Knowledge Engineering ist eine Reihe von Methoden, Modellen und Techniken, die darauf abzielen, Systeme zu schaffen, die darauf ausgelegt sind, Lösungen für Probleme auf der Grundlage von vorhandenem Wissen zu finden. Tatsächlich wird dieser Begriff als Methodik, Theorie und Technologie verstanden und umfasst Methoden der Analyse, Extraktion, Verarbeitung und Präsentation von Wissen.
Das Wesen der künstlichen Intelligenz liegt in der wissenschaftlichen Analyse und Automatisierung der dem Menschen innewohnenden intellektuellen Funktionen. Gleichzeitig ist die Komplexität ihrer maschinellen Implementierung den meisten Problemen gemeinsam. Durch das Studium der KI konnte sichergestellt werden, dass hinter der Lösung von Problemen der Bedarf an Expertenwissen steht, also die Schaffung eines Systems, das Expertenwissen nicht nur speichern, sondern auch analysieren und in Zukunft nutzen kann; es kann für praktische Zwecke verwendet werden.
Geschichte des Begriffs
Knowledge Engineering und die Entwicklung intelligenter Informationssysteme, insbesondere von Expertensystemen, sind eng miteinander verbunden.
An der Stanford University in den USA in den 60-70er Jahren unter der Leitung von E. Feigenbaum, aDENDRAL-System, etwas später - MYCIN. Beide Systeme haben den Expertentitel wegen ihrer Fähigkeit erh alten, sich im Computerspeicher anzusammeln und das Wissen von Experten zur Problemlösung zu nutzen. Den Begriff „Knowledge Engineering“erhielt dieser Technologiebereich aus der Botschaft von Professor E. Feigenbaum, der zum Schöpfer von Expertensystemen wurde.
Ansätze
Knowledge Engineering basiert auf zwei Ansätzen: Wissenstransformation und Modellbildung.
- Transformation von Wissen. Der Prozess des Know-how-Wechsels und der Übergang vom Expertenwissen zur Softwareimplementierung. Darauf baute die Entwicklung wissensbasierter Systeme auf. Wissensrepräsentationsformat - Regeln. Die Nachteile sind die Unmöglichkeit, implizites Wissen und verschiedene Arten von Wissen in adäquater Form darzustellen, die Schwierigkeit, eine Vielzahl von Regeln abzubilden.
- Gebäudemodelle. Das Bauen von KI wird als eine Art Simulation betrachtet; Erstellung eines Computermodells zur Lösung von Problemen in einem bestimmten Bereich auf gleichberechtigter Basis mit Experten. Das Modell ist nicht in der Lage, die Aktivität eines Experten auf kognitiver Ebene nachzuahmen, aber es ermöglicht, ein ähnliches Ergebnis zu erzielen.
Modelle und Methoden des Knowledge Engineering zielen auf die Entwicklung von Computersystemen ab, deren Hauptzweck darin besteht, das verfügbare Wissen von Spezialisten zu erh alten und es dann für die effektivste Nutzung zu organisieren.
Künstliche Intelligenz, neuronale Netze und maschinelles Lernen: Was ist der Unterschied?
Eine der Möglichkeiten, künstliche Intelligenz zu implementieren, ist neuronalNetzwerk.
Maschinelles Lernen ist ein Bereich der KI-Entwicklung, der darauf abzielt, Methoden zum Aufbau selbstlernender Algorithmen zu untersuchen. Die Notwendigkeit hierfür ergibt sich aus dem Fehlen einer eindeutigen Lösung für ein bestimmtes Problem. In einer solchen Situation ist es rentabler, einen Mechanismus zu entwickeln, der eine Methode zum Finden einer Lösung schafft, als danach zu suchen.
Der häufig verwendete Begriff "tiefes" ("tiefes") Lernen bezieht sich auf maschinelle Lernalgorithmen, die eine große Menge an Rechenressourcen erfordern, um zu funktionieren. Das Konzept wird in den meisten Fällen mit neuronalen Netzen in Verbindung gebracht.
Es gibt zwei Arten von künstlicher Intelligenz: eng fokussiert oder schwach und allgemein oder stark. Die Aktion der Schwachen zielt darauf ab, eine Lösung für eine schmale Liste von Problemen zu finden. Die prominentesten Vertreter eng fokussierter KI sind die Sprachassistenten Google Assistant, Siri und Alice. Im Gegensatz dazu ermöglichen ihm starke KI-Fähigkeiten, fast jede menschliche Aufgabe auszuführen. heute gilt künstliche allgemeine intelligenz als utopie: ihre umsetzung ist unmöglich.
Maschinelles Lernen
Maschinelles Lernen bezeichnet die Methoden im Bereich der künstlichen Intelligenz, mit denen eine Maschine geschaffen wird, die aus Erfahrung lernen kann. Unter Lernprozess versteht man die Verarbeitung riesiger Datenmengen durch die Maschine und die Suche nach Mustern darin.
Die Konzepte des maschinellen Lernens und der Datenwissenschaft sind trotz ihrer Ähnlichkeit immer noch unterschiedlich und bewältigen jeweils ihre eigenen Aufgaben. Beide Instrumente sind im künstlichen enth altenIntelligenz.
Maschinelles Lernen, einer der Zweige der KI, sind Algorithmen, auf deren Grundlage ein Computer in der Lage ist, Schlussfolgerungen zu ziehen, ohne sich an starr festgelegte Regeln zu h alten. Die Maschine sucht bei komplexen Aufgaben mit einer Vielzahl von Parametern nach Mustern und findet im Gegensatz zum menschlichen Gehirn genauere Antworten. Das Ergebnis der Methode ist eine genaue Vorhersage.
Datenwissenschaft
Die Wissenschaft, wie man Daten analysiert und daraus wertvolles Wissen und Informationen gewinnt (Data Mining). Es kommuniziert mit maschinellem Lernen und der Wissenschaft des Denkens, mit Technologien zur Interaktion mit großen Datenmengen. Die Arbeit von Data Science ermöglicht es Ihnen, Daten zu analysieren und den richtigen Ansatz für die anschließende Sortierung, Verarbeitung, Stichprobe und Informationsbeschaffung zu finden.
Zum Beispiel gibt es Informationen über die finanziellen Ausgaben eines Unternehmens und Informationen über Kontrahenten, die nur durch die Zeit und das Datum von Transaktionen und zwischengesch altete Bankdaten miteinander verbunden sind. Eine umfassende maschinelle Analyse von Zwischendaten ermöglicht es Ihnen, die teuerste Gegenpartei zu bestimmen.
Neuronale Netzwerke
Neuronale Netze, die kein separates Werkzeug, sondern eine der Arten des maschinellen Lernens sind, können die Arbeit des menschlichen Gehirns mithilfe künstlicher Neuronen simulieren. Ihr Handeln zielt auf die Lösung der Aufgabe und das Selbstlernen auf der Grundlage der gewonnenen Erfahrungen mit der Minimierung von Fehlern ab.
Maschinelle Lernziele
Als Hauptziel des maschinellen Lernens wird die teilweise oder vollständige Automatisierung der Suche nach Lösungen für verschiedene analytische Verfahren angesehenAufgaben. Aus diesem Grund sollte maschinelles Lernen basierend auf den erh altenen Daten die genauesten Vorhersagen liefern. Das Ergebnis des maschinellen Lernens ist die Vorhersage und Speicherung des Ergebnisses mit der Möglichkeit der anschließenden Reproduktion und Auswahl einer der besten Optionen.
Arten des maschinellen Lernens
Die Klassifizierung des Lernens aufgrund der Anwesenheit eines Lehrers erfolgt in drei Kategorien:
- Mit dem Lehrer. Wird verwendet, wenn die Nutzung von Wissen darin besteht, der Maschine beizubringen, Signale und Objekte zu erkennen.
- Ohne Lehrer. Das Funktionsprinzip basiert auf Algorithmen, die Ähnlichkeiten und Unterschiede zwischen Objekten und Anomalien erkennen und dann erkennen, welche davon als unähnlich oder ungewöhnlich angesehen werden.
- Mit Verstärkung. Wird verwendet, wenn eine Maschine Aufgaben in einer Umgebung mit vielen möglichen Lösungen korrekt ausführen muss.
Nach der Art der verwendeten Algorithmen werden sie unterteilt in:
- Klassisches Lernen. Lernalgorithmen wurden vor mehr als einem halben Jahrhundert für statistische Ämter entwickelt und im Laufe der Zeit sorgfältig untersucht. Wird verwendet, um Probleme im Zusammenhang mit der Arbeit mit Daten zu lösen.
- Deep Learning und neuronale Netze. Moderner Ansatz für maschinelles Lernen. Neuronale Netze kommen zum Einsatz, wenn es um die Generierung oder Erkennung von Videos und Bildern, maschinelle Übersetzung, komplexe Entscheidungs- und Analyseprozesse geht.
In der Wissenstechnik sind Ensembles von Modellen möglich, die mehrere verschiedene Ansätze kombinieren.
Die Vorteile des maschinellen Lernens
Mit einer kompetenten Kombination verschiedener Arten und Algorithmen des maschinellen Lernens ist es möglich, routinemäßige Geschäftsprozesse zu automatisieren. Der kreative Part – verhandeln, Verträge abschließen, Strategien erarbeiten und umsetzen – bleibt den Menschen überlassen. Diese Aufteilung ist wichtig, weil der Mensch im Gegensatz zu einer Maschine über den Tellerrand hinausblicken kann.
Probleme beim Erstellen von KI
Im Zusammenhang mit der Erstellung von KI gibt es zwei Probleme bei der Erstellung künstlicher Intelligenz:
- Die Legitimität der Anerkennung einer Person als selbstorganisierendes Bewusstsein und freier Wille und dementsprechend die Anerkennung künstlicher Intelligenz als vernünftig, bedarf derselben;
- Vergleich der künstlichen Intelligenz mit dem menschlichen Verstand und seinen Fähigkeiten, der die individuellen Eigenschaften aller Systeme nicht berücksichtigt und deren Diskriminierung aufgrund der Sinnlosigkeit ihrer Aktivitäten zur Folge hat.
Die Probleme bei der Schaffung künstlicher Intelligenz liegen unter anderem in der Bildung von Bildern und dem figurativen Gedächtnis. Figurative Ketten beim Menschen bilden sich assoziativ, im Gegensatz zur Bedienung einer Maschine; Im Gegensatz zum menschlichen Verstand sucht ein Computer nach bestimmten Ordnern und Dateien und wählt keine Ketten assoziativer Verknüpfungen aus. Künstliche Intelligenz im Knowledge Engineering verwendet bei ihrer Arbeit eine bestimmte Datenbank und kann nicht experimentieren.
Das zweite Problem ist das Erlernen von Sprachen für die Maschine. Die Übersetzung von Text durch Übersetzungsprogramme wird oft automatisch durchgeführt, und das Endergebnis wird durch eine Reihe von Wörtern dargestellt. Für die richtige Übersetzungerfordert das Verständnis der Bedeutung des Satzes, was für die KI schwierig umzusetzen ist.
Auch die mangelnde Willensäußerung der künstlichen Intelligenz wird als Problem auf dem Weg zu ihrer Entstehung angesehen. Einfach ausgedrückt, der Computer hat keine persönlichen Wünsche, im Gegensatz zu der Kraft und Fähigkeit, komplexe Berechnungen durchzuführen.
Moderne Systeme der künstlichen Intelligenz haben keine Anreize zum Weiterbestehen und Verbessern. Die meisten KIs werden nur durch eine menschliche Aufgabe und die Notwendigkeit, sie zu erledigen, motiviert. Theoretisch kann dies beeinflusst werden, indem eine Rückkopplung zwischen einem Computer und einer Person hergestellt und das Selbstlernsystem des Computers verbessert wird.
Primitivität künstlich geschaffener neuronaler Netze. Sie haben heute dieselben Vorteile wie das menschliche Gehirn: Sie lernen aus eigener Erfahrung, sie können Schlüsse ziehen und aus den erh altenen Informationen das Wesentliche ziehen. Gleichzeitig sind intelligente Systeme nicht in der Lage, alle Funktionen des menschlichen Gehirns nachzubilden. Die Intelligenz moderner neuronaler Netze übersteigt nicht die eines Tieres.
Mindestwirksamkeit der KI für militärische Zwecke. Die Entwickler von auf künstlicher Intelligenz basierenden Robotern stehen vor dem Problem, dass KI nicht in der Lage ist, selbst zu lernen, die erh altenen Informationen in Echtzeit automatisch zu erkennen und korrekt zu analysieren.
