Kỹ thuật tri thức là một tập hợp các phương pháp, mô hình và kỹ thuật nhằm tạo ra các hệ thống được thiết kế để tìm giải pháp cho các vấn đề dựa trên kiến thức hiện có. Trên thực tế, thuật ngữ này được hiểu là phương pháp luận, lý thuyết và công nghệ, bao gồm các phương pháp phân tích, chiết xuất, xử lý và trình bày kiến thức.
Bản chất của trí tuệ nhân tạo nằm ở việc phân tích khoa học và tự động hóa các chức năng trí tuệ vốn có của con người. Đồng thời, sự phức tạp của việc triển khai máy của chúng là phổ biến đối với hầu hết các vấn đề. Nghiên cứu về AI có thể đảm bảo rằng đằng sau giải pháp của các vấn đề là nhu cầu về kiến thức chuyên môn, nghĩa là, việc tạo ra một hệ thống không chỉ có thể ghi nhớ mà còn phân tích và sử dụng kiến thức chuyên gia trong tương lai; nó có thể được sử dụng cho các mục đích thực tế.
Lịch sử của thuật ngữ
Kỹ thuật tri thức và sự phát triển của hệ thống thông tin thông minh, đặc biệt là các hệ thống chuyên gia, có liên quan chặt chẽ với nhau.
Tại Đại học Stanford, Hoa Kỳ vào những năm 60-70, dưới sự lãnh đạo của E. Feigenbaum, mộtHệ thống DENDRAL, muộn hơn một chút - MYCIN. Cả hai hệ thống đã nhận được danh hiệu chuyên gia vì khả năng tích lũy trong bộ nhớ máy tính và sử dụng kiến thức của các chuyên gia để giải quyết vấn đề. Lĩnh vực công nghệ này nhận được thuật ngữ "kỹ thuật tri thức" từ thông điệp của Giáo sư E. Feigenbaum, người đã trở thành người tạo ra các hệ thống chuyên gia.
Phương pháp
Kỹ thuật tri thức dựa trên hai cách tiếp cận: chuyển đổi tri thức và xây dựng mô hình.
- Chuyển hóa kiến thức. Quá trình thay đổi kiến thức chuyên môn và chuyển đổi từ kiến thức chuyên môn sang việc triển khai phần mềm của nó. Sự phát triển của Hệ thống dựa trên tri thức được xây dựng dựa trên nó. Định dạng biểu diễn tri thức - quy tắc. Những bất lợi là không thể biểu diễn kiến thức ngầm và các loại kiến thức khác nhau ở dạng đầy đủ, khó phản ánh một số lượng lớn các quy tắc.
- Xây dựng mô hình. Xây dựng AI được coi là một loại mô phỏng; xây dựng một mô hình máy tính được thiết kế để giải quyết các vấn đề trong một lĩnh vực cụ thể trên cơ sở bình đẳng với các chuyên gia. Mô hình không có khả năng bắt chước hoạt động của một chuyên gia ở cấp độ nhận thức, nhưng nó cho phép thu được một kết quả tương tự.
Các mô hình và phương pháp kỹ thuật tri thức nhằm mục đích phát triển hệ thống máy tính, mục đích chính là thu thập kiến thức sẵn có từ các chuyên gia và sau đó tổ chức để sử dụng hiệu quả nhất.
Trí tuệ nhân tạo, mạng nơ-ron và máy học: sự khác biệt là gì?
Một trong những cách để triển khai trí tuệ nhân tạo là thần kinhmạng.
Học máy là một lĩnh vực phát triển của AI nhằm nghiên cứu các phương pháp xây dựng các thuật toán tự học. Nhu cầu này nảy sinh trong trường hợp không có giải pháp rõ ràng cho một vấn đề cụ thể. Trong tình huống như vậy, sẽ có lợi hơn nếu phát triển một cơ chế có thể tạo ra một phương pháp để tìm ra giải pháp, thay vì tìm kiếm nó.
Thuật ngữ học tập "sâu" ("sâu") thường được sử dụng đề cập đến các thuật toán học máy yêu cầu một lượng lớn tài nguyên máy tính để hoạt động. Trong hầu hết các trường hợp, khái niệm này được liên kết với mạng nơ-ron.
Có hai loại trí tuệ nhân tạo: tập trung hẹp, hoặc yếu và chung chung, hoặc mạnh. Hành động của kẻ yếu là nhằm tìm ra giải pháp cho một danh sách hẹp các vấn đề. Các đại diện nổi bật nhất của AI tập trung trong phạm vi hẹp là trợ lý giọng nói Google Assistant, Siri và Alice. Ngược lại, khả năng AI mạnh mẽ cho phép nó thực hiện hầu hết mọi nhiệm vụ của con người. ngày nay, trí tuệ nhân tạo nói chung được coi là điều không tưởng: việc triển khai nó là không thể.
Học máy
Học máy đề cập đến các phương pháp trong lĩnh vực trí tuệ nhân tạo được sử dụng để tạo ra một cỗ máy có thể học hỏi kinh nghiệm. Quá trình học được hiểu là việc máy xử lý các mảng dữ liệu khổng lồ và tìm kiếm các mẫu trong đó.
Các khái niệm về Học máy và Khoa học dữ liệu, mặc dù có điểm giống nhau, nhưng vẫn khác nhau và mỗi khái niệm đều có nhiệm vụ riêng. Cả hai công cụ đều được bao gồm trongtrí thông minh.
Học máy, là một trong những nhánh của AI, là các thuật toán dựa trên đó máy tính có thể đưa ra kết luận mà không cần tuân thủ các quy tắc đặt ra một cách cứng nhắc. Máy tìm kiếm các mẫu trong các nhiệm vụ phức tạp với một số lượng lớn các thông số, tìm ra câu trả lời chính xác hơn, không giống như bộ não con người. Kết quả của phương pháp là một dự đoán chính xác.
Khoa học dữ liệu
Khoa học về cách phân tích dữ liệu và trích xuất kiến thức và thông tin có giá trị từ chúng (khai thác dữ liệu). Nó giao tiếp với máy học và khoa học tư duy, với các công nghệ để tương tác với lượng lớn dữ liệu. Công việc của Khoa học dữ liệu cho phép bạn phân tích dữ liệu và tìm ra cách tiếp cận phù hợp để sắp xếp, xử lý, lấy mẫu và truy xuất thông tin tiếp theo.
Ví dụ: có thông tin về chi phí tài chính của doanh nghiệp và thông tin về các đối tác chỉ được kết nối với nhau theo ngày giờ giao dịch và dữ liệu ngân hàng trung gian. Phân tích máy móc sâu về dữ liệu trung gian cho phép bạn xác định đối tác tốn kém nhất.
Mạng nơron
Mạng nơ-ron, không phải là một công cụ riêng biệt, mà là một trong những loại máy học, có thể mô phỏng hoạt động của não người bằng cách sử dụng các nơ-ron nhân tạo. Hành động của họ là nhằm giải quyết công việc và tự học hỏi dựa trên kinh nghiệm thu được và giảm thiểu sai sót.
Mục tiêu học máy
Mục tiêu chính của học máy được coi là tự động hóa một phần hoặc hoàn toàn việc tìm kiếm các giải pháp cho các phân tích khác nhaucác nhiệm vụ. Vì lý do này, máy học sẽ đưa ra các dự đoán chính xác nhất dựa trên dữ liệu nhận được. Kết quả của việc học máy là dự đoán và ghi nhớ kết quả với khả năng tái tạo sau đó và lựa chọn một trong những tùy chọn tốt nhất.
Các loại máy học
Phân loại học tập dựa trên sự hiện diện của giáo viên xảy ra theo ba loại:
- Với thầy. Được sử dụng khi việc sử dụng kiến thức liên quan đến việc dạy máy móc nhận dạng các tín hiệu và đối tượng.
- Không có giáo viên. Nguyên tắc hoạt động dựa trên các thuật toán phát hiện những điểm tương đồng và khác biệt giữa các đối tượng, điểm bất thường, sau đó nhận ra chúng được coi là khác biệt hoặc bất thường.
- Với quân tiếp viện. Được sử dụng khi máy phải thực hiện các tác vụ một cách chính xác trong môi trường có nhiều giải pháp khả thi.
Theo loại thuật toán được sử dụng, chúng được chia thành:
- Học cổ điển. Thuật toán học được phát triển cách đây hơn nửa thế kỷ cho các văn phòng thống kê và được nghiên cứu cẩn thận theo thời gian. Được sử dụng để giải quyết các vấn đề liên quan đến làm việc với dữ liệu.
- Học sâu và mạng nơ-ron. Cách tiếp cận hiện đại đối với học máy. Mạng nơ-ron được sử dụng khi yêu cầu tạo hoặc nhận dạng video và hình ảnh, dịch máy, ra quyết định và phân tích phức tạp.
Trong kỹ thuật tri thức, có thể có nhiều mô hình tổng hợp, kết hợp nhiều cách tiếp cận khác nhau.
Lợi ích của học máy
Với sự kết hợp có thẩm quyền của các loại và thuật toán học máy khác nhau, có thể tự động hóa các quy trình kinh doanh thông thường. Phần sáng tạo - thương lượng, ký kết hợp đồng, vạch ra và thực hiện chiến lược - được giao cho mọi người. Sự phân chia này rất quan trọng, bởi vì một người, không giống như một cỗ máy, có thể suy nghĩ bên ngoài.
Vấn đề về tạo AI
Trong bối cảnh tạo ra AI, có hai vấn đề khi tạo ra trí tuệ nhân tạo:
- Tính hợp pháp của việc công nhận một người là người có ý thức tự tổ chức và ý chí tự do, và theo đó, để công nhận trí tuệ nhân tạo là hợp lý, điều tương tự cũng được yêu cầu;
- So sánh trí tuệ nhân tạo với trí óc con người và khả năng của nó, không tính đến các đặc điểm riêng lẻ của tất cả các hệ thống và dẫn đến sự phân biệt đối xử do hoạt động của chúng vô nghĩa.
Các vấn đề của việc tạo ra trí tuệ nhân tạo, trong số những thứ khác, nằm ở việc hình thành các hình ảnh và trí nhớ tượng hình. Chuỗi tượng hình ở con người được hình thành một cách liên kết, trái ngược với hoạt động của một cỗ máy; Trái ngược với tâm trí con người, máy tính tìm kiếm các thư mục và tệp cụ thể, và không chọn các chuỗi liên kết liên kết. Trí tuệ nhân tạo trong kỹ thuật tri thức sử dụng một cơ sở dữ liệu cụ thể trong công việc của nó và không thể thử nghiệm.
Vấn đề thứ hai là học ngôn ngữ cho máy. Việc dịch văn bản bằng các chương trình dịch thường được thực hiện tự động, và kết quả cuối cùng được thể hiện bằng một tập hợp các từ. Để có bản dịch chính xácyêu cầu hiểu nghĩa của câu, điều này rất khó cho AI thực hiện.
Việc trí tuệ nhân tạo thiếu biểu hiện ý chí cũng được coi là một vấn đề trên con đường tạo ra nó. Nói một cách đơn giản, máy tính không có mong muốn cá nhân, trái ngược với sức mạnh và khả năng thực hiện các phép tính phức tạp.
Các hệ thống trí tuệ nhân tạo hiện đại không có động lực cho sự tồn tại và cải tiến hơn nữa. Hầu hết các AI chỉ được thúc đẩy bởi một nhiệm vụ của con người và nhu cầu hoàn thành nó. Về lý thuyết, điều này có thể bị ảnh hưởng bởi việc tạo phản hồi giữa máy tính và con người và cải thiện hệ thống tự học của máy tính.
Tính nguyên thủy của mạng nơ-ron được tạo ra nhân tạo. Ngày nay, chúng có những ưu điểm giống hệt bộ não con người: chúng học hỏi dựa trên kinh nghiệm cá nhân, chúng có thể đưa ra kết luận và rút ra điều chính từ thông tin nhận được. Đồng thời, các hệ thống thông minh không có khả năng sao chép tất cả các chức năng của bộ não con người. Trí thông minh vốn có trong mạng nơ-ron hiện đại không vượt quá trí thông minh của động vật.
Hiệu quả tối thiểu của AI cho các mục đích quân sự. Những người tạo ra robot dựa trên trí tuệ nhân tạo đang phải đối mặt với vấn đề AI không có khả năng tự học, tự động nhận dạng và phân tích chính xác thông tin nhận được trong thời gian thực.
