Ang Knowledge engineering ay isang hanay ng mga pamamaraan, modelo at diskarte na naglalayong lumikha ng mga system na idinisenyo upang makahanap ng mga solusyon sa mga problema batay sa umiiral na kaalaman. Sa katunayan, ang terminong ito ay nauunawaan bilang metodolohiya, teorya at teknolohiya, na sumasaklaw sa mga pamamaraan ng pagsusuri, pagkuha, pagproseso at paglalahad ng kaalaman.
Ang kakanyahan ng artificial intelligence ay nakasalalay sa siyentipikong pagsusuri at automation ng mga intelektuwal na pag-andar na likas sa tao. Kasabay nito, ang pagiging kumplikado ng kanilang pagpapatupad ng makina ay karaniwan sa karamihan ng mga problema. Ang pag-aaral ng AI ay naging posible upang matiyak na sa likod ng paglutas ng mga problema ay namamalagi ang pangangailangan para sa dalubhasang kaalaman, iyon ay, ang paglikha ng isang sistema na hindi lamang makakabisado, kundi pati na rin pag-aralan at gamitin ang kaalaman ng dalubhasa sa hinaharap; maaari itong gamitin para sa mga praktikal na layunin.
Kasaysayan ng termino
Ang inhinyero ng kaalaman at ang pagbuo ng matalinong mga sistema ng impormasyon, sa partikular na mga sistema ng eksperto, ay malapit na magkaugnay.
Sa Stanford University sa USA noong 60-70s, sa ilalim ng pamumuno ni E. Feigenbaum, isangDENDRAL system, ilang sandali pa - MYCIN. Ang parehong mga sistema ay nakatanggap ng pamagat ng eksperto dahil sa kanilang kakayahang mag-ipon sa memorya ng computer at gamitin ang kaalaman ng mga eksperto upang malutas ang mga problema. Ang larangang ito ng teknolohiya ay tumanggap ng terminong "knowledge engineering" mula sa mensahe ni Propesor E. Feigenbaum, na naging tagalikha ng mga expert system.
Mga Paglapit
Ang knowledge engineering ay nakabatay sa dalawang approach: knowledge transformation at model building.
- Pagbabago ng kaalaman. Ang proseso ng pagbabago ng kadalubhasaan at ang paglipat mula sa kaalaman ng dalubhasa patungo sa pagpapatupad ng software nito. Ang pagbuo ng Knowledge Based Systems ay binuo dito. Format ng representasyon ng kaalaman - mga panuntunan. Ang mga disadvantages ay ang imposibilidad na kumatawan sa implicit na kaalaman at iba't ibang uri ng kaalaman sa isang sapat na anyo, ang kahirapan sa pagpapakita ng malaking bilang ng mga panuntunan.
- Mga modelo ng gusali. Ang pagbuo ng AI ay itinuturing na isang uri ng simulation; pagbuo ng isang modelo ng computer na idinisenyo upang malutas ang mga problema sa isang partikular na lugar sa pantay na batayan sa mga eksperto. Hindi kayang gayahin ng modelo ang aktibidad ng isang eksperto sa antas ng pag-iisip, ngunit pinapayagan nitong makakuha ng katulad na resulta.
Ang mga modelo at pamamaraan ng knowledge engineering ay naglalayon sa pagbuo ng mga computer system, ang pangunahing layunin nito ay makuha ang kaalamang makukuha mula sa mga espesyalista at pagkatapos ay ayusin ito para sa pinakamabisang paggamit.
Artificial intelligence, neural network at machine learning: ano ang pagkakaiba?
Ang isa sa mga paraan para ipatupad ang artificial intelligence ay neuralnetwork.
Ang Machine learning ay isang lugar ng AI development na naglalayong pag-aralan ang mga pamamaraan para sa pagbuo ng mga self-learning algorithm. Ang pangangailangan para dito ay lumitaw sa kawalan ng isang malinaw na solusyon sa isang partikular na problema. Sa ganoong sitwasyon, mas kapaki-pakinabang na bumuo ng mekanismo na maaaring lumikha ng paraan para sa paghahanap ng solusyon, sa halip na hanapin ito.
Ang karaniwang ginagamit na terminong "deep" ("deep") learning ay tumutukoy sa mga machine learning algorithm na nangangailangan ng malaking halaga ng computing resources para gumana. Ang konsepto sa karamihan ng mga kaso ay nauugnay sa mga neural network.
Mayroong dalawang uri ng artificial intelligence: makitid na nakatutok, o mahina, at pangkalahatan, o malakas. Ang aksyon ng mahina ay naglalayong makahanap ng solusyon sa isang makitid na listahan ng mga problema. Ang pinakakilalang kinatawan ng AI na may makitid na nakatutok ay ang mga voice assistant na Google Assistant, Siri at Alice. Sa kabaligtaran, ang malakas na kakayahan ng AI ay nagbibigay-daan dito upang maisagawa ang halos anumang gawain ng tao. ngayon, ang artificial general intelligence ay itinuturing na isang utopia: imposible ang pagpapatupad nito.
Pag-aaral ng makina
Ang Machine learning ay tumutukoy sa mga pamamaraan sa larangan ng artificial intelligence na ginagamit upang lumikha ng makina na maaaring matuto mula sa karanasan. Ang proseso ng pag-aaral ay nauunawaan bilang ang pagproseso ng malalaking data array ng machine at ang paghahanap ng mga pattern sa mga ito.
Ang mga konsepto ng Machine learning at Data science, sa kabila ng kanilang pagkakatulad, ay magkakaiba pa rin at bawat isa ay nakakayanan ang kanilang sariling mga gawain. Ang parehong mga instrumento ay kasama sa artipisyalkatalinuhan.
Ang Machine learning, na isa sa mga sangay ng AI, ay mga algorithm na nakabatay sa kung saan ang isang computer ay nakakagawa ng mga konklusyon nang hindi sumusunod sa mahigpit na itinakda na mga panuntunan. Ang makina ay naghahanap ng mga pattern sa mga kumplikadong gawain na may malaking bilang ng mga parameter, paghahanap ng mas tumpak na mga sagot, hindi katulad ng utak ng tao. Ang resulta ng pamamaraan ay isang tumpak na hula.
Data science
Ang agham kung paano mag-analyze ng data at kumuha ng mahalagang kaalaman at impormasyon mula sa kanila (data mining). Nakikipag-ugnayan ito sa machine learning at sa agham ng pag-iisip, na may mga teknolohiya para sa pakikipag-ugnayan sa malaking halaga ng data. Nagbibigay-daan sa iyo ang gawain ng Data science na suriin ang data at hanapin ang tamang diskarte para sa kasunod na pag-uuri, pagproseso, pag-sample at pagkuha ng impormasyon.
Halimbawa, mayroong impormasyon tungkol sa mga gastos sa pananalapi ng isang enterprise at impormasyon tungkol sa mga katapat na magkakaugnay lamang sa oras at petsa ng mga transaksyon at intermediate na data ng pagbabangko. Nagbibigay-daan sa iyo ang malalim na pagsusuri ng makina ng intermediate data na matukoy ang pinakamahal na katapat.
Mga Neural network
Ang mga neural network, na hindi isang hiwalay na tool, ngunit isa sa mga uri ng machine learning, ay nagagawang gayahin ang gawain ng utak ng tao gamit ang mga artipisyal na neuron. Ang kanilang aksyon ay naglalayong lutasin ang gawain at pag-aaral sa sarili batay sa karanasang natamo sa pagliit ng mga error.
Mga layunin sa pag-aaral ng makina
Ang pangunahing layunin ng machine learning ay itinuturing na bahagyang o kumpletong automation ng paghahanap ng mga solusyon sa iba't ibang analyticalmga gawain. Para sa kadahilanang ito, ang machine learning ay dapat magbigay ng mga pinakatumpak na hula batay sa data na natanggap. Ang resulta ng machine learning ay ang paghula at pagsasaulo ng resulta na may posibilidad ng kasunod na pagpaparami at pagpili ng isa sa mga pinakamahusay na opsyon.
Mga uri ng machine learning
Ang pag-uuri ng pagkatuto batay sa presensya ng isang guro ay nangyayari sa tatlong kategorya:
- Kasama ang guro. Ginagamit kapag ang paggamit ng kaalaman ay nagsasangkot ng pagtuturo sa makina na makilala ang mga signal at bagay.
- Walang guro. Ang prinsipyo ng pagpapatakbo ay batay sa mga algorithm na nakakakita ng mga pagkakatulad at pagkakaiba sa pagitan ng mga bagay, anomalya, at pagkatapos ay kinikilala kung alin sa mga ito ang itinuturing na hindi magkatulad o hindi karaniwan.
- Na may mga reinforcement. Ginagamit kapag ang isang makina ay dapat magsagawa ng mga gawain nang tama sa isang kapaligiran na may maraming posibleng solusyon.
Ayon sa uri ng mga algorithm na ginamit, nahahati ang mga ito sa:
- Classical na pag-aaral. Ang mga algorithm sa pag-aaral ay nabuo mahigit kalahating siglo na ang nakalipas para sa mga opisina ng istatistika at maingat na pinag-aralan sa paglipas ng panahon. Ginagamit upang malutas ang mga problemang nauugnay sa pagtatrabaho sa data.
- Deep learning at mga neural network. Makabagong diskarte sa machine learning. Ginagamit ang mga neural network kapag kailangan ang pagbuo o pagkilala ng mga video at larawan, pagsasalin ng makina, kumplikadong proseso ng paggawa ng desisyon at pagsusuri.
Sa knowledge engineering, posible ang mga ensemble ng mga modelo, na pinagsasama-sama ang ilang iba't ibang approach.
Ang mga benepisyo ng machine learning
Sa isang mahusay na kumbinasyon ng iba't ibang uri at algorithm ng machine learning, posibleng i-automate ang mga nakagawiang proseso ng negosyo. Ang malikhaing bahagi - pakikipag-ayos, pagtatapos ng mga kontrata, pagguhit at pagpapatupad ng mga estratehiya - ay natitira sa mga tao. Mahalaga ang dibisyong ito, dahil ang isang tao, hindi tulad ng isang makina, ay nakakapag-isip sa labas ng kahon.
Mga problema sa paggawa ng AI
Sa konteksto ng paglikha ng AI, may dalawang problema sa paggawa ng artificial intelligence:
- Ang pagiging lehitimo ng pagkilala sa isang tao bilang isang self-organizing consciousness at free will at, nang naaayon, para sa pagkilala sa artificial intelligence bilang makatwiran, ganoon din ang kailangan;
- Paghahambing ng artipisyal na katalinuhan sa pag-iisip ng tao at sa mga kakayahan nito, na hindi isinasaalang-alang ang mga indibidwal na katangian ng lahat ng mga sistema at nagsasangkot ng kanilang diskriminasyon dahil sa kawalan ng kahulugan ng kanilang mga aktibidad.
Ang mga problema sa paglikha ng artificial intelligence ay kasinungalingan, bukod sa iba pang mga bagay, sa pagbuo ng mga imahe at figurative memory. Ang matalinghagang mga kadena sa mga tao ay nabuo nang magkakaugnay, sa kaibahan sa pagpapatakbo ng isang makina; sa kaibahan sa isip ng tao, ang isang computer ay naghahanap ng mga partikular na folder at mga file, at hindi pumipili ng mga kadena ng mga nauugnay na link. Gumagamit ang artificial intelligence sa knowledge engineering ng isang partikular na database sa trabaho nito at hindi nakakapag-eksperimento.
Ang pangalawang problema ay ang pag-aaral ng mga wika para sa makina. Ang pagsasalin ng teksto sa pamamagitan ng mga programa sa pagsasalin ay madalas na awtomatikong isinasagawa, at ang huling resulta ay kinakatawan ng isang hanay ng mga salita. Para sa tamang pagsasalinnangangailangan ng pag-unawa sa kahulugan ng pangungusap, na mahirap ipatupad ng AI.
Ang kakulangan ng pagpapakita ng kalooban ng artificial intelligence ay itinuturing ding problema sa daan patungo sa paglikha nito. Sa madaling salita, walang personal na pagnanais ang computer, kumpara sa kapangyarihan at kakayahang magsagawa ng mga kumplikadong kalkulasyon.
Ang mga modernong artificial intelligence system ay walang mga insentibo para sa karagdagang pag-iral at pagpapabuti. Karamihan sa mga AI ay nauudyok lamang ng isang gawain ng tao at ang pangangailangang kumpletuhin ito. Sa teorya, maaari itong maimpluwensyahan sa pamamagitan ng paglikha ng feedback sa pagitan ng isang computer at isang tao at pagpapabuti ng sistema ng self-learning ng computer.
Primitiveness ng mga artipisyal na nilikhang neural network. Ngayon, mayroon silang mga pakinabang na magkapareho sa utak ng tao: natututo sila batay sa personal na karanasan, nakakagawa sila ng mga konklusyon at nakuha ang pangunahing bagay mula sa impormasyong natanggap. Kasabay nito, ang mga intelligent system ay hindi nagagawang i-duplicate ang lahat ng mga function ng utak ng tao. Ang katalinuhan na likas sa mga modernong neural network ay hindi hihigit sa katalinuhan ng isang hayop.
Minimum na bisa ng AI para sa mga layuning militar. Ang mga tagalikha ng mga robot na nakabatay sa artificial intelligence ay nahaharap sa problema ng kawalan ng kakayahan ng AI na matuto sa sarili, awtomatikong kilalanin at wastong pag-aralan ang impormasyong natanggap sa real time.
