Инженеринг на знанието. Изкуствен интелект. Машинно обучение

Инженерингът на знанието се отнася до набор от методи, модели и техники, насочени към формиране на системи, предназначени за търсене на решения на проблеми въз основа на наличните знания. Всъщност терминът се отнася до методологията, теорията и технологията, които обхващат методи за анализ, извличане, обработка и представяне на знания.

Същността изкуствен интелект се състои в научния анализ и автоматизацията на човешките интелектуални функции. Общото за повечето проблеми е сложността на тяхното машинно изпълнение. Изследването на изкуствения интелект ясно показва, че има нужда от експертни знания за решаване на проблеми, т.е. да се създаде система, която не просто да запомня, но и да анализира и след това да използва експертни знания; те могат да се прилагат за практически цели.

История на термина

Инженерингът на знанието и разработването на интелигентни информационни системи, по-специално експертни системи, са тясно свързани.

В Станфордския университет в САЩ през 60-те и 70-те години на миналия век под ръководството на Е.Д. Хувър. Системата на Файгенбаум е разработена от DENDRAL, а малко по-късно и от MYCIN. И двете са получили названието експертни системи поради способността им да се натрупват в паметта на компютъра и да се използват за решаване на проблеми експертни знания. Тази област на инженерството е наречена "инженеринг на знанието" от идеята на професор Е. Файгенбаум, който става създател на експертните системи.

Подходи

Инженерингът на знанието се основава на два подхода: трансформиране на знанието и изграждане на модели.

1. Трансформация на знанието. Процесът на промяна на експертните знания и преходът от експертни знания към тяхното софтуерно приложение. Това е основата за разработването на системи, базирани на знания. Форматът за представяне на знания - правила. Недостатъците са невъзможността да се представят мълчаливите знания и различните видове знания в подходяща форма, трудността да се отрази голям брой правила.
2. Изграждане на модел. Създаването на изкуствен интелект се счита за форма на моделиране; създаване на компютърен модел, предназначен за решаване на проблеми в определена област наравно с експертите. Моделът не е в състояние да симулира на когнитивно ниво дейността на експерта, но позволява да се получи подобен резултат.

Моделите и методите за инженеринг на знанието имат за цел да разработят компютърни системи, чиято основна цел е да придобият съществуващите знания от специалистите и след това да ги организират, за да ги използват по най-ефективен начин.

Изкуствен интелект, невронни мрежи и машинно обучение: каква е разликата?

Един от начините за прилагане на изкуствен интелект е чрез невронна мрежа.

Машинното обучение е област от развитието на изкуствения интелект, насочена към изследване на методи за изграждане на алгоритми за самообучение. Необходимостта от това възниква при липса на Решението на конкретен проблем. В такава ситуация е по-изгодно да се разработи механизъм, който може да създаде метод за намиране на решение, вместо да се търси такова.

Под често използвания термин "дълбоко" ("в дълбочина ") обучението се отнася до алгоритмите за машинно обучение, за работа които изискват голямо количество изчислителни ресурси. Понятие, което в повечето случаи се свързва с невронните мрежи.

Различават се два вида изкуствен интелект: тясно фокусиран или слаб и общ или силен. Слабият има за цел да намери решение на тесен списък от проблеми. Най-изявените представители на тясно фокусирания изкуствен интелект са гласовите асистенти Google Assistant, Siri и Alice. От друга страна, способностите на един силен ИИ му позволяват да изпълнява почти всяка човешка задача. Днес общият изкуствен интелект се смята за утопичен: неговото прилагане е невъзможно.

Машинно обучение

Машинното обучение се отнася до техники в областта на изкуствения интелект, използвани за създаване на машина, способна да се учи от опита си. Машинното обучение се отнася до обработката на огромни количества данни от машина и търсенето на модели в тях.

Макар да си приличат, машинното обучение и науката за данните са различни и всяка от тях се занимава с различен проблем. И двата инструмента са част от изкуствения интелект.

Машинното обучение, което е част от изкуствения интелект, представлява алгоритми, въз основа на които компютърът може да прави заключения, без да следва строго определени правила. Машините търсят модели в сложни проблеми с много параметри, като намират по-точни отговори от човешкия мозък. Резултатът от метода е точно предвиждане.

Наука за данните

Извличането на данни е наука за анализиране на данни и извличане на ценни знания и информация от тях. Тя комуникира с машинното обучение и науката за мисленето, с технологиите за взаимодействие с големи количества данни. Работа в областта на науката за данните за анализиране на данни и намиране на правилния подход за по-нататъшно сортиране, обработка, извадка и извличане на информация.

Например има информация за финансовите разходи на дадена компания и информация за контрагента, които са свързани само по време и дата на транзакциите и междинни банкови данни. Задълбоченият машинен анализ на междинните данни дава възможност да се идентифицира най-скъпият контрагент.

Невронни мрежи

Невронните мрежи, които не са отделен инструмент, а вид машинно обучение, могат да симулират човешкия мозък с помощта на изкуствени неврони. Действията им са съсредоточени върху конкретната задача и самообучението от опита, като грешките са сведени до минимум.

Цели на машинното обучение

Основната цел на машинното обучение се счита за частична или пълна автоматизация на намирането на решения на различни аналитични проблеми. По тази причина машинното обучение трябва да дава най-точни прогнози от получените данни. Машинното обучение води до предвиждане и запомняне на резултата с възможност за последващо възпроизвеждане и избор на една от най-добрите възможности.

Видове машинно обучение

Класификацията на обучението от страна на учителя се разделя на три категории:

1. С учител. Използва се, когато използването на знания включва обучение на машина за разпознаване на сигнали и обекти.
2. Без учител. Принцип на работа се основава на алгоритми, които откриват Прилики и разлики обекти, аномалии, последвани от разпознаване на това, което се счита за различно или необичайно.
3. С подсилване. Прилага се, ако машината трябва правилно да изпълнява задачи във външна среда с много възможни решения.

Според вида на използваните алгоритми те се разделят на:

1. Класическо обучение. Алгоритми за учене, които са разработени преди повече от половин век за статистически бюра и са били подробно проучени във времето. Използва се за задачи за обработка на данни.
2. Дълбоко обучение и невронни мрежи. Модерен подход към машинното обучение. Невронните мрежи се прилагат, когато се изисква генериране или разпознаване на видео и изображения, машинен превод, сложни процеси на вземане на решения и анализ.

В инженерството на знанието са възможни ансамбли от модели, които съчетават няколко различни подхода.

Ползите от машинното обучение

С правилната комбинация от различни видове и алгоритми за машинно обучение е възможно да се автоматизират рутинни бизнес процеси. Творческата част - водене на преговори, сключване на договори, създаване и изпълнение на стратегии - е оставена на хората. Това разграничение не е маловажно, тъй като хората, за разлика от машините, са способни да мислят нестандартно.

Проблеми при създаването на ИИ

В контекста на създаването на изкуствен интелект се разграничават два проблема, свързани със създаването на изкуствен интелект:

• Валидността на признаването на човешките същества като притежаващи самоорганизиращо се съзнание и свободна воля и съответно на признаването на изкуствения интелект като интелигентен изисква същото;
• Сравняване на изкуствения интелект с човешкия ум и неговите способности, което не отчита индивидуалните характеристики на всички системи и води до дискриминация спрямо тях поради липсата на смисъл в техните дейности.

Проблемите при създаването на изкуствен интелект се крият във формирането на образи и памет за образи. Човешките вериги от образи се формират асоциативно, за разлика от работата на машината; за разлика от човешкия ум компютърът търси конкретни папки и файлове, вместо да избере веригата от асоциативни връзки. Изкуственият интелект в инженерството на знанието използва конкретна база данни в работата си и не е способен да експериментира.

Второто предизвикателство е преподаването на машинните езици. Преводачите често превеждат текст автоматично и крайният резултат се представя като набор от думи. Правилният превод изисква разбиране на смисъла на изречението, което е трудно за изкуствения интелект.

Липсата на проява на воля в изкуствения интелект също се счита за проблем при неговото създаване. Казано по-просто, компютрите нямат лични желания, за разлика от силата и способността да извършват сложни изчисления.

Съвременните системи с изкуствен интелект нямат стимул да продължат да съществуват и да се усъвършенстват. Повечето изкуствени интелекти са мотивирани единствено от задачата, поставена от човека, и необходимостта да я изпълнят. Теоретично това може да се постигне чрез създаване на обратна връзка между компютъра и човека и подобряване на системата за самообучение на компютъра.

Примитивността на изкуствено създадените невронни мрежи. Към днешна дата те имат предимства, идентични с тези на човешкия мозък: обучението им се основава на личен опит, те могат да правят заключения и да извличат най-важната информация от получената информация. И интелигентните системи не могат да дублират всички функции на човешкия мозък. Интелигентността, присъща на съвременните невронни мрежи, не надхвърля тази на животните.

Минимална ефективност на изкуствения интелект за военни цели. Създателите на роботизирани машини, базирани на изкуствен интелект, се сблъскват с проблема на неспособността на изкуствения интелект да се самообучава, автоматично да разпознава и правилно да анализира получената информация в реално време.