Znalostní inženýrství je soubor metod, modelů a technik zaměřených na vytváření systémů určených k nalezení řešení problémů na základě existujících znalostí. Ve skutečnosti je tento termín chápán jako metodologie, teorie a technologie, zahrnující metody analýzy, extrakce, zpracování a prezentace znalostí.
Podstata umělé inteligence spočívá ve vědecké analýze a automatizaci intelektuálních funkcí, které jsou člověku vlastní. Složitost jejich strojové implementace je přitom společná pro většinu problémů. Studium umělé inteligence umožnilo ujistit se, že za řešením problémů je potřeba expertních znalostí, tedy vytvoření systému, který si dokáže nejen zapamatovat, ale i analyzovat a v budoucnu využít expertní znalosti; může být použit pro praktické účely.
Historie výrazu
Znalostní inženýrství a vývoj inteligentních informačních systémů, zejména expertních, spolu úzce souvisí.
Na Stanfordské univerzitě v USA v 60.–70. letech pod vedením E. Feigenbauma,Systém DENDRAL, o něco později - MYCIN. Oba systémy získaly titul expert kvůli své schopnosti akumulovat se v paměti počítače a využívat znalosti odborníků k řešení problémů. Tato oblast technologie získala termín „znalostní inženýrství“z poselství profesora E. Feigenbauma, který se stal tvůrcem expertních systémů.
Přístupy
Znalostní inženýrství je založeno na dvou přístupech: transformaci znalostí a vytváření modelů.
- Transformace znalostí. Proces změny odbornosti a přechod od expertních znalostí k jejich softwarové implementaci. Na tom byl postaven vývoj Knowledge Based Systems. Formát reprezentace znalostí - pravidla. Nevýhodou je nemožnost reprezentovat implicitní znalosti a různé typy znalostí v adekvátní formě, obtížnost reflektovat velké množství pravidel.
- Stavební modely. Umělá inteligence budov je považována za typ simulace; vytvoření počítačového modelu určeného k řešení problémů v určité oblasti na rovnocenném základě s odborníky. Model není schopen napodobit činnost experta na kognitivní úrovni, ale umožňuje získat podobný výsledek.
Modely a metody znalostního inženýrství jsou zaměřeny na vývoj počítačových systémů, jejichž hlavním účelem je získat znalosti dostupné od specialistů a následně je uspořádat pro co nejefektivnější využití.
Umělá inteligence, neuronové sítě a strojové učení: jaký je rozdíl?
Jedním ze způsobů implementace umělé inteligence je neurálnísíť.
Strojové učení je oblast vývoje AI zaměřená na studium metod pro vytváření samoučících algoritmů. Potřeba toho vzniká při absenci jasného řešení konkrétního problému. V takové situaci je výhodnější vyvinout mechanismus, který dokáže vytvořit metodu pro nalezení řešení, než je hledat.
Bežně používaný termín „hluboké“(„hluboké“) učení se vztahuje na algoritmy strojového učení, které ke svému provozu vyžadují velké množství výpočetních zdrojů. Tento koncept je ve většině případů spojen s neuronovými sítěmi.
Existují dva typy umělé inteligence: úzce zaměřená nebo slabá a obecná nebo silná. Akce slabých je zaměřena na nalezení řešení úzkého seznamu problémů. Nejvýraznějšími představiteli úzce zaměřené AI jsou hlasoví asistenti Google Assistant, Siri a Alice. Naproti tomu silné schopnosti umělé inteligence mu umožňují provádět téměř jakýkoli lidský úkol. dnes je umělá inteligence považována za utopii: její implementace je nemožná.
Strojové učení
Strojové učení označuje metody v oblasti umělé inteligence používané k vytvoření stroje, který se může učit ze zkušeností. Proces učení je chápán jako zpracování obrovských datových polí strojem a hledání vzorců v nich.
Koncepty strojového učení a datové vědy se i přes svou podobnost stále liší a každý se vypořádává se svými vlastními úkoly. Oba nástroje jsou součástí uměléinteligence.
Strojové učení, které je jednou z větví umělé inteligence, jsou algoritmy, na jejichž základě je počítač schopen vyvozovat závěry, aniž by se držel pevně nastavených pravidel. Stroj hledá vzory ve složitých úlohách s velkým množstvím parametrů a najde přesnější odpovědi, na rozdíl od lidského mozku. Výsledkem metody je přesná předpověď.
Data science
Věda o tom, jak analyzovat data a získávat z nich cenné znalosti a informace (dolování dat). Komunikuje se strojovým učením a vědou o myšlení, s technologiemi pro interakci s velkým množstvím dat. Práce Data science vám umožňuje analyzovat data a najít správný přístup pro následné třídění, zpracování, vzorkování a vyhledávání informací.
Jsou zde například informace o finančních nákladech podniku a informace o protistranách, které jsou propojeny pouze časem a datem transakcí a mezibankovními údaji. Hluboká strojová analýza mezilehlých dat vám umožňuje určit nejnákladnější protistranu.
Neurové sítě
Neurální sítě, které nejsou samostatným nástrojem, ale jedním z typů strojového učení, jsou schopny simulovat práci lidského mozku pomocí umělých neuronů. Jejich činnost je zaměřena na řešení úkolu a samoučení na základě zkušeností získaných s minimalizací chyb.
Cíle strojového učení
Za hlavní cíl strojového učení je považována částečná nebo úplná automatizace hledání řešení pro různé analytickéúkoly. Z tohoto důvodu by strojové učení mělo poskytovat nejpřesnější předpovědi na základě obdržených dat. Výsledkem strojového učení je predikce a zapamatování výsledku s možností následné reprodukce a výběru jedné z nejlepších možností.
Typy strojového učení
Klasifikace učení na základě přítomnosti učitele probíhá ve třech kategoriích:
- S učitelem. Používá se, když používání znalostí zahrnuje učení stroje rozpoznávat signály a předměty.
- Bez učitele. Princip fungování je založen na algoritmech, které detekují podobnosti a rozdíly mezi objekty, anomálie, a poté rozpoznávají, který z nich je považován za odlišný nebo neobvyklý.
- S posilami. Používá se, když stroj musí správně provádět úkoly v prostředí s mnoha možnými řešeními.
Podle typu použitých algoritmů se dělí na:
- Klasické učení. Učební algoritmy vyvinuté před více než půlstoletím pro statistické úřady a pečlivě studované v průběhu času. Používá se k řešení problémů souvisejících s prací s daty.
- Hluboké učení a neuronové sítě. Moderní přístup ke strojovému učení. Neuronové sítě se používají, když je vyžadováno generování nebo rozpoznávání videí a obrázků, strojový překlad, komplexní rozhodovací a analytické procesy.
V inženýrství znalostí jsou možné soubory modelů, které kombinují několik různých přístupů.
Výhody strojového učení
S kompetentní kombinací různých typů a algoritmů strojového učení je možné automatizovat rutinní obchodní procesy. Kreativní část – vyjednávání, uzavírání smluv, sestavování a realizace strategií – je ponechána na lidech. Toto rozdělení je důležité, protože člověk, na rozdíl od stroje, je schopen myslet mimo rámec.
Problémy s vytvářením AI
V souvislosti s vytvářením umělé inteligence existují dva problémy vytváření umělé inteligence:
- Oprávněnost uznání člověka jako sebeorganizujícího se vědomí a svobodné vůle, a tedy i uznání umělé inteligence jako rozumné, je vyžadováno totéž;
- Porovnání umělé inteligence s lidskou myslí a jejími schopnostmi, které nezohledňuje individuální vlastnosti všech systémů a vede k jejich diskriminaci z důvodu nesmyslnosti jejich činností.
Problémy vytváření umělé inteligence spočívají mimo jiné ve vytváření obrazů a obrazové paměti. Obrazné řetězce se u lidí tvoří asociativně, na rozdíl od provozu stroje; na rozdíl od lidské mysli, počítač vyhledává konkrétní složky a soubory a nevybírá řetězce asociativních odkazů. Umělá inteligence ve znalostním inženýrství využívá při své práci specifickou databázi a není schopna experimentovat.
Druhým problémem je učení jazyků pro stroj. Překlad textu překladatelskými programy se často provádí automaticky a konečný výsledek je reprezentován souborem slov. Pro správný překladvyžaduje pochopení významu věty, což je pro umělou inteligenci obtížné implementovat.
Neexistence projevu vůle umělé inteligence je také považována za problém na cestě k jejímu vytvoření. Jednoduše řečeno, počítač nemá žádné osobní touhy, na rozdíl od výkonu a schopnosti provádět složité výpočty.
Moderní systémy umělé inteligence nemají žádné pobídky pro další existenci a zlepšování. Většina AI je motivována pouze lidským úkolem a potřebou jej dokončit. Teoreticky to lze ovlivnit vytvořením zpětné vazby mezi počítačem a osobou a zlepšením samoučícího systému počítače.
Primitivnost uměle vytvořených neuronových sítí. Dnes mají výhody, které jsou totožné s lidským mozkem: učí se na základě osobních zkušeností, dokážou vyvozovat závěry a vytěžit z přijatých informací to hlavní. Inteligentní systémy přitom nejsou schopny duplikovat všechny funkce lidského mozku. Inteligence vlastní moderním neuronovým sítím nepřevyšuje inteligenci zvířete.
Minimální účinnost umělé inteligence pro vojenské účely. Tvůrci robotů založených na umělé inteligenci se potýkají s problémem neschopnosti umělé inteligence se samoučit, automaticky rozpoznávat a správně analyzovat přijaté informace v reálném čase.
