Գիտելիքի ճարտարագիտությունը մեթոդների, մոդելների և տեխնիկայի մի շարք է, որոնք ուղղված են գոյություն ունեցող գիտելիքների հիման վրա խնդիրների լուծումներ գտնելու համար ստեղծված համակարգերի ստեղծմանը: Փաստորեն, այս տերմինը հասկացվում է որպես մեթոդաբանություն, տեսություն և տեխնոլոգիա, որն ընդգրկում է վերլուծության, արդյունահանման, մշակման և գիտելիքների ներկայացման մեթոդները։
Արհեստական ինտելեկտի էությունը մարդուն բնորոշ ինտելեկտուալ գործառույթների գիտական վերլուծության և ավտոմատացման մեջ է: Միևնույն ժամանակ, դրանց մեքենայի իրականացման բարդությունը ընդհանուր է խնդիրների մեծ մասի համար: AI-ի ուսումնասիրությունը հնարավորություն տվեց համոզվել, որ խնդիրների լուծման հետևում թաքնված է փորձագիտական գիտելիքների անհրաժեշտությունը, այսինքն՝ այնպիսի համակարգի ստեղծում, որը կարող է ոչ միայն անգիր անել, այլև վերլուծել և օգտագործել փորձագիտական գիտելիքները ապագայում. այն կարող է օգտագործվել գործնական նպատակներով։
տերմինի պատմություն
Գիտելիքների ճարտարագիտությունը և խելացի տեղեկատվական համակարգերի, մասնավորապես փորձագիտական համակարգերի զարգացումը սերտորեն կապված են:
60-70-ական թվականներին ԱՄՆ-ի Սթենֆորդի համալսարանում Է. Ֆեյգենբաումի ղեկավարությամբ Ա. DENDRAL համակարգ, քիչ ուշ՝ MYCIN։ Երկու համակարգերն էլ ստացել են փորձագետի կոչում՝ համակարգչային հիշողության մեջ կուտակվելու և խնդիրներ լուծելու համար փորձագետների գիտելիքներն օգտագործելու ունակության պատճառով։ Տեխնոլոգիայի այս ոլորտը ստացել է «գիտելիքի ճարտարագիտություն» տերմինը պրոֆեսոր Է. Ֆեյգենբաումի ուղերձից, ով դարձել է փորձագիտական համակարգերի ստեղծողը:
Մոտեցումներ
Գիտելիքների ճարտարագիտությունը հիմնված է երկու մոտեցման վրա՝ գիտելիքների փոխակերպում և մոդելների ձևավորում:
- Գիտելիքների փոխակերպում. Փորձաքննության փոփոխության գործընթացը և փորձագիտական գիտելիքներից անցում դեպի դրա ծրագրային ներդրում: Գիտելիքի վրա հիմնված համակարգերի զարգացումը կառուցվել է դրա վրա: Գիտելիքների ներկայացման ձևաչափ՝ կանոններ. Թերություններն են անուղղակի գիտելիքները և տարբեր տեսակի գիտելիքները համարժեք ձևով ներկայացնելու անհնարինությունը, մեծ թվով կանոններ արտացոլելու դժվարությունը:
- Շենքերի մոդելներ. Building AI-ն համարվում է սիմուլյացիայի տեսակ; համակարգչային մոդելի կառուցում, որը նախատեսված է մասնագետների հետ հավասար հիմունքներով որոշակի ոլորտում խնդիրները լուծելու համար: Մոդելը ի վիճակի չէ ճանաչողական մակարդակում նմանակել փորձագետի գործունեությունը, սակայն թույլ է տալիս ստանալ նմանատիպ արդյունք։
Գիտելիքի ճարտարագիտության մոդելներն ու մեթոդները ուղղված են համակարգչային համակարգերի զարգացմանը, որոնց հիմնական նպատակը մասնագետներից հասանելի գիտելիքները ձեռք բերելն է, այնուհետև այն կազմակերպել առավել արդյունավետ օգտագործման համար։
Արհեստական բանականություն, նեյրոնային ցանցեր և մեքենայական ուսուցում. ո՞րն է տարբերությունը:
Արհեստական ինտելեկտի ներդրման ուղիներից մեկը նյարդայինն էցանց։
Մեքենայական ուսուցումը AI-ի զարգացման ոլորտ է, որն ուղղված է ինքնուրույն սովորելու ալգորիթմներ ստեղծելու մեթոդների ուսումնասիրմանը: Դրա անհրաժեշտությունն առաջանում է կոնկրետ խնդրի հստակ լուծման բացակայության պայմաններում։ Նման իրավիճակում ավելի ձեռնտու է մշակել մի մեխանիզմ, որը կարող է լուծում գտնել, այլ ոչ թե փնտրել այն։
Հաճախ օգտագործվող «խորը» («խորը») ուսուցում տերմինը վերաբերում է մեքենայական ուսուցման ալգորիթմներին, որոնք գործելու համար պահանջում են մեծ քանակությամբ հաշվողական ռեսուրսներ: Հայեցակարգը շատ դեպքերում կապված է նեյրոնային ցանցերի հետ:
Գոյություն ունի արհեստական ինտելեկտի երկու տեսակ՝ նեղ կենտրոնացված կամ թույլ և ընդհանուր կամ ուժեղ: Թույլերի ակցիան ուղղված է խնդիրների նեղ ցանկին լուծում գտնելուն։ Նեղ կենտրոնացված AI-ի ամենահայտնի ներկայացուցիչներն են ձայնային օգնականներ Google Assistant-ը, Siri-ն և Alice-ը: Ի հակադրություն, AI-ի ուժեղ ունակությունները թույլ են տալիս նրան կատարել գրեթե ցանկացած մարդկային խնդիր: Այսօր արհեստական ընդհանուր ինտելեկտը համարվում է ուտոպիա. դրա իրականացումն անհնար է։
Մեքենայական ուսուցում
Մեքենայական ուսուցումը վերաբերում է արհեստական ինտելեկտի ոլորտի մեթոդներին, որոնք օգտագործվում են մեքենա ստեղծելու համար, որը կարող է սովորել փորձից: Ուսուցման գործընթացը հասկացվում է որպես մեքենայի կողմից հսկայական տվյալների զանգվածների մշակում և դրանցում օրինաչափությունների որոնում:
Մեքենայական ուսուցման և տվյալների գիտության հայեցակարգերը, չնայած իրենց նմանությանը, դեռևս տարբեր են և յուրաքանչյուրը հաղթահարում է իր առաջադրանքները: Երկու գործիքներն էլ ներառված են արհեստականի մեջխելացիություն.
Մեքենայական ուսուցումը, որը AI-ի ճյուղերից մեկն է, այն ալգորիթմներն են, որոնց հիման վրա համակարգիչը կարողանում է եզրակացություններ անել՝ առանց խստորեն սահմանված կանոնների պահպանման: Մեքենան փնտրում է օրինաչափություններ բարդ առաջադրանքներում՝ մեծ թվով պարամետրերով, գտնելով ավելի ճշգրիտ պատասխաններ՝ ի տարբերություն մարդու ուղեղի։ Մեթոդի արդյունքը ճշգրիտ կանխատեսումն է։
Տվյալների գիտություն
Գիտություն, թե ինչպես կարելի է վերլուծել տվյալները և դրանցից արժեքավոր գիտելիքներ և տեղեկատվություն քաղել (տվյալների արդյունահանում): Այն շփվում է մեքենայական ուսուցման և մտածողության գիտության հետ, մեծ քանակությամբ տվյալների հետ փոխազդելու տեխնոլոգիաների հետ: Տվյալների գիտության աշխատանքը թույլ է տալիս վերլուծել տվյալները և գտնել ճիշտ մոտեցում հետագա տեսակավորման, մշակման, նմուշառման և տեղեկատվության որոնման համար:
Օրինակ, կա տեղեկատվություն ձեռնարկության ֆինանսական ծախսերի և կոնտրագենտների մասին, որոնք փոխկապակցված են միայն գործարքների ժամանակի և ամսաթվի և միջանկյալ բանկային տվյալների համաձայն: Միջանկյալ տվյալների խորը մեքենայական վերլուծությունը թույլ է տալիս որոշել ամենաթանկ գործընկերոջը:
Նյարդային ցանցեր
Նյարդային ցանցերը, լինելով ոչ թե առանձին գործիք, այլ մեքենայական ուսուցման տեսակներից մեկը, ունակ են արհեստական նեյրոնների միջոցով նմանակել մարդու ուղեղի աշխատանքը։ Նրանց գործողությունը ուղղված է առաջադրանքի լուծմանը և սխալների նվազագույնի հասցնելու միջոցով ձեռք բերված փորձի հիման վրա ինքնուրույն ուսուցմանը:
Մեքենայական ուսուցման նպատակներ
Մեքենայական ուսուցման հիմնական նպատակը համարվում է տարբեր վերլուծական լուծումների որոնման մասնակի կամ ամբողջական ավտոմատացում:առաջադրանքներ. Այդ իսկ պատճառով մեքենայական ուսուցումը պետք է տա ամենաճիշտ կանխատեսումները՝ հիմնված ստացված տվյալների վրա: Մեքենայի ուսուցման արդյունքը արդյունքի կանխատեսումն ու մտապահումն է՝ հետագա վերարտադրման և լավագույն տարբերակներից մեկի ընտրության հնարավորությամբ։
Մեքենայի ուսուցման տեսակները
Ուսուցման դասակարգումը, որը հիմնված է ուսուցչի ներկայության վրա, տեղի է ունենում երեք կատեգորիաներով.
- Ուսուցչի հետ. Օգտագործվում է, երբ գիտելիքի օգտագործումը ենթադրում է մեքենային ազդանշաններ և առարկաներ ճանաչելու ուսուցում:
- Առանց ուսուցչի. Գործողության սկզբունքը հիմնված է ալգորիթմների վրա, որոնք հայտնաբերում են առարկաների նմանություններն ու տարբերությունները, անոմալիաները, այնուհետև ճանաչում, թե դրանցից որն է համարվում աննման կամ անսովոր:
- Ուժեղացումներով. Օգտագործվում է, երբ մեքենան պետք է ճիշտ կատարի առաջադրանքները բազմաթիվ հնարավոր լուծումներով միջավայրում:
Ըստ օգտագործվող ալգորիթմների տեսակի՝ դրանք բաժանվում են՝.
- Դասական ուսուցում. Ուսուցման ալգորիթմները մշակվել են ավելի քան կես դար առաջ վիճակագրական գրասենյակների համար և ուշադիր ուսումնասիրվել ժամանակի ընթացքում: Օգտագործվում է տվյալների հետ աշխատելու հետ կապված խնդիրների լուծման համար։
- Խորը ուսուցում և նեյրոնային ցանցեր. Ժամանակակից մոտեցում մեքենայական ուսուցմանը. Նյարդային ցանցերն օգտագործվում են, երբ պահանջվում է տեսանյութերի և պատկերների ստեղծում կամ ճանաչում, մեքենայական թարգմանություն, որոշումների կայացման և վերլուծության բարդ գործընթացներ:
Գիտելիքի ճարտարագիտության մեջ հնարավոր են մոդելների անսամբլներ՝ համատեղելով մի քանի տարբեր մոտեցումներ:
Մեքենայական ուսուցման առավելությունները
Մեքենայական ուսուցման տարբեր տեսակների և ալգորիթմների իրավասու համակցությամբ հնարավոր է ավտոմատացնել առօրյա բիզնես գործընթացները: Ստեղծագործական մասը՝ բանակցելը, պայմանագրերի կնքումը, ռազմավարությունների մշակումն ու իրականացումը, թողնված է մարդկանց։ Այս բաժանումը կարևոր է, քանի որ մարդը, ի տարբերություն մեքենայի, կարողանում է մտածել արկղից դուրս։
AI ստեղծման խնդիրներ
Արհեստական ինտելեկտի ստեղծման համատեքստում արհեստական ինտելեկտ ստեղծելու երկու խնդիր կա.
- Մարդուն որպես ինքնակազմակերպվող գիտակցություն և ազատ կամք ճանաչելու օրինականությունը և, համապատասխանաբար, արհեստական ինտելեկտը ողջամիտ ճանաչելու համար նույնն է պահանջվում;
- Արհեստական ինտելեկտի համեմատությունը մարդու մտքի և նրա կարողությունների հետ, որը հաշվի չի առնում բոլոր համակարգերի անհատական առանձնահատկությունները և ենթադրում է նրանց խտրականությունը՝ կապված դրանց գործունեության անիմաստության հետ։
Արհեստական ինտելեկտի ստեղծման խնդիրները, ի թիվս այլ բաների, կայանում են նաև պատկերների և փոխաբերական հիշողության ձևավորման մեջ: Մարդկանց մեջ փոխաբերական շղթաները ձևավորվում են ասոցիատիվ կերպով, ի տարբերություն մեքենայի աշխատանքի. Ի տարբերություն մարդկային մտքի, համակարգիչը փնտրում է կոնկրետ թղթապանակներ և ֆայլեր և չի ընտրում ասոցիատիվ կապերի շղթաներ: Գիտելիքների ճարտարագիտության մեջ արհեստական ինտելեկտն իր աշխատանքում օգտագործում է հատուկ տվյալների բազա և չի կարողանում փորձարկել:
Երկրորդ խնդիրը մեքենայի համար լեզուներ սովորելն է: Թարգմանչական ծրագրերով տեքստի թարգմանությունը հաճախ իրականացվում է ավտոմատ կերպով, իսկ վերջնական արդյունքը ներկայացված է բառերի մի շարքով: Ճիշտ թարգմանության համարպահանջում է հասկանալ նախադասության իմաստը, որը դժվար է իրականացնել AI-ն:
Արհեստական ինտելեկտի կամքի դրսևորման բացակայությունը նույնպես խնդիր է համարվում դրա ստեղծման ճանապարհին։ Պարզ ասած՝ համակարգիչը չունի անձնական ցանկություններ՝ ի տարբերություն բարդ հաշվարկներ կատարելու հզորության և ունակության։
Արհեստական ինտելեկտի ժամանակակից համակարգերը հետագա գոյության և կատարելագործման խթաններ չունեն։ AI-ների մեծ մասը դրդված է միայն մարդկային առաջադրանքով և այն ավարտելու անհրաժեշտությամբ: Տեսականորեն, դրա վրա կարելի է ազդել համակարգչի և անձի միջև հետադարձ կապ ստեղծելու և համակարգչի ինքնաուսուցման համակարգի բարելավման միջոցով:
Արհեստականորեն ստեղծված նեյրոնային ցանցերի պարզունակությունը. Այսօր նրանք ունեն առավելություններ, որոնք նույնական են մարդու ուղեղին՝ սովորում են անձնական փորձից ելնելով, կարողանում են եզրակացություններ անել և ստացված տեղեկատվությունից կորզել գլխավորը։ Միևնույն ժամանակ, խելացի համակարգերը չեն կարողանում կրկնօրինակել մարդու ուղեղի բոլոր գործառույթները։ Ժամանակակից նեյրոնային ցանցերին բնորոշ բանականությունը չի գերազանցում կենդանու բանականությունը։
ԱԲ-ի նվազագույն արդյունավետությունը ռազմական նպատակներով. Արհեստական ինտելեկտի վրա հիմնված ռոբոտների ստեղծողները բախվում են AI-ի՝ իրական ժամանակում ստացված տեղեկատվությունը ինքնասովորելու, ավտոմատ կերպով ճանաչելու և ճիշտ վերլուծելու անկարողության խնդրի հետ։
