Искусственный успех

Дмитрий Сошников

Спецвыпуск: Хакер, номер #055, стр. 055-084-4

Корпоративные хранилища

Если для кого-то проблема сохранения и структурирования общечеловеческих знаний в интернете может показаться глобальной и далекой, то почти для всех животрепещущей является передача знаний внутри организации. Новый сотрудник, поступающий на работу в компанию, как правило, вынужден изучать солидный объем документации и перенимать множество знаний и опыта в ходе личного общения (если такая возможность имеется). В худшем случае значительное количество знаний предшественника просто теряется и новый сотрудник вынужден на своем опыте повторно приобретать эти знания.

Сейчас ни для кого не секрет, что именно знания помогают современному бизнесу выживать в конкурентной борьбе, поэтому вопрос сохранения знаний становится все более острым. В простейшем случае на предприятии внедряют принципы корпоративной памяти, в соответствии с которыми все возникающие в процессе работы документы сохраняются в центральном хранилище и, возможно, классифицируются по неким принципам. Но такой подход неэффективен, так как может для него нужно изучить огромную массу документов.

Для нас интереснее средства корпоративного хранилища знаний, в которых знания представляются в удобном для обработки или восприятия виде. Для этого широко используются методы представления знаний из области ИИ, например семантические сети. Одним из удобных средств структурирования и одновременно экспликации знаний является использование Wiki-сетей, в том числе совмещенных с более удобными инструментами. Если верить исследованиям, использование Wiki-технологии для написания документации позволяет повысить производительность труда на 30%, так что кроме удобного способа организации корпоративного хранилища знаний одновременно обеспечивается более эффективный способ создания документации.

Самообучающиеся сети

Семантическое аннотирование и ручное структурирование знаний - это один из подходов к решению проблемы информационного роста. Альтернативный подход состоит в использовании средств автоматического понимания и классификации естественного языка, которые позволили бы обрабатывать и упорядочивать накопленные объемы текста. Для этой цели используют механизмы нейронных и байесовских сетей.

Как и в нечеткой логике, в нейронных сетях принимаются решения в условиях неопределенности, но это производится не по явным правилам, а в результате самообучения сетей на примерах. И можно не знать алгоритма решения задачи или даже не обладать знаниями, лежащими в основе решения: нейронные сети, изучив значительное количество примеров, начинают решать задачу самостоятельно.

Применение нейронных сетей больше всего распространено в задачах распознавания и классификации. Например, программы распознавания символов (OCR) и образов (используются, например в бытовых и промышленных роботах) в значительной степени используют механизмы нейронных сетей.