مهندسی دانش مجموعه‌ای از روش‌ها، مدل‌ها و تکنیک‌هایی است که با هدف ایجاد سیستم‌هایی طراحی شده‌اند تا بر اساس دانش موجود راه‌حلی برای مشکلات پیدا کنند. در واقع، این اصطلاح به عنوان روش شناسی، نظریه و فناوری درک می شود که شامل روش های تجزیه و تحلیل، استخراج، پردازش و ارائه دانش است.
جوهر هوش مصنوعی در تجزیه و تحلیل علمی و اتوماسیون عملکردهای فکری ذاتی انسان نهفته است. در عین حال، پیچیدگی اجرای ماشینی آنها در اکثر مشکلات مشترک است. مطالعه هوش مصنوعی این امکان را فراهم کرد تا مطمئن شویم که در پس حل مشکلات نیاز به دانش تخصصی نهفته است، یعنی ایجاد سیستمی که بتواند نه تنها به خاطر بسپارد، بلکه بتواند دانش تخصصی را در آینده تجزیه و تحلیل و استفاده کند. می توان از آن برای اهداف عملی استفاده کرد.
تاریخچه اصطلاح
مهندسی دانش و توسعه سیستم های اطلاعاتی هوشمند، به ویژه سیستم های خبره، ارتباط نزدیکی با هم دارند.
در دانشگاه استنفورد در ایالات متحده آمریکا در دهه 60-70، تحت رهبری E. Feigenbaum،سیستم DENDRAL، کمی بعد - MYCIN. هر دو سیستم به دلیل توانایی در انباشته شدن در حافظه کامپیوتر و استفاده از دانش متخصصان برای حل مشکلات عنوان خبره را دریافت کرده اند. این حوزه از فناوری اصطلاح "مهندسی دانش" را از پیام پروفسور E. Feigenbaum دریافت کرد که خالق سیستم های خبره شد.
رویکردها
مهندسی دانش مبتنی بر دو رویکرد است: تحول دانش و ساخت مدل.
- تحول دانش. فرآیند تغییر تخصص و گذار از دانش تخصصی به پیاده سازی نرم افزاری آن. توسعه سیستم های مبتنی بر دانش بر اساس آن ساخته شد. قالب بازنمایی دانش - قوانین. معایب عبارتند از عدم امکان بازنمایی دانش ضمنی و انواع مختلف دانش به شکل مناسب، دشواری انعکاس تعداد زیادی از قوانین.
- مدل های ساختمان. ساخت هوش مصنوعی نوعی شبیه سازی در نظر گرفته می شود. ساخت یک مدل کامپیوتری طراحی شده برای حل مشکلات در یک منطقه خاص به طور مساوی با کارشناسان. این مدل قادر به تقلید از فعالیت یک متخصص در سطح شناختی نیست، اما امکان به دست آوردن نتیجه مشابه را فراهم می کند.
مدل ها و روش های مهندسی دانش با هدف توسعه سیستم های رایانه ای است که هدف اصلی آن کسب دانش موجود از متخصصان و سپس سازماندهی آن برای استفاده مؤثرتر است.
هوش مصنوعی، شبکه های عصبی و یادگیری ماشین: تفاوت چیست؟
یکی از راه های پیاده سازی هوش مصنوعی، عصبی استشبکه.
یادگیری ماشینی حوزه ای از توسعه هوش مصنوعی است که با هدف مطالعه روش هایی برای ساخت الگوریتم های خودآموز انجام می شود. نیاز به این امر در غیاب راه حل روشن برای یک مشکل خاص به وجود می آید. در چنین شرایطی، توسعه مکانیزمی که بتواند روشی برای یافتن راه حل ایجاد کند، به جای جستجوی آن سودمندتر است.
اصطلاح متداول "یادگیری عمیق" ("عمیق") به الگوریتم های یادگیری ماشینی اشاره دارد که برای کار کردن به مقدار زیادی از منابع محاسباتی نیاز دارند. این مفهوم در بیشتر موارد با شبکه های عصبی مرتبط است.
دو نوع هوش مصنوعی وجود دارد: متمرکز یا ضعیف، و عمومی یا قوی. اقدام افراد ضعیف با هدف یافتن راه حلی برای فهرست محدودی از مشکلات است. برجسته ترین نمایندگان هوش مصنوعی با تمرکز محدود دستیارهای صوتی Google Assistant، Siri و Alice هستند. در مقابل، توانایی های قوی هوش مصنوعی به آن اجازه می دهد تقریباً هر کار انسانی را انجام دهد. امروزه هوش عمومی مصنوعی یک مدینه فاضله در نظر گرفته می شود: اجرای آن غیرممکن است.
یادگیری ماشین
یادگیری ماشینی به روش هایی در زمینه هوش مصنوعی اشاره دارد که برای ایجاد ماشینی استفاده می شود که می تواند از تجربه بیاموزد. فرآیند یادگیری به عنوان پردازش آرایه های داده عظیم توسط ماشین و جستجوی الگوها در آنها درک می شود.
مفاهیم یادگیری ماشین و علم داده، علیرغم شباهتشان، هنوز متفاوت هستند و هر کدام با وظایف خود مقابله می کنند. هر دو ابزار در مصنوعی گنجانده شده استهوش.
یادگیری ماشینی که یکی از شاخه‌های هوش مصنوعی است، الگوریتم‌هایی هستند که بر اساس آن یک کامپیوتر قادر است بدون رعایت قوانین سخت‌گیرانه نتیجه‌گیری کند. این دستگاه برخلاف مغز انسان به دنبال الگوهایی در کارهای پیچیده با تعداد زیادی پارامتر می‌گردد و پاسخ‌های دقیق‌تری را پیدا می‌کند. نتیجه روش یک پیش‌بینی دقیق است.
علوم داده
علم نحوه تجزیه و تحلیل داده ها و استخراج دانش و اطلاعات ارزشمند از آنها (داده کاوی). با یادگیری ماشینی و علم تفکر، با فناوری‌هایی برای تعامل با مقادیر زیادی داده ارتباط برقرار می‌کند. کار علم داده به شما امکان می دهد داده ها را تجزیه و تحلیل کنید و روش مناسبی برای مرتب سازی، پردازش، نمونه برداری و بازیابی اطلاعات بعدی بیابید.
برای مثال، اطلاعاتی در مورد هزینه‌های مالی یک شرکت و اطلاعاتی در مورد طرف‌های مقابل وجود دارد که فقط بر اساس زمان و تاریخ تراکنش‌ها و داده‌های بانکی میانی به هم مرتبط هستند. تجزیه و تحلیل عمیق ماشینی داده های میانی به شما امکان می دهد تا پرهزینه ترین طرف مقابل را تعیین کنید.
شبکه های عصبی
شبکه های عصبی که ابزاری مجزا نیستند، بلکه یکی از انواع یادگیری ماشینی هستند، قادرند با استفاده از نورون های مصنوعی، کار مغز انسان را شبیه سازی کنند. هدف آنها حل تکلیف و خودآموزی بر اساس تجربه به دست آمده با به حداقل رساندن خطاها است.
اهداف یادگیری ماشینی
هدف اصلی یادگیری ماشینی، اتوماسیون جزئی یا کامل جستجوی راه حل های مختلف تحلیلی در نظر گرفته می شود.وظایف به همین دلیل، یادگیری ماشینی باید دقیق ترین پیش بینی ها را بر اساس داده های دریافتی ارائه دهد. نتیجه یادگیری ماشینی، پیش بینی و حفظ نتیجه با امکان تکثیر بعدی و انتخاب یکی از بهترین گزینه ها است.
انواع یادگیری ماشینی
طبقه بندی یادگیری بر اساس حضور معلم در سه دسته انجام می شود:
- با معلم. زمانی استفاده می‌شود که استفاده از دانش شامل آموزش ماشین برای تشخیص سیگنال‌ها و اشیا باشد.
- بدون معلم. اصل عملکرد مبتنی بر الگوریتم‌هایی است که شباهت‌ها و تفاوت‌های بین اشیاء، ناهنجاری‌ها را تشخیص می‌دهند و سپس تشخیص می‌دهند که کدام یک از آنها متفاوت یا غیرعادی در نظر گرفته می‌شوند.
- با تقویت. زمانی استفاده می شود که ماشین باید وظایف را در محیطی با راه حل های ممکن به درستی انجام دهد.
با توجه به نوع الگوریتم های مورد استفاده، آنها را به: تقسیم می کنند
- یادگیری کلاسیک. الگوریتم های یادگیری بیش از نیم قرن پیش برای دفاتر آماری توسعه یافتند و در طول زمان به دقت مورد مطالعه قرار گرفتند. برای حل مشکلات مربوط به کار با داده استفاده می شود.
- یادگیری عمیق و شبکه های عصبی. رویکرد مدرن به یادگیری ماشین شبکه‌های عصبی زمانی استفاده می‌شوند که تولید یا شناسایی ویدیوها و تصاویر، ترجمه ماشینی، تصمیم‌گیری پیچیده و فرآیندهای تحلیل مورد نیاز باشد.
در مهندسی دانش، مجموعه‌ای از مدل‌ها با ترکیب چندین رویکرد مختلف امکان‌پذیر است.
مزایای یادگیری ماشینی
با ترکیبی شایسته از انواع مختلف و الگوریتم‌های یادگیری ماشینی، می‌توان فرآیندهای کسب و کار روتین را خودکار کرد. بخش خلاقانه - مذاکره، انعقاد قراردادها، تدوین و اجرای استراتژی ها - به افراد واگذار شده است. این تقسیم مهم است، زیرا یک شخص، بر خلاف ماشین، قادر است خارج از جعبه فکر کند.
مشکلات ایجاد هوش مصنوعی
در زمینه ایجاد هوش مصنوعی، دو مشکل ایجاد هوش مصنوعی وجود دارد:
- مشروعیت شناخت یک فرد به عنوان یک آگاهی خودسازمانده و اراده آزاد و بر این اساس، برای معقول دانستن هوش مصنوعی نیز همین امر لازم است؛
- مقایسه هوش مصنوعی با ذهن انسان و توانایی‌های آن که ویژگی‌های فردی همه سیستم‌ها را در نظر نمی‌گیرد و تبعیض آنها را به دلیل بی‌معنی بودن فعالیت‌ها به دنبال دارد.
مشکلات ایجاد هوش مصنوعی، از جمله در شکل گیری تصاویر و حافظه فیگوراتیو نهفته است. زنجیرهای تصویری در انسان بر خلاف عملکرد ماشین به صورت تداعی شکل می گیرند. برخلاف ذهن انسان، کامپیوتر به دنبال پوشه‌ها و فایل‌های خاص می‌گردد و زنجیرهای از پیوندهای ارتباطی را انتخاب نمی‌کند. هوش مصنوعی در مهندسی دانش از یک پایگاه داده خاص در کار خود استفاده می کند و قادر به آزمایش نیست.
مشکل دوم یادگیری زبان برای دستگاه است. ترجمه متن توسط برنامه های ترجمه اغلب به صورت خودکار انجام می شود و نتیجه نهایی با مجموعه ای از کلمات نشان داده می شود. برای ترجمه صحیحنیاز به درک معنای جمله دارد که اجرای آن برای هوش مصنوعی دشوار است.
عدم تجلی اراده هوش مصنوعی نیز مشکلی در مسیر ایجاد آن تلقی می شود. به عبارت ساده، رایانه برخلاف قدرت و توانایی انجام محاسبات پیچیده، هیچ خواسته شخصی ندارد.
سیستم های هوش مصنوعی مدرن هیچ انگیزه ای برای وجود و بهبود بیشتر ندارند. بیشتر هوش مصنوعی ها تنها با یک کار انسانی و نیاز به تکمیل آن انگیزه دارند. در تئوری، این می تواند با ایجاد یک بازخورد بین یک کامپیوتر و یک شخص و بهبود سیستم خودآموزی کامپیوتر تحت تاثیر قرار گیرد.
ابتدایی شبکه های عصبی مصنوعی. امروزه آنها مزایایی دارند که مشابه مغز انسان است: آنها بر اساس تجربه شخصی یاد می گیرند، می توانند نتیجه گیری کنند و چیز اصلی را از اطلاعات دریافتی استخراج کنند. در عین حال، سیستم های هوشمند قادر به تکرار همه عملکردهای مغز انسان نیستند. هوش ذاتی در شبکه های عصبی مدرن از هوش یک حیوان فراتر نمی رود.
حداقل اثربخشی هوش مصنوعی برای اهداف نظامی. سازندگان ربات های مبتنی بر هوش مصنوعی با مشکل عدم توانایی هوش مصنوعی در خودآموزی، تشخیص خودکار و تجزیه و تحلیل صحیح اطلاعات دریافتی در زمان واقعی مواجه هستند.
