Bilgi mühendisliği, mevcut bilgilere dayalı olarak sorunlara çözüm bulmak için tasarlanmış sistemler oluşturmayı amaçlayan bir dizi yöntem, model ve tekniktir. Aslında bu terim, bilginin analizi, çıkarılması, işlenmesi ve sunulması yöntemlerini kapsayan metodoloji, teori ve teknoloji olarak anlaşılır.
Yapay zekanın özü, insanın doğasında var olan entelektüel işlevlerin bilimsel analizinde ve otomasyonunda yatar. Aynı zamanda, makine uygulamalarının karmaşıklığı çoğu sorun için ortaktır. AI çalışması, sorunların çözümünün arkasında uzman bilgisine duyulan ihtiyacın yattığından emin olmayı mümkün kıldı, yani yalnızca ezberleyemeyen, aynı zamanda gelecekte uzman bilgisini analiz eden ve kullanan bir sistemin oluşturulması; pratik amaçlar için kullanılabilir.
Terimin tarihi
Bilgi mühendisliği ve akıllı bilgi sistemlerinin, özellikle de uzman sistemlerin gelişimi yakından ilişkilidir.
60-70'lerde ABD'deki Stanford Üniversitesi'nde, E. Feigenbaum'un önderliğinde, birDENDRAL sistemi, biraz sonra - MYCIN. Her iki sistem de bilgisayar hafızasında biriktirme ve uzmanların bilgilerini problem çözmek için kullanma yetenekleri nedeniyle uzman unvanını almıştır. Bu teknoloji alanı, uzman sistemlerin yaratıcısı olan Profesör E. Feigenbaum'un mesajından "bilgi mühendisliği" terimini aldı.
Yaklaşımlar
Bilgi mühendisliği iki yaklaşıma dayanır: bilgi dönüşümü ve model oluşturma.
- Bilginin dönüşümü. Uzmanlığı değiştirme süreci ve uzmanlık bilgisinden yazılım uygulamasına geçiş. Bilgi Tabanlı Sistemlerin gelişimi bunun üzerine inşa edilmiştir. Bilgi temsil formatı - kurallar. Dezavantajları ise örtük bilgiyi ve farklı bilgi türlerini yeterli bir biçimde temsil etmenin imkansızlığı, çok sayıda kuralı yansıtmanın zorluğudur.
- Yapı modelleri. Yapay zeka oluşturmak bir tür simülasyon olarak kabul edilir; belirli bir alandaki sorunları uzmanlarla eşit olarak çözmek için tasarlanmış bir bilgisayar modeli oluşturmak. Model, bilişsel düzeyde bir uzmanın etkinliğini taklit etme yeteneğine sahip değildir, ancak benzer bir sonucun elde edilmesini sağlar.
Bilgi mühendisliği modelleri ve yöntemleri, asıl amacı uzmanlardan mevcut bilgiyi elde etmek ve daha sonra onu en etkili kullanım için düzenlemek olan bilgisayar sistemlerinin geliştirilmesine yöneliktir.
Yapay zeka, sinir ağları ve makine öğrenimi: fark nedir?
Yapay zekayı uygulamanın yollarından biri sinirseldirağ.
Makine öğrenimi, kendi kendine öğrenme algoritmaları oluşturmaya yönelik yöntemleri incelemeyi amaçlayan bir AI geliştirme alanıdır. Buna duyulan ihtiyaç, belirli bir soruna net bir çözüm bulunmadığında ortaya çıkar. Böyle bir durumda, aramaktansa çözüm bulmak için bir yöntem oluşturabilecek bir mekanizma geliştirmek daha karlı olur.
Yaygın olarak kullanılan "derin" ("derin") öğrenme terimi, çalışması için büyük miktarda bilgi işlem kaynağı gerektiren makine öğrenimi algoritmalarını ifade eder. Konsept çoğu durumda sinir ağlarıyla ilişkilendirilir.
İki tür yapay zeka vardır: dar odaklı veya zayıf ve genel veya güçlü. Zayıfın eylemi, dar bir sorun listesine çözüm bulmayı amaçlar. Dar odaklı AI'nın en belirgin temsilcileri, sesli asistanlar Google Asistan, Siri ve Alice'dir. Buna karşılık, güçlü AI yetenekleri, neredeyse her türlü insan görevini yerine getirmesine izin verir. bugün, yapay genel zeka bir ütopya olarak kabul ediliyor: uygulanması imkansız.
Makine öğrenimi
Makine öğrenimi, deneyimlerden öğrenebilen bir makine oluşturmak için kullanılan yapay zeka alanındaki yöntemleri ifade eder. Öğrenme süreci, makine tarafından devasa veri dizilerinin işlenmesi ve bunlardaki kalıpların aranması olarak anlaşılır.
Makine öğrenimi ve Veri bilimi kavramları, benzerliklerine rağmen hala farklıdır ve her biri kendi görevleriyle başa çıkar. Her iki enstrüman da yapayzeka.
Yapay zekanın dallarından biri olan makine öğrenimi, bir bilgisayarın katı kurallara uymadan sonuçlar çıkarabilmesini temel alan algoritmalardır. Makine, insan beyninin aksine, çok sayıda parametre içeren karmaşık görevlerde kalıplar arar ve daha doğru cevaplar bulur. Yöntemin sonucu doğru bir tahmindir.
Veri bilimi
Verilerin nasıl analiz edileceği ve onlardan değerli bilgi ve bilgilerin nasıl çıkarılacağı bilimi (veri madenciliği). Makine öğrenimi ve düşünme bilimi ile, büyük miktarda veriyle etkileşime girmeye yönelik teknolojilerle iletişim kurar. Veri biliminin çalışması, verileri analiz etmenize ve sonraki sıralama, işleme, örnekleme ve bilgi alımı için doğru yaklaşımı bulmanıza olanak tanır.
Örneğin, bir işletmenin finansal giderleri hakkında bilgi ve sadece işlemlerin saat ve tarihi ile birbirine bağlı olan karşı taraflar hakkında bilgi ve ara bankacılık verileri var. Ara verilerin derin makine analizi, en maliyetli karşı tarafı belirlemenizi sağlar.
Sinir ağları
Sinir ağları, ayrı bir araç değil, makine öğrenimi türlerinden biri olan yapay nöronlar kullanarak insan beyninin çalışmasını simüle edebilir. Eylemleri, görevi çözmeyi ve hataları en aza indirerek kazanılan deneyime dayalı olarak kendi kendine öğrenmeyi amaçlar.
Makine öğrenimi hedefleri
Makine öğreniminin temel amacı, çeşitli analitik çözümler için aramanın kısmi veya tam otomasyonu olarak kabul edilir.görevler. Bu nedenle makine öğrenmesi, alınan verilere dayanarak en doğru tahminleri vermelidir. Makine öğreniminin sonucu, daha sonra çoğ altma ve en iyi seçeneklerden birinin seçilmesi olasılığı ile sonucun tahmini ve ezberlenmesidir.
Makine öğrenimi türleri
Öğretmenin varlığına dayalı öğrenmenin sınıflandırılması üç kategoride gerçekleşir:
- Öğretmenle. Bilginin kullanımı, makineye sinyalleri ve nesneleri tanımayı öğretmeyi içerdiğinde kullanılır.
- Öğretmensiz. Çalışma prensibi, nesneler, anormallikler arasındaki benzerlikleri ve farklılıkları tespit eden ve ardından bunlardan hangisinin farklı veya sıra dışı olarak değerlendirildiğini belirleyen algoritmalara dayanır.
- Takviye ile. Bir makinenin birçok olası çözümü olan bir ortamda görevleri doğru bir şekilde gerçekleştirmesi gerektiğinde kullanılır.
Kullanılan algoritmaların türüne göre, bunlar şu şekilde ayrılır:
- Klasik öğrenme. İstatistik ofisleri için yarım yüzyıldan daha uzun bir süre önce geliştirilen öğrenme algoritmaları, zaman içinde dikkatlice incelenmiştir. Verilerle çalışmayla ilgili sorunları çözmek için kullanılır.
- Derin öğrenme ve sinir ağları. Makine öğrenimine modern yaklaşım. Sinir ağları, video ve görüntülerin oluşturulması veya tanınması, makine çevirisi, karmaşık karar verme ve analiz süreçleri gerektiğinde kullanılır.
Bilgi mühendisliğinde, birkaç farklı yaklaşımı birleştiren model toplulukları mümkündür.
Makine öğreniminin faydaları
Farklı makine öğrenimi türleri ve algoritmalarının yetkin bir kombinasyonu ile rutin iş süreçlerini otomatikleştirmek mümkündür. Yaratıcı kısım - müzakere etmek, sözleşmeleri sonuçlandırmak, stratejileri hazırlamak ve uygulamak - insanlara bırakılmıştır. Bu bölünme önemlidir, çünkü bir kişi, bir makinenin aksine, kutunun dışında düşünebilir.
AI oluşturma sorunları
Yapay zeka oluşturma bağlamında, yapay zeka oluşturmanın iki sorunu vardır:
- Bir insanı kendi kendini organize eden bir bilinç ve özgür irade olarak tanımanın meşruiyeti ve buna bağlı olarak yapay zekayı makul olarak kabul etmek için de aynısı gereklidir;
- Yapay zekanın, tüm sistemlerin bireysel özelliklerini dikkate almayan ve faaliyetlerinin anlamsızlığı nedeniyle ayrımcılığı gerektiren insan zihni ve yetenekleri ile karşılaştırılması.
Yapay zeka yaratmanın sorunları, diğer şeylerin yanı sıra, görüntülerin ve mecazi hafızanın oluşumunda yatmaktadır. İnsanlardaki figüratif zincirler, bir makinenin işleyişinin aksine, çağrışımsal olarak oluşturulur; insan zihninin aksine, bir bilgisayar belirli klasörleri ve dosyaları arar ve ilişkisel bağlantı zincirlerini seçmez. Bilgi mühendisliğindeki yapay zeka, çalışmalarında belirli bir veritabanı kullanır ve deney yapamaz.
İkinci sorun ise makine için dil öğrenmek. Metnin çeviri programları tarafından çevirisi genellikle otomatik olarak gerçekleştirilir ve nihai sonuç bir dizi kelime ile temsil edilir. Doğru çeviri içinAI'nın uygulaması zor olan cümlenin anlamını anlamayı gerektirir.
Yapay zekanın iradesinin tezahür etmemesi de yaratılış yolunda bir sorun olarak görülüyor. Basitçe söylemek gerekirse, karmaşık hesaplamalar yapma gücü ve yeteneğinin aksine, bilgisayarın kişisel istekleri yoktur.
Modern yapay zeka sistemlerinin daha fazla varlık ve gelişme için hiçbir teşviki yoktur. Çoğu AI, yalnızca bir insan görevi ve onu tamamlama ihtiyacı ile motive edilir. Teoride bu, bir bilgisayar ve bir kişi arasında bir geri bildirim oluşturarak ve bilgisayarın kendi kendine öğrenme sistemini geliştirerek etkilenebilir.
Yapay olarak oluşturulmuş sinir ağlarının ilkelliği. Bugün, insan beyniyle aynı avantajlara sahipler: kişisel deneyime dayanarak öğreniyorlar, sonuçlar çıkarabiliyorlar ve alınan bilgilerden asıl şeyi çıkarabiliyorlar. Aynı zamanda, akıllı sistemler insan beyninin tüm fonksiyonlarını çoğ altamaz. Modern sinir ağlarında bulunan zeka, bir hayvanın zekasını aşamaz.
Askeri amaçlar için yapay zekanın minimum etkinliği. Yapay zeka tabanlı robotların yaratıcıları, AI'nın gerçek zamanlı olarak alınan bilgileri kendi kendine öğrenememesi, otomatik olarak tanımaması ve doğru şekilde analiz edememesi sorunuyla karşı karşıyadır.
