วิศวกรรมความรู้คือชุดของวิธีการ โมเดลและเทคนิคที่มุ่งสร้างระบบที่ออกแบบมาเพื่อค้นหาวิธีแก้ไขปัญหาตามความรู้ที่มีอยู่ อันที่จริง คำศัพท์นี้เป็นที่เข้าใจกันว่าเป็นวิธีการ ทฤษฎี และเทคโนโลยี ซึ่งครอบคลุมวิธีการวิเคราะห์ การสกัด การประมวลผล และการนำเสนอความรู้
สาระสำคัญของปัญญาประดิษฐ์อยู่ในการวิเคราะห์ทางวิทยาศาสตร์และระบบอัตโนมัติของการทำงานทางปัญญาที่มีอยู่ในมนุษย์ ในเวลาเดียวกัน ความซับซ้อนของการใช้เครื่องจักรนั้นมักเป็นปัญหาส่วนใหญ่ การศึกษา AI ทำให้มั่นใจได้ว่าเบื้องหลังการแก้ปัญหาจำเป็นต้องมีความรู้จากผู้เชี่ยวชาญ นั่นคือ การสร้างระบบที่ไม่เพียงแต่สามารถจดจำได้ แต่ยังวิเคราะห์และใช้ความรู้ของผู้เชี่ยวชาญในอนาคตอีกด้วย นำไปใช้ได้จริง
ประวัติคำศัพท์
วิศวกรรมความรู้และการพัฒนาระบบข้อมูลอัจฉริยะ โดยเฉพาะระบบผู้เชี่ยวชาญ มีความเกี่ยวข้องอย่างใกล้ชิด
ที่มหาวิทยาลัยสแตนฟอร์ดในสหรัฐอเมริกาในทศวรรษที่ 60-70 ภายใต้การนำของ E. Feigenbaumระบบ DENDRAL ในภายหลัง - MYCIN ทั้งสองระบบได้รับตำแหน่งผู้เชี่ยวชาญเนื่องจากความสามารถในการสะสมในหน่วยความจำคอมพิวเตอร์และใช้ความรู้ของผู้เชี่ยวชาญในการแก้ปัญหา เทคโนโลยีด้านนี้ได้รับคำว่า "วิศวกรรมความรู้" จากข้อความของศาสตราจารย์ E. Feigenbaum ซึ่งเป็นผู้สร้างสรรค์ระบบผู้เชี่ยวชาญ
แนวทาง
วิศวกรรมความรู้ขึ้นอยู่กับสองวิธี: การแปลงความรู้และการสร้างแบบจำลอง
- การเปลี่ยนแปลงความรู้. กระบวนการเปลี่ยนความเชี่ยวชาญและการเปลี่ยนจากความรู้ของผู้เชี่ยวชาญไปสู่การนำซอฟต์แวร์ไปใช้ การพัฒนาระบบฐานความรู้ถูกสร้างขึ้นจากมัน รูปแบบการแสดงความรู้-กฎเกณฑ์ ข้อเสียคือไม่สามารถแสดงความรู้โดยปริยายและความรู้ประเภทต่างๆ ในรูปแบบที่เพียงพอ ความยากลำบากในการสะท้อนกฎจำนวนมาก
- โมเดลอาคาร. การสร้าง AI ถือเป็นการจำลองประเภทหนึ่ง การสร้างแบบจำลองคอมพิวเตอร์ที่ออกแบบมาเพื่อแก้ปัญหาเฉพาะด้านอย่างเท่าเทียมกับผู้เชี่ยวชาญ โมเดลนี้ไม่สามารถเลียนแบบกิจกรรมของผู้เชี่ยวชาญในระดับความรู้ความเข้าใจได้ แต่ช่วยให้ได้ผลลัพธ์ที่คล้ายคลึงกัน
รูปแบบและวิธีการของวิศวกรรมความรู้มุ่งเป้าไปที่การพัฒนาระบบคอมพิวเตอร์ จุดประสงค์หลักคือการได้รับความรู้จากผู้เชี่ยวชาญแล้วจัดระบบให้ใช้งานได้อย่างมีประสิทธิภาพสูงสุด
ปัญญาประดิษฐ์ โครงข่ายประสาท และแมชชีนเลิร์นนิง: อะไรคือความแตกต่าง?
วิธีหนึ่งในการใช้ปัญญาประดิษฐ์คือระบบประสาทเครือข่าย
แมชชีนเลิร์นนิงเป็นพื้นที่ของการพัฒนา AI ที่มุ่งศึกษาวิธีการสร้างอัลกอริธึมการเรียนรู้ด้วยตนเอง ความจำเป็นในการดำเนินการนี้เกิดขึ้นเมื่อไม่มีวิธีแก้ไขปัญหาเฉพาะที่ชัดเจน ในสถานการณ์เช่นนี้ จะทำกำไรได้มากกว่าที่จะพัฒนากลไกที่สามารถสร้างวิธีการในการค้นหาวิธีแก้ปัญหา แทนที่จะมองหามัน
คำว่า "การเรียนรู้ลึก" ("ลึก") ที่ใช้กันทั่วไปหมายถึงอัลกอริธึมการเรียนรู้ของเครื่องที่ต้องใช้ทรัพยากรการคำนวณจำนวนมากเพื่อดำเนินการ แนวคิดส่วนใหญ่เกี่ยวข้องกับโครงข่ายประสาทเทียม
ปัญญาประดิษฐ์มีสองประเภท: เน้นแคบหรืออ่อนแอและทั่วไปหรือแข็งแกร่ง การกระทำของผู้อ่อนแอมีจุดมุ่งหมายเพื่อค้นหาวิธีแก้ไขปัญหาเฉพาะรายการ ตัวแทนที่โดดเด่นที่สุดของ AI ที่เน้นแคบคือผู้ช่วยเสียงของ Google Assistant, Siri และ Alice ในทางตรงกันข้าม ความสามารถด้าน AI ที่แข็งแกร่งทำให้สามารถทำงานได้เกือบทุกอย่างของมนุษย์ วันนี้ปัญญาประดิษฐ์ถือเป็นยูโทเปีย: การใช้งานเป็นไปไม่ได้
การเรียนรู้ของเครื่อง
Machine learning หมายถึงวิธีการในด้านปัญญาประดิษฐ์ที่ใช้ในการสร้างเครื่องจักรที่สามารถเรียนรู้จากประสบการณ์ กระบวนการเรียนรู้เป็นที่เข้าใจกันว่าเป็นการประมวลผลอาร์เรย์ข้อมูลขนาดใหญ่โดยเครื่องและการค้นหารูปแบบในอาร์เรย์
แนวคิดของแมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูล แม้จะมีความคล้ายคลึงกัน แต่ก็ยังแตกต่างกันและแต่ละคนก็รับมือกับงานของตนเองได้ เครื่องมือทั้งสองรวมอยู่ในเครื่องเทียมสติปัญญา
แมชชีนเลิร์นนิง ซึ่งเป็นหนึ่งในสาขาของ AI เป็นอัลกอริธึมที่คอมพิวเตอร์สามารถสรุปผลได้โดยไม่ต้องยึดติดกับกฎเกณฑ์ที่เข้มงวด เครื่องจะค้นหารูปแบบในงานที่ซับซ้อนด้วยพารามิเตอร์จำนวนมาก ค้นหาคำตอบที่แม่นยำยิ่งขึ้น ไม่เหมือนสมองของมนุษย์ ผลลัพธ์ของวิธีการคือการทำนายที่แม่นยำ
วิทยาศาสตร์ข้อมูล
ศาสตร์แห่งการวิเคราะห์ข้อมูลและดึงความรู้และข้อมูลที่มีค่าจากพวกมัน (การทำเหมืองข้อมูล) มันสื่อสารกับแมชชีนเลิร์นนิงและศาสตร์แห่งการคิด ด้วยเทคโนโลยีสำหรับการโต้ตอบกับข้อมูลจำนวนมาก งานของ Data Science ช่วยให้คุณวิเคราะห์ข้อมูลและค้นหาแนวทางที่เหมาะสมสำหรับการเรียงลำดับ การประมวลผล การสุ่มตัวอย่าง และการดึงข้อมูลในภายหลัง
ตัวอย่างเช่น มีข้อมูลเกี่ยวกับค่าใช้จ่ายทางการเงินขององค์กรและข้อมูลเกี่ยวกับคู่สัญญาที่เชื่อมต่อถึงกันตามเวลาและวันที่ของธุรกรรมและข้อมูลธนาคารระดับกลางเท่านั้น การวิเคราะห์ข้อมูลขั้นกลางของเครื่องจักรเชิงลึกทำให้คุณสามารถระบุคู่สัญญาที่มีราคาแพงที่สุดได้
โครงข่ายประสาทเทียม
โครงข่ายประสาทซึ่งไม่ใช่เครื่องมือที่แยกจากกัน แต่เป็นการเรียนรู้ของเครื่องประเภทหนึ่ง สามารถจำลองการทำงานของสมองมนุษย์โดยใช้เซลล์ประสาทเทียมได้ การกระทำของพวกเขามีจุดมุ่งหมายเพื่อแก้ไขงานและเรียนรู้ด้วยตนเองตามประสบการณ์ที่ได้รับจากการลดข้อผิดพลาด
เป้าหมายการเรียนรู้ของเครื่อง
เป้าหมายหลักของการเรียนรู้ของเครื่องถือเป็นระบบอัตโนมัติบางส่วนหรือทั้งหมดของการค้นหาโซลูชันการวิเคราะห์ต่างๆงาน ด้วยเหตุผลนี้ แมชชีนเลิร์นนิงควรให้การคาดการณ์ที่แม่นยำที่สุดตามข้อมูลที่ได้รับ ผลลัพธ์ของการเรียนรู้ของเครื่องคือการทำนายและจดจำผลลัพธ์โดยมีความเป็นไปได้ที่จะทำซ้ำและเลือกหนึ่งในตัวเลือกที่ดีที่สุด
ประเภทของการเรียนรู้ของเครื่อง
การจำแนกการเรียนรู้ตามการมีครูอยู่ในสามประเภท:
- กับอาจารย์. ใช้เมื่อการใช้ความรู้เกี่ยวข้องกับการสอนให้เครื่องรับรู้สัญญาณและวัตถุ
- ไม่มีครู. หลักการทำงานขึ้นอยู่กับอัลกอริธึมที่ตรวจจับความเหมือนและความแตกต่างระหว่างอ็อบเจกต์ ความผิดปกติ แล้วรับรู้ว่าสิ่งใดในสิ่งใดที่ถือว่าไม่เหมือนกันหรือผิดปกติ
- พร้อมกำลังเสริม. ใช้เมื่อเครื่องต้องทำงานอย่างถูกต้องในสภาพแวดล้อมที่มีวิธีแก้ปัญหาที่เป็นไปได้มากมาย
ตามประเภทของอัลกอริธึมที่ใช้ แบ่งออกเป็น:
- การเรียนรู้แบบคลาสสิก. อัลกอริทึมการเรียนรู้ได้รับการพัฒนามานานกว่าครึ่งศตวรรษสำหรับสำนักงานสถิติและศึกษาอย่างรอบคอบตลอดเวลา ใช้เพื่อแก้ปัญหาที่เกี่ยวข้องกับการทำงานกับข้อมูล
- การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียม แนวทางสมัยใหม่ในการเรียนรู้ของเครื่อง โครงข่ายประสาทเทียมถูกใช้เมื่อต้องการสร้างหรือจดจำวิดีโอและรูปภาพ การแปลด้วยคอมพิวเตอร์ การตัดสินใจที่ซับซ้อน และกระบวนการวิเคราะห์
ในวิศวกรรมความรู้ สามารถสร้างแบบจำลองได้หลายแบบ โดยผสมผสานวิธีการต่างๆ เข้าด้วยกัน
ประโยชน์ของการเรียนรู้ของเครื่อง
ด้วยการผสมผสานที่ลงตัวระหว่างประเภทและอัลกอริธึมต่างๆ ของแมชชีนเลิร์นนิง ทำให้กระบวนการทางธุรกิจตามปกติเป็นไปโดยอัตโนมัติ ส่วนที่สร้างสรรค์ - การเจรจาต่อรอง การสรุปสัญญา การร่างและการดำเนินกลยุทธ์ - ถูกปล่อยให้เป็นหน้าที่ของผู้คน การแบ่งส่วนนี้มีความสำคัญ เพราะคนเราคิดนอกกรอบไม่เหมือนเครื่องจักร
ปัญหาในการสร้าง AI
ในบริบทของการสร้าง AI มีปัญหาสองประการในการสร้างปัญญาประดิษฐ์:
- ความชอบธรรมในการรับรู้บุคคลว่าเป็นจิตสำนึกในการจัดระเบียบตนเองและเจตจำนงเสรี และด้วยเหตุนี้ จึงจำเป็นต้องรับรู้ปัญญาประดิษฐ์อย่างสมเหตุสมผล
- การเปรียบเทียบปัญญาประดิษฐ์กับจิตใจมนุษย์และความสามารถของปัญญาประดิษฐ์ ซึ่งไม่คำนึงถึงลักษณะเฉพาะของทุกระบบและนำมาซึ่งการเลือกปฏิบัติเนื่องจากกิจกรรมที่ไร้ความหมาย
ปัญหาในการสร้างปัญญาประดิษฐ์นั้นอยู่ในรูปแบบของภาพและความทรงจำที่เป็นรูปเป็นร่าง โซ่ที่เป็นรูปเป็นร่างในมนุษย์ถูกสร้างขึ้นโดยเชื่อมโยงกัน ตรงกันข้ามกับการทำงานของเครื่องจักร ตรงกันข้ามกับจิตใจของมนุษย์ คอมพิวเตอร์ค้นหาโฟลเดอร์และไฟล์เฉพาะ และไม่เลือกกลุ่มลิงก์ที่เชื่อมโยงกัน ปัญญาประดิษฐ์ในวิศวกรรมความรู้ใช้ฐานข้อมูลเฉพาะในการทำงานและไม่สามารถทดลองได้
ปัญหาที่สองคือการเรียนรู้ภาษาสำหรับเครื่อง การแปลข้อความโดยโปรแกรมแปลมักจะดำเนินการโดยอัตโนมัติ และผลลัพธ์สุดท้ายจะแสดงด้วยชุดคำ เพื่อการแปลที่ถูกต้องต้องเข้าใจความหมายของประโยค ซึ่งยากสำหรับ AI ที่จะนำไปใช้
การไม่แสดงเจตจำนงของปัญญาประดิษฐ์ยังถือเป็นปัญหาในการสร้าง พูดง่ายๆ ก็คือ คอมพิวเตอร์ไม่มีความต้องการส่วนตัว ตรงข้ามกับพลังและความสามารถในการคำนวณที่ซับซ้อน
ระบบปัญญาประดิษฐ์สมัยใหม่ไม่มีแรงจูงใจในการดำรงอยู่และปรับปรุงต่อไป AI ส่วนใหญ่มีแรงจูงใจจากงานของมนุษย์เท่านั้นและจำเป็นต้องทำให้เสร็จ ในทางทฤษฎีแล้ว สิ่งนี้สามารถได้รับอิทธิพลจากการสร้างข้อเสนอแนะระหว่างคอมพิวเตอร์กับบุคคล และปรับปรุงระบบการเรียนรู้ด้วยตนเองของคอมพิวเตอร์
ความดั้งเดิมของโครงข่ายประสาทเทียมที่สร้างขึ้นมา วันนี้ พวกเขามีข้อได้เปรียบที่เหมือนกับสมองของมนุษย์ พวกเขาเรียนรู้จากประสบการณ์ส่วนตัว พวกเขาสามารถสรุปผลและดึงข้อมูลสำคัญออกจากข้อมูลที่ได้รับ ในขณะเดียวกัน ระบบอัจฉริยะก็ไม่สามารถเลียนแบบการทำงานทั้งหมดของสมองมนุษย์ได้ ความฉลาดที่มีอยู่ในโครงข่ายประสาทเทียมสมัยใหม่ไม่เกินความฉลาดของสัตว์
ประสิทธิภาพขั้นต่ำของ AI เพื่อการทหาร ผู้สร้างหุ่นยนต์ที่ใช้ปัญญาประดิษฐ์กำลังเผชิญกับปัญหาที่ AI ไม่สามารถเรียนรู้ด้วยตนเอง รับรู้โดยอัตโนมัติ และวิเคราะห์ข้อมูลที่ได้รับแบบเรียลไทม์อย่างถูกต้อง
