הנדסת ידע היא סט של שיטות, מודלים וטכניקות שמטרתן ליצור מערכות שנועדו למצוא פתרונות לבעיות על סמך הידע הקיים. למעשה, מונח זה מובן כמתודולוגיה, תיאוריה וטכנולוגיה, המכסים שיטות של ניתוח, מיצוי, עיבוד והצגת ידע.
מהות הבינה המלאכותית טמונה בניתוח מדעי ובאוטומציה של פונקציות אינטלקטואליות הטבועות באדם. יחד עם זאת, המורכבות של יישום המכונה שלהם משותפת לרוב הבעיות. חקר הבינה המלאכותית איפשר לוודא שמאחורי פתרון הבעיות מסתתר הצורך בידע מומחה, כלומר יצירת מערכת שיכולה לא רק לשנן, אלא גם לנתח ולהשתמש בידע מומחה בעתיד; ניתן להשתמש בו למטרות מעשיות.
היסטוריית המונח
הנדסת ידע ופיתוח מערכות מידע חכמות, בפרט מערכות מומחים, קשורות קשר הדוק.
באוניברסיטת סטנפורד בארה"ב בשנות ה-60-70, בהנהגתו של E. Feigenbaum, א.מערכת DENDRAL, קצת מאוחר יותר - MYCIN. שתי המערכות קיבלו את התואר מומחה בשל יכולתן לצבור בזיכרון המחשב ולהשתמש בידע של מומחים כדי לפתור בעיות. תחום טכנולוגיה זה קיבל את המונח "הנדסת ידע" מהמסר של פרופסור E. Feigenbaum, שהפך ליוצר של מערכות מומחים.
גישות
הנדסת ידע מבוססת על שתי גישות: שינוי ידע ובניית מודלים.
- טרנספורמציה של ידע. תהליך שינוי המומחיות והמעבר מידע מומחה להטמעת התוכנה שלו. על זה נבנה הפיתוח של מערכות מבוססות ידע. פורמט ייצוג ידע – כללים. החסרונות הם חוסר האפשרות לייצג ידע מרומז וסוגים שונים של ידע בצורה נאותה, הקושי לשקף מספר רב של כללים.
- בניית דגמים. בניית בינה מלאכותית נחשבת לסוג של סימולציה; בניית מודל ממוחשב שנועד לפתור בעיות בתחום מסוים בשוויון עם מומחים. המודל אינו מסוגל לחקות פעילות של מומחה ברמה הקוגניטיבית, אך הוא מאפשר קבלת תוצאה דומה.
מודלים ושיטות של הנדסת ידע מכוונים לפיתוח מערכות מחשוב, שמטרתן העיקרית היא להשיג את הידע הזמין ממומחים ולאחר מכן לארגן אותו לשימוש היעיל ביותר.
בינה מלאכותית, רשתות עצביות ולמידת מכונה: מה ההבדל?
אחת הדרכים ליישם בינה מלאכותית היא עצביתרשת.
למידת מכונה היא תחום פיתוח AI שמטרתו לימוד שיטות לבניית אלגוריתמים ללמידה עצמית. הצורך בכך מתעורר בהיעדר פתרון ברור לבעיה ספציפית. במצב כזה משתלם יותר לפתח מנגנון שיוכל ליצור שיטה למציאת פתרון, במקום לחפש אותו.
המונח הנפוץ "למידה עמוקה" ("עמוק") מתייחס לאלגוריתמים של למידת מכונה הדורשים כמות גדולה של משאבי מחשוב כדי לפעול. הרעיון ברוב המקרים קשור לרשתות עצביות.
ישנם שני סוגים של בינה מלאכותית: ממוקד צר, או חלש, וכללי, או חזק. פעולתם של החלשים מכוונת למציאת פתרון לרשימה מצומצמת של בעיות. הנציגים הבולטים של AI ממוקד צר הם העוזרות הקוליות Google Assistant, Siri ואליס. לעומת זאת, יכולות AI חזקות מאפשרות לו לבצע כמעט כל משימה אנושית. כיום, בינה כללית מלאכותית נחשבת לאוטופיה: היישום שלה בלתי אפשרי.
למידת מכונה
למידת מכונה מתייחסת לשיטות בתחום הבינה המלאכותית המשמשות ליצירת מכונה שיכולה ללמוד מניסיון. תהליך הלמידה מובן כעיבוד של מערכי נתונים ענקיים על ידי המכונה וחיפוש אחר דפוסים בהם.
המושגים של למידת מכונה ומדעי הנתונים, למרות הדמיון ביניהם, עדיין שונים וכל אחד מתמודד עם המשימות שלו. שני המכשירים כלולים במלאכותימודיעין.
למידת מכונה, שהיא אחד מענפי הבינה המלאכותית, היא אלגוריתמים המבוססים עליהם מחשב מסוגל להסיק מסקנות מבלי להקפיד על כללים קשיחים. המכונה מחפשת תבניות במשימות מורכבות עם מספר רב של פרמטרים, ומוצאת תשובות מדויקות יותר, בניגוד למוח האנושי. התוצאה של השיטה היא חיזוי מדויק.
מדע נתונים
המדע כיצד לנתח נתונים ולחלץ מהם ידע ומידע יקרי ערך (כריית נתונים). הוא מתקשר עם למידת מכונה ומדע החשיבה, עם טכנולוגיות לאינטראקציה עם כמויות גדולות של נתונים. העבודה של Data science מאפשרת לך לנתח נתונים ולמצוא את הגישה הנכונה למיון, עיבוד, דגימה ואחזור מידע לאחר מכן.
לדוגמה, יש מידע על ההוצאות הכספיות של מיזם ומידע על צדדים נגדיים המחוברים ביניהם רק לפי השעה והתאריך של העסקאות ונתוני ביניים בנקאיים. ניתוח מכונה עמוק של נתוני ביניים מאפשר לך לקבוע את הצד הנגדי היקר ביותר.
רשתות עצביות
רשתות עצביות, שאינן כלי נפרד, אלא אחד מסוגי למידת מכונה, מסוגלות לדמות את עבודת המוח האנושי באמצעות נוירונים מלאכותיים. פעולתם מכוונת לפתרון המשימה ולמידה עצמית על סמך ניסיון שנצבר עם מזעור טעויות.
יעדי למידה מכונות
המטרה העיקרית של למידת מכונה נחשבת לאוטומציה חלקית או מלאה של החיפוש אחר פתרונות למגווןמשימות. מסיבה זו, למידת מכונה צריכה לתת את התחזיות המדויקות ביותר על סמך הנתונים שהתקבלו. התוצאה של למידת מכונה היא חיזוי ושינון של התוצאה עם אפשרות לשעתוק ובחירה לאחר מכן של אחת האפשרויות הטובות ביותר.
סוגי למידת מכונה
סיווג למידה על סמך נוכחות מורה מתרחש בשלוש קטגוריות:
- עם המורה. משמש כאשר השימוש בידע כרוך ללמד את המכונה לזהות אותות וחפצים.
- ללא מורה. עקרון הפעולה מבוסס על אלגוריתמים שמזהים קווי דמיון והבדלים בין אובייקטים, חריגות, ואז מזהים מי מהם נחשב לא דומה או חריג.
- עם חיזוקים. משמש כאשר מכונה חייבת לבצע משימות בצורה נכונה בסביבה עם פתרונות אפשריים רבים.
לפי סוג האלגוריתמים שבהם נעשה שימוש, הם מחולקים ל:
- למידה קלאסית. אלגוריתמי למידה פותחו לפני יותר מחצי מאה עבור משרדי סטטיסטיקה ונלמדו בקפידה לאורך זמן. משמש לפתרון בעיות הקשורות לעבודה עם נתונים.
- למידה עמוקה ורשתות עצביות. גישה מודרנית ללמידת מכונה. רשתות עצביות משמשות כאשר נדרשים יצירה או זיהוי של סרטונים ותמונות, תרגום מכונה, תהליכי קבלת החלטות וניתוח מורכבים.
בהנדסת ידע, הרכבים של מודלים אפשריים, המשלבים כמה גישות שונות.
היתרונות של למידת מכונה
עם שילוב מוכשר של סוגים ואלגוריתמים שונים של למידת מכונה, ניתן לבצע אוטומציה של תהליכים עסקיים שגרתיים. החלק היצירתי - ניהול משא ומתן, כריתת חוזים, תכנון וביצוע אסטרטגיות - נותר לאנשים. החלוקה הזו חשובה, מכיוון שאדם, בניגוד למכונה, מסוגל לחשוב מחוץ לקופסה.
בעיות ביצירת AI
בהקשר של יצירת בינה מלאכותית, יש שתי בעיות של יצירת בינה מלאכותית:
- הלגיטימיות של הכרה באדם כתודעה מארגנת את עצמה ורצון חופשי, ובהתאם לכך, לשם הכרה בבינה מלאכותית כסבירה, נדרש אותו הדבר;
- השוואת בינה מלאכותית עם המוח האנושי ויכולותיו, שאינה לוקחת בחשבון את המאפיינים האישיים של כל המערכות וגוררת אפליה בשל חוסר המשמעות של פעילותן.
הבעיות ביצירת בינה מלאכותית נעוצות בין היתר ביצירת דימויים וזיכרון פיגורטיבי. שרשראות פיגורטיביות בבני אדם נוצרות באופן אסוציאטיבי, בניגוד לפעולתה של מכונה; בניגוד למוח האנושי, מחשב מחפש תיקיות וקבצים ספציפיים, ואינו בוחר שרשראות של קישורים אסוציאטיביים. בינה מלאכותית בהנדסת ידע משתמשת במסד נתונים ספציפי בעבודתה ואינה מסוגלת להתנסות.
הבעיה השנייה היא לימוד שפות למכונה. תרגום טקסט על ידי תוכניות תרגום מבוצע לרוב באופן אוטומטי, והתוצאה הסופית מיוצגת על ידי קבוצת מילים. לתרגום נכוןדורש הבנת משמעות המשפט, שקשה ליישם בינה מלאכותית.
היעדר הביטוי של רצון הבינה המלאכותית נחשב גם לבעיה בדרך ליצירתה. במילים פשוטות, למחשב אין רצונות אישיים, בניגוד לכוח והיכולת לבצע חישובים מורכבים.
למערכות בינה מלאכותית מודרניות אין תמריצים להמשך קיום ושיפור. רוב ה-AI מונעים רק על ידי משימה אנושית והצורך להשלים אותה. בתיאוריה ניתן להשפיע על כך על ידי יצירת משוב בין מחשב לאדם ושיפור מערכת הלמידה העצמית של המחשב.
פרימיטיביות של רשתות עצביות שנוצרו באופן מלאכותי. כיום יש להם יתרונות זהים למוח האנושי: הם לומדים על סמך ניסיון אישי, הם מסוגלים להסיק מסקנות ולהפיק את העיקר מהמידע המתקבל. יחד עם זאת, מערכות חכמות אינן מסוגלות לשכפל את כל הפונקציות של המוח האנושי. האינטליגנציה הטבועה ברשתות עצביות מודרניות אינה עולה על האינטליגנציה של בעל חיים.
יעילות מינימלית של AI למטרות צבאיות. היוצרים של רובוטים מבוססי בינה מלאכותית מתמודדים עם הבעיה של חוסר היכולת של AI ללמוד בעצמו, לזהות באופן אוטומטי ולנתח נכון את המידע המתקבל בזמן אמת.
