L'ingénierie des connaissances est un ensemble de méthodes, de modèles et de techniques visant à créer des systèmes conçus pour trouver des solutions à des problèmes sur la base des connaissances existantes. En fait, ce terme est compris comme méthodologie, théorie et technologie, couvrant les méthodes d'analyse, d'extraction, de traitement et de présentation des connaissances.
L'essence de l'intelligence artificielle réside dans l'analyse scientifique et l'automatisation des fonctions intellectuelles inhérentes à l'homme. Dans le même temps, la complexité de leur implémentation machine est commune à la plupart des problèmes. L'étude de l'IA a permis de s'assurer que derrière la solution des problèmes se cache le besoin de connaissances expertes, c'est-à-dire la création d'un système capable non seulement de mémoriser, mais aussi d'analyser et d'utiliser les connaissances expertes à l'avenir; il peut être utilisé à des fins pratiques.
Histoire du terme
Ingénierie des connaissances et développement de systèmes d'information intelligents, en particulier de systèmes experts, sont étroitement liés.
À l'université de Stanford aux États-Unis dans les années 60-70, sous la houlette d'E. Feigenbaum, unSystème DENDRAL, un peu plus tard - MYCIN. Les deux systèmes ont reçu le titre d'expert en raison de leur capacité à s'accumuler dans la mémoire de l'ordinateur et à utiliser les connaissances d'experts pour résoudre des problèmes. Ce domaine de la technologie a reçu le terme "ingénierie de la connaissance" du message du professeur E. Feigenbaum, qui est devenu le créateur des systèmes experts.
Approches
L'ingénierie des connaissances repose sur deux approches: la transformation des connaissances et la construction de modèles.
- Transformation des connaissances. Le processus d'évolution de l'expertise et le passage de la connaissance experte à sa mise en œuvre logicielle. Le développement des systèmes basés sur la connaissance en a été construit. Format de représentation des connaissances - règles. Les inconvénients sont l'impossibilité de représenter les connaissances implicites et les différents types de connaissances sous une forme adéquate, la difficulté de refléter un grand nombre de règles.
- Construire des modèles. La construction de l'IA est considérée comme un type de simulation; construire un modèle informatique conçu pour résoudre des problèmes dans un domaine particulier sur un pied d'égalité avec les experts. Le modèle n'est pas capable d'imiter l'activité d'un expert au niveau cognitif, mais il permet d'obtenir un résultat similaire.
Les modèles et les méthodes d'ingénierie des connaissances visent le développement de systèmes informatiques, dont le but principal est d'obtenir les connaissances disponibles auprès de spécialistes, puis de les organiser pour l'utilisation la plus efficace.
Intelligence artificielle, réseaux de neurones et machine learning: quelle est la différence ?
L'une des façons de mettre en œuvre l'intelligence artificielle est neuronaleréseau.
L'apprentissage automatique est un domaine de développement de l'IA visant à étudier les méthodes de construction d'algorithmes d'auto-apprentissage. La nécessité de cela survient en l'absence d'une solution claire à un problème spécifique. Dans une telle situation, il est plus rentable de développer un mécanisme capable de créer une méthode pour trouver une solution, plutôt que de la chercher.
Le terme couramment utilisé d'apprentissage "profond" ("profond") fait référence aux algorithmes d'apprentissage automatique qui nécessitent une grande quantité de ressources informatiques pour fonctionner. Dans la plupart des cas, le concept est associé à des réseaux de neurones.
Il existe deux types d'intelligence artificielle: étroitement focalisée, ou faible, et générale, ou forte. L'action des faibles vise à trouver une solution à une liste restreinte de problèmes. Les représentants les plus éminents de l'IA étroitement ciblée sont les assistants vocaux Google Assistant, Siri et Alice. En revanche, de fortes capacités d'IA lui permettent d'effectuer presque toutes les tâches humaines. aujourd'hui, l'intelligence artificielle générale est considérée comme une utopie: sa mise en œuvre est impossible.
Apprentissage automatique
L'apprentissage automatique fait référence aux méthodes dans le domaine de l'intelligence artificielle utilisées pour créer une machine qui peut apprendre de l'expérience. Le processus d'apprentissage est compris comme le traitement d'énormes tableaux de données par la machine et la recherche de modèles dans ceux-ci.
Les concepts d'apprentissage automatique et de science des données, malgré leur similitude, sont toujours différents et chacun fait face à ses propres tâches. Les deux instruments sont inclus dans l'artificielintelligence.
L'apprentissage automatique, qui est l'une des branches de l'IA, est un algorithme basé sur lequel un ordinateur est capable de tirer des conclusions sans adhérer à des règles rigidement définies. La machine recherche des modèles dans des tâches complexes avec un grand nombre de paramètres, trouvant des réponses plus précises, contrairement au cerveau humain. Le résultat de la méthode est une prédiction précise.
Science des données
La science qui consiste à analyser des données et à en extraire des connaissances et des informations précieuses (exploration de données). Il communique avec l'apprentissage automatique et la science de la pensée, avec des technologies permettant d'interagir avec de grandes quantités de données. Le travail de la science des données vous permet d'analyser les données et de trouver la bonne approche pour le tri, le traitement, l'échantillonnage et la recherche d'informations ultérieurs.
Par exemple, il existe des informations sur les frais financiers d'une entreprise et des informations sur des contreparties qui ne sont interconnectées que par l'heure et la date des transactions et les données bancaires intermédiaires. L'analyse machine approfondie des données intermédiaires vous permet de déterminer la contrepartie la plus coûteuse.
Réseaux de neurones
Les réseaux de neurones, n'étant pas un outil séparé, mais l'un des types d'apprentissage automatique, sont capables de simuler le travail du cerveau humain à l'aide de neurones artificiels. Leur action vise à résoudre la tâche et à s'auto-apprendre sur la base de l'expérience acquise en minimisant les erreurs.
Objectifs d'apprentissage automatique
L'objectif principal de l'apprentissage automatique est considéré comme une automatisation partielle ou complète de la recherche de solutions à diverses analysesTâches. Pour cette raison, l'apprentissage automatique devrait donner les prédictions les plus précises en fonction des données reçues. Le résultat de l'apprentissage automatique est la prédiction et la mémorisation du résultat avec la possibilité de reproduction ultérieure et de sélection de l'une des meilleures options.
Types d'apprentissage automatique
La classification des apprentissages basée sur la présence d'un enseignant se décline en trois catégories:
- Avec le professeur. Utilisé lorsque l'utilisation des connaissances implique d'apprendre à la machine à reconnaître des signaux et des objets.
- Sans professeur. Le principe de fonctionnement repose sur des algorithmes qui détectent les similitudes et les différences entre les objets, les anomalies, puis reconnaissent lesquels d'entre eux sont considérés comme dissemblables ou inhabituels.
- Avec des renforts. Utilisé lorsqu'une machine doit effectuer correctement des tâches dans un environnement avec de nombreuses solutions possibles.
Selon le type d'algorithmes utilisés, ils sont divisés en:
- Apprentissage classique. Algorithmes d'apprentissage développés il y a plus d'un demi-siècle pour les offices statistiques et soigneusement étudiés au fil du temps. Utilisé pour résoudre les problèmes liés au travail avec les données.
- Apprentissage en profondeur et réseaux de neurones. Approche moderne de l'apprentissage automatique. Les réseaux de neurones sont utilisés lorsque la génération ou la reconnaissance de vidéos et d'images, la traduction automatique, des processus complexes de prise de décision et d'analyse sont nécessaires.
En ingénierie des connaissances, des ensembles de modèles sont possibles, combinant plusieurs approches différentes.
Les avantages du machine learning
Grâce à une combinaison compétente de différents types et algorithmes d'apprentissage automatique, il est possible d'automatiser les processus métier de routine. La partie créative - négociation, conclusion de contrats, élaboration et exécution de stratégies - est laissée aux gens. Cette division est importante, car une personne, contrairement à une machine, est capable de sortir des sentiers battus.
Problèmes de création d'IA
Dans le contexte de la création de l'IA, la création de l'intelligence artificielle pose deux problèmes:
- La légitimité de reconnaître une personne comme une conscience auto-organisatrice et un libre arbitre et, par conséquent, de reconnaître l'intelligence artificielle comme raisonnable, la même chose est requise;
- Comparaison de l'intelligence artificielle avec l'esprit humain et ses capacités, qui ne tient pas compte des caractéristiques individuelles de tous les systèmes et entraîne leur discrimination en raison du non-sens de leurs activités.
Les problèmes de la création de l'intelligence artificielle résident, entre autres, dans la formation des images et de la mémoire figurative. Les chaînes figuratives chez l'homme sont formées de manière associative, contrairement au fonctionnement d'une machine; contrairement à l'esprit humain, un ordinateur recherche des dossiers et des fichiers spécifiques et ne sélectionne pas de chaînes de liens associatifs. L'intelligence artificielle dans l'ingénierie des connaissances utilise une base de données spécifique dans son travail et n'est pas en mesure d'expérimenter.
Le deuxième problème est l'apprentissage des langues pour la machine. La traduction de texte par des programmes de traduction est souvent effectuée automatiquement et le résultat final est représenté par un ensemble de mots. Pour une traduction correctenécessite de comprendre le sens de la phrase, ce qui est difficile à mettre en œuvre par l'IA.
Le manque de manifestation de la volonté de l'intelligence artificielle est également considéré comme un problème sur le chemin de sa création. En termes simples, l'ordinateur n'a pas de désirs personnels, contrairement à la puissance et à la capacité d'effectuer des calculs complexes.
Les systèmes d'intelligence artificielle modernes n'ont aucune incitation à exister et à s'améliorer. La plupart des IA ne sont motivées que par une tâche humaine et la nécessité de l'accomplir. En théorie, cela peut être influencé en créant une rétroaction entre un ordinateur et une personne et en améliorant le système d'auto-apprentissage de l'ordinateur.
Primitivité des réseaux de neurones créés artificiellement. Aujourd'hui, ils ont des avantages identiques au cerveau humain: ils apprennent en fonction de leur expérience personnelle, ils sont capables de tirer des conclusions et d'extraire l'essentiel des informations reçues. Dans le même temps, les systèmes intelligents ne sont pas capables de dupliquer toutes les fonctions du cerveau humain. L'intelligence inhérente aux réseaux de neurones modernes ne dépasse pas l'intelligence d'un animal.
Efficacité minimale de l'IA à des fins militaires. Les créateurs de robots basés sur l'intelligence artificielle sont confrontés au problème de l'incapacité de l'IA à s'auto-apprendre, à reconnaître automatiquement et à analyser correctement les informations reçues en temps réel.
