Inženjering znanja je skup metoda, modela i tehnika usmjerenih na kreiranje sistema dizajniranih da pronađu rješenja za probleme na osnovu postojećeg znanja. U stvari, ovaj termin se shvata kao metodologija, teorija i tehnologija, koji pokrivaju metode analize, ekstrakcije, obrade i prezentacije znanja.
Suština vještačke inteligencije leži u naučnoj analizi i automatizaciji intelektualnih funkcija svojstvenih čovjeku. Istovremeno, složenost njihove mašinske implementacije zajednička je većini problema. Proučavanje veštačke inteligencije omogućilo je da se uveri da se iza rešavanja problema krije potreba za stručnim znanjem, odnosno stvaranje sistema koji može ne samo da pamti, već i analizira i koristi stručno znanje u budućnosti; može se koristiti u praktične svrhe.
Istorija termina
Inženjering znanja i razvoj inteligentnih informacionih sistema, posebno ekspertskih sistema, usko su povezani.
Na Univerzitetu Stanford u SAD 60-70-ih godina, pod vodstvom E. Feigenbauma, aDENDRAL sistem, nešto kasnije - MYCIN. Oba sistema su dobila titulu eksperta zbog svoje sposobnosti da se akumuliraju u memoriji računara i koriste znanje stručnjaka za rješavanje problema. Ova oblast tehnologije dobila je termin "inženjering znanja" iz poruke profesora E. Feigenbauma, koji je postao tvorac ekspertskih sistema.
Prilazi
Inženjering znanja se zasniva na dva pristupa: transformaciji znanja i izgradnji modela.
- Transformacija znanja. Proces promjene ekspertize i prelazak sa ekspertskog znanja na njegovu softversku implementaciju. Na tome je izgrađen razvoj sistema zasnovanih na znanju. Format predstavljanja znanja - pravila. Nedostaci su nemogućnost predstavljanja implicitnog znanja i različitih vrsta znanja u adekvatnom obliku, teškoća reflektovanja velikog broja pravila.
- Izgradnja modela. Izgradnja AI se smatra vrstom simulacije; izgradnja kompjuterskog modela dizajniranog za rješavanje problema u određenoj oblasti na ravnopravnoj osnovi sa stručnjacima. Model nije sposoban da imitira aktivnost stručnjaka na kognitivnom nivou, ali omogućava dobijanje sličnog rezultata.
Modeli i metode inženjeringa znanja imaju za cilj razvoj računarskih sistema, čija je glavna svrha da se pribave znanja koja su dostupna od stručnjaka, a zatim ih organizuju za što efikasniju upotrebu.
Umjetna inteligencija, neuronske mreže i mašinsko učenje: u čemu je razlika?
Jedan od načina implementacije vještačke inteligencije je neuronskamreža.
Mašinsko učenje je oblast razvoja AI koja ima za cilj proučavanje metoda za izgradnju algoritama za samoučenje. Potreba za tim nastaje u nedostatku jasnog rješenja određenog problema. U takvoj situaciji isplativije je razviti mehanizam koji može stvoriti metodu za pronalaženje rješenja, a ne tražiti ga.
Uobičajeni termin "duboko" ("duboko") učenje odnosi se na algoritme mašinskog učenja koji zahtevaju veliku količinu računarskih resursa za rad. Koncept je u većini slučajeva povezan sa neuronskim mrežama.
Postoje dvije vrste vještačke inteligencije: usko fokusirana, ili slaba, i opšta ili jaka. Akcija slabih ima za cilj pronalaženje rješenja za uski spisak problema. Najistaknutiji predstavnici usko fokusirane AI su glasovni asistenti Google Assistant, Siri i Alice. Nasuprot tome, snažne AI sposobnosti mu omogućavaju da izvrši gotovo svaki ljudski zadatak. danas se umjetna opća inteligencija smatra utopijom: njena implementacija je nemoguća.
Mašinsko učenje
Mašinsko učenje odnosi se na metode u polju umjetne inteligencije koje se koriste za stvaranje mašine koja može učiti iz iskustva. Proces učenja se shvata kao obrada ogromnih nizova podataka od strane mašine i traženje obrazaca u njima.
Koncepti mašinskog učenja i nauke o podacima, uprkos njihovoj sličnosti, i dalje su različiti i svaki se nosi sa svojim zadacima. Oba instrumenta su uključena u vještačkiinteligencija.
Mašinsko učenje, koje je jedna od grana AI, je algoritmi na osnovu kojih je kompjuter u stanju da donosi zaključke bez pridržavanja strogo postavljenih pravila. Mašina traži obrasce u složenim zadacima s velikim brojem parametara, pronalazeći točnije odgovore, za razliku od ljudskog mozga. Rezultat metode je tačno predviđanje.
Nauka o podacima
Nauka o tome kako analizirati podatke i iz njih izvući vrijedna znanja i informacije (data mining). Komunicira sa mašinskim učenjem i naukom o razmišljanju, sa tehnologijama za interakciju sa velikim količinama podataka. Rad Data Science vam omogućava da analizirate podatke i pronađete pravi pristup za naknadno sortiranje, obradu, uzorkovanje i pronalaženje informacija.
Na primjer, postoje informacije o finansijskim troškovima preduzeća i informacije o ugovornim stranama koje su međusobno povezane samo vremenom i datumom transakcije i posrednim bankarskim podacima. Duboka mašinska analiza međupodataka omogućava vam da odredite najskuplju drugu stranu.
Neuralne mreže
Neuronske mreže, budući da nisu poseban alat, već jedna od vrsta mašinskog učenja, mogu da simuliraju rad ljudskog mozga koristeći veštačke neurone. Njihovo djelovanje je usmjereno na rješavanje zadatka i samoučenje na osnovu iskustva stečenog sa minimiziranjem grešaka.
ciljevi mašinskog učenja
Osnovnim ciljem mašinskog učenja smatra se djelomična ili potpuna automatizacija potrage za rješenjima za različite analitičkezadataka. Iz tog razloga, mašinsko učenje bi trebalo da daje najtačnija predviđanja na osnovu primljenih podataka. Rezultat mašinskog učenja je predviđanje i memorisanje rezultata uz mogućnost naknadne reprodukcije i odabira jedne od najboljih opcija.
Vrste mašinskog učenja
Klasifikacija učenja na osnovu prisustva nastavnika javlja se u tri kategorije:
- Sa učiteljicom. Koristi se kada upotreba znanja uključuje učenje mašine da prepozna signale i objekte.
- Bez učitelja. Princip rada zasniva se na algoritmima koji otkrivaju sličnosti i razlike između objekata, anomalija, a zatim prepoznaju koji se od njih smatra različitim ili neobičnim.
- Sa pojačanjima. Koristi se kada mašina mora ispravno obavljati zadatke u okruženju s mnogo mogućih rješenja.
Prema vrsti korištenih algoritama dijele se na:
- Klasično učenje. Algoritmi učenja razvijeni su prije više od pola stoljeća za statističke urede i pažljivo proučavani tokom vremena. Koristi se za rješavanje problema vezanih za rad sa podacima.
- Duboko učenje i neuronske mreže. Savremeni pristup mašinskom učenju. Neuronske mreže se koriste kada je potrebno generiranje ili prepoznavanje video zapisa i slika, strojno prevođenje, složeni procesi odlučivanja i analize.
U inženjerstvu znanja mogući su ansambli modela, koji kombinuju nekoliko različitih pristupa.
Prednosti mašinskog učenja
Uz kompetentnu kombinaciju različitih tipova i algoritama mašinskog učenja, moguće je automatizovati rutinske poslovne procese. Kreativni dio - pregovaranje, zaključivanje ugovora, sastavljanje i izvršavanje strategija - prepušteno je ljudima. Ova podjela je važna, jer osoba, za razliku od mašine, može razmišljati izvan okvira.
Problemi kreiranja AI
U kontekstu stvaranja AI, postoje dva problema stvaranja umjetne inteligencije:
- Potreban je legitimitet priznavanja osobe kao samoorganizirajuće svijesti i slobodne volje i, shodno tome, za priznavanje vještačke inteligencije kao razumne;
- Poređenje vještačke inteligencije sa ljudskim umom i njegovim sposobnostima, koje ne uzima u obzir individualne karakteristike svih sistema i povlači njihovu diskriminaciju zbog besmislenosti njihovih aktivnosti.
Problemi stvaranja vještačke inteligencije leže, između ostalog, u formiranju slika i figurativnog pamćenja. Figurativni lanci kod ljudi se formiraju asocijativno, za razliku od rada mašine; za razliku od ljudskog uma, kompjuter traži određene fascikle i datoteke, a ne bira lance asocijativnih veza. Umjetna inteligencija u inženjerstvu znanja koristi specifičnu bazu podataka u svom radu i nije u mogućnosti da eksperimentiše.
Drugi problem je učenje jezika za mašinu. Prevođenje teksta pomoću programa za prevođenje često se izvodi automatski, a konačni rezultat predstavlja skup riječi. Za korektan prevodzahtijeva razumijevanje značenja rečenice, što je AI teško implementirati.
Nedostatak ispoljavanja volje veštačke inteligencije takođe se smatra problemom na putu njenog stvaranja. Jednostavno rečeno, kompjuter nema nikakve lične želje, za razliku od snage i mogućnosti da izvrši složene proračune.
Savremeni sistemi veštačke inteligencije nemaju podsticaja za dalje postojanje i unapređenje. Većina AI je motivisana samo ljudskim zadatkom i potrebom da se on završi. U teoriji, na ovo se može uticati stvaranjem povratne sprege između računara i osobe i poboljšanjem kompjuterskog sistema za samoučenje.
Primitivnost vještački stvorenih neuronskih mreža. Danas imaju prednosti koje su identične ljudskom mozgu: uče na osnovu ličnog iskustva, u stanju su da izvuku zaključke i izvuku ono najvažnije iz primljenih informacija. Istovremeno, inteligentni sistemi nisu u stanju da dupliraju sve funkcije ljudskog mozga. Inteligencija svojstvena modernim neuronskim mrežama ne premašuje inteligenciju životinje.
Minimalna efikasnost AI za vojne svrhe. Kreatori robota zasnovanih na umjetnoj inteligenciji suočeni su s problemom nemogućnosti umjetne inteligencije da samostalno uči, automatski prepoznaje i pravilno analizira primljene informacije u realnom vremenu.
