Engenharia do Conhecimento é um conjunto de métodos, modelos e técnicas que visam criar sistemas projetados para encontrar soluções para problemas com base no conhecimento existente. Na verdade, este termo é entendido como metodologia, teoria e tecnologia, abrangendo métodos de análise, extração, processamento e apresentação do conhecimento.
A essência da inteligência artificial reside na análise científica e automação das funções intelectuais inerentes ao homem. Ao mesmo tempo, a complexidade de sua implementação na máquina é comum à maioria dos problemas. O estudo da IA permitiu certificar-se de que por trás da solução de problemas está a necessidade de conhecimento especializado, ou seja, a criação de um sistema que possa não apenas memorizar, mas também analisar e utilizar o conhecimento especializado no futuro; pode ser usado para fins práticos.
Histórico do termo
A engenharia do conhecimento e o desenvolvimento de sistemas de informação inteligentes, em particular os sistemas especialistas, estão intimamente relacionados.
Na Universidade de Stanford nos EUA nos anos 60-70, sob a liderança de E. Feigenbaum, umSistema DENDRAL, um pouco mais tarde - MYCIN. Ambos os sistemas receberam o título de especialistas por causa de sua capacidade de acumular na memória do computador e usar o conhecimento de especialistas para resolver problemas. Essa área da tecnologia recebeu o termo "engenharia do conhecimento" da mensagem do professor E. Feigenbaum, que se tornou o criador de sistemas especialistas.
Abordagens
A engenharia do conhecimento é baseada em duas abordagens: transformação do conhecimento e construção de modelos.
- Transformação do conhecimento. O processo de mudança de conhecimento e a transição do conhecimento especializado para sua implementação de software. Sobre ele foi construído o desenvolvimento de Sistemas Baseados em Conhecimento. Formato de representação do conhecimento - regras. As desvantagens são a impossibilidade de representar o conhecimento implícito e diferentes tipos de conhecimento de forma adequada, a dificuldade de refletir um grande número de regras.
- Modelos de construção. Building AI é considerado um tipo de simulação; construir um modelo de computador projetado para resolver problemas em uma área específica em pé de igualdade com especialistas. O modelo não é capaz de imitar a atividade de um especialista no nível cognitivo, mas permite obter um resultado semelhante.
Modelos e métodos de engenharia do conhecimento são voltados para o desenvolvimento de sistemas computacionais, cujo objetivo principal é obter o conhecimento disponível de especialistas e depois organizá-lo para o uso mais eficaz.
Inteligência artificial, redes neurais e aprendizado de máquina: qual a diferença?
Uma das maneiras de implementar a inteligência artificial é neuralrede.
Machine learning é uma área de desenvolvimento de IA que visa estudar métodos para construir algoritmos de autoaprendizagem. A necessidade disso surge na ausência de uma solução clara para um problema específico. Em tal situação, é mais lucrativo desenvolver um mecanismo que possa criar um método para encontrar uma solução, em vez de procurá-la.
O termo comumente usado "deep" ("deep") se refere a algoritmos de aprendizado de máquina que exigem uma grande quantidade de recursos de computação para operar. O conceito na maioria dos casos está associado a redes neurais.
Existem dois tipos de inteligência artificial: estreitamente focada, ou fraca, e geral, ou forte. A ação dos fracos visa encontrar uma solução para uma lista estreita de problemas. Os representantes mais proeminentes da IA com foco restrito são os assistentes de voz Google Assistant, Siri e Alice. Em contraste, fortes habilidades de IA permitem que ele execute quase qualquer tarefa humana. hoje, a inteligência artificial geral é considerada uma utopia: sua implementação é impossível.
Aprendizado de máquina
Machine learning refere-se aos métodos no campo da inteligência artificial usados para criar uma máquina que pode aprender com a experiência. O processo de aprendizagem é entendido como o processamento de grandes arrays de dados pela máquina e a busca de padrões neles.
Os conceitos de aprendizado de máquina e ciência de dados, apesar de suas semelhanças, ainda são diferentes e cada um lida com suas próprias tarefas. Ambos os instrumentos estão incluídos nointeligência.
Machine learning, que é um dos ramos da IA, são algoritmos baseados nos quais um computador é capaz de tirar conclusões sem aderir a regras rigidamente estabelecidas. A máquina procura padrões em tarefas complexas com um grande número de parâmetros, encontrando respostas mais precisas, ao contrário do cérebro humano. O resultado do método é uma previsão precisa.
Ciência de dados
A ciência de como analisar dados e extrair deles conhecimento e informações valiosos (mineração de dados). Ele se comunica com o aprendizado de máquina e a ciência do pensamento, com tecnologias para interagir com grandes quantidades de dados. O trabalho da ciência de dados permite analisar dados e encontrar a abordagem certa para posterior classificação, processamento, amostragem e recuperação de informações.
Por exemplo, há informações sobre as despesas financeiras de uma empresa e informações sobre contrapartes que estão interconectadas apenas pela hora e data das transações e dados bancários intermediários. A análise profunda da máquina de dados intermediários permite determinar a contraparte mais cara.
Redes neurais
As redes neurais, não sendo uma ferramenta separada, mas um dos tipos de aprendizado de máquina, são capazes de simular o trabalho do cérebro humano usando neurônios artificiais. Sua ação visa a resolução da tarefa e a autoaprendizagem com base na experiência adquirida com a minimização de erros.
Metas de aprendizado de máquina
O principal objetivo do aprendizado de máquina é considerado a automação parcial ou completa da busca de soluções para diversostarefas. Por esse motivo, o aprendizado de máquina deve fornecer as previsões mais precisas com base nos dados recebidos. O resultado do aprendizado de máquina é a previsão e memorização do resultado com possibilidade de posterior reprodução e seleção de uma das melhores opções.
Tipos de aprendizado de máquina
A classificação da aprendizagem com base na presença de um professor ocorre em três categorias:
- Com o professor. Usado quando o uso do conhecimento envolve ensinar a máquina a reconhecer sinais e objetos.
- Sem professor. O princípio de funcionamento é baseado em algoritmos que detectam semelhanças e diferenças entre objetos, anomalias, e então reconhecem qual deles é considerado diferente ou incomum.
- Com reforços. Usado quando uma máquina deve executar tarefas corretamente em um ambiente com muitas soluções possíveis.
De acordo com o tipo de algoritmos utilizados, eles são divididos em:
- Aprendizado clássico. Algoritmos de aprendizado desenvolvidos há mais de meio século para escritórios de estatística e cuidadosamente estudados ao longo do tempo. Usado para resolver problemas relacionados ao trabalho com dados.
- Deep learning e redes neurais. Abordagem moderna para aprendizado de máquina. As redes neurais são usadas quando são necessários geração ou reconhecimento de vídeos e imagens, tradução automática, processos complexos de tomada de decisão e análise.
Na engenharia do conhecimento, conjuntos de modelos são possíveis, combinando várias abordagens diferentes.
Os benefícios do aprendizado de máquina
Com uma combinação competente de diferentes tipos e algoritmos de aprendizado de máquina, é possível automatizar processos rotineiros de negócios. A parte criativa - negociar, fechar contratos, traçar e executar estratégias - fica a cargo das pessoas. Essa divisão é importante, pois uma pessoa, ao contrário de uma máquina, é capaz de pensar fora da caixa.
Problemas de criação de IA
No contexto da criação de IA, existem dois problemas de criação de inteligência artificial:
- A legitimidade de reconhecer uma pessoa como uma consciência auto-organizada e livre arbítrio e, portanto, para reconhecer a inteligência artificial como razoável, o mesmo é necessário;
- Comparação da inteligência artificial com a mente humana e suas habilidades, que não leva em consideração as características individuais de todos os sistemas e acarreta sua discriminação pela f alta de sentido de suas atividades.
Os problemas da criação de inteligência artificial residem, entre outras coisas, na formação de imagens e memória figurativa. As cadeias figurativas em humanos são formadas associativamente, em contraste com a operação de uma máquina; em contraste com a mente humana, um computador procura pastas e arquivos específicos e não seleciona cadeias de links associativos. A inteligência artificial na engenharia do conhecimento usa um banco de dados específico em seu trabalho e não é capaz de experimentar.
O segundo problema é aprender linguagens para a máquina. A tradução de texto por programas de tradução é muitas vezes realizada de forma automática e o resultado final é representado por um conjunto de palavras. Para tradução corretarequer a compreensão do significado da frase, o que é difícil para a IA implementar.
A f alta de manifestação da vontade da inteligência artificial também é considerada um problema no caminho para sua criação. Simplificando, o computador não tem desejos pessoais, em oposição ao poder e capacidade de realizar cálculos complexos.
Os sistemas modernos de inteligência artificial não têm incentivos para mais existência e aprimoramento. A maioria das IAs é motivada apenas por uma tarefa humana e pela necessidade de completá-la. Em teoria, isso pode ser influenciado criando um feedback entre um computador e uma pessoa e melhorando o sistema de autoaprendizagem do computador.
Primitividade de redes neurais criadas artificialmente. Hoje, eles têm vantagens idênticas às do cérebro humano: aprendem com base na experiência pessoal, são capazes de tirar conclusões e extrair o principal das informações recebidas. Ao mesmo tempo, os sistemas inteligentes não são capazes de duplicar todas as funções do cérebro humano. A inteligência inerente às redes neurais modernas não excede a inteligência de um animal.
Eficácia mínima da IA para fins militares. Os criadores de robôs baseados em inteligência artificial enfrentam o problema da incapacidade da IA de aprender, reconhecer automaticamente e analisar corretamente as informações recebidas em tempo real.
