L'ingegneria della conoscenza è un insieme di metodi, modelli e tecniche volti a creare sistemi progettati per trovare soluzioni a problemi basati sulla conoscenza esistente. In effetti, questo termine è inteso come metodologia, teoria e tecnologia, che copre metodi di analisi, estrazione, elaborazione e presentazione della conoscenza.
L'essenza dell'intelligenza artificiale risiede nell'analisi scientifica e nell'automazione delle funzioni intellettuali inerenti all'uomo. Allo stesso tempo, la complessità della loro implementazione della macchina è comune alla maggior parte dei problemi. Lo studio dell'IA ha permesso di fare in modo che dietro la soluzione dei problemi ci sia la necessità di una conoscenza esperta, ovvero la creazione di un sistema che possa non solo memorizzare, ma anche analizzare e utilizzare in futuro le conoscenze degli esperti; può essere utilizzato per scopi pratici.
Storia del termine
L'ingegneria della conoscenza e lo sviluppo di sistemi informativi intelligenti, in particolare di sistemi esperti, sono strettamente correlati.
Alla Stanford University negli USA negli anni 60-70, sotto la guida di E. Feigenbaum, unSistema DENDRAL, poco dopo - MYCIN. Entrambi i sistemi hanno ricevuto il titolo di esperti per la loro capacità di accumularsi nella memoria del computer e di utilizzare le conoscenze degli esperti per risolvere i problemi. Quest'area della tecnologia ha ricevuto il termine "ingegneria della conoscenza" dal messaggio del professor E. Feigenbaum, che è diventato il creatore di sistemi esperti.
Si avvicina
L'ingegneria della conoscenza si basa su due approcci: trasformazione della conoscenza e costruzione di modelli.
- Trasformazione della conoscenza. Il processo di cambiamento delle competenze e il passaggio dalla conoscenza degli esperti alla sua implementazione del software. Lo sviluppo di sistemi basati sulla conoscenza è stato costruito su di esso. Formato di rappresentazione della conoscenza - regole. Gli svantaggi sono l'impossibilità di rappresentare in forma adeguata la conoscenza implicita e diversi tipi di conoscenza, la difficoltà di riflettere un gran numero di regole.
- Modelli di costruzione. Costruire l'IA è considerato un tipo di simulazione; costruire un modello informatico progettato per risolvere problemi in una particolare area su base di uguaglianza con esperti. Il modello non è in grado di imitare l'attività di un esperto a livello cognitivo, ma consente di ottenere un risultato simile.
Modelli e metodi di ingegneria della conoscenza sono finalizzati allo sviluppo di sistemi informatici, il cui scopo principale è ottenere la conoscenza disponibile da specialisti e poi organizzarla per un uso più efficace.
Intelligenza artificiale, reti neurali e machine learning: qual è la differenza?
Uno dei modi per implementare l'intelligenza artificiale è neuralerete.
Il machine learning è un'area di sviluppo dell'IA finalizzata allo studio di metodi per la costruzione di algoritmi di autoapprendimento. La necessità di ciò sorge in assenza di una chiara soluzione a un problema specifico. In una situazione del genere, è più vantaggioso sviluppare un meccanismo in grado di creare un metodo per trovare una soluzione, piuttosto che cercarla.
Il termine "deep" ("deep") comunemente usato si riferisce ad algoritmi di apprendimento automatico che richiedono una grande quantità di risorse informatiche per funzionare. Il concetto nella maggior parte dei casi è associato alle reti neurali.
Ci sono due tipi di intelligenza artificiale: strettamente focalizzata, o debole, e generale, o forte. L'azione dei deboli è volta a trovare una soluzione a un ristretto elenco di problemi. I rappresentanti più importanti dell'IA strettamente focalizzata sono gli assistenti vocali Google Assistant, Siri e Alice. Al contrario, le forti abilità dell'IA gli consentono di eseguire quasi tutti i compiti umani. oggi l'intelligenza artificiale generale è considerata un'utopia: la sua implementazione è impossibile.
Apprendimento automatico
Il machine learning si riferisce ai metodi nel campo dell'intelligenza artificiale utilizzati per creare una macchina in grado di imparare dall'esperienza. Il processo di apprendimento è inteso come l'elaborazione di enormi array di dati da parte della macchina e la ricerca di schemi in essi contenuti.
I concetti di Machine learning e Data science, nonostante la loro somiglianza, sono ancora diversi e ciascuno affronta i propri compiti. Entrambi gli strumenti sono inclusi nell'artificialeintelligenza.
Il machine learning, che è uno dei rami dell'IA, è un algoritmo basato su cui un computer è in grado di trarre conclusioni senza aderire a regole rigidamente stabilite. La macchina cerca schemi in compiti complessi con un gran numero di parametri, trovando risposte più accurate, a differenza del cervello umano. Il risultato del metodo è una previsione accurata.
Scienza dei dati
La scienza di come analizzare i dati ed estrarne preziose conoscenze e informazioni (data mining). Comunica con l'apprendimento automatico e la scienza del pensiero, con tecnologie per interagire con grandi quantità di dati. Il lavoro di Data science consente di analizzare i dati e trovare il giusto approccio per il successivo ordinamento, elaborazione, campionamento e recupero delle informazioni.
Ad esempio, ci sono informazioni sugli oneri finanziari di un'impresa e informazioni sulle controparti che sono interconnesse solo dall'ora e dalla data delle transazioni e dai dati bancari intermedi. L'analisi approfondita della macchina dei dati intermedi consente di determinare la controparte più costosa.
Reti neurali
Le reti neurali, non essendo uno strumento separato, ma uno dei tipi di apprendimento automatico, sono in grado di simulare il lavoro del cervello umano utilizzando neuroni artificiali. La loro azione è finalizzata alla risoluzione del compito e all'autoapprendimento basato sull'esperienza acquisita riducendo al minimo gli errori.
Obiettivi di apprendimento automatico
L'obiettivo principale del machine learning è considerato l'automazione parziale o completa della ricerca di soluzioni analitiche diversecompiti. Per questo motivo, l'apprendimento automatico dovrebbe fornire le previsioni più accurate in base ai dati ricevuti. Il risultato del machine learning è la previsione e la memorizzazione del risultato con possibilità di successiva riproduzione e selezione di una delle migliori opzioni.
Tipi di apprendimento automatico
La classificazione dell'apprendimento in base alla presenza di un insegnante avviene in tre categorie:
- Con l'insegnante. Usato quando l'uso della conoscenza implica insegnare alla macchina a riconoscere segnali e oggetti.
- Senza un insegnante. Il principio di funzionamento si basa su algoritmi che rilevano somiglianze e differenze tra oggetti, anomalie, e quindi riconoscono quale di essi è considerato dissimile o insolito.
- Con rinforzi. Utilizzato quando una macchina deve eseguire attività correttamente in un ambiente con molte soluzioni possibili.
Secondo il tipo di algoritmi utilizzati, si dividono in:
- Apprendimento classico. Algoritmi di apprendimento sviluppati più di mezzo secolo fa per gli uffici statistici e studiati con attenzione nel tempo. Utilizzato per risolvere problemi relativi all'utilizzo dei dati.
- Apprendimento profondo e reti neurali. Approccio moderno all'apprendimento automatico. Le reti neurali vengono utilizzate quando sono richiesti la generazione o il riconoscimento di video e immagini, traduzione automatica, processi decisionali e di analisi complessi.
Nell'ingegneria della conoscenza, sono possibili insiemi di modelli, combinando diversi approcci.
I vantaggi dell'apprendimento automatico
Con una combinazione competente di diversi tipi e algoritmi di apprendimento automatico, è possibile automatizzare i processi aziendali di routine. La parte creativa - negoziare, concludere contratti, elaborare ed eseguire strategie - è lasciata alle persone. Questa divisione è importante, perché una persona, a differenza di una macchina, è in grado di pensare fuori dagli schemi.
Problemi di creazione dell'IA
Nel contesto della creazione dell'IA, ci sono due problemi nella creazione dell'intelligenza artificiale:
- La legittimità di riconoscere una persona come coscienza auto-organizzante e libero arbitrio e, di conseguenza, per riconoscere l'intelligenza artificiale come ragionevole, lo stesso è richiesto;
- Confronto dell'intelligenza artificiale con la mente umana e le sue capacità, che non tiene conto delle caratteristiche individuali di tutti i sistemi e ne comporta la discriminazione a causa dell'insensatezza delle loro attività.
I problemi della creazione dell'intelligenza artificiale risiedono, tra l' altro, nella formazione delle immagini e della memoria figurativa. Le catene figurative negli esseri umani si formano in modo associativo, in contrasto con il funzionamento di una macchina; contrariamente alla mente umana, un computer cerca cartelle e file specifici e non seleziona catene di collegamenti associativi. L'intelligenza artificiale nell'ingegneria della conoscenza utilizza un database specifico nel suo lavoro e non è in grado di sperimentare.
Il secondo problema è l'apprendimento delle lingue per la macchina. La traduzione del testo mediante programmi di traduzione viene spesso eseguita automaticamente e il risultato finale è rappresentato da un insieme di parole. Per una traduzione correttarichiede la comprensione del significato della frase, che è difficile da implementare per l'IA.
Anche la mancata manifestazione della volontà dell'intelligenza artificiale è considerata un problema sulla via della sua creazione. In poche parole, il computer non ha desideri personali, al contrario della potenza e della capacità di eseguire calcoli complessi.
I moderni sistemi di intelligenza artificiale non hanno incentivi per ulteriori esistenze e miglioramenti. La maggior parte delle IA sono motivate solo da un compito umano e dalla necessità di completarlo. In teoria, questo può essere influenzato creando un feedback tra un computer e una persona e migliorando il sistema di autoapprendimento del computer.
Primitività delle reti neurali create artificialmente. Oggi hanno vantaggi identici al cervello umano: imparano in base all'esperienza personale, sono in grado di trarre conclusioni ed estrarre la cosa principale dalle informazioni ricevute. Allo stesso tempo, i sistemi intelligenti non sono in grado di duplicare tutte le funzioni del cervello umano. L'intelligenza inerente alle moderne reti neurali non supera l'intelligenza di un animale.
Efficacia minima dell'IA per scopi militari. I creatori di robot basati sull'intelligenza artificiale devono affrontare il problema dell'incapacità dell'IA di apprendere da sé, riconoscere automaticamente e analizzare correttamente le informazioni ricevute in tempo reale.
