Краткая история того, как я узнал о забытом ядре искусственного интеллекта.

В первые дни моей работы специалистом по обработке данных в области ИИ меня учили, прежде всего, одному: вам нужно больше данных лучшего качества, чтобы питать ваши системы обучения. И я посвятил себя поиску этих данных.

Меня заманили в мир машинного обучения, когда я пытался открыть для себя мир искусственного интеллекта. Признаюсь, приятно заставлять компьютер делать сложные вещи по моему вкусу, не говоря, как он должен это делать. Я бунтовал в этом мире и давно забыл о своей первоначальной цели, пока учился, как готовить данные, разрабатывать функции и строить глубокие сети.

Однако в некоторых случаях, когда меня просили автоматизировать и оптимизировать бизнес-задачу, часто оставался нерешенным вопрос о доступности, количестве и качестве связанных данных. Кроме того, растущее распространение искусственного интеллекта в отрасли вызвало страх, скептицизм и негодование. Люди думают, что их заменяет черный ящик. Это не правда. Но я понимаю сопротивление, когда вы пытаетесь заменить многолетние экспертные знания непрозрачной коробкой.

Искусственный интеллект обычно описывается как дисциплина компьютерного восприятия, рассуждений и действий.

Я упустил рассуждение.

Джон Маккарти ввел термин искусственный интеллект в 1955 году и организовал Дартмутский исследовательский проект летом 1956 года - начало ИИ как области.
Он заявил: Исследование будет продолжено на основе гипотезы о том, что каждый аспект обучения или любая другая особенность интеллекта в принципе может быть описана настолько точно, что может быть создана машина для ее моделирования. Будет предпринята попытка найти, как заставить машины использовать язык, формировать абстракции и концепции, решать виды проблем, которые теперь остаются за людьми, и улучшать себя .

Он разработал Лисп в 1958 году и заново изобрел то, как мы программируем для создания мыслящих машин. И другие последовали за ним, например. Ален Колмерауэр и Филипп Руссель, придумавшие Пролог в 1972 году. Пролог отчасти был мотивирован желанием примирить использование логики в качестве языка декларативного представления знаний с процедурным представлением знаний.
Таким образом, представление знаний и рассуждение (KRR) стало ключевой областью ИИ, связанной с тем, как знания могут быть представлены символически и манипулировать ими автоматически с помощью программ рассуждений. Другими словами, как агент использует то, что он знает, при принятии решения, что делать.

Рассмотрим задачу испечь торт. Конечно, я мог бы собрать данные о количестве ингредиентов и порядке их смешивания для достижения наилучших результатов. Но мне все равно больше всего нравится бабушкин торт, и я очень хорошо знаю его рецепт. Так почему бы мне сразу не объяснить системе, какие правила нужно соблюдать при смешивании ингредиентов и какие основные условия должны быть созданы? То же самое происходит, когда мы изучаем сложные процессы в промышленности. Слишком часто люди сначала рефлекторно запрашивают существующие данные и взвешивают, какие дополнительные данные следует собрать для успешного проекта. Лишь немногих проницательных людей интересуют детали процессов, лежащих в основе проблемы. Часто оказывается, что автоматизация или оптимизация - это всего лишь комбинаторная задача, хотя и очень сложная.

Когда я думаю о новой проблеме, мой первый вопрос больше не относится к данным, а к самой проблеме.

Разработка процесса, часто на протяжении многих лет и обогащенная большим опытом и экспертными знаниями, делает его все более сложным. Добавляются новые зависимости, и постоянно растущие требования требуют более точных и, прежде всего, более быстрых результатов. Задача, которую человеческий мозг просто больше не может выполнять. Благодаря цифровой и систематической регистрации существующих знаний, а также подробных этапов процесса и ограничений, KRR может не только автоматизировать процесс, но и оптимизировать его. Примерами являются планирование рабочих смен, радиочастотный аукцион, табуляция времени и многое другое.

Изучение данных чрезвычайно популярно, но это не единственный вариант.

Обладая всеми знаниями в области машинного обучения и оглядываясь на то, что уже было достигнуто в области ИИ, мы всегда должны использовать одну из наших сильнейших и наиболее человеческих способностей: творчество. Мыслите нестандартно и не выбирайте метод, потому что он лучше всего звучит или привлекает внимание. Выберите метод, который лучше всего подходит для вашей проблемы.

Итог

Не позволяйте черному ящику решать, как устроены процессы, естественным образом. Поговорите с экспертами и составьте карту их процесса. Обладая необходимой прозрачностью, мы создаем доверие и прокладываем путь для более широкого признания искусственного интеллекта в обществе.

Узнайте больше о представлении знаний и рассуждении с помощью программирования ответов в этой статье.