【人工智能】AI知识图谱:如何对AI技术进行分类

接下来的内容是绘制一个架构，以获取有关AI的知识，并遵循紧急动态，这是关于主题的现有知识的门户，允许你寻找额外信息，并最终创建有关AI的新知识。

我在人工智能领域已经有一段时间了，我意识到有多种分类、区分、景观和信息图来表示和跟踪思考人工智能的不同方式。然而，我并不热衷于这些分类练习，主要是因为我倾向于认为，将动态数据点分类到预先确定的固定框中的努力往往不值得拥有这样一个“清晰”的框架的好处（这是一个概括，因为有时它们非常有用）。

我还相信，这种情况对于刚进入这个领域的人来说是很有用的，他们可以一目了然地了解这个主题的复杂性和深度，对于那些更有经验的人来说，也可以有一个参考点，并围绕特定的技术创建新的对话。

接下来的内容是绘制一个架构，以获取有关AI的知识，并遵循紧急动态，这是关于主题的现有知识的门户，允许你寻找额外信息，并最终创建有关AI的新知识。我称之为人工智能知识地图(AIKM)。

AI知识地图。我与战略创新咨询公司Axilo一起开发了AIKM，用于他们Chora平台上的活动.

在坐标轴上，你会发现两个宏观组，即AI范式和AI问题域。人工智能范式AI Paradigms (x轴)是人工智能研究人员用来解决特定人工智能相关问题的方法(包括最新的方法)。另一方面，AI问题域(y轴)是AI可以解决的问题类型。在某种意义上，它也表明了人工智能技术的潜在能力。

因此，我确定了以下AI范例:

• 基于逻辑的工具:用于知识表示和解决问题的工具
• 基于知识的工具:基于本体和庞大的概念、信息和规则数据库的工具
• 概率方法:允许代理在不完全信息场景中行动的工具
• 机器学习:让计算机从数据中学习的工具
• 具身智能:工程工具箱，它假设一个身体(或至少部分功能集合，如运动、感知、交互和可视化)需要更高的智能
• 搜索和优化:允许智能搜索许多可能的解决方案的工具。

这六种范式也分为三种不同的宏观方法，即符号、次符号和统计(用上面不同的颜色表示)。简单地说，符号方法表明人类智能可以被简化为符号操作，次符号方法是一种事先不提供具体知识表示的方法，而统计方法是基于数学工具来解决具体的子问题。

而纵轴则显示了AI所面临的问题，这里的分类是相当标准的:

• 推理:解决问题的能力
• 知识:代表和理解世界的能力
• 计划:设定和实现目标的能力
• 沟通能力:能听懂语言并进行沟通
• 感知:将原始的感官输入(如图像、声音等)转换为可用信息的能力。

框的模式将这些技术分为两组，即狭义应用程序和一般应用程序。使用的词语是有意的，但可能会出现轻微的误导。请耐心听我解释。对于任何开始研究人工智能的人来说，了解弱/窄AI (ANI)、强/一般AI (AGI)和人工超级智能(ASI)之间的区别是至关重要的。为了清晰、ASI只是一个猜测,一般人工智能的最终目标和圣杯研究者,而狭窄的AI是我们真正有今天,也就是说,一组技术是无法应付他们的范围之外(AGI)的主要区别。

图中使用的两种类型的线(连续线和虚线)明确指出了两者的区别，这有助于你在阅读其他介绍AI的材料时增加一些信心。然而，与此同时，这里的区别概括了只能解决特定任务的技术(通常比人类——狭义的应用要好)和其他能够解决当前或未来多个任务并与世界交互的技术(比许多人类——通用应用要好)。

最后，让我们看看图形本身有什么。在地图中，不同类别的人工智能技术被表示出来。注意，我故意不命名特定的算法，而是将它们聚类到宏组中。我也不是给你提供一个价值评估，看看什么有用，什么没用，而是简单地列出研究人员和数据科学家可以利用的东西。

那么你如何阅读和解释这张地图呢?让我给你两个例子…如果你看看自然语言处理，它嵌入了一类算法，使用基于知识的方法、机器学习和概率方法的组合来解决感知领域的问题。但与此同时，如果您查看基于逻辑的范式和推理问题之间的交叉地带，您可能会想，为什么那里没有技术呢?这幅地图传达的并不是没有一种可以填补空间的方法，而是当人们处理一个推理问题时，他们更喜欢使用机器学习。

以下是一些技术:

• 机器人过程自动化(RPA):一种通过观察用户执行某项任务来提取规则和动作列表的技术
• 专家系统:一种计算机程序，它有硬编码的规则来模拟人类的决策过程。模糊系统是基于规则的系统的一个具体例子，它将变量映射为0到1之间的连续值，这与导致0/1结果的传统数字逻辑相反
• 计算机视觉(CV):获取和理解数字图像的方法(通常分为活动识别、图像识别和机器视觉)
• 自然语言处理(NLP):处理自然语言数据的子字段(三个主要块属于该字段，即语言理解、语言生成和机器翻译)
• 神经网络(NNs或ann):一种以人类/动物大脑的神经元结构为模型的算法，可以在没有明确指示的情况下提高其性能。网络神经网络的两个主要和著名的子类是深度学习(一个多层的神经网络)和生成对抗网络(GANs -两个互相训练的网络)
• 自主系统:机器人与智能系统交叉的子领域(如智能感知、灵巧对象操作、基于计划的机器人控制等)
• 分布式人工智能(DAI):一类通过将问题分配给彼此交互的自主“代理”来解决问题的技术。多智能体系统(MAS)、基于智能体的建模(ABM)和群体智能是这一子集的三个有用规范，集体行为从分散的自组织智能体的交互中产生
• 情感计算:处理情感识别、解释和模拟的一个子领域
• 进化算法(EA):它是一个被称为进化计算的更广泛的计算机科学领域的子集，利用生物学启发的机制(如，突变，繁殖等)来寻找最佳解决方案。遗传算法是EAs算法中最常用的一种子集，它是一种遵循自然选择过程来选择“最适合”的候选解的搜索启发式算法
• 归纳逻辑程序设计(ILP):使用形式逻辑来表示事实的数据库和从这些数据导出的假设的子领域
• 决策网络:是最著名的贝叶斯网络/推理的概括，它通过映射(也称为有向无环图)表示一组变量及其概率关系。
• 概率编程:一个框架，它不强迫你硬编码特定的变量，而是与概率模型一起工作。贝叶斯程序合成(BPS)在某种程度上是概率编程的一种形式，贝叶斯程序编写新的贝叶斯程序(而不是像更广泛的概率编程方法那样由人类来编写)。
• 环境智能(AmI):一种框架，要求物理设备进入数字环境，以上下文感知外部刺激(通常由人类行动触发)并作出反应。

为了解决特定的问题，您可能会采取一种或多种方法，这又意味着一种或多种技术，因为其中许多技术并不相互排斥，而是互补的。

教会电脑如何在不需要明确编程的情况下学习是一项艰巨的任务，需要使用多种技术来处理多种细微差别，尽管这张地图远非完美，但它至少是让混乱景象有意义的第一次尝试。

我知道这里出现了一个强大的帕累托原则，也就是说，目前80%（如果不是更多的话）的努力和成果是由地图上20%的技术（即深度学习、NLP和计算机视觉）驱动的，但我也确信，拥有全方位的技术可能会帮助研究人员、创业公司和投资者。

我打开第一个版本的反馈,我计划把两个额外的步骤:一个是创建一个层的人工智能正面临挑战(例如,内存问题和灾难性的遗忘,转移学习,学习更少的数据与零和一次性学习,等等)和技术可用于解决特定的问题。第二，用镜头来观察不同的技术，而不是它们正在解决的问题，而是它们正在制造的问题(例如，道德问题、数据密集型问题、黑匣子和可解释性问题等)。

原文：https://www.kdnuggets.com/2018/08/ai-knowledge-map-classify-ai-technologies.html

本文：http://jiagoushi.pro/node/1408

讨论：请加入知识星球【CXO智库】或者小号【it_strategy】或者QQ群【1033354921】