ცოდნის ინჟინერია არის მეთოდების, მოდელების და ტექნიკის ერთობლიობა, რომელიც მიზნად ისახავს სისტემის შექმნას, რომელიც შექმნილია არსებული ცოდნის საფუძველზე პრობლემების გადაწყვეტის მოსაძებნად. სინამდვილეში, ეს ტერმინი გაგებულია, როგორც მეთოდოლოგია, თეორია და ტექნოლოგია, რომელიც მოიცავს ცოდნის ანალიზის, მოპოვების, დამუშავების და პრეზენტაციის მეთოდებს.
ხელოვნური ინტელექტის არსი მდგომარეობს ადამიანში თანდაყოლილი ინტელექტუალური ფუნქციების მეცნიერულ ანალიზსა და ავტომატიზაციაში. ამავდროულად, მათი მანქანური განხორციელების სირთულე საერთოა პრობლემების უმეტესობისთვის. ხელოვნური ინტელექტის შესწავლამ შესაძლებელი გახადა დავრწმუნდეთ, რომ პრობლემების გადაჭრის უკან დგას საექსპერტო ცოდნის საჭიროება, ანუ ისეთი სისტემის შექმნა, რომელსაც შეუძლია არა მხოლოდ დაიმახსოვროს, არამედ გააანალიზოს და გამოიყენოს ექსპერტის ცოდნა მომავალში; მისი გამოყენება შესაძლებელია პრაქტიკული მიზნებისთვის.
ტერმინის ისტორია
ცოდნის ინჟინერია და ინტელექტუალური საინფორმაციო სისტემების განვითარება, განსაკუთრებით საექსპერტო სისტემები, მჭიდრო კავშირშია.
აშშ-ში სტენფორდის უნივერსიტეტში 60-70-იან წლებში, ე.ფეიგენბაუმის ხელმძღვანელობით, ა. DENDRAL სისტემა, ცოტა მოგვიანებით - MYCIN. ორივე სისტემამ მიიღო ექსპერტის წოდება კომპიუტერის მეხსიერებაში დაგროვების და პრობლემების გადასაჭრელად ექსპერტების ცოდნის გამოყენების შესაძლებლობის გამო. ტექნოლოგიის ამ სფერომ მიიღო ტერმინი "ცოდნის ინჟინერია" პროფესორ ე.ფეიგენბაუმის გზავნილიდან, რომელიც გახდა ექსპერტი სისტემების შემქმნელი.
მიდგომები
ცოდნის ინჟინერია ემყარება ორ მიდგომას: ცოდნის ტრანსფორმაციას და მოდელის შექმნას.
- ცოდნის ტრანსფორმაცია. ექსპერტიზის შეცვლის პროცესი და საექსპერტო ცოდნიდან მის პროგრამულ დანერგვაზე გადასვლა. მასზე აშენდა ცოდნაზე დაფუძნებული სისტემების განვითარება. ცოდნის წარმოდგენის ფორმატი - წესები. ნაკლოვანებებია იმპლიციტური ცოდნისა და სხვადასხვა ტიპის ცოდნის ადეკვატური სახით წარმოდგენის შეუძლებლობა, დიდი რაოდენობის წესების ასახვის სირთულე.
- შენობის მოდელები. Building AI ითვლება სიმულაციის ტიპად; კომპიუტერული მოდელის შექმნა, რომელიც შექმნილია კონკრეტულ სფეროში პრობლემების გადასაჭრელად ექსპერტებთან თანაბარ საფუძველზე. მოდელს არ შეუძლია კოგნიტურ დონეზე ექსპერტის აქტივობის იმიტაცია, მაგრამ იძლევა მსგავსი შედეგის მიღების საშუალებას.
ცოდნის ინჟინერიის მოდელები და მეთოდები მიზნად ისახავს კომპიუტერული სისტემების განვითარებას, რომლის მთავარი მიზანია სპეციალისტებისგან ხელმისაწვდომი ცოდნის მიღება და შემდგომ მისი ყველაზე ეფექტური გამოყენების ორგანიზება.
ხელოვნური ინტელექტი, ნერვული ქსელები და მანქანათმცოდნეობა: რა განსხვავებაა?
ხელოვნური ინტელექტის დანერგვის ერთ-ერთი გზა არის ნერვულიქსელი.
მანქანური სწავლება არის ხელოვნური ინტელექტის განვითარების სფერო, რომელიც მიზნად ისახავს თვითსწავლის ალგორითმების შექმნის მეთოდების შესწავლას. ამის საჭიროება ჩნდება კონკრეტული პრობლემის მკაფიო გადაწყვეტის არარსებობის შემთხვევაში. ასეთ ვითარებაში უფრო მომგებიანია ისეთი მექანიზმის შემუშავება, რომელსაც შეუძლია გამოსავლის პოვნის მეთოდის შექმნა და არა მისი ძიება.
საყოველთაოდ გამოყენებული ტერმინი "ღრმა" ("ღრმა") სწავლება ეხება მანქანათმცოდნეობის ალგორითმებს, რომლებიც საჭიროებენ დიდი რაოდენობით გამოთვლითი რესურსების მუშაობას. კონცეფცია უმეტეს შემთხვევაში დაკავშირებულია ნერვულ ქსელებთან.
არსებობს ხელოვნური ინტელექტის ორი ტიპი: ვიწრო ორიენტირებული, ან სუსტი, და ზოგადი, ან ძლიერი. სუსტების მოქმედება მიზნად ისახავს პრობლემების ვიწრო სიიდან გამოსავლის პოვნას. ვიწრო ორიენტირებული AI-ს ყველაზე თვალსაჩინო წარმომადგენლები არიან ხმოვანი ასისტენტები Google Assistant, Siri და Alice. ამის საპირისპიროდ, ძლიერი AI შესაძლებლობები საშუალებას აძლევს მას შეასრულოს თითქმის ნებისმიერი ადამიანური დავალება. დღეს ხელოვნური ზოგადი ინტელექტი უტოპიად ითვლება: მისი განხორციელება შეუძლებელია.
მანქანის სწავლა
მანქანური სწავლება ეხება ხელოვნურ ინტელექტის სფეროში არსებულ მეთოდებს, რომლებიც გამოიყენება მანქანების შესაქმნელად, რომელსაც შეუძლია ისწავლოს გამოცდილებიდან. სასწავლო პროცესი გაგებულია, როგორც მანქანით უზარმაზარი მონაცემთა მასივების დამუშავება და მათში შაბლონების ძიება.
მანქანური სწავლისა და მონაცემთა მეცნიერების ცნებები, მიუხედავად მათი მსგავსებისა, მაინც განსხვავებულია და თითოეული უმკლავდება საკუთარ ამოცანებს. ორივე ინსტრუმენტი შედის ხელოვნურშიინტელექტი.
მანქანური სწავლება, რომელიც ხელოვნური ინტელექტის ერთ-ერთი განშტოებაა, არის ალგორითმები, რომლებზედაც კომპიუტერს შეუძლია დასკვნების გაკეთება მკაცრად დადგენილი წესების დაცვის გარეშე. მანქანა ეძებს შაბლონებს კომპლექსურ ამოცანებში დიდი რაოდენობით პარამეტრით, პოულობს უფრო ზუსტ პასუხებს, განსხვავებით ადამიანის ტვინისგან. მეთოდის შედეგი არის ზუსტი პროგნოზი.
მონაცემთა მეცნიერება
მეცნიერება, თუ როგორ გავაანალიზოთ მონაცემები და გამოვიტანოთ მათგან ღირებული ცოდნა და ინფორმაცია (მონაცემთა მოპოვება). ის ურთიერთობს მანქანათმცოდნეებთან და აზროვნების მეცნიერებასთან, დიდი რაოდენობით მონაცემებთან ურთიერთქმედების ტექნოლოგიებთან. მონაცემთა მეცნიერების მუშაობა საშუალებას გაძლევთ გაანალიზოთ მონაცემები და იპოვოთ სწორი მიდგომა შემდგომი დახარისხების, დამუშავების, შერჩევისა და ინფორმაციის მოძიებისთვის.
მაგალითად, არის ინფორმაცია საწარმოს ფინანსური ხარჯების შესახებ და ინფორმაცია კონტრაგენტების შესახებ, რომლებიც ურთიერთდაკავშირებულია მხოლოდ ტრანზაქციების დროითა და თარიღით და შუალედური საბანკო მონაცემებით. შუალედური მონაცემების ღრმა მანქანური ანალიზი საშუალებას გაძლევთ განსაზღვროთ ყველაზე ძვირი კონტრაგენტი.
ნერვული ქსელები
ნერვულ ქსელებს, რომლებიც არ არის ცალკე ინსტრუმენტი, არამედ მანქანური სწავლის ერთ-ერთი სახეობა, შეუძლიათ ადამიანის ტვინის მუშაობის სიმულაცია ხელოვნური ნეირონების გამოყენებით. მათი ქმედება მიზნად ისახავს ამოცანის ამოხსნას და შეცდომების მინიმიზაციის შედეგად მიღებულ გამოცდილებაზე დაფუძნებულ თვითსწავლებას.
მანქანური სწავლის მიზნები
მანქანური სწავლების მთავარ მიზანს წარმოადგენს სხვადასხვა ანალიტიკური გადაწყვეტილებების ძიების ნაწილობრივი ან სრული ავტომატიზაცია.დავალებები. ამ მიზეზით, მანქანათმცოდნეობამ უნდა მისცეს ყველაზე ზუსტი პროგნოზები მიღებული მონაცემების საფუძველზე. მანქანათმცოდნეობის შედეგი არის შედეგის წინასწარმეტყველება და დამახსოვრება შემდგომი რეპროდუქციის და ერთ-ერთი საუკეთესო ვარიანტის შერჩევის შესაძლებლობით.
მანქანური სწავლის ტიპები
სწავლების კლასიფიკაცია მასწავლებლის დასწრების საფუძველზე ხდება სამ კატეგორიად:
- მასწავლებელთან. გამოიყენება, როდესაც ცოდნის გამოყენება გულისხმობს მანქანას სიგნალების და ობიექტების ამოცნობის სწავლებას.
- მასწავლებლის გარეშე. მოქმედების პრინციპი ემყარება ალგორითმებს, რომლებიც აღმოაჩენენ მსგავსებებსა და განსხვავებებს ობიექტებს შორის, ანომალიებს და შემდეგ ამოიცნობენ მათგან რომელი ითვლება განსხვავებულად ან უჩვეულოდ.
- გამაგრებით. გამოიყენება, როდესაც მანქანამ სწორად უნდა შეასრულოს ამოცანები გარემოში მრავალი შესაძლო გადაწყვეტილებით.
გამოყენებული ალგორითმების ტიპის მიხედვით, ისინი იყოფა:
- კლასიკური სწავლა. სწავლის ალგორითმები განვითარდა ნახევარ საუკუნეზე მეტი ხნის წინ სტატისტიკური ოფისებისთვის და დროთა განმავლობაში ყურადღებით შესწავლილი. გამოიყენება მონაცემებთან მუშაობასთან დაკავშირებული პრობლემების გადასაჭრელად.
- ღრმა სწავლა და ნერვული ქსელები. თანამედროვე მიდგომა მანქანათმცოდნეობისადმი. ნერვული ქსელები გამოიყენება, როდესაც საჭიროა ვიდეოებისა და სურათების გენერირება ან ამოცნობა, მანქანური თარგმანი, რთული გადაწყვეტილების მიღებისა და ანალიზის პროცესები.
ცოდნის ინჟინერიაში შესაძლებელია მოდელების ანსამბლები, რომლებიც აერთიანებს რამდენიმე სხვადასხვა მიდგომას.
მანქანური სწავლის სარგებელი
მანქანური სწავლის სხვადასხვა ტიპისა და ალგორითმების კომპეტენტური კომბინაციით, შესაძლებელია რუტინული ბიზნეს პროცესების ავტომატიზაცია. შემოქმედებითი ნაწილი - მოლაპარაკება, კონტრაქტების გაფორმება, სტრატეგიების შედგენა და შესრულება - რჩება ხალხს. ეს დაყოფა მნიშვნელოვანია, რადგან ადამიანს, მანქანისგან განსხვავებით, შეუძლია აზროვნების მიღმა.
აი-ს შექმნის პრობლემები
ხელოვნური ინტელექტის შექმნის კონტექსტში არსებობს ხელოვნური ინტელექტის შექმნის ორი პრობლემა:
- ადამიანის თვითორგანიზებულ ცნობიერებად და თავისუფალ ნებად აღიარების ლეგიტიმაცია და, შესაბამისად, ხელოვნური ინტელექტის გონივრულად აღიარებისთვის, იგივეა საჭირო;
- ხელოვნური ინტელექტის შედარება ადამიანის გონებასთან და მის შესაძლებლობებთან, რომელიც არ ითვალისწინებს ყველა სისტემის ინდივიდუალურ მახასიათებლებს და იწვევს მათ დისკრიმინაციას მათი საქმიანობის უაზრობის გამო.
ხელოვნური ინტელექტის შექმნის პრობლემები, სხვა საკითხებთან ერთად, მდგომარეობს გამოსახულების და ფიგურალური მეხსიერების ფორმირებაში. ფიგურული ჯაჭვები ადამიანებში ყალიბდება ასოციაციურად, მანქანის მუშაობისგან განსხვავებით; ადამიანის გონებისგან განსხვავებით, კომპიუტერი ეძებს კონკრეტულ საქაღალდეებსა და ფაილებს და არ ირჩევს ასოციაციური ბმულების ჯაჭვებს. ხელოვნური ინტელექტი ცოდნის ინჟინერიაში იყენებს კონკრეტულ მონაცემთა ბაზას თავის მუშაობაში და არ შეუძლია ექსპერიმენტების ჩატარება.
მეორე პრობლემა არის ენების სწავლა აპარატისთვის. ტექსტის თარგმნა მთარგმნელობითი პროგრამებით ხშირად ხდება ავტომატურად და საბოლოო შედეგი წარმოდგენილია სიტყვების ნაკრებით. სწორი თარგმანისთვისმოითხოვს წინადადების მნიშვნელობის გაგებას, რომლის განხორციელებაც რთულია ხელოვნური ინტელექტისათვის.
ხელოვნური ინტელექტის ნების გამოვლენის არარსებობა ასევე ითვლება პრობლემად მისი შექმნის გზაზე. მარტივად რომ ვთქვათ, კომპიუტერს არ გააჩნია პირადი სურვილები, განსხვავებით რთული გამოთვლების შესრულების უნარისა და უნარისგან.
თანამედროვე ხელოვნური ინტელექტის სისტემებს არ აქვთ სტიმული შემდგომი არსებობისა და გაუმჯობესებისთვის. AI-ების უმეტესობა მოტივირებულია მხოლოდ ადამიანის დავალების და მისი შესრულების საჭიროებით. თეორიულად, ამაზე შეიძლება გავლენა იქონიოს კომპიუტერსა და ადამიანს შორის უკუკავშირის შექმნით და კომპიუტერის თვითსწავლის სისტემის გაუმჯობესებით.
ხელოვნურად შექმნილი ნერვული ქსელების პრიმიტიულობა. დღეს მათ აქვთ ადამიანის ტვინის იდენტური უპირატესობები: სწავლობენ პირადი გამოცდილებიდან გამომდინარე, შეუძლიათ დასკვნების გამოტანა და მიღებული ინფორმაციისგან მთავარის ამოღება. ამავდროულად, ინტელექტუალურ სისტემებს არ შეუძლიათ ადამიანის ტვინის ყველა ფუნქციის დუბლირება. ინტელექტი, რომელიც თან ახლავს თანამედროვე ნერვულ ქსელებს, არ აღემატება ცხოველის ინტელექტს.
AI-ს მინიმალური ეფექტურობა სამხედრო მიზნებისთვის. ხელოვნურ ინტელექტზე დაფუძნებული რობოტების შემქმნელებს აწყდებათ ხელოვნური ინტელექტის უნარი თვითსწავლის, რეალურ დროში მიღებული ინფორმაციის ავტომატურად ამოცნობისა და სწორად გაანალიზების პრობლემის წინაშე.
