Штучний інтелект. Інженерія знань. Машинне навчання - в чому різниця?

Штучний інтелект - допоможе людству чи знищить його? Про це сперечаються найвидатніші вчені та розробники.

Винахідник Ілон Маск, фізик Стівен Гокінґ, голова корпорації "Майкрософт" Білл Гейтс застерігають від розробки штучного інтелекту, але інші вчені і відомі особистості, такі як Марк Цукерберг, програміст і засновник мережі Фейсбук, навпаки бачать користь для всього людства у застосуванні штучного інтелекту. Тим часом, відомий робот-гуманоїд Софія, створена на основі штучного інтелекту, навчається, жартує і дає інтерв'ю, в яких виражає бажання мати родину, як в людей. Ми розбираємося, що входить в поняття - штучний інтелект.

Під інженерією знань мають на увазі сукупність методів, моделей і технічних прийомів, спрямованих на формування систем, призначених для пошуку рішень проблем на основі наявних знань. Фактично під цим терміном розуміють методологію, теорію і технологію, що охоплюють методи аналізу, видобутку, обробки і представлення знань.

Сутність штучного інтелекту полягає в науковому аналізі та автоматизації інтелектуальних функцій, властивих людині. При цьому загальним для більшості проблем є складність їх машинного втілення. Вивчення ШІ дозволило переконатися в тому, що за вирішенням проблем криється необхідність в знаннях експертів, тобто створення системи, здатної не просто запам'ятовувати, але й аналізувати і використовувати в подальшому знання експертів.

Історія появи терміна

Інженерія знань та розроблення інтелектуальних інформаційних систем, зокрема - експертних систем, тісно пов'язані.

В Стенфордському університеті США у 60-70-х роках під керівництвом Е. Фейгенбаума була розроблена система DENDRAL, трохи пізніше - MYCIN. Обидві системи отримали звання експертних, зважаючи на їх здібності накопичувати в комп'ютерній пам'яті і використовувати для вирішення проблем знання експертів. Дана область техніки отримала термін "інженерії знань" з посила професора Е. Фейгенбаума, який став творцем експертних систем.

Підходи

В основі інженерії знань лежать два підходи: перетворення знань та побудова моделей.

Перетворення знань. Процес зміни експертизи і перехід від знань до їх програмної реалізації. На ньому будувалася розробка Knowledge Based Systems. Формат представлення знань - правила. Недоліками є неможливість подання неявних знань і різних видів знань в адекватній формі, складність відображення великої кількості правил.

Побудова моделей. Створення ШІ вважається різновидом моделювання; побудова комп'ютерної моделі, покликаної вирішувати завдання в конкретній області нарівні з експертами. Модель не здатна імітувати на когнітивному рівні діяльність експерта, але дозволяє отримати аналогічний результат.

Моделі і методи інженерії знань спрямовані на розроблення комп'ютерних систем, основною метою яких є отримання наявних у спеціалістів знань та їх подальша організація для найбільш ефективного використання.

Штучний інтелект, нейромережі і машинне навчання: в чому різниця?

Одним із способів реалізації штучного інтелекту є нейронна мережа.
Машинне навчання - область розробки ШІ, спрямована на вивчення методів побудови самонавчаємих алгоритмів. Необхідність у цьому виникає при відсутності чіткого вирішення конкретного завдання. У такій ситуації вигідніше розробити механізм, здатний створити метод пошуку рішення, а не шукати його.

Під поширеним терміном "глибоке" ("глибинне") навчання передбачають алгоритми машинного навчання, для роботи яких потрібна велика кількість обчислювальних ресурсів. Поняття в більшості випадків асоціюється з нейронними мережами.

Виділяють два види штучного інтелекту: вузьконаправлений, або слабкий, і загальний, або сильний. Дія слабкого спрямована на пошук рішення вузького списку завдань. Найбільш яскравими представниками вузькоспрямованого ШІ є голосові помічники Google Assistant, Siri і Аліса. Здатності сильного ШІ, навпаки, дозволяють йому виконати практично будь-яке людське завдання. На сьогоднішній день загальний штучний інтелект вважається утопією: його реалізація неможлива.

Машинне навчання

Під машинним навчанням розуміють методи в сфері штучного інтелекту, що застосовуються для створення машини, здатної навчатися на власному досвіді. Під процесом навчання передбачають обробку машиною величезних масивів даних і пошук у них закономірностей.

Поняття Machine learning і Data science, незважаючи на свою схожість, все ж різняться і справляються кожен зі своїми завданнями. Обидва інструменту входять в штучний інтелект.

Машинне навчання, що є одним з розділів ШІ, - алгоритми, на підставі яких комп'ютер здатний робити висновки, не дотримуючись жорстко заданих правил. Машина шукає закономірності в складних завданнях з великою кількістю параметрів, знаходячи більш точні відповіді, на відміну від мозку людини. Результатом методу є точне прогнозування.

Data science

Наука про способи аналізу даних і вилучення з них цінних знань та інформації (data mining). Вона поєднується з машинним навчанням та наукою про мислення, з технологіями взаємодії з великими обсягами даних. Методи Data science дозволяють проаналізувати дані і відшукати правильний підхід для подальшого сортування, обробки, вибірки і пошуку інформації.

Приміром, існують відомості про фінансові витрати підприємства та відомості контрагентів, пов'язані між собою тільки за допомогою часу та дати проведення операцій і проміжних банківських даних. Глибокий машинний аналіз проміжних даних дозволяє визначити найбільш витратного контрагента.

Нейромережі

Нейронні мережі, будучи не окремим інструментом, але одним з видів машинного навчання, здатні моделювати роботу людського мозку за допомогою штучних нейронів. Їх дія спрямована на рішення поставленої задачі і самонавчання на підставі отриманого досвіду з мінімізацією помилок.

Цілі машинного навчання

Основною метою машинного навчання вважається часткова або повна автоматизація пошуку рішень різних аналітичних завдань. З цієї причини машинне навчання повинне давати на підставі отриманих даних максимально точні прогнози. Результатом навчання машини стає передбачення і запам'ятовування результату з можливістю подальшого відтворення і вибору одного з кращих варіантів.

Види машинного навчання

Класифікація навчання за ознакою наявності вчителя ділиться на три категорії:
З учителем. Застосовується, коли використання знань передбачає навчання машини розпізнаванню сигналів і об'єктів.
Без вчителя. Принцип роботи базується на алгоритмах, що виявляють подібності і відмінності об'єктів, аномалій з подальшим розпізнаванням того, що з них вважається несхожим або незвичним.
З підкріпленням. Застосовуються, якщо машина повинна правильно виконати завдання у зовнішньому середовищі з безліччю можливих рішень.

За видом використовуваних алгоритмів поділяють на:
Класичне навчання. Алгоритми навчання, розроблені понад півстоліття тому для статистичних бюро і ретельно вивчені за минулий час. Використовується для вирішення завдань, пов'язаних із роботою з даними.
Глибоке навчання та нейронні мережі. Сучасний підхід до машинного навчання. Нейромережі застосовуються, коли потрібні генерація або розпізнавання відео і зображень, машинний переклад, складні процеси прийняття і аналізу рішень.

В інженерії знань можливі ансамблі моделей, що поєднують кілька різних підходів.

Користь машинного навчання

При грамотній комбінації різних видів і алгоритмів машинного навчання можлива автоматизація рутинних процесів в бізнесі. Творча частина - ведення переговорів, укладення договорів, складання і виконання стратегій - залишається за людьми. Такий поділ важливий, оскільки людина, на відміну від машини, здатна мислити нешаблонно.

Джерело: https://what.com.ua

Освітня програма "Штучний інтелект" у ЗВО України:

• Державний університет телекомунікацій
• Запорізький національний університет
• Західноукраїнський національний університет
• Київський національний університет будівництва і архітектури
• Київський національний університет імені Тараса Шевченка
• Луцький національний технічний університет
• Національний аерокосмічний університет ім. М. Є. Жуковського "Харківський авіаційний інститут"
• Національний університет водного господарства та природокористування
• Національний університет харчових технологій
• Одеський національний технологічний університет
• Харківський національний університет радіоелектроніки
• Черкаський державний технологічний університет