Tudásmérnöki. Mesterséges intelligencia. Gépi tanulás

A tudástechnika olyan módszerek, modellek és technikák összességét jelenti, amelyek olyan rendszerek kialakítására irányulnak, amelyek a meglévő ismereteken alapuló problémák megoldására szolgálnak. Valójában ezt a kifejezést módszertannak, elméletnek és technológiának kell tekinteni, amely magában foglalja az elemzési, kitermelési, feldolgozási és tudás reprezentációk.

A lényeg mesterséges intelligencia az emberben rejlő szellemi funkciók tudományos elemzésében és automatizálásában rejlik. Ugyanakkor a gépi megvalósítás összetettsége a legtöbb probléma közös. Az AI tanulmányozása lehetővé tette annak biztosítását, hogy a problémák megoldása mögött a szakértői ismeretek szükségessége áll, vagyis egy olyan rendszer létrehozása, amely nemcsak a memorizálásra, hanem a szakértői ismeretek elemzésére és felhasználására is képes a jövőben; gyakorlati célokra alkalmazható.

A kifejezés megjelenésének története

A tudástechnológia és az intelligens információs rendszerek, különösen a szakértői rendszerek fejlesztése szorosan összefügg.

A Stanford Egyetemen az USA-ban a 60-70-es években az E. Feigenbaum kifejlesztette a DENDRAL rendszert, egy kicsit később-MYCIN. Mindkét rendszer elnyerte a szakértői rendszerek címet, mivel képesek felhalmozni a szakértői ismereteket a számítógép memóriájában problémák megoldása . Ez a technológiai terület megkapta a kifejezést "tudásmérnöki" e professzor ígéretével. Feigenbaum, aki a szakértői rendszerek alkotója lett.

Megközelítések

A tudástechnika két megközelítésen alapul: tudásátalakítás és modellépítés.

1. Tudásátalakítás. A szakértelem megváltoztatásának folyamata és a szakértői ismeretekről a programszerű megvalósításra való áttérés. A tudásalapú rendszerek fejlesztése az informatikán alapult. Tudás bemutató formátum - szabályok. A hátrányok közé tartozik az implicit tudás és a különböző típusú ismeretek megfelelő formában történő ábrázolásának képtelensége, a nagyszámú szabály tükrözésének nehézsége.
2. Építési modellek. Az AI létrehozását egyfajta modellezésnek tekintik; egy számítógépes modell felépítése, amelynek célja egy adott terület problémáinak megoldása a szakértőkkel párhuzamosan. A modell nem képes szimulálni egy szakértő tevékenységét kognitív szinten, de lehetővé teszi, hogy hasonló eredményt érjen el.

A tudásmérnöki modellek és módszerek célja a számítógépes rendszerek fejlesztése, amelyek fő célja a szakemberek rendelkezésére álló ismeretek megszerzése és későbbi szervezése a leghatékonyabb felhasználás érdekében.

Mesterséges intelligencia, neurális hálózatok és gépi tanulás: mi a különbség?

A mesterséges intelligencia megvalósításának egyik módja a neurális hálózat.

A gépi tanulás az AI fejlesztésének olyan területe, amelynek célja az öntanuló algoritmusok felépítésének módszereinek tanulmányozása. Erre szükség van hiányában egyértelmű megoldás egy adott feladatra. Ilyen helyzetben jövedelmezőbb egy olyan mechanizmus kifejlesztése, amely képes megoldást találni a megoldás megtalálására, nem pedig azt keresni.

A gyakran előforduló kifejezés alatt "mély" ("mélyreható") a tanulás gépi tanulási algoritmusokat jelent, amelyek nagy mennyiségű számítási erőforrást igényelnek a működéshez. A koncepció a legtöbb esetben a neurális hálózatokhoz kapcsolódik.

Kétféle mesterséges intelligencia létezik: szűken koncentrált vagy gyenge, általános vagy erős. A gyengék fellépése arra irányul, hogy megoldásokat találjon a feladatok szűk listájára. A legszűkebben fókuszált AI legjelentősebb képviselői a Google Assistant, a Siri és az Alice hangsegédek. Az erős AI képességei éppen ellenkezőleg, lehetővé teszik, hogy szinte bármilyen emberi feladatot elvégezzen. ma az Általános mesterséges intelligenciát utópiának tekintik: megvalósítása lehetetlen.

Gépi tanulás

A gépi tanulás alatt a mesterséges intelligencia területén alkalmazott módszereket értjük olyan gép létrehozására, amely képes saját tapasztalataiból tanulni. A tanulási folyamat hatalmas mennyiségű adat feldolgozását jelenti egy gép által, valamint minták keresését bennük.

A gépi tanulás és az Adattudomány fogalmai hasonlóságuk ellenére még mindig eltérőek, és mindegyik saját feladataival küzd. Mindkét eszköz szerepel a mesterséges intelligenciában.

A gépi tanulás, amely az AI egyik szakasza, olyan algoritmusok, amelyek alapján a számítógép képes következtetéseket levonni anélkül, hogy betartaná a mereven meghatározott szabályokat. A gép összetett feladatok mintáit keresi, számos paraméterrel, pontosabb válaszokat találva, ellentétben az emberi agygal. A módszer eredménye pontos előrejelzés.

Data science

Az adatok elemzésének és értékes ismeretek és információk kinyerésének tudománya (adatbányászat). Kommunikál a gépi tanulással és a gondolkodás tudományával, a nagy mennyiségű adattal való interakció technológiáival. . Az Adattudomány lehetővé teszi az adatok elemzését és a megfelelő megközelítés megtalálását a későbbi válogatáshoz, feldolgozáshoz, mintavételhez és információkereséshez.

Például van információ a vállalkozás pénzügyi költségeiről és az ügyfelek információiról, amelyek csak az idő és a dátum révén kapcsolódnak egymáshoz tranzakciók száma köztes banki adatok. A közbenső adatok mély gépi elemzése lehetővé teszi a legdrágább partner meghatározását.

Neurális hálózatok

A neurális hálózatok, amelyek nem különálló eszközök, hanem a gépi tanulás egyik típusa, mesterséges neuronok segítségével képesek szimulálni az emberi agy munkáját. Tevékenységük célja a feladat megoldása és az öntanulás a hibák minimalizálásával szerzett tapasztalatok alapján.

Gépi Tanulási Célok

A gépi tanulás fő célja a különféle analitikai problémák megoldásának részleges vagy teljes automatizálása. Ezért a gépi tanulásnak a kapott adatok alapján a legpontosabb előrejelzéseket kell készítenie. A gépi tanulás eredménye az eredmény előrejelzése és memorizálása Az egyik legjobb lehetőség későbbi reprodukciójának és kiválasztásának lehetőségével.

A gépi tanulás típusai

A tanítás osztályozása a tanár jelenléte alapján három kategóriában történik:

1. A tanárral. Akkor használják, amikor a tudás felhasználása magában foglalja a gép megtanítását a jelek és tárgyak felismerésére.
2. Tanár nélkül. A működés elve olyan algoritmusokon alapul, amelyek felismerik hasonlóságok és különbségek tárgyak, anomáliák, amelyek későbbi felismerése eltérő vagy szokatlannak tekinthető.
3. Erősítéssel. Ezeket akkor használják, ha a gépnek helyesen kell elvégeznie a feladatokat egy külső környezetben, számos lehetséges megoldással.

Az alkalmazott algoritmusok típusa szerint fel vannak osztva:

1. Klasszikus képzés. A statisztikai hivatalok számára több mint fél évszázaddal ezelőtt kifejlesztett tanulási algoritmusok, amelyeket az elmúlt időben alaposan tanulmányoztak. Az adatokkal kapcsolatos problémák megoldására szolgál.
2. Deep learning és neurális hálózatok. A gépi tanulás Modern megközelítése. Neurális hálózatokat használnak, amikor videó - és képgenerálásra vagy felismerésre, gépi fordításra, komplex döntéshozatali és elemzési folyamatokra van szükség.

A tudástechnikában több különböző megközelítést kombináló modellek együttesei lehetségesek.

A gépi tanulás előnyei

A gépi tanulás különböző típusainak és algoritmusainak kompetens kombinációjával lehetséges a rutin folyamatok automatizálása az üzleti életben. A kreatív rész-a tárgyalások, a szerződések megkötése, a stratégiák kidolgozása és végrehajtása - az emberekre marad. Az ilyen felosztás azért fontos, mert egy személy, ellentétben a géppel, képes szokatlanul gondolkodni.

Az AI létrehozásának problémái

Az AI létrehozásával összefüggésben a mesterséges intelligencia létrehozásának két problémáját különböztetjük meg:

• Az önszerveződő tudat és a szabad akarat felismerésének legitimitása egy személy számára, és ennek megfelelően ugyanez szükséges a mesterséges intelligencia intelligens felismeréséhez;
• A mesterséges intelligencia összehasonlítása az emberi elmével és képességeivel, amely nem veszi figyelembe az összes rendszer egyedi jellemzőit, és tevékenységük értelmetlensége miatt hátrányos megkülönböztetést von maga után.

A mesterséges intelligencia létrehozásának problémái többek között a képek és a képzeletbeli memória kialakításában rejlenek. A figuratív láncok az emberekben asszociatív módon alakulnak ki, ellentétben a gép munkájával; az emberi elmével ellentétben a számítógép meghatározott mappákat és fájlokat keres, és nem választja az asszociatív kötegek láncait. A mesterséges intelligencia a tudásmérnöki munkában egy speciális adatbázist használ a munkájában, és nem képes kísérletezni.

A második probléma a gépi nyelvek tanítása. A szöveg fordítási programokkal történő fordítása gyakran automatikusan történik, a végeredményt pedig Szavak halmaza képviseli. A helyes fordítás megköveteli a mondat jelentésének megértését, amelyet az AI nehezen hajt végre.

A mesterséges intelligencia akaraterejének hiányát szintén problémának tekintik a létrehozása felé vezető úton. Egyszerűen fogalmazva, a számítógépnek nincs személyes vágya, ellentétben a komplex számítások kapacitásával és képességeivel.

A Modern mesterséges intelligencia rendszerek nem ösztönzik a további létezést és fejlesztést. A legtöbb AI-t csak az ember által kitűzött feladat motiválja, valamint annak teljesítésének szükségessége. Elméletileg ezt befolyásolhatja a számítógép és az ember közötti visszacsatolás létrehozása, valamint a számítógép öntanuló rendszerének javítása.

A mesterségesen létrehozott neurális hálózatok primitivitása. A mai napig az emberi agyhoz hasonló előnyökkel rendelkeznek: képzésük személyes tapasztalatokon alapul, képesek következtetéseket levonni a kapott információkból. Ugyanakkor az intelligens rendszerek nem képesek megismételni az emberi agy összes funkcióját. A modern neurális hálózatokban rejlő intelligencia nem haladja meg az állat intelligenciáját.

Minimális AI hatékonyság katonai célokra. Az AI-alapú robotgépek alkotói szembesülnek azzal a problémával, hogy az AI képtelen önállóan tanulni, automatikusan felismerni és helyesen elemezni a valós időben kapott információkat.