Inženjering znanja je skup metoda, modela i tehnika usmjerenih na stvaranje sustava dizajniranih za pronalaženje rješenja problema na temelju postojećeg znanja. Zapravo, ovaj se pojam shvaća kao metodologija, teorija i tehnologija, koji pokrivaju metode analize, ekstrakcije, obrade i prezentacije znanja.
Suština umjetne inteligencije leži u znanstvenoj analizi i automatizaciji intelektualnih funkcija svojstvenih čovjeku. Istodobno, složenost njihove strojne implementacije zajednička je većini problema. Proučavanje umjetne inteligencije omogućilo je da se iza rješenja problema krije potreba za stručnim znanjem, odnosno stvaranjem sustava koji može ne samo memorirati, već i analizirati i koristiti stručno znanje u budućnosti; može se koristiti u praktične svrhe.
Povijest pojma
Inženjering znanja i razvoj inteligentnih informacijskih sustava, posebno ekspertnih sustava, usko su povezani.
Na Sveučilištu Stanford u SAD-u 60-70-ih godina, pod vodstvom E. Feigenbauma, aDENDRAL sustav, nešto kasnije - MYCIN. Oba sustava dobila su titulu stručnjaka zbog svoje sposobnosti akumulacije u memoriji računala i korištenja znanja stručnjaka za rješavanje problema. Ovo područje tehnologije dobilo je pojam "inženjering znanja" iz poruke profesora E. Feigenbauma, koji je postao tvorac ekspertnih sustava.
Prilazi
Inženjering znanja temelji se na dva pristupa: transformaciji znanja i izgradnji modela.
- Transformacija znanja. Proces promjene stručnosti i prijelaz sa stručnog znanja na njegovu softversku implementaciju. Na njemu je izgrađen razvoj sustava temeljenih na znanju. Format predstavljanja znanja – pravila. Nedostaci su nemogućnost predstavljanja implicitnog znanja i različitih vrsta znanja u adekvatnom obliku, teškoća odražavanja velikog broja pravila.
- Izrada modela. Izgradnja AI smatra se vrstom simulacije; izgradnja računalnog modela namijenjenog rješavanju problema u određenom području na ravnopravnoj osnovi sa stručnjacima. Model nije sposoban oponašati aktivnost stručnjaka na kognitivnoj razini, ali omogućuje dobivanje sličnog rezultata.
Modeli i metode inženjeringa znanja usmjereni su na razvoj računalnih sustava, čija je glavna svrha dobiti znanje dostupno od stručnjaka, a zatim ga organizirati za najučinkovitiju upotrebu.
Umjetna inteligencija, neuronske mreže i strojno učenje: u čemu je razlika?
Jedan od načina implementacije umjetne inteligencije je neuronskamreža.
Strojno učenje je područje razvoja AI usmjereno na proučavanje metoda za izgradnju algoritama za samoučenje. Potreba za tim se javlja 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 izraz "duboko" ("duboko") učenje odnosi se na algoritme strojnog učenja koji zahtijevaju veliku količinu računalnih resursa za rad. Koncept je u većini slučajeva povezan s neuronskim mrežama.
Postoje dvije vrste umjetne inteligencije: usko usmjerena, ili slaba, i opća ili jaka. Djelovanje slabih usmjereno je na pronalaženje rješenja za uski popis problema. Najistaknutiji predstavnici usko usmjerene umjetne inteligencije su glasovni asistenti Google Assistant, Siri i Alice. Nasuprot tome, snažne sposobnosti umjetne inteligencije omogućuju mu da izvrši gotovo svaki ljudski zadatak. danas se umjetna opća inteligencija smatra utopijom: njena implementacija je nemoguća.
Strojno učenje
Strojno učenje odnosi se na metode u području umjetne inteligencije koje se koriste za stvaranje stroja koji može učiti iz iskustva. Proces učenja shvaća se kao obrada ogromnih nizova podataka od strane stroja i traženje uzoraka u njima.
Koncepti strojnog učenja i znanosti o podacima, unatoč njihovoj sličnosti, i dalje su različiti i svaki se nosi sa svojim zadacima. Oba instrumenta su uključena u umjetniinteligencija.
Strojno učenje, koje je jedna od grana umjetne inteligencije, algoritmi su na temelju kojih računalo može donositi zaključke bez pridržavanja strogo postavljenih pravila. Stroj traži obrasce u složenim zadacima s velikim brojem parametara, pronalazeći točnije odgovore, za razliku od ljudskog mozga. Rezultat metode je točno predviđanje.
Znanost o podacima
Znanost o tome kako analizirati podatke i iz njih izvući vrijedno znanje i informacije (data mining). Komunicira s strojnim učenjem i znanošću o razmišljanju, s tehnologijama za interakciju s velikim količinama podataka. Rad Data Science omogućuje vam analizu podataka i pronalaženje pravog pristupa za naknadno sortiranje, obradu, uzorkovanje i pronalaženje informacija.
Na primjer, postoje informacije o financijskim troškovima poduzeća i informacije o ugovornim stranama koje su međusobno povezane samo vremenom i datumom transakcije i posrednim bankovnim podacima. Duboka strojna analiza međupodataka omogućuje vam da odredite najskuplju drugu stranu.
Neuralne mreže
Neuronske mreže, budući da nisu poseban alat, već jedna od vrsta strojnog učenja, mogu simulirati rad ljudskog mozga pomoću umjetnih neurona. Njihovo djelovanje usmjereno je na rješavanje zadatka i samoučenje na temelju iskustva stečenog minimiziranjem pogrešaka.
ciljevi strojnog učenja
Glavni cilj strojnog učenja smatra se djelomična ili potpuna automatizacija potrage za rješenjima za različite analitičkezadataka. Iz tog razloga, strojno učenje treba dati najtočnija predviđanja na temelju primljenih podataka. Rezultat strojnog učenja je predviđanje i memoriranje rezultata uz mogućnost naknadne reprodukcije i odabira jedne od najboljih opcija.
Vrste strojnog učenja
Klasifikacija učenja na temelju prisutnosti učitelja javlja se u tri kategorije:
- S učiteljicom. Koristi se kada korištenje znanja uključuje učenje stroja da prepozna signale i objekte.
- Bez učitelja. Princip rada temelji se na algoritmima koji otkrivaju sličnosti i razlike između objekata, anomalija, a zatim prepoznaju koji se od njih smatra različitim ili neobičnim.
- S pojačanjima. Koristi se kada stroj 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 tijekom vremena. Koristi se za rješavanje problema povezanih s radom s podacima.
- Duboko učenje i neuronske mreže. Suvremeni pristup strojnom učenju. Neuronske mreže se koriste kada su potrebni generiranje ili prepoznavanje videa i slika, strojno prevođenje, složeni procesi odlučivanja i analize.
U inženjerstvu znanja mogući su ansambli modela koji kombiniraju nekoliko različitih pristupa.
Prednosti strojnog učenja
Uz kompetentnu kombinaciju različitih vrsta i algoritama strojnog učenja, moguće je automatizirati rutinske poslovne procese. Kreativni dio – pregovaranje, sklapanje ugovora, izrada i provođenje strategija – prepušten je ljudima. Ova podjela je važna, jer osoba, za razliku od stroja, može razmišljati izvan okvira.
Problemi stvaranja AI
U kontekstu stvaranja umjetne inteligencije, postoje dva problema stvaranja umjetne inteligencije:
- Zahtijeva se legitimitet priznavanja osobe kao samoorganizirajuće svijesti i slobodne volje te, sukladno tome, priznavanja umjetne inteligencije kao razumne;
- Usporedba umjetne inteligencije s ljudskim umom i njegovim sposobnostima, koja ne uzima u obzir individualne karakteristike svih sustava i povlači za sobom njihovu diskriminaciju zbog besmislenosti njihovih aktivnosti.
Problemi stvaranja umjetne inteligencije leže, između ostalog, u formiranju slika i figurativnog pamćenja. Figurativni lanci kod ljudi nastaju asocijativno, za razliku od rada stroja; za razliku od ljudskog uma, računalo traži određene mape i datoteke, a ne odabire lance asocijativnih veza. Umjetna inteligencija u inženjerstvu znanja koristi određenu bazu podataka u svom radu i nije u mogućnosti eksperimentirati.
Drugi problem je učenje jezika za stroj. Prijevod teksta pomoću programa za prevođenje često se izvodi automatski, a konačni rezultat predstavlja skup riječi. Za ispravan prijevodzahtijeva razumijevanje značenja rečenice, što je AI teško implementirati.
Nedostatak očitovanja volje umjetne inteligencije također se smatra problemom na putu njenog stvaranja. Jednostavno rečeno, računalo nema osobnih želja, za razliku od snage i mogućnosti izvođenja složenih izračuna.
Moderni sustavi umjetne inteligencije nemaju poticaja za daljnje postojanje i poboljšanje. Većina umjetnih inteligencija motivirana je samo ljudskim zadatkom i potrebom da se on dovrši. U teoriji, na to se može utjecati stvaranjem povratne informacije između računala i osobe i poboljšanjem sustava za samoučenje računala.
Primitivnost umjetno stvorenih neuronskih mreža. Danas imaju prednosti koje su identične ljudskom mozgu: uče na temelju osobnog iskustva, sposobni su izvući zaključke i izvući ono glavno iz primljenih informacija. Istovremeno, inteligentni sustavi nisu u stanju duplicirati sve funkcije ljudskog mozga. Inteligencija svojstvena modernim neuronskim mrežama ne premašuje inteligenciju životinje.
Minimalna učinkovitost AI za vojne svrhe. Kreatori robota temeljenih na umjetnoj inteligenciji suočeni su s problemom nesposobnosti umjetne inteligencije da samostalno uči, automatski prepoznaje i ispravno analizira primljene informacije u stvarnom vremenu.
