Kennisingenieurswese is 'n stel metodes, modelle en tegnieke wat daarop gemik is om stelsels te skep wat ontwerp is om oplossings vir probleme te vind gebaseer op bestaande kennis. Trouens, hierdie term word verstaan as metodologie, teorie en tegnologie, wat metodes van analise, onttrekking, verwerking en aanbieding van kennis dek.
Die essensie van kunsmatige intelligensie lê in die wetenskaplike ontleding en outomatisering van intellektuele funksies inherent aan die mens. Terselfdertyd is die kompleksiteit van hul masjienimplementering algemeen vir die meeste probleme. Die studie van KI het dit moontlik gemaak om seker te maak dat agter die oplossing van probleme die behoefte aan kundige kennis lê, dit wil sê die skepping van 'n stelsel wat nie net kan memoriseer nie, maar ook kundige kennis kan ontleed en in die toekoms kan gebruik; dit kan vir praktiese doeleindes gebruik word.
Geskiedenis van die term
Kennisingenieurswese en die ontwikkeling van intelligente inligtingstelsels, veral kundige stelsels, is nou verwant.
By Stanford Universiteit in die VSA in die 60-70's, onder leiding van E. Feigenbaum, 'nDENDRAL stelsel, 'n bietjie later - MYCIN. Albei stelsels het die titel van kundige ontvang vanweë hul vermoë om in rekenaargeheue op te bou en die kennis van kundiges te gebruik om probleme op te los. Hierdie gebied van tegnologie het die term "kennis-ingenieurswese" ontvang uit die boodskap van professor E. Feigenbaum, wat die skepper van kundige stelsels geword het.
Benaderings
Kennisingenieurswese is gebaseer op twee benaderings: kennistransformasie en modelbou.
- Transformasie van kennis. Die proses om kundigheid te verander en die oorgang van kundige kennis na die toepassing van sagteware. Die ontwikkeling van kennisgebaseerde stelsels is daarop gebou. Kennisvoorstellingsformaat - reëls. Die nadele is die onmoontlikheid om implisiete kennis en verskillende tipes kennis in 'n voldoende vorm voor te stel, die moeilikheid om 'n groot aantal reëls te weerspieël.
- Boumodelle. Die bou van KI word beskou as 'n tipe simulasie; die bou van 'n rekenaarmodel wat ontwerp is om probleme op 'n bepaalde gebied op gelyke basis met kundiges op te los. Die model is nie in staat om die aktiwiteit van 'n deskundige op kognitiewe vlak na te boots nie, maar dit laat toe om 'n soortgelyke resultaat te verkry.
Modelle en metodes van kennisingenieurswese is gemik op die ontwikkeling van rekenaarstelsels, waarvan die hoofdoel is om die beskikbare kennis van spesialiste te bekom en dit dan te organiseer vir die doeltreffendste gebruik.
Kunsmatige intelligensie, neurale netwerke en masjienleer: wat is die verskil?
Een van die maniere om kunsmatige intelligensie te implementeer, is neuraalnetwerk.
Masjineleer is 'n gebied van KI-ontwikkeling wat daarop gemik is om metodes te bestudeer om selfleeralgoritmes te bou. Die behoefte hiervoor ontstaan in die afwesigheid van 'n duidelike oplossing vir 'n spesifieke probleem. In so 'n situasie is dit meer winsgewend om 'n meganisme te ontwikkel wat 'n metode kan skep om 'n oplossing te vind, eerder as om daarna te soek.
Die algemeen gebruikte term "diep" ("diep") leer verwys na masjienleeralgoritmes wat 'n groot hoeveelheid rekenaarhulpbronne benodig om te werk. Die konsep word in die meeste gevalle met neurale netwerke geassosieer.
Daar is twee tipes kunsmatige intelligensie: eng gefokus, of swak, en algemeen, of sterk. Die optrede van die swakkes is daarop gemik om 'n oplossing vir 'n nou lys probleme te vind. Die mees prominente verteenwoordigers van nougefokusde KI is die stemassistente Google Assistant, Siri en Alice. Daarteenoor laat sterk KI-vermoëns dit toe om byna enige menslike taak uit te voer. vandag word kunsmatige algemene intelligensie as 'n utopie beskou: die implementering daarvan is onmoontlik.
Masjineleer
Masjineleer verwys na die metodes op die gebied van kunsmatige intelligensie wat gebruik word om 'n masjien te skep wat uit ervaring kan leer. Die leerproses word verstaan as die verwerking van groot data-skikkings deur die masjien en die soeke na patrone daarin.
Die konsepte van Masjienleer en Datawetenskap is, ten spyte van hul ooreenkoms, steeds verskillend en elkeen hanteer hul eie take. Beide instrumente is ingesluit in die kunsmatigeintelligensie.
Masjineleer, wat een van die vertakkings van KI is, is algoritmes wat gebaseer is op wat 'n rekenaar in staat is om gevolgtrekkings te maak sonder om aan streng gestelde reëls te voldoen. Die masjien soek patrone in komplekse take met 'n groot aantal parameters, en vind meer akkurate antwoorde, anders as die menslike brein. Die resultaat van die metode is 'n akkurate voorspelling.
Datawetenskap
Die wetenskap van hoe om data te ontleed en waardevolle kennis en inligting daaruit te onttrek (data-ontginning). Dit kommunikeer met masjienleer en die wetenskap van denke, met tegnologieë vir interaksie met groot hoeveelhede data. Die werk van Datawetenskap stel jou in staat om data te ontleed en die regte benadering te vind vir daaropvolgende sortering, verwerking, steekproefneming en inligtingherwinning.
Daar is byvoorbeeld inligting oor die finansiële uitgawes van 'n onderneming en inligting oor teenpartye wat slegs met die tyd en datum van transaksies en intermediêre bankdata met mekaar verbind is. Diep masjienontleding van intermediêre data stel jou in staat om die duurste teenparty te bepaal.
Neurale netwerke
Neurale netwerke, wat nie 'n aparte instrument is nie, maar een van die tipes masjienleer, is in staat om die werk van die menslike brein te simuleer deur kunsmatige neurone te gebruik. Hulle optrede is daarop gemik om die taak op te los en selfleer gebaseer op ondervinding opgedoen met die minimalisering van foute.
Masjineer-leerdoelwitte
Die hoofdoel van masjienleer word beskou as gedeeltelike of volledige outomatisering van die soeke na oplossings vir verskeie analitiesetake. Om hierdie rede behoort masjienleer die mees akkurate voorspellings te gee gebaseer op die data wat ontvang is. Die resultaat van masjienleer is die voorspelling en memorisering van die resultaat met die moontlikheid van daaropvolgende reproduksie en seleksie van een van die beste opsies.
Tipe masjienleer
Klassifikasie van leer gebaseer op die teenwoordigheid van 'n onderwyser kom in drie kategorieë voor:
- Saam met die onderwyser. Word gebruik wanneer die gebruik van kennis behels dat die masjien geleer word om seine en voorwerpe te herken.
- Sonder 'n onderwyser. Die werkingsbeginsel is gebaseer op algoritmes wat ooreenkomste en verskille tussen voorwerpe, anomalieë opspoor en dan herken watter van hulle as ongelyk of ongewoon beskou word.
- Met versterkings. Word gebruik wanneer 'n masjien take korrek moet uitvoer in 'n omgewing met baie moontlike oplossings.
Volgens die tipe algoritmes wat gebruik word, word hulle verdeel in:
- Klassieke leer. Leeralgoritmes het meer as 'n halfeeu gelede vir statistiese kantore ontwikkel en mettertyd noukeurig bestudeer. Word gebruik om probleme op te los wat verband hou met die werk met data.
- Diep leer en neurale netwerke. Moderne benadering tot masjienleer. Neurale netwerke word gebruik wanneer generering of herkenning van video's en beelde, masjienvertaling, komplekse besluitneming en ontledingsprosesse vereis word.
In kennisingenieurswese is ensembles van modelle moontlik, wat verskeie verskillende benaderings kombineer.
Die voordele van masjienleer
Met 'n bekwame kombinasie van verskillende tipes en algoritmes van masjienleer, is dit moontlik om roetine-besigheidsprosesse te outomatiseer. Die kreatiewe deel – onderhandeling, kontrakte sluit, strategieë opstel en uitvoer – word aan mense oorgelaat. Hierdie verdeling is belangrik, want 'n persoon, anders as 'n masjien, is in staat om buite die boks te dink.
Probleme met die skep van KI
In die konteks van die skep van KI is daar twee probleme om kunsmatige intelligensie te skep:
- Die legitimiteit van die erkenning van 'n persoon as 'n selforganiserende bewussyn en vrye wil en, dienooreenkomstig, om kunsmatige intelligensie as redelik te erken, word dieselfde vereis;
- Vergelyking van kunsmatige intelligensie met die menslike verstand en sy vermoëns, wat nie die individuele kenmerke van alle sisteme in ag neem nie en hul diskriminasie meebring weens die betekenisloosheid van hul aktiwiteite.
Die probleme om kunsmatige intelligensie te skep lê onder meer in die vorming van beelde en figuurlike geheue. Figuurlike kettings by mense word assosiatief gevorm, in teenstelling met die werking van 'n masjien; in teenstelling met die menslike verstand, soek 'n rekenaar vir spesifieke vouers en lêers, en kies nie kettings van assosiatiewe skakels nie. Kunsmatige intelligensie in kennisingenieurswese gebruik 'n spesifieke databasis in sy werk en is nie in staat om te eksperimenteer nie.
Die tweede probleem is om tale vir die masjien aan te leer. Vertaling van teks deur vertaalprogramme word dikwels outomaties uitgevoer, en die finale resultaat word deur 'n stel woorde voorgestel. Vir korrekte vertalingvereis dat jy die betekenis van die sin verstaan, wat moeilik is vir KI om te implementeer.
Die gebrek aan manifestasie van die wil van kunsmatige intelligensie word ook as 'n probleem op pad na die skepping daarvan beskou. Eenvoudig gestel, die rekenaar het geen persoonlike begeertes nie, in teenstelling met die krag en vermoë om komplekse berekeninge uit te voer.
Moderne kunsmatige intelligensie-stelsels het geen aansporings vir verdere bestaan en verbetering nie. Die meeste KI's word slegs gemotiveer deur 'n menslike taak en die behoefte om dit te voltooi. In teorie kan dit beïnvloed word deur 'n terugvoer tussen 'n rekenaar en 'n persoon te skep en die rekenaar se selfleerstelsel te verbeter.
Primitiwiteit van kunsmatig geskepde neurale netwerke. Vandag het hulle voordele wat identies is aan die menslike brein: hulle leer op grond van persoonlike ervaring, hulle kan gevolgtrekkings maak en die belangrikste ding uit die inligting wat ontvang word, onttrek. Terselfdertyd is intelligente stelsels nie in staat om al die funksies van die menslike brein te dupliseer nie. Die intelligensie inherent aan moderne neurale netwerke oorskry nie die intelligensie van 'n dier nie.
Minimum doeltreffendheid van KI vir militêre doeleindes. Die skeppers van kunsmatige intelligensie-gebaseerde robotte word gekonfronteer met die probleem van KI se onvermoë om self te leer, outomaties die inligting wat intyds ontvang is te herken en korrek te ontleed.
