Η μηχανική γνώσης είναι ένα σύνολο μεθόδων, μοντέλων και τεχνικών που στοχεύουν στη δημιουργία συστημάτων σχεδιασμένων να βρίσκουν λύσεις σε προβλήματα με βάση την υπάρχουσα γνώση. Στην πραγματικότητα, αυτός ο όρος νοείται ως μεθοδολογία, θεωρία και τεχνολογία, που καλύπτει μεθόδους ανάλυσης, εξαγωγής, επεξεργασίας και παρουσίασης της γνώσης.
Η ουσία της τεχνητής νοημοσύνης βρίσκεται στην επιστημονική ανάλυση και αυτοματοποίηση των πνευματικών λειτουργιών που είναι εγγενείς στον άνθρωπο. Ταυτόχρονα, η πολυπλοκότητα της μηχανικής τους υλοποίησης είναι κοινή στα περισσότερα προβλήματα. Η μελέτη της τεχνητής νοημοσύνης κατέστησε δυνατό να διασφαλιστεί ότι πίσω από τη λύση των προβλημάτων κρύβεται η ανάγκη για εξειδικευμένη γνώση, δηλαδή τη δημιουργία ενός συστήματος που μπορεί όχι μόνο να απομνημονεύει, αλλά και να αναλύει και να χρησιμοποιεί ειδικές γνώσεις στο μέλλον. μπορεί να χρησιμοποιηθεί για πρακτικούς σκοπούς.
Ιστορία του όρου
Η μηχανική γνώσης και η ανάπτυξη ευφυών συστημάτων πληροφοριών, ιδιαίτερα έμπειρων συστημάτων, συνδέονται στενά.
Στο Πανεπιστήμιο του Στάνφορντ στις ΗΠΑ τη δεκαετία του 60-70, υπό την ηγεσία του E. Feigenbaum, έναςΣύστημα DENDRAL, λίγο αργότερα - MYCIN. Και τα δύο συστήματα έχουν λάβει τον τίτλο του ειδικού λόγω της ικανότητάς τους να συσσωρεύονται στη μνήμη του υπολογιστή και να χρησιμοποιούν τις γνώσεις των ειδικών για την επίλυση προβλημάτων. Αυτός ο τομέας της τεχνολογίας έλαβε τον όρο «μηχανική γνώσης» από το μήνυμα του καθηγητή E. Feigenbaum, ο οποίος έγινε ο δημιουργός έμπειρων συστημάτων.
Προσεγγίσεις
Η μηχανική γνώσης βασίζεται σε δύο προσεγγίσεις: τον μετασχηματισμό γνώσης και τη δημιουργία μοντέλων.
- Μεταμόρφωση της γνώσης. Η διαδικασία αλλαγής της τεχνογνωσίας και η μετάβαση από την εξειδικευμένη γνώση στην εφαρμογή λογισμικού της. Πάνω σε αυτό χτίστηκε η ανάπτυξη των Συστημάτων που Βασίζονται στη Γνώση. Μορφή αναπαράστασης γνώσης - κανόνες. Τα μειονεκτήματα είναι η αδυναμία αναπαράστασης της άρρητης γνώσης και των διαφορετικών τύπων γνώσης σε επαρκή μορφή, η δυσκολία αντικατοπτρισμού ενός μεγάλου αριθμού κανόνων.
- Μοντέλα κτιρίων. Το Building AI θεωρείται είδος προσομοίωσης. κατασκευή ενός μοντέλου υπολογιστή σχεδιασμένο να επιλύει προβλήματα σε μια συγκεκριμένη περιοχή σε ίση βάση με τους ειδικούς. Το μοντέλο δεν είναι ικανό να μιμηθεί τη δραστηριότητα ενός ειδικού σε γνωστικό επίπεδο, αλλά επιτρέπει την απόκτηση παρόμοιου αποτελέσματος.
Τα μοντέλα και οι μέθοδοι μηχανικής γνώσης στοχεύουν στην ανάπτυξη συστημάτων υπολογιστών, ο κύριος σκοπός των οποίων είναι η απόκτηση της διαθέσιμης γνώσης από ειδικούς και στη συνέχεια η οργάνωσή της για την πιο αποτελεσματική χρήση.
Τεχνητή νοημοσύνη, νευρωνικά δίκτυα και μηχανική μάθηση: ποια είναι η διαφορά;
Ένας από τους τρόπους εφαρμογής της τεχνητής νοημοσύνης είναι ο νευρικόςδίκτυο.
Η μηχανική μάθηση είναι ένας τομέας ανάπτυξης AI που στοχεύει στη μελέτη μεθόδων για τη δημιουργία αλγορίθμων αυτομάθησης. Η ανάγκη για αυτό προκύπτει ελλείψει ξεκάθαρης λύσης σε ένα συγκεκριμένο πρόβλημα. Σε μια τέτοια κατάσταση, είναι πιο κερδοφόρο να αναπτυχθεί ένας μηχανισμός που μπορεί να δημιουργήσει μια μέθοδο για την εύρεση μιας λύσης, αντί να την αναζητήσει.
Ο όρος "βαθιά" ("βαθιά") μάθηση που χρησιμοποιείται συνήθως αναφέρεται σε αλγόριθμους μηχανικής μάθησης που απαιτούν μεγάλο όγκο υπολογιστικών πόρων για να λειτουργήσουν. Η έννοια στις περισσότερες περιπτώσεις σχετίζεται με νευρωνικά δίκτυα.
Υπάρχουν δύο τύποι τεχνητής νοημοσύνης: στενά εστιασμένη ή αδύναμη και γενική ή ισχυρή. Η δράση των αδύναμων στοχεύει στην εξεύρεση λύσης σε μια στενή λίστα προβλημάτων. Οι πιο εξέχοντες εκπρόσωποι της στενής εστίασης AI είναι οι βοηθοί φωνής Google Assistant, Siri και Alice. Αντίθετα, οι ισχυρές ικανότητες AI του επιτρέπουν να εκτελεί σχεδόν κάθε ανθρώπινη εργασία. σήμερα, η τεχνητή γενική νοημοσύνη θεωρείται ουτοπία: η εφαρμογή της είναι αδύνατη.
Μηχανική εκμάθηση
Η μηχανική μάθηση αναφέρεται στις μεθόδους στον τομέα της τεχνητής νοημοσύνης που χρησιμοποιούνται για τη δημιουργία μιας μηχανής που μπορεί να μάθει από την εμπειρία. Η διαδικασία εκμάθησης νοείται ως η επεξεργασία τεράστιων συστοιχιών δεδομένων από τη μηχανή και η αναζήτηση μοτίβων σε αυτές.
Οι έννοιες της μηχανικής μάθησης και της επιστήμης δεδομένων, παρά την ομοιότητά τους, εξακολουθούν να είναι διαφορετικές και η καθεμία αντιμετωπίζει τις δικές της εργασίες. Και τα δύο όργανα περιλαμβάνονται στο τεχνητόνοημοσύνη.
Η μηχανική μάθηση, που είναι ένας από τους κλάδους της τεχνητής νοημοσύνης, είναι αλγόριθμοι βάσει των οποίων ένας υπολογιστής μπορεί να εξάγει συμπεράσματα χωρίς να τηρεί αυστηρά καθορισμένους κανόνες. Το μηχάνημα αναζητά μοτίβα σε σύνθετες εργασίες με μεγάλο αριθμό παραμέτρων, βρίσκοντας πιο ακριβείς απαντήσεις, σε αντίθεση με τον ανθρώπινο εγκέφαλο. Το αποτέλεσμα της μεθόδου είναι μια ακριβής πρόβλεψη.
Επιστήμη δεδομένων
Η επιστήμη του τρόπου ανάλυσης δεδομένων και εξαγωγής πολύτιμων γνώσεων και πληροφοριών από αυτά (εξόρυξη δεδομένων). Επικοινωνεί με τη μηχανική μάθηση και την επιστήμη της σκέψης, με τεχνολογίες αλληλεπίδρασης με μεγάλες ποσότητες δεδομένων. Το έργο της Επιστήμης Δεδομένων σάς επιτρέπει να αναλύετε δεδομένα και να βρείτε τη σωστή προσέγγιση για επακόλουθη ταξινόμηση, επεξεργασία, δειγματοληψία και ανάκτηση πληροφοριών.
Για παράδειγμα, υπάρχουν πληροφορίες σχετικά με τα χρηματοοικονομικά έξοδα μιας επιχείρησης και πληροφορίες για αντισυμβαλλόμενους που διασυνδέονται μόνο κατά την ώρα και την ημερομηνία των συναλλαγών και τα ενδιάμεσα τραπεζικά δεδομένα. Η βαθιά μηχανική ανάλυση των ενδιάμεσων δεδομένων σάς επιτρέπει να προσδιορίσετε τον πιο δαπανηρό αντισυμβαλλόμενο.
Νευρωνικά δίκτυα
Τα νευρωνικά δίκτυα, που δεν είναι ένα ξεχωριστό εργαλείο, αλλά ένας από τους τύπους μηχανικής μάθησης, είναι σε θέση να προσομοιώνουν το έργο του ανθρώπινου εγκεφάλου χρησιμοποιώντας τεχνητούς νευρώνες. Η δράση τους στοχεύει στην επίλυση της εργασίας και στην αυτομάθηση με βάση την εμπειρία που αποκτήθηκε με την ελαχιστοποίηση των σφαλμάτων.
Στόχοι μηχανικής εκμάθησης
Ο κύριος στόχος της μηχανικής μάθησης θεωρείται ότι είναι η μερική ή πλήρης αυτοματοποίηση της αναζήτησης λύσεων σε διάφορα αναλυτικάκαθήκοντα. Για το λόγο αυτό, η μηχανική εκμάθηση θα πρέπει να παρέχει τις πιο ακριβείς προβλέψεις με βάση τα δεδομένα που λαμβάνονται. Το αποτέλεσμα της μηχανικής μάθησης είναι η πρόβλεψη και η απομνημόνευση του αποτελέσματος με δυνατότητα επακόλουθης αναπαραγωγής και επιλογής μιας από τις καλύτερες επιλογές.
Τύποι μηχανικής εκμάθησης
Η ταξινόμηση της μάθησης με βάση την παρουσία ενός δασκάλου γίνεται σε τρεις κατηγορίες:
- Με τον δάσκαλο. Χρησιμοποιείται όταν η χρήση της γνώσης περιλαμβάνει τη διδασκαλία της μηχανής να αναγνωρίζει σήματα και αντικείμενα.
- Χωρίς δάσκαλο. Η αρχή της λειτουργίας βασίζεται σε αλγόριθμους που ανιχνεύουν ομοιότητες και διαφορές μεταξύ αντικειμένων, ανωμαλίες και στη συνέχεια αναγνωρίζουν ποιο από αυτά θεωρείται ανόμοιο ή ασυνήθιστο.
- Με ενισχύσεις. Χρησιμοποιείται όταν ένα μηχάνημα πρέπει να εκτελεί σωστά εργασίες σε περιβάλλον με πολλές πιθανές λύσεις.
Ανάλογα με τον τύπο των αλγορίθμων που χρησιμοποιούνται, χωρίζονται σε:
- Κλασική μάθηση. Οι αλγόριθμοι μάθησης αναπτύχθηκαν πριν από περισσότερο από μισό αιώνα για στατιστικά γραφεία και μελετήθηκαν προσεκτικά με την πάροδο του χρόνου. Χρησιμοποιείται για την επίλυση προβλημάτων που σχετίζονται με την εργασία με δεδομένα.
- Βαθιά μάθηση και νευρωνικά δίκτυα. Σύγχρονη προσέγγιση στη μηχανική μάθηση. Τα νευρωνικά δίκτυα χρησιμοποιούνται όταν απαιτείται δημιουργία ή αναγνώριση βίντεο και εικόνων, μηχανική μετάφραση, περίπλοκες διαδικασίες λήψης αποφάσεων και ανάλυσης.
Στη μηχανική γνώσης, είναι δυνατά σύνολα μοντέλων, που συνδυάζουν πολλές διαφορετικές προσεγγίσεις.
Τα οφέλη της μηχανικής εκμάθησης
Με έναν ικανό συνδυασμό διαφορετικών τύπων και αλγορίθμων μηχανικής μάθησης, είναι δυνατός ο αυτοματισμός των καθημερινών επιχειρηματικών διαδικασιών. Το δημιουργικό μέρος - η διαπραγμάτευση, η σύναψη συμβάσεων, η χάραξη και η εκτέλεση στρατηγικών - αφήνεται στους ανθρώπους. Αυτή η διαίρεση είναι σημαντική, επειδή ένα άτομο, σε αντίθεση με μια μηχανή, είναι σε θέση να σκέφτεται έξω από το κουτί.
Προβλήματα δημιουργίας AI
Στο πλαίσιο της δημιουργίας AI, υπάρχουν δύο προβλήματα δημιουργίας τεχνητής νοημοσύνης:
- Η νομιμότητα της αναγνώρισης ενός ατόμου ως αυτοοργανώσιμης συνείδησης και ελεύθερης βούλησης και, κατά συνέπεια, για την αναγνώριση της τεχνητής νοημοσύνης ως λογικής, απαιτείται το ίδιο·
- Σύγκριση της τεχνητής νοημοσύνης με τον ανθρώπινο νου και τις ικανότητές του, η οποία δεν λαμβάνει υπόψη τα ατομικά χαρακτηριστικά όλων των συστημάτων και συνεπάγεται τη διάκρισή τους λόγω του ανούσιου των δραστηριοτήτων τους.
Τα προβλήματα της δημιουργίας τεχνητής νοημοσύνης βρίσκονται, μεταξύ άλλων, στον σχηματισμό εικόνων και εικονιστικής μνήμης. Οι εικονιστικές αλυσίδες στους ανθρώπους σχηματίζονται συνειρμικά, σε αντίθεση με τη λειτουργία μιας μηχανής. Σε αντίθεση με το ανθρώπινο μυαλό, ένας υπολογιστής αναζητά συγκεκριμένους φακέλους και αρχεία και δεν επιλέγει αλυσίδες συσχετιστικών συνδέσμων. Η τεχνητή νοημοσύνη στη μηχανική γνώσης χρησιμοποιεί μια συγκεκριμένη βάση δεδομένων στη δουλειά της και δεν είναι σε θέση να πειραματιστεί.
Το δεύτερο πρόβλημα είναι η εκμάθηση γλωσσών για το μηχάνημα. Η μετάφραση κειμένου από προγράμματα μετάφρασης πραγματοποιείται συχνά αυτόματα και το τελικό αποτέλεσμα αντιπροσωπεύεται από ένα σύνολο λέξεων. Για σωστή μετάφρασηαπαιτεί την κατανόηση της σημασίας της πρότασης, η οποία είναι δύσκολο να εφαρμοστεί από την τεχνητή νοημοσύνη.
Η έλλειψη εκδήλωσης της θέλησης της τεχνητής νοημοσύνης θεωρείται επίσης πρόβλημα στον δρόμο προς τη δημιουργία της. Με απλά λόγια, ο υπολογιστής δεν έχει προσωπικές επιθυμίες, σε αντίθεση με τη δύναμη και την ικανότητα να εκτελεί σύνθετους υπολογισμούς.
Τα σύγχρονα συστήματα τεχνητής νοημοσύνης δεν έχουν κίνητρα για περαιτέρω ύπαρξη και βελτίωση. Τα περισσότερα AI παρακινούνται μόνο από μια ανθρώπινη εργασία και την ανάγκη να την ολοκληρώσουν. Θεωρητικά, αυτό μπορεί να επηρεαστεί με τη δημιουργία ανατροφοδότησης μεταξύ ενός υπολογιστή και ενός ατόμου και τη βελτίωση του συστήματος αυτομάθησης του υπολογιστή.
Πρωτογονία τεχνητά δημιουργημένων νευρωνικών δικτύων. Σήμερα, έχουν πλεονεκτήματα που είναι πανομοιότυπα με τον ανθρώπινο εγκέφαλο: μαθαίνουν με βάση την προσωπική εμπειρία, είναι σε θέση να εξάγουν συμπεράσματα και να εξάγουν το κύριο πράγμα από τις πληροφορίες που λαμβάνουν. Ταυτόχρονα, τα ευφυή συστήματα δεν είναι σε θέση να αντιγράψουν όλες τις λειτουργίες του ανθρώπινου εγκεφάλου. Η νοημοσύνη που ενυπάρχει στα σύγχρονα νευρωνικά δίκτυα δεν υπερβαίνει τη νοημοσύνη ενός ζώου.
Ελάχιστη αποτελεσματικότητα της τεχνητής νοημοσύνης για στρατιωτικούς σκοπούς. Οι δημιουργοί ρομπότ που βασίζονται σε τεχνητή νοημοσύνη αντιμετωπίζουν το πρόβλημα της αδυναμίας της τεχνητής νοημοσύνης να αυτομάθη, να αναγνωρίσει αυτόματα και να αναλύσει σωστά τις πληροφορίες που λαμβάνονται σε πραγματικό χρόνο.
