kūrimu.
- Žinių transformacija. Ekspertizės keitimo procesas ir perėjimas nuo ekspertinių žinių prie jų programinės įrangos diegimo. Ja remiantis buvo kuriamos žiniomis pagrįstos sistemos. Žinių vaizdavimo formatas – taisyklės. Trūkumai yra tai, kad neįmanoma tinkamai pavaizduoti netiesioginių žinių ir skirtingų žinių tipų, sunku atspindėti daugybę taisyklių.
- Pastatų modeliai. AI kūrimas laikomas modeliavimo tipu; sukurti kompiuterinį modelį, skirtą tam tikros srities problemoms spręsti lygiai su ekspertais. Modelis nesugeba imituoti eksperto veiklos pažinimo lygmeniu, tačiau leidžia gauti panašų rezultatą.
Žinių inžinerijos modeliai ir metodai yra skirti kompiuterinių sistemų kūrimui, kurių pagrindinis tikslas – gauti iš specialistų turimas žinias, o vėliau jas organizuoti, kad jos būtų naudojamos kuo efektyviau.
Dirbtinis intelektas, neuroniniai tinklai ir mašininis mokymasis: koks skirtumas?
Vienas iš dirbtinio intelekto įgyvendinimo būdų yra nervinistinklas.
Mašininis mokymasis yra dirbtinio intelekto kūrimo sritis, kuria siekiama ištirti savarankiško mokymosi algoritmų kūrimo metodus. To reikia, kai nėra aiškaus konkrečios problemos sprendimo. Esant tokiai situacijai, labiau apsimoka sukurti mechanizmą, galintį sukurti sprendimo paieškos metodą, o ne jo ieškoti.
Dažniausiai vartojamas terminas „gilus“(„gilus“) mokymasis reiškia mašininio mokymosi algoritmus, kuriems veikti reikia daug skaičiavimo išteklių. Ši sąvoka daugeliu atvejų siejama su neuroniniais tinklais.
Yra dviejų tipų dirbtinis intelektas: siaurai sutelktas arba silpnas ir bendras arba stiprus. Silpnųjų veiksmais siekiama rasti siauro problemų sąrašo sprendimą. Ryškiausi siaurai orientuoto AI atstovai yra balso padėjėjai Google Assistant, Siri ir Alice. Priešingai, stiprūs AI gebėjimai leidžia atlikti beveik bet kokią žmogaus užduotį. šiandien dirbtinis bendrasis intelektas laikomas utopija: jo įgyvendinti neįmanoma.
Mašininis mokymasis
Mašininis mokymasis reiškia dirbtinio intelekto srities metodus, naudojamus kuriant mašiną, galinčią mokytis iš patirties. Mokymosi procesas suprantamas kaip didžiulių duomenų masyvų apdorojimas mašinoje ir šablonų jose paieška.
Mašininio mokymosi ir duomenų mokslo sąvokos, nepaisant jų panašumo, vis dar skiriasi ir kiekviena susidoroja su savo užduotimis. Abu instrumentai yra įtraukti į dirbtinįintelektas.
Mašininis mokymasis, kuris yra viena iš AI šakų, yra algoritmai, kurių pagrindu kompiuteris gali daryti išvadas nesilaikydamas griežtai nustatytų taisyklių. Priešingai nei žmogaus smegenys, mašina ieško modelių atliekant sudėtingas užduotis su daugybe parametrų ir suranda tikslesnius atsakymus. Metodo rezultatas yra tiksli prognozė.
Duomenų mokslas
Mokslas apie tai, kaip analizuoti duomenis ir gauti iš jų vertingas žinias bei informaciją (duomenų gavyba). Jis bendrauja su mašininiu mokymusi ir mąstymo mokslu, su technologijomis, skirtomis sąveikauti su dideliais duomenų kiekiais. Duomenų mokslo darbas leidžia analizuoti duomenis ir rasti tinkamą metodą tolesniam rūšiavimui, apdorojimui, atrankai ir informacijos gavimui.
Pavyzdžiui, yra informacija apie įmonės finansines išlaidas ir informacija apie sandorio šalis, kurias tarpusavyje sieja tik operacijų laikas ir data bei tarpiniai bankiniai duomenys. Išsami tarpinių duomenų mašininė analizė leidžia nustatyti brangiausią sandorio šalį.
Neuroniniai tinklai
Neuroniniai tinklai, būdami ne atskira priemonė, o viena iš mašininio mokymosi rūšių, gali imituoti žmogaus smegenų darbą naudojant dirbtinius neuronus. Jų veiksmais siekiama išspręsti užduotį ir mokytis savarankiškai, remiantis įgyta patirtimi, sumažinant klaidų skaičių.
Mašininio mokymosi tikslai
Pagrindiniu mašininio mokymosi tikslu laikomas dalinis arba visiškas įvairių analitinių sprendimų paieškos automatizavimas.užduotys. Dėl šios priežasties mašininis mokymasis turėtų pateikti tiksliausias prognozes, pagrįstas gautais duomenimis. Mašininio mokymosi rezultatas yra rezultato numatymas ir įsimenimas su galimybe vėliau atkurti ir pasirinkti vieną iš geriausių variantų.
Mašininio mokymosi tipai
Mokymosi klasifikacija pagal mokytojo buvimą skirstoma į tris kategorijas:
- Su mokytoju. Naudojama, kai naudojant žinias reikia išmokyti mašiną atpažinti signalus ir objektus.
- Be mokytojo. Veikimo principas pagrįstas algoritmais, kurie nustato objektų panašumus ir skirtumus, anomalijas, o vėliau atpažįsta, kuris iš jų laikomas nepanašiu ar neįprastu.
- Su pastiprinimu. Naudojama, kai mašina turi tinkamai atlikti užduotis aplinkoje, kurioje yra daug galimų sprendimų.
Pagal naudojamų algoritmų tipą jie skirstomi į:
- Klasikinis mokymasis. Mokymosi algoritmai buvo sukurti daugiau nei prieš pusę amžiaus statistikos biurams ir laikui bėgant kruopščiai ištirti. Naudojamas su darbu su duomenimis susijusioms problemoms spręsti.
- Gilus mokymasis ir neuroniniai tinklai. Šiuolaikinis požiūris į mašininį mokymąsi. Neuroniniai tinklai naudojami, kai reikia generuoti arba atpažinti vaizdo įrašus ir vaizdus, mašininį vertimą, sudėtingus sprendimų priėmimo ir analizės procesus.
Žinių inžinerijoje galimi modelių ansambliai, derinant kelis skirtingus požiūrius.
Mašininio mokymosi privalumai
Naudojant kompetentingą skirtingų mašininio mokymosi tipų ir algoritmų derinį, galima automatizuoti įprastus verslo procesus. Kūrybinė dalis – derybos, sutarčių sudarymas, strategijų rengimas ir vykdymas – paliekama žmonėms. Šis skirstymas yra svarbus, nes žmogus, skirtingai nei mašina, geba mąstyti už langelio ribų.
Problemos kuriant AI
Kuriant AI, kyla dvi dirbtinio intelekto kūrimo problemos:
- Asmens pripažinimo save organizuojančia sąmone ir laisva valia teisėtumas ir atitinkamai dirbtinio intelekto pripažinimas pagrįstu, reikalingas tas pats;
- Dirbtinio intelekto palyginimas su žmogaus protu ir jo gebėjimais, kuris neatsižvelgia į individualias visų sistemų ypatybes ir reiškia jų diskriminaciją dėl jų veiklos beprasmiškumo.
Dirbtinio intelekto kūrimo problemos, be kita ko, slypi vaizdinių ir vaizdinės atminties formavimuose. Figūrinės grandinės žmonėms formuojasi asociatyviai, priešingai nei veikiant mašinai; priešingai nei žmogaus protas, kompiuteris ieško konkrečių aplankų ir failų ir neatsirenka asociatyvinių nuorodų grandinių. Dirbtinis intelektas žinių inžinerijoje savo darbe naudoja konkrečią duomenų bazę ir negali eksperimentuoti.
Antra problema yra kalbų mokymasis mašinai. Teksto vertimas vertimo programomis dažnai atliekamas automatiškai, o galutinį rezultatą atvaizduoja žodžių rinkinys. Už teisingą vertimąreikia suprasti sakinio prasmę, kurią dirbtiniam intelektui sunku įgyvendinti.
Dirbtinio intelekto valios nepasireiškimo stoka taip pat laikoma problema kuriant jį. Paprasčiau tariant, kompiuteris neturi asmeninių norų, priešingai nei galia ir gebėjimas atlikti sudėtingus skaičiavimus.
Šiuolaikinės dirbtinio intelekto sistemos neturi paskatų toliau egzistuoti ir tobulėti. Daugumą AI motyvuoja tik žmogaus užduotis ir poreikis ją atlikti. Teoriškai tai gali turėti įtakos sukuriant grįžtamąjį ryšį tarp kompiuterio ir žmogaus bei tobulinant kompiuterio savarankiško mokymosi sistemą.
Dirbtinai sukurtų neuroninių tinklų primityvumas. Šiandien jie turi privalumų, identiškų žmogaus smegenims: mokosi remdamiesi asmenine patirtimi, geba daryti išvadas ir iš gautos informacijos išgauti esminį dalyką. Tuo pačiu metu intelektualios sistemos nepajėgia dubliuoti visų žmogaus smegenų funkcijų. Šiuolaikiniams neuroniniams tinklams būdingas intelektas neviršija gyvūno intelekto.
Mažiausias AI efektyvumas kariniams tikslams. Dirbtiniu intelektu pagrįstų robotų kūrėjai susiduria su AI nesugebėjimo savarankiškai mokytis, automatiškai atpažinti ir teisingai analizuoti gautą informaciją realiu laiku problema.
