Tietotekniikka on joukko menetelmiä, malleja ja tekniikoita, joiden tarkoituksena on luoda järjestelmiä, jotka on suunniteltu löytämään ratkaisuja ongelmiin olemassa olevan tiedon perusteella. Itse asiassa tämä termi ymmärretään metodologiaksi, teoriaksi ja teknologiaksi, joka kattaa tiedon analysointi-, poiminta-, käsittely- ja esittämismenetelmät.
Tekoälyn ydin on ihmiselle luontaisten älyllisten toimintojen tieteellisessä analysoinnissa ja automatisoinnissa. Samaan aikaan niiden konetoteutuksen monimutkaisuus on yhteistä useimmille ongelmille. Tekoälyn tutkiminen mahdollisti sen, että ongelmien ratkaisun takana on asiantuntijatiedon tarve, eli sellaisen järjestelmän luominen, joka osaa paitsi muistaa myös analysoida ja käyttää asiantuntijatietoa tulevaisuudessa; sitä voidaan käyttää käytännön tarkoituksiin.
Termin historia
Tietotekniikka ja älykkäiden tietojärjestelmien, erityisesti asiantuntijajärjestelmien, kehittäminen liittyvät läheisesti toisiinsa.
Stanfordin yliopistossa Yhdysvalloissa 60-70-luvulla E. Feigenbaumin johdollaDENDRAL-järjestelmä, hieman myöhemmin - MYCIN. Molemmat järjestelmät ovat saaneet asiantuntijan arvonimen, koska ne pystyvät kerääntymään tietokoneen muistiin ja hyödyntämään asiantuntijoiden tietoja ongelmien ratkaisemisessa. Tämä tekniikan alue sai termin "tietotekniikka" professori E. Feigenbaumin viestistä, josta tuli asiantuntijajärjestelmien luoja.
Lähestymistapoja
Tietotekniikka perustuu kahteen lähestymistapaan: tiedon muuntamiseen ja mallin rakentamiseen.
- Tiedon muuntaminen. Asiantuntijuuden muutosprosessi ja siirtyminen asiantuntijatiedosta sen ohjelmistojen toteutukseen. Tietopohjaisten järjestelmien kehitys rakentui sen varaan. Tiedon esitysmuoto - säännöt. Haittoja ovat implisiittisen tiedon ja erityyppisten tietojen esittämisen mahdottomuus riittävässä muodossa, useiden sääntöjen heijastuksen vaikeus.
- Rakennusmalleja. Tekoälyn rakentamista pidetään eräänlaisena simulaationa; tietokonemallin rakentaminen, joka on suunniteltu ratkaisemaan tietyn alueen ongelmia tasavertaisesti asiantuntijoiden kanssa. Malli ei pysty jäljittelemään asiantuntijan toimintaa kognitiivisella tasolla, mutta se mahdollistaa samanlaisen tuloksen saamisen.
Tietotekniikan mallit ja menetelmät on suunnattu tietokonejärjestelmien kehittämiseen, joiden päätarkoituksena on hankkia asiantuntijoilta saatavilla oleva tieto ja sitten organisoida se mahdollisimman tehokkaaksi käyttöön.
Tekoäly, hermoverkot ja koneoppiminen: mitä eroa on?
Yksi keinoälyn toteuttamisesta on hermoverkko.
Koneoppiminen on tekoälykehityksen osa-alue, jonka tavoitteena on tutkia menetelmiä itseoppivien algoritmien rakentamiseen. Tämän tarve syntyy, kun tiettyyn ongelmaan ei ole selkeää ratkaisua. Tällaisessa tilanteessa on kannattavampaa kehittää mekanismi, jolla voidaan luoda menetelmä ratkaisun löytämiseen, kuin etsiä sitä.
Yleisesti käytetty termi "syvä" ("syvä") oppiminen viittaa koneoppimisalgoritmeihin, jotka vaativat suuren määrän laskentaresursseja toimiakseen. Käsite liittyy useimmissa tapauksissa hermoverkkoihin.
Tekoälyä on kahta tyyppiä: kapeasti fokusoitunut eli heikko ja yleinen eli vahva. Heikkojen toiminta tähtää ratkaisun löytämiseen kapeaan luetteloon ongelmia. Suppeasti fokusoidun tekoälyn näkyvimmät edustajat ovat ääniavustajat Google Assistant, Siri ja Alice. Sitä vastoin vahvat tekoälykyvyt antavat sille mahdollisuuden suorittaa lähes kaikki ihmisen tehtävät. nykyään yleistä tekoälyä pidetään utopiana: sen toteuttaminen on mahdotonta.
Koneoppiminen
Koneoppiminen viittaa tekoälyn alan menetelmiin, joilla luodaan kone, joka voi oppia kokemuksesta. Oppimisprosessi ymmärretään koneen suorittamana v altavien tietotaulukoiden käsittelynä ja niistä mallien etsimisenä.
Koneoppimisen ja Datatieteen käsitteet ovat samank altaisuudestaan huolimatta silti erilaisia ja kukin selviää omien tehtäviensä kanssa. Molemmat instrumentit sisältyvät keinotekoiseenälykkyys.
Koneoppiminen, joka on yksi tekoälyn haaroista, on algoritmeja, joiden perusteella tietokone pystyy tekemään johtopäätöksiä noudattamatta tiukasti asetettuja sääntöjä. Kone etsii kuvioita monimutkaisissa tehtävissä, joissa on suuri määrä parametreja, ja löytää tarkempia vastauksia, toisin kuin ihmisaivot. Menetelmän tulos on tarkka ennuste.
Tietotiede
Tiede siitä, kuinka analysoida tietoja ja poimia niistä arvokasta tietoa (tiedonlouhinta). Se kommunikoi koneoppimisen ja ajattelutieteen kanssa sekä teknologioiden kanssa vuorovaikutuksessa suurten tietomäärien kanssa. Datatieteen työn avulla voit analysoida tietoja ja löytää oikean lähestymistavan myöhempään lajitteluun, käsittelyyn, näytteenottoon ja tiedonhakuun.
Esimerkiksi tietoa yrityksen rahoituskuluista ja tietoja vastapuolista, jotka liittyvät toisiinsa vain tapahtumien ajan ja päivämäärän sekä välipankkitietojen perusteella. Välitietojen syvän koneanalyysin avulla voit määrittää kalleimman vastapuolen.
Neuroverkot
Neuroverkot, jotka eivät ole erillinen työkalu, vaan yksi koneoppimisen tyypeistä, pystyvät simuloimaan ihmisaivojen työtä keinotekoisten hermosolujen avulla. Heidän toimintansa on suunnattu tehtävän ratkaisemiseen ja itseoppimiseen kokemuksen pohj alta virheiden minimoimalla.
Koneoppimistavoitteet
Koneoppimisen päätavoitteena pidetään ratkaisujen etsimisen osittaista tai täydellistä automatisointia erilaisiin analyyttisiintehtäviä. Tästä syystä koneoppimisen pitäisi antaa tarkimmat ennusteet saatujen tietojen perusteella. Koneoppimisen tulos on tuloksen ennustaminen ja muistaminen sekä mahdollisuus myöhemmin toistaa ja valita yksi parhaista vaihtoehdoista.
Koneoppimisen tyypit
Oppimisen luokittelu opettajan läsnäolon perusteella tapahtuu kolmeen kategoriaan:
- Opettajan kanssa. Käytetään, kun tiedon käyttöön liittyy koneen opettaminen tunnistamaan signaaleja ja esineitä.
- Ilman opettajaa. Toimintaperiaate perustuu algoritmeihin, jotka havaitsevat kohteiden väliset yhtäläisyydet ja erot, poikkeavuudet ja tunnistavat sitten, mikä niistä on erilainen tai epätavallinen.
- Vahvistuksilla. Käytetään, kun koneen on suoritettava tehtävät oikein ympäristössä, jossa on monia mahdollisia ratkaisuja.
Käytettyjen algoritmien tyypin mukaan ne jaetaan:
- Klassinen oppiminen. Oppimisalgoritmit kehitettiin yli puoli vuosisataa sitten tilastotoimistoille ja niitä tutkittiin huolellisesti ajan mittaan. Käytetään tietojen käsittelyyn liittyvien ongelmien ratkaisemiseen.
- Syvä oppiminen ja hermoverkot. Nykyaikainen lähestymistapa koneoppimiseen. Neuroverkkoja käytetään, kun tarvitaan videoiden ja kuvien luomista tai tunnistamista, konekäännöstä, monimutkaisia päätöksenteko- ja analyysiprosesseja.
Tietotekniikassa mallien yhdistelmät ovat mahdollisia yhdistäen useita eri lähestymistapoja.
Koneoppimisen edut
Koneoppimisen eri tyyppien ja algoritmien osaavalla yhdistelmällä on mahdollista automatisoida rutiininomaisia liiketoimintaprosesseja. Luova osa - neuvottelut, sopimusten tekeminen, strategioiden laatiminen ja toteuttaminen - jätetään ihmisten tehtäväksi. Tämä jako on tärkeä, koska ihminen, toisin kuin kone, pystyy ajattelemaan laatikon ulkopuolella.
Ongelmia tekoälyn luomisessa
Tekoälyn luomisessa on kaksi ongelmaa:
- Ihmisen tunnistamisen oikeutus itseorganisoituvaksi tietoisuudeksi ja vapaaksi tahdoksi ja vastaavasti tekoälyn järkeväksi tunnustamiseksi vaaditaan samaa;
- Tekoälyn vertailu ihmismieleen ja sen kykyihin, joka ei ota huomioon kaikkien järjestelmien yksilöllisiä ominaisuuksia ja merkitsee niiden syrjintää toiminnan merkityksettömyyden vuoksi.
Tekoälyn luomisen ongelmat piilevät muun muassa kuvien ja figuratiivisen muistin muodostumisessa. Kuvannolliset ketjut ihmisissä muodostuvat assosiatiivisesti, toisin kuin koneen toiminnassa; Toisin kuin ihmismielessä, tietokone etsii tiettyjä kansioita ja tiedostoja, eikä valitse assosiatiivisten linkkien ketjuja. Tietotekniikan tekoäly käyttää työssään tiettyä tietokantaa, eikä se pysty kokeilemaan.
Toinen ongelma on koneen kielten oppiminen. Tekstin kääntäminen käännösohjelmilla tapahtuu usein automaattisesti, ja lopputulos esitetään sanajoukolla. Oikealle käännökselleedellyttää lauseen merkityksen ymmärtämistä, jota tekoälyn on vaikea toteuttaa.
Tekoälyn tahdon ilmentymisen puutetta pidetään myös ongelmana matkalla sen luomiseen. Yksinkertaisesti sanottuna tietokoneella ei ole henkilökohtaisia toiveita, toisin kuin teho ja kyky suorittaa monimutkaisia laskelmia.
Nykyaikaisilla tekoälyjärjestelmillä ei ole kannustimia olemassaoloon ja parantamiseen. Useimpia tekoälyjä motivoi vain ihmisen tehtävä ja tarve suorittaa se. Teoriassa tähän voidaan vaikuttaa luomalla palautetta tietokoneen ja henkilön välille ja parantamalla tietokoneen itseoppimisjärjestelmää.
Keinotekoisesti luotujen hermoverkkojen primitiivisyys. Nykyään heillä on ihmisaivojen kanssa identtisiä etuja: he oppivat henkilökohtaisen kokemuksen perusteella, osaavat tehdä johtopäätöksiä ja poimia saamastaan tiedosta pääasia. Samaan aikaan älykkäät järjestelmät eivät pysty toistamaan kaikkia ihmisaivojen toimintoja. Nykyaikaisten hermoverkkojen älykkyys ei ylitä eläimen älyä.
Tekoälyn vähimmäistehokkuus sotilaallisiin tarkoituksiin. Tekoälypohjaisten robottien luojat kohtaavat ongelman, joka johtuu siitä, että tekoäly ei pysty oppimaan itse, tunnistamaan ja analysoimaan saatua tietoa automaattisesti reaaliajassa.
