Uhandisi wa maarifa ni seti ya mbinu, miundo na mbinu zinazolenga kuunda mifumo iliyoundwa ili kupata suluhu za matatizo kulingana na maarifa yaliyopo. Kwa hakika, istilahi hii inaeleweka kama mbinu, nadharia na teknolojia, inayojumuisha mbinu za uchanganuzi, uchimbaji, usindikaji na uwasilishaji wa maarifa.
Kiini cha akili bandia kiko katika uchanganuzi wa kisayansi na uwekaji otomatiki wa utendaji wa kiakili uliopo ndani ya mwanadamu. Wakati huo huo, utata wa utekelezaji wa mashine yao ni kawaida kwa matatizo mengi. Utafiti wa AI ulifanya iwezekanavyo kuhakikisha kwamba nyuma ya ufumbuzi wa matatizo kuna haja ya ujuzi wa wataalam, yaani, kuundwa kwa mfumo ambao hauwezi tu kukariri, lakini pia kuchambua na kutumia ujuzi wa mtaalam katika siku zijazo; inaweza kutumika kwa madhumuni ya vitendo.
Historia ya neno hili
Uhandisi wa maarifa na uundaji wa mifumo ya akili ya taarifa, hasa mifumo ya wataalamu, zinahusiana kwa karibu.
Katika Chuo Kikuu cha Stanford nchini Marekani miaka ya 60-70, chini ya uongozi wa E. Feigenbaum, aMfumo wa DENDRAL, baadaye kidogo - MYCIN. Mifumo yote miwili imepokea jina la mtaalam kwa sababu ya uwezo wao wa kujilimbikiza kwenye kumbukumbu ya kompyuta na kutumia ujuzi wa wataalam kutatua matatizo. Eneo hili la teknolojia lilipokea neno "uhandisi wa maarifa" kutoka kwa ujumbe wa Profesa E. Feigenbaum, ambaye alikuja kuwa muundaji wa mifumo ya wataalamu.
Njia
Uhandisi wa maarifa unategemea mbinu mbili: kubadilisha maarifa na kujenga muundo.
- Mabadiliko ya maarifa. Mchakato wa kubadilisha utaalamu na mpito kutoka kwa ujuzi wa kitaalam hadi utekelezaji wa programu yake. Ukuzaji wa Mifumo inayotegemea Maarifa ilijengwa juu yake. Muundo wa uwakilishi wa maarifa - sheria. Hasara ni kutowezekana kwa kuwakilisha ujuzi wa siri na aina tofauti za ujuzi katika fomu ya kutosha, ugumu wa kuakisi idadi kubwa ya sheria.
- Miundo ya ujenzi. Kujenga AI inachukuliwa kuwa aina ya simulation; kujenga mfano wa kompyuta iliyoundwa kutatua matatizo katika eneo fulani kwa misingi sawa na wataalam. Muundo huo hauna uwezo wa kuiga shughuli za mtaalamu katika kiwango cha utambuzi, lakini unaruhusu kupata matokeo sawa.
Miundo na mbinu za uhandisi wa maarifa zinalenga ukuzaji wa mifumo ya kompyuta, dhumuni lake kuu likiwa ni kupata maarifa yanayopatikana kutoka kwa wataalamu na kisha kuyapanga kwa matumizi bora zaidi.
Akili Bandia, mitandao ya neva na kujifunza kwa mashine: kuna tofauti gani?
Njia mojawapo ya kutekeleza akili bandia ni neuralmtandao.
Kujifunza kwa mashine ni eneo la ukuzaji wa AI inayolenga kusoma mbinu za kuunda algoriti za kujisomea. Haja ya hii inatokea kwa kukosekana kwa suluhisho wazi kwa shida fulani. Katika hali kama hiyo, ni faida zaidi kutengeneza utaratibu ambao unaweza kuunda njia ya kutafuta suluhisho, badala ya kutafuta.
Neno linalotumiwa sana "kirefu" ("kirefu") hurejelea kanuni za kujifunza kwa mashine ambazo zinahitaji rasilimali nyingi za kompyuta ili kufanya kazi. Dhana katika hali nyingi huhusishwa na mitandao ya neva.
Kuna aina mbili za akili bandia: iliyolenga finyu, au dhaifu, na ya jumla, au yenye nguvu. Kitendo cha wanyonge kinalenga kutafuta suluhisho la orodha nyembamba ya matatizo. Wawakilishi mashuhuri zaidi wa AI iliyozingatia kidogo ni wasaidizi wa sauti wa Msaidizi wa Google, Siri na Alice. Kinyume chake, uwezo mkubwa wa AI huiruhusu kufanya karibu kazi yoyote ya kibinadamu. leo, akili ya jumla ya bandia inachukuliwa kuwa utopia: utekelezaji wake hauwezekani.
Kujifunza kwa mashine
Kujifunza kwa mashine kunarejelea mbinu katika nyanja ya akili bandia zinazotumiwa kuunda mashine ambayo inaweza kujifunza kutokana na uzoefu. Mchakato wa kujifunza unaeleweka kama uchakataji wa safu kubwa za data na mashine na utafutaji wa ruwaza ndani yake.
Dhana za Ujifunzaji wa Mashine na Sayansi ya Data, licha ya kufanana kwao, bado ni tofauti na kila moja inakabiliana na kazi zake. Vyombo vyote viwili vimejumuishwa kwenye bandiaakili.
Kujifunza kwa mashine, ambayo ni mojawapo ya matawi ya AI, ni algoriti kulingana na ambayo kompyuta inaweza kufanya hitimisho bila kuzingatia sheria zilizowekwa kwa uthabiti. Mashine hutafuta mifumo katika kazi ngumu na idadi kubwa ya vigezo, kutafuta majibu sahihi zaidi, tofauti na ubongo wa binadamu. Matokeo ya mbinu ni utabiri sahihi.
Sayansi ya data
Sayansi ya jinsi ya kuchanganua data na kutoa maarifa na taarifa muhimu kutoka kwao (uchimbaji data). Inawasiliana na kujifunza kwa mashine na sayansi ya kufikiri, na teknolojia za kuingiliana na kiasi kikubwa cha data. Kazi ya Sayansi ya Data hukuruhusu kuchanganua data na kupata mbinu sahihi ya kupanga, kuchakata, kuchukua sampuli na kurejesha taarifa baadae.
Kwa mfano, kuna maelezo kuhusu gharama za kifedha za biashara na taarifa kuhusu makampuni shirikishi ambayo yameunganishwa pekee kwa muda na tarehe ya miamala na data ya benki ya kati. Uchanganuzi wa kina wa data wa kati wa mashine hukuruhusu kubaini kampuni iliyo ghali zaidi.
Mitandao ya neva
Mitandao ya neva, ikiwa si zana tofauti, lakini mojawapo ya aina za kujifunza kwa mashine, inaweza kuiga kazi ya ubongo wa binadamu kwa kutumia niuroni bandia. Kitendo chao kinalenga kutatua kazi na kujifunza kibinafsi kulingana na uzoefu uliopatikana kwa kupunguza makosa.
Malengo ya kujifunza mashine
Lengo kuu la kujifunza kwa mashine linachukuliwa kuwa otomatiki sehemu au kamili ya utafutaji wa suluhu za uchanganuzi mbalimbali.kazi. Kwa sababu hii, kujifunza kwa mashine kunapaswa kutoa ubashiri sahihi zaidi kulingana na data iliyopokelewa. Matokeo ya kujifunza kwa mashine ni kutabiri na kukariri matokeo kwa uwezekano wa kutoa tena na kuchagua mojawapo ya chaguo bora zaidi.
Aina za mashine za kujifunza
Uainishaji wa ujifunzaji kulingana na uwepo wa mwalimu hutokea katika makundi matatu:
- Na mwalimu. Hutumika wakati matumizi ya maarifa yanahusisha kufundisha mashine kutambua ishara na vitu.
- Bila mwalimu. Kanuni ya uendeshaji inategemea algoriti zinazotambua mfanano na tofauti kati ya vitu, hitilafu, na kisha kutambua ni kipi kati yao kinachukuliwa kuwa tofauti au kisicho cha kawaida.
- Pamoja na viimarisho. Inatumika wakati mashine lazima ifanye kazi kwa usahihi katika mazingira yenye suluhu nyingi zinazowezekana.
Kulingana na aina ya algoriti zinazotumika, zimegawanywa katika:
- Mafunzo ya kawaida. Algorithms ya kujifunza ilitengenezwa zaidi ya nusu karne iliyopita kwa ofisi za takwimu na ilisomwa kwa uangalifu kwa wakati. Hutumika kutatua matatizo yanayohusiana na kufanya kazi na data.
- Kujifunza kwa kina na mitandao ya neva. Mbinu ya kisasa ya kujifunza mashine. Mitandao ya neva hutumika wakati utayarishaji au utambuzi wa video na picha, tafsiri ya mashine, michakato changamano ya kufanya maamuzi na uchanganuzi inahitajika.
Katika uhandisi wa maarifa, miunganisho ya miundo inawezekana, ikichanganya mbinu kadhaa tofauti.
Faida za kujifunza kwa mashine
Kwa mchanganyiko unaofaa wa aina tofauti na kanuni za kujifunza kwa mashine, inawezekana kufanyia kazi michakato ya kawaida ya biashara kiotomatiki. Sehemu ya ubunifu - mazungumzo, kuhitimisha mikataba, kuandaa na kutekeleza mikakati - imeachwa kwa watu. Mgawanyiko huu ni muhimu, kwa sababu mtu, tofauti na mashine, anaweza kufikiri nje ya boksi.
Matatizo ya kuunda AI
Katika muktadha wa kuunda AI, kuna matatizo mawili ya kuunda akili bandia:
- Uhalali wa kumtambua mtu kama fahamu ya kujipanga na hiari na, ipasavyo, kwa kutambua akili ya bandia kuwa ya busara, vivyo hivyo inahitajika;
- Ulinganisho wa akili ya bandia na akili ya mwanadamu na uwezo wake, ambao hauzingatii sifa za kibinafsi za mifumo yote na unajumuisha ubaguzi wao kutokana na kutokuwa na maana kwa shughuli zao.
Matatizo ya kuunda akili ya bandia yamo, miongoni mwa mambo mengine, katika uundaji wa picha na kumbukumbu za kitamathali. Minyororo ya kielelezo kwa wanadamu huundwa kwa ushirika, tofauti na uendeshaji wa mashine; tofauti na akili ya mwanadamu, kompyuta hutafuta folda na faili maalum, na haichagui minyororo ya viungo vya ushirika. Akili Bandia katika uhandisi wa maarifa hutumia hifadhidata mahususi katika kazi yake na haiwezi kufanya majaribio.
Tatizo la pili ni kujifunza lugha za mashine. Tafsiri ya maandishi na programu za tafsiri mara nyingi hufanywa moja kwa moja, na matokeo ya mwisho yanawakilishwa na seti ya maneno. Kwa tafsiri sahihiinahitaji kuelewa maana ya sentensi, ambayo ni vigumu kwa AI kutekeleza.
Ukosefu wa udhihirisho wa mapenzi ya akili ya bandia pia inachukuliwa kuwa tatizo katika njia ya kuundwa kwake. Kwa ufupi, kompyuta haina matamanio ya kibinafsi, kinyume na uwezo na uwezo wa kufanya hesabu ngumu.
Mifumo ya kisasa ya kijasusi ya bandia haina motisha ya kuwepo na kuboresha zaidi. AI nyingi huchochewa tu na kazi ya kibinadamu na hitaji la kuikamilisha. Kinadharia, hii inaweza kuathiriwa kwa kuunda maoni kati ya kompyuta na mtu na kuboresha mfumo wa kujisomea wa kompyuta.
Ubora wa mitandao ya neva iliyoundwa kwa njia isiyo halali. Leo, wana faida zinazofanana na ubongo wa mwanadamu: wanajifunza kulingana na uzoefu wa kibinafsi, wanaweza kufikia hitimisho na kutoa jambo kuu kutoka kwa habari iliyopokelewa. Wakati huo huo, mifumo ya akili haiwezi kurudia kazi zote za ubongo wa mwanadamu. Akili iliyo katika mitandao ya kisasa ya neva haizidi akili ya mnyama.
Ufanisi wa chini kabisa wa AI kwa madhumuni ya kijeshi. Waundaji wa roboti zinazotegemea akili bandia wanakabiliwa na tatizo la AI kutokuwa na uwezo wa kujifunza mwenyewe, kutambua kiotomatiki na kuchanganua kwa usahihi taarifa iliyopokelewa kwa wakati halisi.
