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 ІЇ 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; її можна застосовувати в практичних цілях.

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 здібностей 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, 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 самообучаемых 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 спрямоване на пошук рішення вузького списку завдань. Найбільш яскравими представниками вузькоспрямованого ІІ є голосові помічники Google Assistant, Siri і Аліса. Здатності сильного ІІ, навпаки, дозволяють йому виконати практично будь-яку людську 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 ІІ, - 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 повідомляється з машинним навчанням та наукою про мислення, з технологіями взаємодії з великими обсягами даних. Робота Data science дозволяє проаналізувати дані і відшукати правильний підхід для подальшої 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, здатна моделювати роботу людського мозку за допомогою штучних нейронів. Їх дія спрямована 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 відбувається на три категорії:

З учителем. Застосовується, коли використання знань передбачає навчання машини розпізнавання 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 небудь незвичайним.

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 потрібно 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 важливо, оскільки людина, на відміну від машини, здатний мислити нешаблонно.

Проблеми створення ШІ

В контексті створення ІЇ виділяють дві проблеми створення штучного інтелекту:

Правомірність визнання за людиною самоорганізованого свідомості і вільної волі і, відповідно, для визнання штучного інтелекту розумним потрібно те ж саме;

Порівняння штучного інтелекту з людським розумом і його здібностями, що не враховує індивідуальних особливостей усіх систем і тягне за собою їх дискримінацію через відкидання значення їх діяльності.

Проблеми створення штучного інтелекту криються в тому числі у формуванні образів і образної пам'яті. Подібні ланцюжка у людей формуються асоціативно, на відміну від роботи машини; в протилежність людському розуму комп'ютер відшукує конкретні папки і файли, а не вибирає ланцюжка асоціативних зв'язок. Штучний інтелект в інженерії знань використовує в роботі конкретну базу даних і не здатний експериментувати.
Друга проблема - навчання машини мов. Переклад тексту програмами-перекладачами часто здійснюється автоматично, а підсумковий результат представлений набором слів. Для коректного перекладу вимагається розуміння змісту речення, що важко реалізовується ІІ. Відсутність проявів волі у штучного інтелекту також вважається проблемою на шляху до його створення. Простіше кажучи, у комп'ютера відсутні особисті бажання, на відміну від потужностей і можливостей для проведення складних розрахунків. Сучасні системи штучного інтелекту не мають стимулів до подальшого існування і вдосконалення. Більшість ШІ мотивуються тільки завданням, поставленої людиною, і необхідністю її виконання. В теорії вплинути на це можна за допомогою створення зворотного зв'язку між комп'ютером і людиною і поліпшення системи самонавчання комп'ютера. Примітивність штучно створених нейромереж. На сьогоднішній день їм властиві переваги, ідентичні мозку людини: їх навчання відбувається на основі особистого досвіду, здатні робити висновки і витягувати головне з отриманої інформації. При цьому інтелектуальні системи не здатні дублювати всі функції людського мозку. Інтелект, властивий сучасним нейросетям, не перевершує інтелект тварини. Мінімальна ефективність ІЇ у військових цілях. Творці машин-роботів на основі штучного інтелекту стикаються з проблемою неспроможності ІІ самонавчатися, автоматично розпізнавати і коректно аналізувати отриману інформацію в режимі реального часу.