ज्ञान इंजीनियरिंग मौजूदा ज्ञान के आधार पर समस्याओं के समाधान खोजने के लिए डिज़ाइन किए गए सिस्टम बनाने के उद्देश्य से विधियों, मॉडलों और तकनीकों का एक समूह है। वास्तव में, इस शब्द को कार्यप्रणाली, सिद्धांत और प्रौद्योगिकी के रूप में समझा जाता है, जिसमें ज्ञान के विश्लेषण, निष्कर्षण, प्रसंस्करण और प्रस्तुति के तरीकों को शामिल किया जाता है।
कृत्रिम बुद्धि का सार मनुष्य में निहित बौद्धिक कार्यों के वैज्ञानिक विश्लेषण और स्वचालन में निहित है। साथ ही, अधिकांश समस्याओं के लिए उनके मशीन कार्यान्वयन की जटिलता आम है। एआई के अध्ययन ने यह सुनिश्चित करना संभव बना दिया कि समस्याओं के समाधान के पीछे विशेषज्ञ ज्ञान की आवश्यकता है, यानी एक ऐसी प्रणाली का निर्माण जो न केवल याद रख सके, बल्कि भविष्य में विशेषज्ञ ज्ञान का विश्लेषण और उपयोग भी कर सके; इसका उपयोग व्यावहारिक उद्देश्यों के लिए किया जा सकता है।
शब्द का इतिहास
ज्ञान अभियांत्रिकी और बुद्धिमान सूचना प्रणाली का विकास, विशेष रूप से विशेषज्ञ प्रणालियों में, निकट से संबंधित हैं।
60-70 के दशक में संयुक्त राज्य अमेरिका में स्टैनफोर्ड विश्वविद्यालय में, ई. फीगेनबाम के नेतृत्व में, एDENDRAL प्रणाली, थोड़ी देर बाद - MYCIN। कंप्यूटर मेमोरी में जमा होने और समस्याओं को हल करने के लिए विशेषज्ञों के ज्ञान का उपयोग करने की उनकी क्षमता के कारण दोनों प्रणालियों को विशेषज्ञ की उपाधि मिली है। प्रौद्योगिकी के इस क्षेत्र को "ज्ञान इंजीनियरिंग" शब्द प्रोफेसर ई. फीगेनबाम के संदेश से प्राप्त हुआ, जो विशेषज्ञ प्रणालियों के निर्माता बने।
दृष्टिकोण
ज्ञान इंजीनियरिंग दो दृष्टिकोणों पर आधारित है: ज्ञान परिवर्तन और मॉडल निर्माण।
- ज्ञान का परिवर्तन। विशेषज्ञता बदलने की प्रक्रिया और विशेषज्ञ ज्ञान से इसके सॉफ्टवेयर कार्यान्वयन में परिवर्तन। ज्ञान आधारित प्रणालियों का विकास इसी पर आधारित था। ज्ञान प्रतिनिधित्व प्रारूप - नियम। नुकसान निहित ज्ञान और विभिन्न प्रकार के ज्ञान को पर्याप्त रूप में प्रस्तुत करने की असंभवता, बड़ी संख्या में नियमों को प्रतिबिंबित करने की कठिनाई है।
- बिल्डिंग मॉडल। एआई का निर्माण एक प्रकार का अनुकरण माना जाता है; विशेषज्ञों के साथ समान आधार पर किसी विशेष क्षेत्र में समस्याओं को हल करने के लिए डिज़ाइन किया गया एक कंप्यूटर मॉडल बनाना। मॉडल संज्ञानात्मक स्तर पर किसी विशेषज्ञ की गतिविधि की नकल करने में सक्षम नहीं है, लेकिन यह एक समान परिणाम प्राप्त करने की अनुमति देता है।
नॉलेज इंजीनियरिंग के मॉडल और तरीके कंप्यूटर सिस्टम के विकास के उद्देश्य से हैं, जिसका मुख्य उद्देश्य विशेषज्ञों से उपलब्ध ज्ञान को प्राप्त करना और फिर इसे सबसे प्रभावी उपयोग के लिए व्यवस्थित करना है।
आर्टिफिशियल इंटेलिजेंस, तंत्रिका नेटवर्क और मशीन लर्निंग: क्या अंतर है?
कृत्रिम बुद्धि को लागू करने के तरीकों में से एक तंत्रिका हैनेटवर्क।
मशीन लर्निंग एआई विकास का एक क्षेत्र है जिसका उद्देश्य सेल्फ-लर्निंग एल्गोरिदम के निर्माण के तरीकों का अध्ययन करना है। किसी विशिष्ट समस्या के स्पष्ट समाधान के अभाव में इसकी आवश्यकता उत्पन्न होती है। ऐसी स्थिति में, एक ऐसा तंत्र विकसित करना अधिक लाभदायक है जो समाधान खोजने के बजाय उसे खोजने के लिए एक विधि बना सके।
आमतौर पर इस्तेमाल किया जाने वाला शब्द "डीप" ("डीप") लर्निंग मशीन लर्निंग एल्गोरिदम को संदर्भित करता है जिसे संचालित करने के लिए बड़ी मात्रा में कंप्यूटिंग संसाधनों की आवश्यकता होती है। ज्यादातर मामलों में अवधारणा तंत्रिका नेटवर्क से जुड़ी होती है।
कृत्रिम बुद्धि दो प्रकार की होती है: संकीर्ण रूप से केंद्रित, या कमजोर, और सामान्य, या मजबूत। कमजोरों की कार्रवाई का उद्देश्य समस्याओं की एक संकीर्ण सूची का समाधान खोजना है। संकीर्ण रूप से केंद्रित एआई के सबसे प्रमुख प्रतिनिधि वॉयस असिस्टेंट गूगल असिस्टेंट, सिरी और एलिस हैं। इसके विपरीत, मजबूत एआई क्षमताएं इसे लगभग किसी भी मानवीय कार्य को करने की अनुमति देती हैं। आज, कृत्रिम सामान्य बुद्धि को एक स्वप्नलोक माना जाता है: इसका कार्यान्वयन असंभव है।
मशीन लर्निंग
मशीन लर्निंग से तात्पर्य आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक ऐसी मशीन बनाने के तरीकों से है जो अनुभव से सीख सकती है। सीखने की प्रक्रिया को मशीन द्वारा विशाल डेटा सरणियों के प्रसंस्करण और उनमें पैटर्न की खोज के रूप में समझा जाता है।
मशीन लर्निंग और डेटा साइंस की अवधारणाएं, समानता के बावजूद, अभी भी अलग हैं और प्रत्येक अपने स्वयं के कार्यों का सामना करते हैं। दोनों उपकरण कृत्रिम. में शामिल हैंबुद्धि।
मशीन लर्निंग, जो एआई की शाखाओं में से एक है, एल्गोरिदम है जिसके आधार पर कंप्यूटर कठोर नियमों का पालन किए बिना निष्कर्ष निकालने में सक्षम है। मशीन बड़ी संख्या में मापदंडों के साथ जटिल कार्यों में पैटर्न की तलाश करती है, मानव मस्तिष्क के विपरीत, अधिक सटीक उत्तर ढूंढती है। विधि का परिणाम एक सटीक भविष्यवाणी है।
डेटा साइंस
डेटा का विश्लेषण करने और उनसे मूल्यवान ज्ञान और जानकारी निकालने का विज्ञान (डेटा माइनिंग)। यह बड़ी मात्रा में डेटा के साथ बातचीत करने के लिए प्रौद्योगिकियों के साथ मशीन लर्निंग और सोच के विज्ञान के साथ संचार करता है। डेटा साइंस का काम आपको डेटा का विश्लेषण करने और बाद की सॉर्टिंग, प्रोसेसिंग, सैंपलिंग और सूचना पुनर्प्राप्ति के लिए सही दृष्टिकोण खोजने की अनुमति देता है।
उदाहरण के लिए, एक उद्यम के वित्तीय खर्चों और प्रतिपक्षकारों के बारे में जानकारी है जो केवल लेनदेन के समय और तारीख और मध्यवर्ती बैंकिंग डेटा से जुड़े हुए हैं। मध्यवर्ती डेटा का गहन मशीन विश्लेषण आपको सबसे महंगा प्रतिपक्ष निर्धारित करने की अनुमति देता है।
तंत्रिका नेटवर्क
तंत्रिका नेटवर्क, एक अलग उपकरण नहीं है, बल्कि मशीन लर्निंग के प्रकारों में से एक है, कृत्रिम न्यूरॉन्स का उपयोग करके मानव मस्तिष्क के काम का अनुकरण करने में सक्षम है। उनकी कार्रवाई का उद्देश्य न्यूनतम त्रुटियों के साथ प्राप्त अनुभव के आधार पर कार्य और स्व-शिक्षा को हल करना है।
मशीन सीखने के लक्ष्य
मशीन लर्निंग का मुख्य लक्ष्य विभिन्न विश्लेषणात्मक समाधानों की खोज का आंशिक या पूर्ण स्वचालन माना जाता हैकार्य। इस कारण से, मशीन लर्निंग को प्राप्त आंकड़ों के आधार पर सबसे सटीक भविष्यवाणियां करनी चाहिए। मशीन लर्निंग का परिणाम परिणाम की भविष्यवाणी और याद रखना है जिसमें बाद में पुनरुत्पादन और सर्वोत्तम विकल्पों में से एक के चयन की संभावना है।
मशीन लर्निंग के प्रकार
शिक्षक की उपस्थिति के आधार पर सीखने का वर्गीकरण तीन श्रेणियों में होता है:
- शिक्षक के साथ। इसका उपयोग तब किया जाता है जब ज्ञान के उपयोग में मशीन को संकेतों और वस्तुओं को पहचानना सिखाना शामिल होता है।
- बिना शिक्षक के। संचालन का सिद्धांत एल्गोरिदम पर आधारित है जो वस्तुओं, विसंगतियों के बीच समानता और अंतर का पता लगाता है, और फिर पहचानता है कि उनमें से कौन सा भिन्न या असामान्य माना जाता है।
- सुदृढीकरण के साथ। इसका उपयोग तब किया जाता है जब मशीन को कई संभावित समाधानों के साथ वातावरण में कार्यों को सही ढंग से करना चाहिए।
उपयोग किए गए एल्गोरिदम के प्रकार के अनुसार, उन्हें इसमें विभाजित किया गया है:
- शास्त्रीय शिक्षा। सांख्यिकीय कार्यालयों के लिए सीखने के एल्गोरिदम आधी सदी से भी पहले विकसित हुए और समय के साथ सावधानीपूर्वक अध्ययन किया गया। डेटा के साथ काम करने से संबंधित समस्याओं को हल करने के लिए उपयोग किया जाता है।
- डीप लर्निंग और न्यूरल नेटवर्क। मशीन लर्निंग के लिए आधुनिक दृष्टिकोण। तंत्रिका नेटवर्क का उपयोग तब किया जाता है जब वीडियो और छवियों की पीढ़ी या पहचान, मशीन अनुवाद, जटिल निर्णय लेने और विश्लेषण प्रक्रियाओं की आवश्यकता होती है।
नॉलेज इंजीनियरिंग में, कई अलग-अलग दृष्टिकोणों को मिलाकर मॉडलों का समूह संभव है।
मशीन लर्निंग के लाभ
मशीन लर्निंग के विभिन्न प्रकारों और एल्गोरिदम के सक्षम संयोजन के साथ, नियमित व्यावसायिक प्रक्रियाओं को स्वचालित करना संभव है। रचनात्मक हिस्सा - बातचीत करना, अनुबंध समाप्त करना, रणनीति तैयार करना और क्रियान्वित करना - लोगों पर छोड़ दिया जाता है। यह विभाजन महत्वपूर्ण है, क्योंकि एक व्यक्ति, मशीन के विपरीत, बॉक्स के बाहर सोचने में सक्षम है।
एआई बनाने की समस्या
AI के निर्माण के संदर्भ में, कृत्रिम बुद्धि के निर्माण में दो समस्याएं हैं:
- किसी व्यक्ति को स्व-संगठित चेतना और स्वतंत्र इच्छा के रूप में पहचानने की वैधता और, तदनुसार, कृत्रिम बुद्धि को उचित मानने के लिए, उसी की आवश्यकता है;
- मानव मस्तिष्क और उसकी क्षमताओं के साथ कृत्रिम बुद्धि की तुलना, जो सभी प्रणालियों की व्यक्तिगत विशेषताओं को ध्यान में नहीं रखता है और उनकी गतिविधियों की व्यर्थता के कारण उनके भेदभाव को मजबूर करता है।
कृत्रिम बुद्धि के निर्माण की समस्याएं, अन्य बातों के अलावा, छवियों के निर्माण और आलंकारिक स्मृति में निहित हैं। एक मशीन के संचालन के विपरीत, मनुष्यों में आलंकारिक श्रृंखलाएं सहयोगी रूप से बनती हैं; मानव मन के विपरीत, एक कंप्यूटर विशिष्ट फ़ोल्डरों और फाइलों की खोज करता है, और सहयोगी लिंक की श्रृंखला का चयन नहीं करता है। ज्ञान इंजीनियरिंग में आर्टिफिशियल इंटेलिजेंस अपने काम में एक विशिष्ट डेटाबेस का उपयोग करता है और प्रयोग करने में सक्षम नहीं है।
दूसरी समस्या मशीन के लिए भाषा सीखने की है। अनुवाद कार्यक्रमों द्वारा पाठ का अनुवाद अक्सर स्वचालित रूप से किया जाता है, और अंतिम परिणाम शब्दों के एक समूह द्वारा दर्शाया जाता है। सही अनुवाद के लिएवाक्य के अर्थ को समझने की आवश्यकता है, जिसे लागू करना AI के लिए कठिन है।
कृत्रिम बुद्धि की इच्छा का प्रकट न होना भी इसके निर्माण की राह में एक समस्या मानी जा रही है। सीधे शब्दों में कहें, जटिल गणनाओं को करने की शक्ति और क्षमता के विपरीत, कंप्यूटर की कोई व्यक्तिगत इच्छा नहीं होती है।
आधुनिक आर्टिफिशियल इंटेलिजेंस सिस्टम में आगे के अस्तित्व और सुधार के लिए कोई प्रोत्साहन नहीं है। अधिकांश एआई केवल एक मानवीय कार्य और इसे पूरा करने की आवश्यकता से प्रेरित होते हैं। सिद्धांत रूप में, यह एक कंप्यूटर और एक व्यक्ति के बीच फीडबैक बनाकर और कंप्यूटर के सेल्फ-लर्निंग सिस्टम में सुधार करके प्रभावित हो सकता है।
कृत्रिम रूप से बनाए गए तंत्रिका नेटवर्क की आदिमता। आज, उनके पास ऐसे फायदे हैं जो मानव मस्तिष्क के समान हैं: वे व्यक्तिगत अनुभव के आधार पर सीखते हैं, वे निष्कर्ष निकालने और प्राप्त जानकारी से मुख्य बात निकालने में सक्षम हैं। साथ ही, बुद्धिमान प्रणालियाँ मानव मस्तिष्क के सभी कार्यों की नकल करने में सक्षम नहीं हैं। आधुनिक तंत्रिका नेटवर्क में निहित बुद्धि किसी जानवर की बुद्धि से अधिक नहीं होती है।
सैन्य उद्देश्यों के लिए एआई की न्यूनतम प्रभावशीलता। आर्टिफिशियल इंटेलिजेंस-आधारित रोबोट के निर्माता एआई की स्व-सीखने में असमर्थता की समस्या का सामना कर रहे हैं, वास्तविक समय में प्राप्त जानकारी को स्वचालित रूप से पहचान और सही ढंग से विश्लेषण कर सकते हैं।
