هندسة المعرفة هي مجموعة من الأساليب والنماذج والتقنيات التي تهدف إلى إنشاء أنظمة مصممة لإيجاد حلول للمشكلات بناءً على المعرفة الموجودة. في الواقع ، يُفهم هذا المصطلح على أنه المنهجية والنظرية والتكنولوجيا ، ويغطي طرق التحليل والاستخراج والمعالجة وعرض المعرفة.
يكمن جوهر الذكاء الاصطناعي في التحليل العلمي وأتمتة الوظائف الفكرية المتأصلة في الإنسان. في الوقت نفسه ، يعد تعقيد تنفيذ أجهزتهم أمرًا شائعًا في معظم المشكلات. أتاحت دراسة الذكاء الاصطناعي التأكد من أن وراء حل المشكلات تكمن الحاجة إلى معرفة الخبراء ، أي إنشاء نظام لا يمكنه حفظ المعرفة المتخصصة في المستقبل فحسب ، بل أيضًا تحليلها واستخدامها ؛ يمكن استخدامه لأغراض عملية
تاريخ المصطلح
هندسة المعرفة وتطوير أنظمة المعلومات الذكية ، ولا سيما الأنظمة الخبيرة ، ترتبط ارتباطًا وثيقًا.
في جامعة ستانفورد بالولايات المتحدة الأمريكية في الستينيات والسبعينيات من القرن الماضي ، تحت قيادة E. Feigenbaum ، أنظام DENDRAL ، بعد ذلك بقليل - MYCIN. حصل كلا النظامين على لقب خبير نظرًا لقدرتهما على التراكم في ذاكرة الكمبيوتر واستخدام معرفة الخبراء لحل المشكلات. تلقى هذا المجال من التكنولوجيا مصطلح "هندسة المعرفة" من رسالة الأستاذ E. Feigenbaum ، الذي أصبح مبتكر الأنظمة الخبيرة.
نهج
تعتمد هندسة المعرفة على نهجين: تحويل المعرفة وبناء النموذج.
- تحول المعرفة. عملية تغيير الخبرة والانتقال من معرفة الخبراء إلى تطبيق برمجياتها. تم بناء تطوير النظم القائمة على المعرفة عليها. شكل تمثيل المعرفة - القواعد. العيوب هي استحالة تمثيل المعرفة الضمنية وأنواع مختلفة من المعرفة في شكل مناسب ، وصعوبة عكس عدد كبير من القواعد.
- نماذج البناء. يعتبر بناء الذكاء الاصطناعي نوعًا من المحاكاة ؛ بناء نموذج حاسوبي مصمم لحل المشاكل في منطقة معينة على قدم المساواة مع الخبراء. النموذج غير قادر على تقليد نشاط الخبير على المستوى المعرفي لكنه يسمح بالحصول على نتيجة مماثلة.
نماذج وأساليب هندسة المعرفة تهدف إلى تطوير أنظمة الكمبيوتر ، والغرض الرئيسي منها الحصول على المعرفة المتوفرة من المتخصصين ومن ثم تنظيمها للاستخدام الأكثر فاعلية.
الذكاء الاصطناعي والشبكات العصبية والتعلم الآلي: ما الفرق؟
إحدى طرق تطبيق الذكاء الاصطناعي هي العصبيةالشبكة.
التعلم الآلي هو مجال من مجالات تطوير الذكاء الاصطناعي يهدف إلى دراسة طرق بناء خوارزميات التعلم الذاتي. تنشأ الحاجة إلى ذلك في غياب حل واضح لمشكلة معينة. في مثل هذه الحالة ، يكون من المربح تطوير آلية يمكنها إنشاء طريقة لإيجاد حل ، بدلاً من البحث عنه.
يشير مصطلح التعلم "العميق" ("العميق") الشائع إلى خوارزميات التعلم الآلي التي تتطلب قدرًا كبيرًا من موارد الحوسبة للعمل. يرتبط المفهوم في معظم الحالات بالشبكات العصبية.
هناك نوعان من الذكاء الاصطناعي: التركيز الضيق ، أو الضعيف ، والعام ، أو القوي. يهدف عمل الضعيف إلى إيجاد حل لقائمة ضيقة من المشاكل. أبرز ممثلي منظمة العفو الدولية ذات التركيز الضيق هم المساعدون الصوتيون Google Assistant و Siri و Alice. في المقابل ، تسمح قدرات الذكاء الاصطناعي القوية لها بأداء أي مهمة بشرية تقريبًا. اليوم ، يعتبر الذكاء الاصطناعي العام يوتوبيا: تنفيذه مستحيل.
تعلم الآلة
يشير التعلم الآلي إلى الأساليب المستخدمة في مجال الذكاء الاصطناعي لإنشاء آلة يمكنها التعلم من التجربة. تُفهم عملية التعلم على أنها معالجة مصفوفات البيانات الضخمة بواسطة الآلة والبحث عن أنماط فيها.
مفاهيم التعلم الآلي وعلم البيانات ، على الرغم من تشابههما ، لا تزال مختلفة وكل منهما يتعامل مع مهامه الخاصة. يتم تضمين كلا الأداتين في المصطنعالمخابرات
التعلم الآلي ، وهو أحد فروع الذكاء الاصطناعي ، هو خوارزميات تعتمد على الكمبيوتر قادرًا على استخلاص النتائج دون الالتزام بقواعد محددة بشكل صارم. تبحث الآلة عن أنماط في المهام المعقدة مع عدد كبير من المعلمات ، وتجد إجابات أكثر دقة ، على عكس الدماغ البشري. نتيجة الطريقة تنبؤ دقيق
علم البيانات
علم كيفية تحليل البيانات واستخراج المعرفة والمعلومات القيمة منها (التنقيب عن البيانات). يتواصل مع التعلم الآلي وعلم التفكير ، مع تقنيات للتفاعل مع كميات كبيرة من البيانات. يتيح لك عمل علم البيانات تحليل البيانات والعثور على النهج الصحيح للفرز والمعالجة وأخذ العينات واسترجاع المعلومات لاحقًا.
على سبيل المثال ، هناك معلومات حول المصاريف المالية لمؤسسة ومعلومات حول الأطراف المقابلة التي لا ترتبط إلا بوقت وتاريخ المعاملات والبيانات المصرفية الوسيطة. يسمح لك التحليل العميق للآلة للبيانات الوسيطة بتحديد الطرف المقابل الأكثر تكلفة.
الشبكات العصبية
الشبكات العصبية ، كونها ليست أداة منفصلة ، ولكنها واحدة من أنواع التعلم الآلي ، قادرة على محاكاة عمل الدماغ البشري باستخدام الخلايا العصبية الاصطناعية. يهدف عملهم إلى حل المهمة والتعلم الذاتي بناءً على الخبرة المكتسبة مع تقليل الأخطاء.
أهداف التعلم الآلي
يعتبر الهدف الرئيسي للتعلم الآلي هو الأتمتة الجزئية أو الكاملة للبحث عن حلول للتحليلات المختلفةمهام. لهذا السبب ، يجب أن يقدم التعلم الآلي أكثر التنبؤات دقة بناءً على البيانات المستلمة. نتيجة التعلم الآلي هي التنبؤ بالنتيجة وحفظها مع إمكانية التكاثر اللاحق واختيار أحد أفضل الخيارات.
أنواع التعلم الآلي
تصنيف التعلم على أساس وجود المعلم يحدث في ثلاث فئات:
- مع المعلم. تستخدم عندما يتضمن استخدام المعرفة تعليم الآلة التعرف على الإشارات والأشياء.
- بدون معلم. يعتمد مبدأ العملية على الخوارزميات التي تكتشف أوجه التشابه والاختلاف بين الكائنات والشذوذ ، ثم التعرف على أي منها يعتبر غير متماثل أو غير عادي.
- مع التعزيزات. تُستخدم عندما يتعين على الجهاز أداء المهام بشكل صحيح في بيئة بها العديد من الحلول الممكنة.
حسب نوع الخوارزميات المستخدمة ، فهي مقسمة إلى:
- التعلم الكلاسيكي. تم تطوير خوارزميات التعلم منذ أكثر من نصف قرن للمكاتب الإحصائية ودُرست بعناية بمرور الوقت. يستخدم لحل المشاكل المتعلقة بالعمل مع البيانات.
- التعلم العميق والشبكات العصبية. النهج الحديث للتعلم الآلي. تُستخدم الشبكات العصبية عند الحاجة إلى إنشاء أو التعرف على مقاطع الفيديو والصور ، والترجمة الآلية ، واتخاذ القرارات المعقدة وعمليات التحليل.
في هندسة المعرفة ، مجموعات النماذج ممكنة ، تجمع بين عدة طرق مختلفة.
فوائد التعلم الآلي
مع توليفة كفؤة من أنواع وخوارزميات مختلفة للتعلم الآلي ، من الممكن أتمتة العمليات التجارية الروتينية. الجزء الإبداعي - التفاوض وإبرام العقود وصياغة الاستراتيجيات وتنفيذها - متروك للناس. هذا التقسيم مهم ، لأن الإنسان ، على عكس الآلة ، قادر على التفكير خارج الصندوق.
مشاكل إنشاء الذكاء الاصطناعي
في سياق إنشاء الذكاء الاصطناعي ، هناك مشكلتان في إنشاء الذكاء الاصطناعي:
- شرعية الاعتراف بشخص ما على أنه وعي منظم ذاتيًا وإرادة حرة ، وبالتالي ، من أجل الاعتراف بالذكاء الاصطناعي باعتباره معقولًا ، فإن الأمر نفسه مطلوب ؛
- مقارنة الذكاء الاصطناعي بالعقل البشري وقدراته ، والتي لا تأخذ في الاعتبار الخصائص الفردية لجميع الأنظمة وتستتبع تمييزها بسبب عدم معنى أنشطتها.
تكمن مشاكل إنشاء الذكاء الاصطناعي ، من بين أمور أخرى ، في تكوين الصور والذاكرة التصويرية. تتشكل السلاسل التصويرية في البشر بشكل جماعي ، على عكس تشغيل الآلة ؛ على عكس العقل البشري ، يبحث الكمبيوتر عن مجلدات وملفات محددة ، ولا يختار سلاسل الروابط الترابطية. يستخدم الذكاء الاصطناعي في هندسة المعرفة قاعدة بيانات محددة في عمله ولا يستطيع التجربة.
المشكلة الثانية هي تعلم اللغات للآلة. غالبًا ما تتم ترجمة النص عن طريق برامج الترجمة تلقائيًا ، ويتم تمثيل النتيجة النهائية بمجموعة من الكلمات. للترجمة الصحيحةيتطلب فهم معنى الجملة التي يصعب على الذكاء الاصطناعي تنفيذها.
يعتبر عدم وجود مظهر من مظاهر إرادة الذكاء الاصطناعي أيضًا مشكلة في الطريق إلى إنشائه. ببساطة ، الكمبيوتر ليس لديه رغبات شخصية ، على عكس القوة والقدرة على إجراء العمليات الحسابية المعقدة.
أنظمة الذكاء الاصطناعي الحديثة ليس لديها حوافز لمزيد من الوجود والتحسين. معظم أنظمة الذكاء الاصطناعي مدفوعة فقط بمهمة بشرية والحاجة إلى إكمالها. من الناحية النظرية ، يمكن أن يتأثر هذا من خلال إنشاء ملاحظات بين الكمبيوتر والشخص وتحسين نظام التعلم الذاتي للكمبيوتر.
البدائية للشبكات العصبية المنشأة بشكل مصطنع. اليوم ، لديهم مزايا مماثلة للدماغ البشري: فهم يتعلمون بناءً على التجربة الشخصية ، وهم قادرون على استخلاص النتائج واستخلاص الشيء الرئيسي من المعلومات الواردة. في الوقت نفسه ، لا تستطيع الأنظمة الذكية تكرار جميع وظائف الدماغ البشري. الذكاء المتأصل في الشبكات العصبية الحديثة لا يتجاوز ذكاء حيوان
الحد الأدنى من فعالية الذكاء الاصطناعي للأغراض العسكرية. يواجه مبتكرو الروبوتات القائمة على الذكاء الاصطناعي مشكلة عدم قدرة الذكاء الاصطناعي على التعلم الذاتي ، والتعرف تلقائيًا على المعلومات الواردة في الوقت الفعلي وتحليلها بشكل صحيح.
