Teadmiste tehnika on meetodite, mudelite ja tehnikate kogum, mille eesmärk on luua süsteeme, mis on loodud olemasolevate teadmiste põhjal probleemidele lahenduste leidmiseks. Tegelikult mõistetakse seda terminit kui metoodikat, teooriat ja tehnoloogiat, mis hõlmab teadmiste analüüsi, eraldamise, töötlemise ja esitamise meetodeid.
Tehisintellekti olemus seisneb inimesele omaste intellektuaalsete funktsioonide teaduslikus analüüsis ja automatiseerimises. Samal ajal on nende masinate rakendamise keerukus enamiku probleemide jaoks ühine. Tehisintellekti uurimine võimaldas veenduda, et probleemide lahendamise taga peitub vajadus ekspertteadmiste järele ehk sellise süsteemi loomine, mis suudab ekspertteadmisi mitte ainult pähe jätta, vaid ka analüüsida ja edaspidi kasutada; seda saab kasutada praktilistel eesmärkidel.
Termini ajalugu
Teadmiste tehnika ja intelligentsete infosüsteemide, eelkõige ekspertsüsteemide arendamine on omavahel tihed alt seotud.
USA Stanfordi ülikoolis 60.–70. aastatel E. Feigenbaumi juhtimisel a. DENDRAL süsteem, veidi hiljem - MYCIN. Mõlemad süsteemid on pälvinud eksperdi tiitli tänu nende võimele akumuleeruda arvutimällu ja kasutada ekspertide teadmisi probleemide lahendamisel. See tehnoloogiavaldkond sai termini "teadmiste tehnika" professor E. Feigenbaumi sõnumist, kellest sai ekspertsüsteemide looja.
Lähenemised
Teadmiste arendamine põhineb kahel lähenemisviisil: teadmiste teisendamine ja mudelite loomine.
- Teadmiste transformatsioon. Ekspertteadmiste muutmise protsess ja üleminek ekspertteadmistelt selle tarkvara juurutamisele. Teadmuspõhiste süsteemide arendamine oli sellele üles ehitatud. Teadmiste esitusvorm – reeglid. Puuduseks on võimatus esitada kaudseid teadmisi ja erinevat tüüpi teadmisi adekvaatsel kujul, raskusi suure hulga reeglite kajastamisel.
- Ehitusmudelid. AI ehitamist peetakse simulatsiooni tüübiks; arvutimudeli loomine, mis on mõeldud konkreetse valdkonna probleemide lahendamiseks võrdsetel alustel ekspertidega. Mudel ei ole võimeline kognitiivsel tasandil eksperdi tegevust imiteerima, kuid võimaldab saada sarnase tulemuse.
Teadmiste inseneri mudelid ja meetodid on suunatud arvutisüsteemide arendamisele, mille põhieesmärk on saada spetsialistidelt saadaolevad teadmised ning seejärel korraldada need võimalikult efektiivseks kasutamiseks.
Tehisintellekt, närvivõrgud ja masinõpe: mis vahe on?
Üks tehisintellekti rakendamise viise on neuraalnevõrk.
Masinõpe on tehisintellekti arendamise valdkond, mille eesmärk on uurida meetodeid iseõppivate algoritmide koostamiseks. Vajadus selle järele tekib siis, kui konkreetsele probleemile puudub selge lahendus. Sellises olukorras on kasulikum välja töötada mehhanism, mis suudab luua meetodi lahenduse leidmiseks, mitte seda otsida.
Tavaliselt kasutatav termin "sügav" ("sügav") õpe viitab masinõppe algoritmidele, mille tööks on vaja palju arvutusressursse. Seda mõistet seostatakse enamikul juhtudel närvivõrkudega.
Tehtisintellekti on kahte tüüpi: kits alt fokusseeritud ehk nõrk ja üldine ehk tugev. Nõrkade tegevus on suunatud kitsale probleemide loetelule lahenduse leidmisele. Kits alt fokusseeritud AI silmapaistvamad esindajad on häälassistendid Google Assistant, Siri ja Alice. Seevastu tugevad tehisintellekti võimed võimaldavad tal täita peaaegu kõiki inimülesandeid. tänapäeval peetakse tehisintellekti utoopiaks: selle rakendamine on võimatu.
Masinõpe
Masinõpe viitab tehisintellekti valdkonna meetoditele, mida kasutatakse kogemustest õppida võimaldava masina loomiseks. Õppeprotsessi all mõistetakse tohutute andmemassiivide töötlemist masina poolt ja nendes mustrite otsimist.
Masinõppe ja andmeteaduse kontseptsioonid on oma sarnasusest hoolimata siiski erinevad ja saavad igaüks hakkama oma ülesannetega. Mõlemad instrumendid kuuluvad kunstliku sisseintelligentsus.
Masinõpe, mis on üks tehisintellekti harudest, on algoritmid, mille põhjal arvuti suudab teha järeldusi ilma jäig alt seatud reeglitest kinni pidamata. Masin otsib mustreid suure hulga parameetritega keerulistes ülesannetes, leides erinev alt inimajust täpsemaid vastuseid. Meetodi tulemus on täpne ennustus.
Andmeteadus
Teadus, kuidas analüüsida andmeid ning ammutada neist väärtuslikke teadmisi ja teavet (andmekaeve). See suhtleb masinõppe ja mõtlemisteadusega ning suurte andmemahtudega suhtlemise tehnoloogiatega. Andmeteaduse töö võimaldab teil andmeid analüüsida ja leida õige lähenemisviis järgnevaks sortimiseks, töötlemiseks, valimite võtmiseks ja teabe hankimiseks.
Näiteks on teave ettevõtte finantskulude kohta ja teave osapoolte kohta, mis on omavahel seotud ainult tehingute toimumise kellaaja ja kuupäeva ning vahepealsete pangaandmetega. Vaheandmete sügav masinanalüüs võimaldab teil määrata kõige kulukama vastaspoole.
Närvivõrgud
Närvivõrgud, mis ei ole eraldiseisev tööriist, vaid üks masinõppe tüüpidest, on võimelised tehisneuroneid kasutades simuleerima inimaju tööd. Nende tegevus on suunatud ülesande lahendamisele ja iseõppimisele, mis põhineb vigade minimeerimisel omandatud kogemustel.
Masinõppe eesmärgid
Masinõppe peamiseks eesmärgiks peetakse erinevatele analüütilistele lahenduste otsimise osalist või täielikku automatiseerimist.ülesandeid. Sel põhjusel peaks masinõpe andma saadud andmete põhjal kõige täpsemaid ennustusi. Masinõppe tulemus on tulemuse ennustamine ja meeldejätmine koos võimalusega hiljem reprodutseerida ja valida üks parimatest valikutest.
Masinõppe tüübid
Õppimise klassifitseerimine õpetaja kohaloleku alusel toimub kolme kategooriasse:
- Õpetajaga. Kasutatakse siis, kui teadmiste kasutamine hõlmab masina õpetamist signaale ja objekte ära tundma.
- Ilma õpetajata. Toimimispõhimõte põhineb algoritmidel, mis tuvastavad objektide sarnasused ja erinevused, kõrvalekalded ning seejärel tuvastavad, millist neist peetakse erinevaks või ebatavaliseks.
- Tugevdustega. Kasutatakse siis, kui masin peab paljude võimalike lahendustega keskkonnas ülesandeid õigesti täitma.
Sõltuv alt kasutatavate algoritmide tüübist jagatakse need järgmisteks osadeks:
- Klassikaline õpe. Õppealgoritmid töötati välja enam kui pool sajandit tagasi statistikaametite jaoks ja neid uuriti aja jooksul hoolik alt. Kasutatakse andmetega töötamise probleemide lahendamiseks.
- Süvaõpe ja närvivõrgud. Kaasaegne lähenemine masinõppele. Närvivõrke kasutatakse siis, kui on vaja videote ja piltide genereerimist või tuvastamist, masintõlget, keerulisi otsustus- ja analüüsiprotsesse.
Teadmiste tehnikas on võimalikud mudelite ansamblid, mis kombineerivad mitut erinevat lähenemist.
Masinõppe eelised
Erinevate masinõppe tüüpide ja algoritmide pädeva kombinatsiooniga on võimalik rutiinseid äriprotsesse automatiseerida. Loominguline osa - läbirääkimised, lepingute sõlmimine, strateegiate koostamine ja elluviimine - on jäetud inimeste hooleks. See jaotus on oluline, sest erinev alt masinast on inimene võimeline mõtlema väljaspool kasti.
Probleemid AI loomisel
AI loomise kontekstis on tehisintellekti loomisel kaks probleemi:
- Inimese iseorganiseeruva teadvuse ja vaba tahtena tunnustamise õiguspärasus ning vastav alt sellele ka tehisintellekti mõistlikuks tunnistamine on vajalik;
- Tehisintellekti võrdlus inimmõistuse ja selle võimetega, mis ei võta arvesse kõikide süsteemide individuaalseid iseärasusi ja toob endaga kaasa nende diskrimineerimise nende tegevuse mõttetuse tõttu.
Tehisintellekti loomise probleemid seisnevad muu hulgas kujundite ja kujundliku mälu kujunemises. Kujundlikud ahelad inimestel tekivad assotsiatiivselt, erinev alt masina tööst; Erinev alt inimmõistusest otsib arvuti konkreetseid kaustu ja faile ega vali assotsiatiivsete linkide ahelaid. Teadmustehnoloogia tehisintellekt kasutab oma töös spetsiifilist andmebaasi ega ole võimeline eksperimenteerima.
Teine probleem on masina jaoks keelte õppimine. Teksti tõlge tõlkeprogrammide abil toimub sageli automaatselt ja lõpptulemust tähistab sõnade komplekt. Õige tõlke jaoksnõuab lause tähenduse mõistmist, mida on tehisintellektil raske rakendada.
Tehisintellekti tahte vähest avaldumist peetakse probleemiks ka teel selle loomiseni. Lihtsam alt öeldes pole arvutil isiklikke soove, vastupidiselt võimsusele ja võimele teha keerulisi arvutusi.
Kaasaegsetel tehisintellektisüsteemidel pole stiimuleid edasiseks eksisteerimiseks ja täiustamiseks. Enamikku tehisintellekti motiveerib ainult inimese ülesanne ja vajadus seda täita. Teoreetiliselt saab seda mõjutada arvuti ja inimese vahelise tagasiside loomisega ning arvuti iseõppimissüsteemi täiustamisega.
Kunstlikult loodud närvivõrkude primitiivsus. Tänapäeval on neil inimajuga identsed eelised: nad õpivad isikliku kogemuse põhjal, oskavad teha järeldusi ja saadud infost välja võtta peamise. Samal ajal ei suuda intelligentsed süsteemid dubleerida kõiki inimaju funktsioone. Kaasaegsetele närvivõrkudele omane intelligentsus ei ületa looma intelligentsust.
AI minimaalne tõhusus sõjalistel eesmärkidel. Tehisintellektil põhinevate robotite loojad seisavad silmitsi probleemiga, et tehisintellekt ei suuda reaalajas saadud teavet ise õppida, automaatselt ära tunda ja õigesti analüüsida.
