Znalostné inžinierstvo je súbor metód, modelov a techník zameraných na vytváranie systémov určených na hľadanie riešení problémov na základe existujúcich znalostí. V skutočnosti sa pod týmto pojmom rozumie metodológia, teória a technológia zahŕňajúca metódy analýzy, extrakcie, spracovania a prezentácie poznatkov.
Podstata umelej inteligencie spočíva vo vedeckej analýze a automatizácii intelektuálnych funkcií, ktoré sú človeku vlastné. Zložitosť ich strojovej implementácie je zároveň spoločná pre väčšinu problémov. Štúdium AI umožnilo uistiť sa, že za riešením problémov je potreba expertných znalostí, teda vytvorenie systému, ktorý dokáže nielen zapamätať, ale aj analyzovať a v budúcnosti využiť expertné znalosti; dá sa použiť na praktické účely.
História výrazu
Znalostné inžinierstvo a vývoj inteligentných informačných systémov, najmä expertných, spolu úzko súvisia.
Na Stanfordskej univerzite v USA v 60-70 rokoch pod vedením E. Feigenbauma,Systém DENDRAL, o niečo neskôr - MYCIN. Oba systémy získali titul expert kvôli ich schopnosti akumulovať sa v pamäti počítača a využívať znalosti odborníkov na riešenie problémov. Táto oblasť technológie dostala termín „znalostné inžinierstvo“z odkazu profesora E. Feigenbauma, ktorý sa stal tvorcom expertných systémov.
Prístupy
Znalostné inžinierstvo je založené na dvoch prístupoch: transformácia znalostí a budovanie modelov.
- Transformácia vedomostí. Proces zmeny odbornosti a prechod od expertných znalostí k ich softvérovej implementácii. Na tom bol postavený vývoj Knowledge Based Systems. Formát reprezentácie znalostí - pravidlá. Nevýhodou je nemožnosť reprezentovať implicitné znalosti a rôzne typy znalostí v adekvátnej forme, ťažkosti s odrazom veľkého množstva pravidiel.
- Stavebné modely. Budovanie AI sa považuje za typ simulácie; vytvorenie počítačového modelu určeného na riešenie problémov v určitej oblasti na rovnakom základe s odborníkmi. Model nie je schopný napodobniť činnosť experta na kognitívnej úrovni, ale umožňuje získať podobný výsledok.
Modely a metódy znalostného inžinierstva sú zamerané na vývoj počítačových systémov, ktorých hlavným účelom je získať poznatky dostupné od špecialistov a následne ich zorganizovať pre čo najefektívnejšie využitie.
Umelá inteligencia, neurónové siete a strojové učenie: aký je rozdiel?
Jedným zo spôsobov implementácie umelej inteligencie je neurónovásieť.
Strojové učenie je oblasť vývoja AI zameraná na štúdium metód na vytváranie samoučiacich sa algoritmov. Potreba toho vzniká pri absencii jasného riešenia konkrétneho problému. V takejto situácii je výhodnejšie vyvinúť mechanizmus, ktorý dokáže vytvoriť metódu na nájdenie riešenia, než ho hľadať.
Bežne používaný výraz „hĺbkové“(„hlboké“) učenie sa vzťahuje na algoritmy strojového učenia, ktoré si na svoju činnosť vyžadujú veľké množstvo výpočtových zdrojov. Tento koncept je vo väčšine prípadov spojený s neurónovými sieťami.
Existujú dva typy umelej inteligencie: úzko zameraná alebo slabá a všeobecná alebo silná. Činnosť slabých je zameraná na nájdenie riešenia úzkeho zoznamu problémov. Najvýraznejšími predstaviteľmi úzko zameranej AI sú hlasové asistentky Google Assistant, Siri a Alice. Naproti tomu silné schopnosti AI mu umožňujú vykonávať takmer akúkoľvek ľudskú úlohu. dnes sa umelá všeobecná inteligencia považuje za utópiu: jej implementácia je nemožná.
Strojové učenie
Strojové učenie sa vzťahuje na metódy v oblasti umelej inteligencie používané na vytvorenie stroja, ktorý sa dokáže učiť zo skúseností. Proces učenia sa chápe ako spracovanie obrovských dátových polí strojom a hľadanie vzorcov v nich.
Koncepty strojového učenia a vedy o údajoch sú napriek svojej podobnosti stále odlišné a každý rieši svoje vlastné úlohy. Oba nástroje sú zahrnuté v umelominteligencia.
Strojové učenie, ktoré je jednou z vetiev AI, sú algoritmy, na základe ktorých je počítač schopný vyvodzovať závery bez dodržiavania pevne stanovených pravidiel. Stroj hľadá vzory v zložitých úlohách s veľkým počtom parametrov, pričom na rozdiel od ľudského mozgu nachádza presnejšie odpovede. Výsledkom metódy je presná predpoveď.
Veda o údajoch
Veda o tom, ako analyzovať údaje a získavať z nich cenné poznatky a informácie (dolovanie údajov). Komunikuje so strojovým učením a vedou o myslení, s technológiami na interakciu s veľkým množstvom údajov. Práca Data science vám umožňuje analyzovať údaje a nájsť správny prístup pre následné triedenie, spracovanie, vzorkovanie a vyhľadávanie informácií.
Napríklad sú to informácie o finančných nákladoch podniku a informácie o protistranách, ktoré sú prepojené iba časom a dátumom transakcií a medzibankovými údajmi. Hlboká strojová analýza prechodných údajov vám umožňuje určiť najnákladnejšiu protistranu.
Neurónové siete
Neurónové siete, ktoré nie sú samostatným nástrojom, ale jedným z typov strojového učenia, sú schopné simulovať prácu ľudského mozgu pomocou umelých neurónov. Ich činnosť je zameraná na riešenie úlohy a samoučenie na základe skúseností získaných s minimalizáciou chýb.
Ciele strojového učenia
Za hlavný cieľ strojového učenia sa považuje čiastočná alebo úplná automatizácia hľadania riešení pre rôzne analytickéúlohy. Z tohto dôvodu by strojové učenie malo poskytovať najpresnejšie predpovede na základe prijatých údajov. Výsledkom strojového učenia je predikcia a zapamätanie výsledku s možnosťou následnej reprodukcie a výberu jednej z najlepších možností.
Typy strojového učenia
Klasifikácia učenia na základe prítomnosti učiteľa prebieha v troch kategóriách:
- S učiteľom. Používa sa, keď používanie vedomostí zahŕňa učenie stroja rozpoznávať signály a predmety.
- Bez učiteľa. Princíp činnosti je založený na algoritmoch, ktoré zisťujú podobnosti a rozdiely medzi objektmi, anomálie, a potom rozpoznávajú, ktoré z nich sa považujú za odlišné alebo nezvyčajné.
- S posilami. Používa sa, keď stroj musí správne vykonávať úlohy v prostredí s mnohými možnými riešeniami.
Podľa typu použitých algoritmov sa delia na:
- Klasické učenie. Učebné algoritmy boli vyvinuté pred viac ako polstoročím pre štatistické úrady a v priebehu času boli starostlivo študované. Používa sa na riešenie problémov súvisiacich s prácou s údajmi.
- Hlboké učenie a neurónové siete. Moderný prístup k strojovému učeniu. Neurónové siete sa používajú, keď sa vyžaduje generovanie alebo rozpoznávanie videí a obrázkov, strojový preklad, komplexné rozhodovanie a procesy analýzy.
V znalostnom inžinierstve sú možné súbory modelov, ktoré kombinujú niekoľko rôznych prístupov.
Výhody strojového učenia
Vďaka kompetentnej kombinácii rôznych typov a algoritmov strojového učenia je možné automatizovať rutinné obchodné procesy. Kreatívna časť – vyjednávanie, uzatváranie zmlúv, zostavovanie a realizácia stratégií – je ponechaná na ľudí. Toto rozdelenie je dôležité, pretože človek je na rozdiel od stroja schopný myslieť mimo rámca.
Problémy s vytváraním AI
V kontexte vytvárania AI existujú dva problémy vytvárania umelej inteligencie:
- Oprávnenosť uznania osoby ako sebaorganizujúceho sa vedomia a slobodnej vôle, a teda aj uznania umelej inteligencie za rozumnú, sa vyžaduje to isté;
- Porovnanie umelej inteligencie s ľudskou mysľou a jej schopnosťami, ktoré nezohľadňuje individuálne charakteristiky všetkých systémov a má za následok ich diskrimináciu z dôvodu nezmyselnosti ich aktivít.
Problémy vytvárania umelej inteligencie spočívajú okrem iného vo vytváraní obrazov a obrazovej pamäte. Obrazné reťazce sa u ľudí tvoria asociatívne, na rozdiel od činnosti stroja; na rozdiel od ľudskej mysle, počítač hľadá špecifické priečinky a súbory a nevyberá reťazce asociatívnych odkazov. Umelá inteligencia v znalostnom inžinierstve využíva pri svojej práci špecifickú databázu a nie je schopná experimentovať.
Druhým problémom je učenie sa jazykov pre stroj. Preklad textu prekladateľskými programami sa často vykonáva automaticky a konečný výsledok predstavuje súbor slov. Pre správny prekladvyžaduje pochopenie významu vety, čo je pre AI náročné na implementáciu.
Za problém na ceste k jej vytvoreniu sa považuje aj nedostatok prejavov vôle umelej inteligencie. Jednoducho povedané, počítač nemá žiadne osobné túžby, na rozdiel od výkonu a schopnosti vykonávať zložité výpočty.
Moderné systémy umelej inteligencie nemajú žiadnu motiváciu pre ďalšiu existenciu a zlepšovanie. Väčšina AI je motivovaná iba ľudskou úlohou a potrebou ju dokončiť. Teoreticky sa to dá ovplyvniť vytvorením spätnej väzby medzi počítačom a osobou a zlepšením samoučiaceho sa systému počítača.
Primitívnosť umelo vytvorených neurónových sietí. Dnes majú výhody, ktoré sú totožné s ľudským mozgom: učia sa na základe osobných skúseností, dokážu vyvodiť závery a z prijatých informácií vytiahnuť to hlavné. Inteligentné systémy zároveň nie sú schopné duplikovať všetky funkcie ľudského mozgu. Inteligencia obsiahnutá v moderných neurónových sieťach neprevyšuje inteligenciu zvieraťa.
Minimálna účinnosť AI na vojenské účely. Tvorcovia robotov založených na umelej inteligencii čelia problému neschopnosti AI sa samoučiť, automaticky rozpoznať a správne analyzovať prijaté informácie v reálnom čase.
