Knowledge engineering adalah seperangkat metode, model, dan teknik yang ditujukan untuk menciptakan sistem yang dirancang untuk menemukan solusi masalah berdasarkan pengetahuan yang ada. Sebenarnya istilah ini dipahami sebagai metodologi, teori dan teknologi, yang meliputi metode analisis, ekstraksi, pengolahan dan penyajian pengetahuan.
Inti dari kecerdasan buatan terletak pada analisis ilmiah dan otomatisasi fungsi intelektual yang melekat pada manusia. Pada saat yang sama, kompleksitas implementasi mesin mereka adalah hal yang umum untuk sebagian besar masalah. Studi tentang AI memungkinkan untuk memastikan bahwa di balik solusi masalah terletak kebutuhan akan pengetahuan ahli, yaitu, pembuatan sistem yang tidak hanya dapat menghafal, tetapi juga menganalisis dan menggunakan pengetahuan ahli di masa depan; dapat digunakan untuk tujuan praktis.
Sejarah istilah
Rekayasa pengetahuan dan pengembangan sistem informasi cerdas, khususnya sistem pakar, terkait erat.
Di Universitas Stanford di Amerika Serikat pada tahun 60-70-an, di bawah kepemimpinan E. Feigenbaum, seorangSistem DENDRAL, beberapa saat kemudian - MYCIN. Kedua sistem telah menerima gelar ahli karena kemampuannya untuk menumpuk di memori komputer dan menggunakan pengetahuan para ahli untuk memecahkan masalah. Bidang teknologi ini menerima istilah "rekayasa pengetahuan" dari pesan Profesor E. Feigenbaum, yang menjadi pencipta sistem pakar.
Pendekatan
Rekayasa pengetahuan didasarkan pada dua pendekatan: transformasi pengetahuan dan pembangunan model.
- Transformasi pengetahuan. Proses perubahan keahlian dan transisi dari pengetahuan pakar ke implementasi perangkat lunaknya. Pengembangan Sistem Berbasis Pengetahuan dibangun di atasnya. Format representasi pengetahuan - aturan. Kerugiannya adalah ketidakmungkinan untuk merepresentasikan pengetahuan implisit dan berbagai jenis pengetahuan dalam bentuk yang memadai, kesulitan untuk mencerminkan sejumlah besar aturan.
- Model bangunan. Membangun AI dianggap sebagai jenis simulasi; membangun model komputer yang dirancang untuk memecahkan masalah di bidang tertentu atas dasar kesetaraan dengan para ahli. Model tidak mampu meniru aktivitas seorang ahli di tingkat kognitif, tetapi memungkinkan memperoleh hasil yang serupa.
Model dan metode rekayasa pengetahuan ditujukan untuk pengembangan sistem komputer, tujuan utamanya adalah untuk memperoleh pengetahuan yang tersedia dari para spesialis dan kemudian mengaturnya untuk penggunaan yang paling efektif.
Kecerdasan buatan, jaringan saraf, dan pembelajaran mesin: apa bedanya?
Salah satu cara untuk mengimplementasikan kecerdasan buatan adalah neuraljaringan.
Pembelajaran mesin adalah bidang pengembangan AI yang bertujuan mempelajari metode untuk membangun algoritme pembelajaran mandiri. Kebutuhan ini muncul karena tidak adanya solusi yang jelas untuk masalah tertentu. Dalam situasi seperti itu, lebih menguntungkan untuk mengembangkan mekanisme yang dapat menciptakan metode untuk menemukan solusi, daripada mencarinya.
Istilah pembelajaran "dalam" ("dalam") yang umum digunakan mengacu pada algoritme pembelajaran mesin yang memerlukan sejumlah besar sumber daya komputasi untuk beroperasi. Konsep dalam banyak kasus dikaitkan dengan jaringan saraf.
Ada dua jenis kecerdasan buatan: fokus sempit, atau lemah, dan umum, atau kuat. Tindakan yang lemah ditujukan untuk menemukan solusi untuk daftar masalah yang sempit. Perwakilan paling menonjol dari AI yang terfokus secara sempit adalah asisten suara Google Assistant, Siri dan Alice. Sebaliknya, kemampuan AI yang kuat memungkinkannya melakukan hampir semua tugas manusia. hari ini, kecerdasan umum buatan dianggap sebagai utopia: implementasinya tidak mungkin.
Pembelajaran mesin
Pembelajaran mesin mengacu pada metode di bidang kecerdasan buatan yang digunakan untuk membuat mesin yang dapat belajar dari pengalaman. Proses pembelajaran dipahami sebagai pemrosesan array data besar oleh mesin dan pencarian pola di dalamnya.
Konsep Machine learning dan Data science, meskipun mirip, masih berbeda dan masing-masing mengatasi tugasnya sendiri. Kedua instrumen termasuk dalam buatankecerdasan.
Pembelajaran mesin, yang merupakan salah satu cabang AI, adalah algoritme yang didasarkan pada komputer yang dapat menarik kesimpulan tanpa mematuhi aturan yang ditetapkan secara kaku. Mesin mencari pola dalam tugas kompleks dengan sejumlah besar parameter, menemukan jawaban yang lebih akurat, tidak seperti otak manusia. Hasil dari metode ini adalah prediksi yang akurat.
Ilmu data
Ilmu tentang bagaimana menganalisis data dan mengekstrak pengetahuan dan informasi berharga darinya (data mining). Ini berkomunikasi dengan pembelajaran mesin dan ilmu berpikir, dengan teknologi untuk berinteraksi dengan sejumlah besar data. Karya Ilmu data memungkinkan Anda menganalisis data dan menemukan pendekatan yang tepat untuk penyortiran, pemrosesan, pengambilan sampel, dan pengambilan informasi berikutnya.
Misalnya, ada informasi tentang pengeluaran keuangan suatu perusahaan dan informasi tentang pihak lawan yang saling berhubungan hanya pada waktu dan tanggal transaksi dan data perbankan perantara. Analisis mesin yang mendalam dari data perantara memungkinkan Anda untuk menentukan rekanan yang paling mahal.
Jaringan saraf
Jaringan saraf, bukan merupakan alat yang terpisah, tetapi salah satu jenis pembelajaran mesin, mampu mensimulasikan kerja otak manusia menggunakan neuron buatan. Tindakan mereka ditujukan untuk menyelesaikan tugas dan belajar mandiri berdasarkan pengalaman yang diperoleh dengan meminimalkan kesalahan.
Tujuan pembelajaran mesin
Tujuan utama pembelajaran mesin dianggap sebagai otomatisasi parsial atau lengkap dari pencarian solusi untuk berbagai analisistugas. Untuk alasan ini, pembelajaran mesin harus memberikan prediksi yang paling akurat berdasarkan data yang diterima. Hasil pembelajaran mesin adalah prediksi dan menghafal hasil dengan kemungkinan reproduksi berikutnya dan pemilihan salah satu opsi terbaik.
Jenis pembelajaran mesin
Klasifikasi pembelajaran berdasarkan kehadiran guru terjadi dalam tiga kategori:
- Dengan guru. Digunakan ketika penggunaan pengetahuan melibatkan pengajaran mesin untuk mengenali sinyal dan objek.
- Tanpa guru. Prinsip operasi didasarkan pada algoritma yang mendeteksi persamaan dan perbedaan antara objek, anomali, dan kemudian mengenali mana yang dianggap tidak serupa atau tidak biasa.
- Dengan bala bantuan. Digunakan saat mesin harus melakukan tugas dengan benar di lingkungan dengan banyak kemungkinan solusi.
Menurut jenis algoritma yang digunakan, dibagi menjadi:
- Pembelajaran klasik. Algoritma pembelajaran dikembangkan lebih dari setengah abad yang lalu untuk kantor statistik dan dipelajari dengan cermat dari waktu ke waktu. Digunakan untuk memecahkan masalah yang berkaitan dengan bekerja dengan data.
- Pembelajaran mendalam dan jaringan saraf. Pendekatan modern untuk pembelajaran mesin. Jaringan saraf digunakan ketika generasi atau pengenalan video dan gambar, terjemahan mesin, pengambilan keputusan yang kompleks dan proses analisis diperlukan.
Dalam rekayasa pengetahuan, ansambel model dimungkinkan, menggabungkan beberapa pendekatan berbeda.
Manfaat pembelajaran mesin
Dengan kombinasi yang kompeten dari berbagai jenis dan algoritme pembelajaran mesin, dimungkinkan untuk mengotomatisasi proses bisnis rutin. Bagian kreatif - bernegosiasi, menyimpulkan kontrak, menyusun dan menjalankan strategi - diserahkan kepada orang-orang. Pembagian ini penting, karena seseorang, tidak seperti mesin, mampu berpikir di luar kotak.
Masalah membuat AI
Dalam konteks pembuatan AI, ada dua masalah dalam menciptakan kecerdasan buatan:
- Keabsahan untuk mengakui seseorang sebagai kesadaran yang mengatur diri sendiri dan kehendak bebas dan, oleh karena itu, untuk mengenali kecerdasan buatan sebagai hal yang wajar, hal yang sama diperlukan;
- Perbandingan kecerdasan buatan dengan pikiran manusia dan kemampuannya, yang tidak memperhitungkan karakteristik individu dari semua sistem dan memerlukan diskriminasi karena aktivitas mereka tidak berarti.
Masalah menciptakan kecerdasan buatan terletak, antara lain, dalam pembentukan gambar dan memori figuratif. Rantai figuratif pada manusia terbentuk secara asosiatif, berbeda dengan pengoperasian mesin; berbeda dengan pikiran manusia, komputer mencari folder dan file tertentu, dan tidak memilih rantai tautan asosiatif. Kecerdasan buatan dalam rekayasa pengetahuan menggunakan database tertentu dalam pekerjaannya dan tidak dapat bereksperimen.
Masalah kedua adalah mempelajari bahasa untuk mesin. Penerjemahan teks oleh program penerjemahan sering dilakukan secara otomatis, dan hasil akhirnya diwakili oleh sekumpulan kata. Untuk terjemahan yang benarmembutuhkan pemahaman arti kalimat, yang sulit untuk diterapkan oleh AI.
Kurangnya manifestasi kehendak kecerdasan buatan juga dianggap sebagai masalah dalam perjalanan penciptaannya. Sederhananya, komputer tidak memiliki keinginan pribadi, berlawanan dengan kekuatan dan kemampuan untuk melakukan perhitungan yang rumit.
Sistem kecerdasan buatan modern tidak memiliki insentif untuk keberadaan dan peningkatan lebih lanjut. Sebagian besar AI hanya dimotivasi oleh tugas manusia dan kebutuhan untuk menyelesaikannya. Secara teori, ini dapat dipengaruhi dengan menciptakan umpan balik antara komputer dan seseorang dan meningkatkan sistem belajar mandiri komputer.
Primitifitas jaringan saraf tiruan yang dibuat. Saat ini, mereka memiliki kelebihan yang identik dengan otak manusia: mereka belajar berdasarkan pengalaman pribadi, mereka mampu menarik kesimpulan dan mengekstrak hal utama dari informasi yang diterima. Pada saat yang sama, sistem cerdas tidak mampu menduplikasi semua fungsi otak manusia. Kecerdasan yang melekat pada jaringan saraf modern tidak melebihi kecerdasan hewan.
Efektifitas minimum AI untuk keperluan militer. Pembuat robot berbasis kecerdasan buatan dihadapkan pada masalah ketidakmampuan AI untuk belajar sendiri, secara otomatis mengenali dan menganalisis dengan benar informasi yang diterima secara real time.
