L'enginyeria del coneixement és un conjunt de mètodes, models i tècniques orientats a crear sistemes dissenyats per trobar solucions als problemes a partir del coneixement existent. De fet, aquest terme s'entén com a metodologia, teoria i tecnologia, que inclou els mètodes d'anàlisi, extracció, processament i presentació del coneixement.
L'essència de la intel·ligència artificial rau en l'anàlisi científica i l'automatització de les funcions intel·lectuals inherents a l'home. Al mateix temps, la complexitat de la implementació de la seva màquina és comuna a la majoria dels problemes. L'estudi de la IA va permetre assegurar-se que darrere de la solució dels problemes hi ha la necessitat de coneixement expert, és a dir, la creació d'un sistema que no només pugui memoritzar, sinó també analitzar i utilitzar el coneixement expert en el futur; es pot utilitzar amb finalitats pràctiques.
Història del terme
L'enginyeria del coneixement i el desenvolupament de sistemes d'informació intel·ligents, en particular els sistemes experts, estan estretament relacionats.
A la Universitat de Stanford als Estats Units dels anys 60-70, sota el lideratge d'E. Feigenbaum, unSistema DENDRAL, una mica més tard - MYCIN. Ambdós sistemes han rebut el títol d'expert per la seva capacitat d'acumular-se a la memòria de l'ordinador i utilitzar els coneixements dels experts per resoldre problemes. Aquesta àrea de la tecnologia va rebre el terme "enginyeria del coneixement" del missatge del professor E. Feigenbaum, que es va convertir en el creador de sistemes experts.
Enfocaments
L'enginyeria del coneixement es basa en dos enfocaments: la transformació del coneixement i la creació de models.
- Transformació del coneixement. El procés de canvi de coneixements i la transició del coneixement expert a la seva implementació de programari. El desenvolupament de sistemes basats en el coneixement es va basar en ell. Format de representació del coneixement - regles. Els inconvenients són la impossibilitat de representar el coneixement implícit i els diferents tipus de coneixement en una forma adequada, la dificultat de reflectir un gran nombre de regles.
- Models de construcció. Construir IA es considera un tipus de simulació; construir un model informàtic dissenyat per resoldre problemes en una àrea concreta en igu altat de condicions amb els experts. El model no és capaç d'imitar l'activitat d'un expert a nivell cognitiu, però permet obtenir un resultat semblant.
Els models i mètodes d'enginyeria del coneixement estan orientats al desenvolupament de sistemes informàtics, la finalitat principal dels quals és obtenir els coneixements disponibles d'especialistes i després organitzar-los per a l'ús més eficaç.
Intel·ligència artificial, xarxes neuronals i aprenentatge automàtic: quina diferència hi ha?
Una de les maneres d'implementar la intel·ligència artificial és neuronalxarxa.
L'aprenentatge automàtic és una àrea de desenvolupament d'IA destinada a estudiar mètodes per construir algorismes d'autoaprenentatge. La necessitat d'això sorgeix en absència d'una solució clara a un problema concret. En aquesta situació, és més rendible desenvolupar un mecanisme que pugui crear un mètode per trobar una solució, en lloc de buscar-la.
El terme d'aprenentatge "profund" ("profund") d'ús habitual fa referència als algorismes d'aprenentatge automàtic que requereixen una gran quantitat de recursos informàtics per funcionar. El concepte en la majoria dels casos està associat a xarxes neuronals.
Hi ha dos tipus d'intel·ligència artificial: enfocada estretament, o feble, i general, o forta. L'acció dels febles té com a objectiu trobar una solució a una llista limitada de problemes. Els representants més destacats de l'IA molt enfocada són els assistents de veu Google Assistant, Siri i Alice. En canvi, les fortes habilitats d'IA li permeten realitzar gairebé qualsevol tasca humana. avui, la intel·ligència general artificial es considera una utopia: la seva implementació és impossible.
Aprenentatge automàtic
L'aprenentatge automàtic fa referència als mètodes en el camp de la intel·ligència artificial utilitzats per crear una màquina que pugui aprendre de l'experiència. El procés d'aprenentatge s'entén com el processament de grans matrius de dades per part de la màquina i la recerca de patrons en ells.
Els conceptes d'aprenentatge automàtic i ciència de dades, malgrat la seva similitud, segueixen sent diferents i cadascun s'enfronta a les seves pròpies tasques. Tots dos instruments estan inclosos en l'artificialintel·ligència.
L'aprenentatge automàtic, que és una de les branques de la IA, són algorismes basats en els quals un ordinador és capaç d'extreure conclusions sense complir les regles rígides establertes. La màquina busca patrons en tasques complexes amb un gran nombre de paràmetres, trobant respostes més precises, a diferència del cervell humà. El resultat del mètode és una predicció precisa.
Ciència de dades
La ciència de com analitzar dades i extreure'n coneixements i informació valuosa (mineria de dades). Es comunica amb l'aprenentatge automàtic i la ciència del pensament, amb tecnologies per interactuar amb grans quantitats de dades. El treball de Data Science us permet analitzar dades i trobar l'enfocament adequat per a la classificació, processament, mostreig i recuperació d'informació posteriors.
Per exemple, hi ha informació sobre les despeses financeres d'una empresa i informació sobre les contraparts que només estan interconnectades per l'hora i la data de les transaccions i les dades bancàries intermèdies. L'anàlisi automàtica de dades intermèdies us permet determinar la contrapart més costosa.
Xarxes neuronals
Les xarxes neuronals, no sent una eina separada, sinó un dels tipus d'aprenentatge automàtic, són capaços de simular el treball del cervell humà mitjançant neurones artificials. La seva acció està orientada a resoldre la tasca i l'autoaprenentatge a partir de l'experiència adquirida amb la minimització d'errors.
Objectius d'aprenentatge automàtic
L'objectiu principal de l'aprenentatge automàtic es considera que és l'automatització parcial o completa de la recerca de solucions a diferents anàlisis analítiques.tasques. Per aquest motiu, l'aprenentatge automàtic hauria de donar les prediccions més precises a partir de les dades rebudes. El resultat de l'aprenentatge automàtic és la predicció i memorització del resultat amb la possibilitat de reproducció posterior i selecció d'una de les millors opcions.
Tipus d'aprenentatge automàtic
La classificació de l'aprenentatge en funció de la presència d'un professor es produeix en tres categories:
- Amb el professor. S'utilitza quan l'ús del coneixement implica ensenyar a la màquina a reconèixer senyals i objectes.
- Sense professor. El principi de funcionament es basa en algorismes que detecten similituds i diferències entre objectes i anomalies, i després reconeixen quin d'ells es considera diferent o inusual.
- Amb reforços. S'utilitza quan una màquina ha de realitzar tasques correctament en un entorn amb moltes solucions possibles.
Segons el tipus d'algorismes utilitzats, es divideixen en:
- Aprenentatge clàssic. Els algorismes d'aprenentatge desenvolupats fa més de mig segle per a les oficines d'estadística i estudiats acuradament al llarg del temps. S'utilitza per resoldre problemes relacionats amb el treball amb dades.
- Aprenentatge profund i xarxes neuronals. Enfocament modern de l'aprenentatge automàtic. Les xarxes neuronals s'utilitzen quan es requereix la generació o reconeixement de vídeos i imatges, traducció automàtica, processos complexos de presa de decisions i anàlisi.
En l'enginyeria del coneixement, són possibles conjunts de models, que combinen diversos enfocaments diferents.
Els avantatges de l'aprenentatge automàtic
Amb una combinació competent de diferents tipus i algorismes d'aprenentatge automàtic, és possible automatitzar els processos de negoci rutinaris. La part creativa -negociar, celebrar contractes, elaborar i executar estratègies- es deixa a les persones. Aquesta divisió és important, perquè una persona, a diferència d'una màquina, és capaç de pensar fora de la caixa.
Problemes per crear IA
En el context de la creació d'IA, hi ha dos problemes per crear intel·ligència artificial:
- La legitimitat de reconèixer una persona com a consciència autoorganitzada i lliure albir i, en conseqüència, per reconèixer la intel·ligència artificial com a raonable, es requereix el mateix;
- Comparació de la intel·ligència artificial amb la ment humana i les seves capacitats, que no té en compte les característiques individuals de tots els sistemes i comporta la seva discriminació per la manca de sentit de les seves activitats.
Els problemes de la creació d'intel·ligència artificial rau, entre altres coses, en la formació d'imatges i la memòria figurativa. Les cadenes figuratives en humans es formen de manera associativa, en contrast amb el funcionament d'una màquina; a diferència de la ment humana, un ordinador cerca carpetes i fitxers específics, i no selecciona cadenes d'enllaços associatius. La intel·ligència artificial en enginyeria del coneixement utilitza una base de dades específica en el seu treball i no és capaç d'experimentar.
El segon problema és aprendre idiomes per a la màquina. La traducció de text mitjançant programes de traducció sovint es realitza automàticament i el resultat final està representat per un conjunt de paraules. Per a una traducció correctarequereix entendre el significat de la frase, cosa que és difícil d'implementar per a l'IA.
La manca de manifestació de la voluntat de la intel·ligència artificial també es considera un problema en el camí cap a la seva creació. En poques paraules, l'ordinador no té desitjos personals, a diferència del poder i la capacitat de realitzar càlculs complexos.
Els sistemes moderns d'intel·ligència artificial no tenen incentius per a la seva existència i millora. La majoria de les IA estan motivades només per una tasca humana i la necessitat de completar-la. En teoria, això es pot influir creant un feedback entre un ordinador i una persona i millorant el sistema d'autoaprenentatge de l'ordinador.
Primitivitat de les xarxes neuronals creades artificialment. Avui tenen avantatges idèntics als del cervell humà: aprenen a partir de l'experiència personal, són capaços de treure conclusions i extreure el més important de la informació rebuda. Al mateix temps, els sistemes intel·ligents no són capaços de duplicar totes les funcions del cervell humà. La intel·ligència inherent a les xarxes neuronals modernes no supera la intel·ligència d'un animal.
Efectivitat mínima de la IA amb finalitats militars. Els creadors de robots basats en intel·ligència artificial s'enfronten al problema de la incapacitat de la IA per autoaprendre, reconèixer automàticament i analitzar correctament la informació rebuda en temps real.
