آیا هوش مصنوعی می تواند مانند یک انسان فکر کند و رفتار کند؟ رشته مهندسی دانش برای دستیابی به این هدف کار می کند. این نوع مهندسی هوش مصنوعی ، برای توسعه و گسترش روندهای تصمیم گیری انسان برای حل مشکلات پیچیده کار می کند.
مهندسی دانش یک رشته جدید نیست ، اما رشته ای است که از بدو پیدایش تاکنون تغییرات چشمگیری داشته است که در ابتدا برای امور تشخیص پزشکی و کنترل ماهواره ها مورد استفاده قرار می گرفت ، اما امروزه به بخشی مهم در بسیاری از صنایع تبدیل شده است ، که به معنای فرصت های جدید و مهیج برای مهندسان هوش مصنوعی و مهندسان سیستم و کنترل است.
مهندسان دانش کار می کنند تا تخصص انسانی را به چیزی تبدیل کنند که به آن یک سیستم دانش بنیان می گویند که می تواند پاسخ کسی به موضوعی را تعیین و تکرار کند. این سیستم ها با مشکلات پیچیده و سطح بالایی که یک متخصص صنعتی با آن درگیر می شود ، کار می کنند. از آنجا که امر به اطلاعات زیادی نیاز دارد ، مهندسی دانش نیز به دلیل فناوری جدیدی مانند سیستم های ذخیره ابری تغییراتی کرده است. به عنوان مثال ، یک انکولوژیست برای یافتن روش درمانی مناسب برای بیمار خود بایستی در مجلات ، کتابهای درسی و پایگاه داده های دارویی جستجو کند ، که به داده های زیادی برای ذخیره در برنامه نیاز دارد. علاوه بر این ذخیره از دانش ، این سیستم برای تصمیم گیری نیز به قوانینی نیاز دارد که چگونه این اطلاعات پزشکی در شرایط مختلف استفاده شود.
مهندسی دانش بخشی از انقلاب صنعتی چهارم نامیده شده است. این مهندسین هوش مصنوعی همچنین مسئول فناوری هایی مانند تشخیص چهره و برنامه هایی هستند که گفتار انسان را درک می کنند و همچنین توسعه محصول مانند Alexa آمازون را انجام می دهند.
چرا مهندسی دانش مهم است؟
مهندسی دانش می تواند سرعت تصمیم گیری برای یک سازمان را افزایش دهد. از همه مهمتر ، این سیستم دارای پتانسیل بیشتری برای ایجاد راه حل های بهتر و حل مشکلات چالش برانگیزتر است.
شرکت ها باید بتوانند با سرعت بیشتر ، بصورت مداوم اطلاعات بیشتر و بیشتری را مدیریت کنند. آنها می توانند از یادگیری ماشینی و الگوریتم ها برای شناسایی راه های بهبود بهره وری و کیفیت استفاده کنند ، اما در نهایت این سیستم ها به انسان نیاز دارند تا فرایند تصمیم گیری را به عهده بگیرد.
اینها مشکلاتی است که برای حل آنها به یک متخصص نیاز است. داشتن سیستمی که بتواند آن فرآیند را تکرار کند ، می تواند به کاهش هزینه ها کمک کند و باعث شود دانش در سازمان به راحتی در دسترس باشد ، و به روش های مختلف برای تیم های مختلف استفاده شود.
یک چالش اساسی این است که سیستم ها باید بتوانند خود را با حالات غیرقابل پیش بینی سازگار کنند. داده ها دائماً در حال تغییر هستند. درک و توضیح برخی از داده ها دشوار است ، در حالی که سایر اطلاعات نسبتاً ساده هستند. از سوی دیگر ، غالباً برای رسیدگی به مسئله ای به چندین متخصص نیاز است. چالش دیگر این است که متخصصان همیشه به یک شیوه ارتباط برقرار نمی کنند. آنها ممکن است ارتباط خود را به صورت کلامی ، از طریق تجسم یا نمایش شکل دهند.
مهندسی دانش علاوه بر نیاز به درک هوش مصنوعی و یادگیری ماشینی ، به درک رفتار انسان و برنامه نویسی رایانه نیز نیاز دارد. به عنوان تسهیل کننده دانش ، یک متخصص برای تصمیم گیری نهایی ، مهندس دانش است که وی ارتباطات شخصی را ایجاد و حفظ می کند ، بنابراین داشتن مهارت های ارتباطی و مهارت های نرم برای کار در کنار سایر متخصصان بسیار مهم است.
چه چیزی در مورد مهندسی دانش مهم است که بدانید؟
یکی از بزرگترین موانع مهندسی دانش به عنوان “دانش ضمنی یا پنهان” شناخته می شود. این اطلاعاتی است که ممکن است بلافاصله برای حل برنامه در نظر گرفته نشود اما هنوز برای تصمیم گیری نهایی مورد نیاز است. دانش ضمنی قطعاً مشخص یا روشن نیست. بنابراین روند فکر غیرخطی انسان ، جایگزینی شخص متخصص را ، اگر نه کاملاً غیرممکن ولی بسیار دشوار می کند.
افراد هنگام تصمیم گیری از روش فکری خطی استفاده نمی کنند ، بنابراین تکرار روند فکر آنها بسیار دشوار است. مهندسان دانش دریافتند که نمی توانند غرایز شهودی یا عاطفی را تکرار کنند. اغلب ، راه حل مشکلات از طریق تجربیات قبلی یا یادگیری از اشتباهات گذشته به دست می آید. برای بسیاری از سازمان ها ، هزینه یا فضای ذخیره سازی مورد نیاز برای ایجاد سیستمی به اندازه کافی هوشمند که بتواند از پس همه داده ها برآید ، صرفه ندارد.
اخیراً مهندسان دانش روش دیگری را دنبال کرده اند. آنها سعی می کنند سیستمی را بسازند که به همان جواب برسد اما لزوماً از همان اطلاعات یا منطقی که انسان استفاده می کند استفاده نکند. اساساً ، آنها تفکر غیرخطی ما را پشت سر می گذارند. آنها نمی توانند اندیشه انسان را تکرار کنند ، اما سیستم ها می توانند یاد بگیرند که به نتایج مشابه متخصصان برسند. وقتی این دو با هم مطابقت ندارند ، مهندسان هوش مصنوعی می توانند وارد موضوع شده و سیستم را به روز کنند. این مدل ممکن است پیچیده تر شود ، تا جایی که حتی یک مهندس مطمئن نباشد که چگونه به پاسخ صحیح خود رسیده است. هدف نهایی این است که سیستم ها به حدی برسند که حتی از متخصصان نیز هوشمندتر باشند.
