La ingeniería del conocimiento es un conjunto de métodos, modelos y técnicas destinados a crear sistemas diseñados para encontrar soluciones a problemas basados en el conocimiento existente. De hecho, este término se entiende como metodología, teoría y tecnología, abarcando métodos de análisis, extracción, procesamiento y presentación del conocimiento.
La esencia de la inteligencia artificial radica en el análisis científico y la automatización de las funciones intelectuales inherentes al hombre. Al mismo tiempo, la complejidad de su implementación en máquinas es común a la mayoría de los problemas. El estudio de la IA permitió asegurar que detrás de la solución de problemas se encuentra la necesidad del conocimiento experto, es decir, la creación de un sistema que no solo pueda memorizar, sino también analizar y utilizar el conocimiento experto en el futuro; se puede utilizar con fines prácticos.
Historia del término
La ingeniería del conocimiento y el desarrollo de sistemas de información inteligentes, en particular los sistemas expertos, están estrechamente relacionados.
En la Universidad de Stanford en los EE. UU. en los años 60-70, bajo la dirección de E. Feigenbaum, unSistema DENDRAL, un poco más tarde - MYCIN. Ambos sistemas han recibido el título de experto por su capacidad de acumular en la memoria de la computadora y utilizar el conocimiento de los expertos para resolver problemas. Esta área de la tecnología recibió el término "ingeniería del conocimiento" del mensaje del profesor E. Feigenbaum, quien se convirtió en el creador de los sistemas expertos.
Enfoques
La ingeniería del conocimiento se basa en dos enfoques: la transformación del conocimiento y la construcción de modelos.
- Transformación del conocimiento. El proceso de cambio de experiencia y la transición del conocimiento experto a su implementación de software. Sobre ella se construyó el desarrollo de los Sistemas Basados en el Conocimiento. Formato de representación del conocimiento - reglas. Las desventajas son la imposibilidad de representar el conocimiento implícito y los diferentes tipos de conocimiento de forma adecuada, la dificultad de reflejar un gran número de reglas.
- Modelos de construcción. La IA de construcción se considera un tipo de simulación; construir un modelo de computadora diseñado para resolver problemas en un área particular en igualdad de condiciones con los expertos. El modelo no es capaz de imitar la actividad de un experto a nivel cognitivo, pero permite obtener un resultado similar.
Los modelos y métodos de la ingeniería del conocimiento están destinados al desarrollo de sistemas informáticos, cuyo objetivo principal es obtener el conocimiento disponible de los especialistas y luego organizarlo para su uso más eficaz.
Inteligencia artificial, redes neuronales y aprendizaje automático: ¿cuál es la diferencia?
Una de las formas de implementar la inteligencia artificial es neuronalred.
El aprendizaje automático es un área de desarrollo de IA destinada a estudiar métodos para construir algoritmos de autoaprendizaje. La necesidad de esto surge en ausencia de una solución clara a un problema específico. En tal situación, es más rentable desarrollar un mecanismo que pueda crear un método para encontrar una solución, en lugar de buscarla.
El término de uso común "aprendizaje profundo" ("profundo") se refiere a los algoritmos de aprendizaje automático que requieren una gran cantidad de recursos informáticos para funcionar. El concepto en la mayoría de los casos está asociado con las redes neuronales.
Hay dos tipos de inteligencia artificial: estrechamente enfocada, o débil, y general, o fuerte. La acción de los débiles está dirigida a encontrar una solución a una lista estrecha de problemas. Los representantes más destacados de la IA de enfoque limitado son los asistentes de voz Google Assistant, Siri y Alice. En contraste, las fuertes habilidades de la IA le permiten realizar casi cualquier tarea humana. hoy en día, la inteligencia artificial general se considera una utopía: su implementación es imposible.
Aprendizaje automático
El aprendizaje automático se refiere a los métodos en el campo de la inteligencia artificial utilizados para crear una máquina que pueda aprender de la experiencia. El proceso de aprendizaje se entiende como el procesamiento de grandes conjuntos de datos por parte de la máquina y la búsqueda de patrones en ellos.
Los conceptos de aprendizaje automático y ciencia de datos, a pesar de su similitud, siguen siendo diferentes y cada uno se ocupa de sus propias tareas. Ambos instrumentos están incluidos en el artificial.inteligencia.
El aprendizaje automático, que es una de las ramas de la IA, son algoritmos basados en los cuales una computadora puede sacar conclusiones sin adherirse a reglas rígidamente establecidas. La máquina busca patrones en tareas complejas con una gran cantidad de parámetros, encontrando respuestas más precisas, a diferencia del cerebro humano. El resultado del método es una predicción precisa.
Ciencia de datos
La ciencia de cómo analizar datos y extraer valiosos conocimientos e información de ellos (minería de datos). Se comunica con el aprendizaje automático y la ciencia del pensamiento, con tecnologías para interactuar con grandes cantidades de datos. El trabajo de la ciencia de datos le permite analizar datos y encontrar el enfoque adecuado para su posterior clasificación, procesamiento, muestreo y recuperación de información.
Por ejemplo, hay información sobre los gastos financieros de una empresa e información sobre las contrapartes que están interconectadas solo por la hora y la fecha de las transacciones y los datos bancarios intermedios. El análisis automático profundo de los datos intermedios le permite determinar la contraparte más costosa.
Redes neuronales
Las redes neuronales, al no ser una herramienta separada, sino uno de los tipos de aprendizaje automático, pueden simular el trabajo del cerebro humano utilizando neuronas artificiales. Su acción está dirigida a resolver la tarea y el autoaprendizaje basado en la experiencia adquirida con la minimización de errores.
Objetivos de aprendizaje automático
Se considera que el objetivo principal del aprendizaje automático es la automatización parcial o completa de la búsqueda de soluciones para diversos análisisTareas. Por esta razón, el aprendizaje automático debería dar las predicciones más precisas en función de los datos recibidos. El resultado del aprendizaje automático es la predicción y memorización del resultado con posibilidad de reproducción posterior y selección de una de las mejores opciones.
Tipos de aprendizaje automático
La clasificación del aprendizaje basada en la presencia de un profesor se produce en tres categorías:
- Con el profesor. Se utiliza cuando el uso del conocimiento implica enseñar a la máquina a reconocer señales y objetos.
- Sin maestro. El principio de funcionamiento se basa en algoritmos que detectan similitudes y diferencias entre objetos, anomalías y luego reconocen cuál de ellos se considera diferente o inusual.
- Con refuerzos. Se utiliza cuando una máquina debe realizar tareas correctamente en un entorno con muchas soluciones posibles.
Según el tipo de algoritmos utilizados, se dividen en:
- Aprendizaje clásico. Algoritmos de aprendizaje desarrollados hace más de medio siglo para oficinas de estadística y cuidadosamente estudiados a lo largo del tiempo. Se utiliza para resolver problemas relacionados con el trabajo con datos.
- Aprendizaje profundo y redes neuronales. Enfoque moderno para el aprendizaje automático. Las redes neuronales se utilizan cuando se requiere generación o reconocimiento de videos e imágenes, traducción automática, procesos complejos de toma de decisiones y análisis.
En ingeniería del conocimiento, los conjuntos de modelos son posibles, combinando varios enfoques diferentes.
Los beneficios del aprendizaje automático
Con una combinación competente de diferentes tipos y algoritmos de aprendizaje automático, es posible automatizar los procesos comerciales de rutina. La parte creativa -negociación, celebración de contratos, elaboración y ejecución de estrategias- se deja a las personas. Esta división es importante porque una persona, a diferencia de una máquina, puede pensar fuera de la caja.
Problemas de crear IA
En el contexto de la creación de IA, la creación de inteligencia artificial plantea dos problemas:
- La legitimidad de reconocer a una persona como una conciencia autoorganizada y libre albedrío y, en consecuencia, para reconocer la inteligencia artificial como razonable, se requiere lo mismo;
- Comparación de la inteligencia artificial con la mente humana y sus capacidades, que no tiene en cuenta las características individuales de todos los sistemas y conlleva su discriminación debido al sinsentido de sus actividades.
Los problemas de crear inteligencia artificial radican, entre otras cosas, en la formación de imágenes y memoria figurativa. Las cadenas figurativas en los humanos se forman asociativamente, en contraste con el funcionamiento de una máquina; a diferencia de la mente humana, una computadora busca carpetas y archivos específicos y no selecciona cadenas de vínculos asociativos. La inteligencia artificial en la ingeniería del conocimiento utiliza una base de datos específica en su trabajo y no puede experimentar.
El segundo problema es aprender idiomas para la máquina. La traducción de texto mediante programas de traducción a menudo se lleva a cabo automáticamente y el resultado final se representa mediante un conjunto de palabras. Para una traducción correctarequiere comprender el significado de la oración, lo cual es difícil de implementar para AI.
La f alta de manifestación de la voluntad de la inteligencia artificial también se considera un problema en el camino hacia su creación. En pocas palabras, la computadora no tiene deseos personales, a diferencia del poder y la capacidad de realizar cálculos complejos.
Los sistemas modernos de inteligencia artificial no tienen incentivos para seguir existiendo y mejorando. La mayoría de las IA están motivadas solo por una tarea humana y la necesidad de completarla. En teoría, se puede influir en esto creando una retroalimentación entre una computadora y una persona y mejorando el sistema de autoaprendizaje de la computadora.
Primitivismo de las redes neuronales creadas artificialmente. Hoy en día, tienen ventajas idénticas al cerebro humano: aprenden en base a la experiencia personal, son capaces de sacar conclusiones y extraer lo principal de la información recibida. Al mismo tiempo, los sistemas inteligentes no pueden duplicar todas las funciones del cerebro humano. La inteligencia inherente a las redes neuronales modernas no supera la inteligencia de un animal.
Eficacia mínima de la IA para fines militares. Los creadores de robots basados en inteligencia artificial se enfrentan al problema de la incapacidad de la IA para autoaprender, reconocer automáticamente y analizar correctamente la información recibida en tiempo real.
