Sztuczna inteligencja (AI) to popularna i innowacyjna technologia, która przenosi ludzką inteligencję na wyższy poziom. Oferuje moc dokładnej inteligencji zintegrowanej z maszynami.
Ludzie są obdarzeni wysokim poziomem myślenia, rozumowania, interpretowania i rozumienia wiedzy. Zdobyta wiedza pomaga nam wykonywać różne czynności w realnym świecie.
W dzisiejszych czasach nawet maszyny stają się zdolne do robienia tak wielu rzeczy dzięki technologii.
Ostatnio rośnie wykorzystanie systemów i urządzeń opartych na sztucznej inteligencji ze względu na ich wydajność i dokładność w wykonywaniu złożonych zadań.
Problem polega na tym, że chociaż ludzie zdobyli w swoim życiu wiele poziomów i rodzajów wiedzy, maszyny mają trudności z interpretacją tej samej wiedzy.
Dlatego stosuje się reprezentację wiedzy. To rozwiąże złożone problemy w naszym świecie, które są trudne i czasochłonne dla ludzi.
W tym artykule wyjaśnię reprezentację wiedzy w sztucznej inteligencji, jak to działa, jej rodzaje i techniki oraz nie tylko.
Zaczynajmy!
Spis treści:
Czym jest reprezentacja wiedzy i rozumowanie?
Reprezentacja wiedzy i wnioskowanie (KR&R) to część sztucznej inteligencji, która jest przeznaczona wyłącznie do reprezentowania informacji o świecie rzeczywistym w takiej formie, aby komputer mógł je zrozumieć i podjąć odpowiednie działania. Prowadzi to do rozwiązywania złożonych problemów, takich jak obliczenia, prowadzenie dialogu w języku naturalnym, diagnozowanie stanu krytycznego itp.
Reprezentacja wiedzy wywodzi się z psychologii o tym, jak człowiek jest w stanie rozwiązywać problemy i reprezentować wiedzę w celu projektowania formalizmów. Dzięki temu sztuczna inteligencja zrozumie, w jaki sposób człowiek upraszcza złożone systemy podczas budowania i projektowania.
Najwcześniejsze prace koncentrowały się na ogólnych narzędziach do rozwiązywania problemów, które zostały opracowane przez Herberta A. Simona i Allena Newella w 1959 r. Systemy te wykorzystywały strukturę danych do dekompozycji i planowania. System najpierw zaczyna od celu, a następnie rozkłada cel na cele podrzędne. Następnie system określa kilka strategii konstrukcyjnych, które mogą dotyczyć każdego celu podrzędnego.
Wysiłki te doprowadziły następnie do rewolucji poznawczej w psychologii człowieka i fazy sztucznej inteligencji, która koncentrowała się na reprezentacji wiedzy. Zaowocowało to systemami eksperckimi w latach 70. i 80., językami ramek, systemami produkcyjnymi i nie tylko. Później sztuczna inteligencja skupiła się głównie na systemach eksperckich, które mogłyby odpowiadać ludzkim kompetencjom, takim jak diagnostyka medyczna.
Co więcej, reprezentacja wiedzy umożliwia systemom komputerowym zrozumienie i wykorzystanie wiedzy do rozwiązywania rzeczywistych problemów. Definiuje również sposób, w jaki można reprezentować wiedzę i rozumowanie w sztucznej inteligencji.
Reprezentacja wiedzy to nie tylko przechowywanie danych w bazach danych; umożliwia raczej inteligentnym maszynom uczenie się z ludzkiej wiedzy i doświadczanie tego samego, dzięki czemu maszyna może zachowywać się i zachowywać jak człowiek.
Ludzie dysponują wiedzą obcą maszynom, obejmującą uczucia, intencje, przekonania, zdrowy rozsądek, osądy, uprzedzenia, intuicję i wiele innych. Pewna wiedza jest również prosta, jak znajomość pewnych faktów, ogólna wiedza o wydarzeniach, ludziach, przedmiotach, języku, dyscyplinach akademickich itp.
Dzięki KR&R możesz przedstawić koncepcje ludzi w formacie zrozumiałym dla maszyn i sprawić, by systemy oparte na sztucznej inteligencji były naprawdę inteligentne. Tutaj wiedza oznacza dostarczanie informacji o ekosystemie i ich przechowywanie, natomiast rozumowanie oznacza podejmowanie decyzji i działań na podstawie przechowywanych informacji w oparciu o tę wiedzę.
Jaka wiedza ma być reprezentowana w systemach AI?
Wiedza, którą należy przedstawić w systemach sztucznej inteligencji może obejmować:
- Obiekt: Przedmioty nieustannie otaczają ludzi. Stąd informacja dotycząca tych obiektów jest niezbędna i musi być traktowana jako typ wiedzy. Na przykład pianina mają białe i czarne klawisze, samochody mają koła, autobusy potrzebują kierowców, samoloty potrzebują pilotów itp.
- Wydarzenia: W prawdziwym świecie nieustannie mają miejsce liczne wydarzenia. A ludzka percepcja opiera się na zdarzeniach. Sztuczna inteligencja musi mieć wiedzę o zdarzeniach, aby podejmować działania. Niektóre wydarzenia to głód, rozwój społeczeństw, wojny, katastrofy, osiągnięcia i nie tylko.
- Wydajność: ta wiedza dotyczy określonych działań ludzi w różnych sytuacjach. Reprezentuje behawioralną stronę wiedzy, która jest niezbędna do zrozumienia przez sztuczną inteligencję.
- Metawiedza: Na przykład, jeśli rozejrzymy się po świecie i podsumujemy całą dostępną tam wiedzę, zobaczymy, że dzieli się ona głównie na trzy kategorie:
- Co już wiemy
- To, co wiemy, to w zasadzie rzeczy, których nie wiemy do końca
- Czego jeszcze nie wiemy
- Metawiedza zajmuje się tym pierwszym, czyli tym, co wiemy i pozwala AI postrzegać to samo.
- Fakty: Wiedza ta oparta jest na faktycznym opisie naszego świata. Na przykład ziemia nie jest płaska, ale też nie jest okrągła; nasze słońce ma żarłoczny apetyt i nie tylko.
- Baza wiedzy: Baza wiedzy jest głównym składnikiem ludzkiej inteligencji. Odnosi się to do grupy odpowiednich danych lub informacji dotyczących dowolnego pola, opisu i nie tylko. Na przykład baza wiedzy na temat projektowania modelu samochodu.
Jak działa reprezentacja wiedzy?
Zazwyczaj zadanie do wykonania, problem do rozwiązania i znalezienie rozwiązania są zlecane nieformalnie, na przykład dostarczanie paczek po ich przybyciu lub naprawianie problemów elektrycznych w domu.
Aby rozwiązać rzeczywisty problem, projektant systemu musi:
- Wykonaj zadanie, aby określić, jakie lepsze rozwiązanie może zapewnić
- Przedstaw problem w języku, aby komputer mógł go uzasadnić
- Wykorzystaj system do komputerowego wyjścia, którym jest rozwiązanie dla użytkowników lub sekwencja czynności potrzebnych do wykonania w ekosystemie.
- Zinterpretuj wynik końcowy jako rozwiązanie głównego problemu
Wiedza to informacja, którą człowiek już posiada, ale maszyny muszą się nauczyć. Ponieważ jest wiele problemów, maszyna potrzebuje wiedzy. W ramach systemu projektowego można zdefiniować jaka wiedza ma być reprezentowana.
Związek między reprezentacją wiedzy a sztuczną inteligencją
Wiedza odgrywa zasadniczą rolę w inteligencji. Odpowiada również za stworzenie sztucznej inteligencji. Kiedy jest potrzebny do wyrażenia inteligentnego zachowania agentów AI, odgrywa niezbędną rolę. Agent nie jest w stanie działać dokładnie, gdy brakuje mu doświadczenia lub znajomości pewnych danych wejściowych.
Na przykład, jeśli chcesz wejść w interakcję z osobą, ale nie rozumiesz języka, oczywiste jest, że nie możesz dobrze zareagować i wykonać żadnego działania. To działa tak samo w przypadku inteligentnego zachowania agentów. Sztuczna inteligencja musi mieć wystarczającą wiedzę, aby realizować tę funkcję, ponieważ decydent odkrywa środowisko i stosuje wymaganą wiedzę.
Jednak sztuczna inteligencja nie może wykazywać zachowań intelektualnych bez elementów wiedzy.
Rodzaje wiedzy reprezentowane w AI
Teraz, gdy wiemy już, dlaczego potrzebujemy reprezentacji wiedzy w sztucznej inteligencji, dowiedzmy się, jakie rodzaje wiedzy reprezentowana jest w systemie sztucznej inteligencji.
- Wiedza deklaratywna: reprezentuje obiekty, koncepcje i fakty, które pomagają opisać cały otaczający cię świat. W ten sposób podziela opis czegoś i wyraża zdania oznajmujące.
- Wiedza proceduralna: Wiedza proceduralna jest mniejsza w porównaniu z wiedzą deklaratywną. Nazywana jest również wiedzą imperatywną, z której korzystają roboty mobilne. Służy do ogłaszania osiągnięcia czegoś. Na przykład mając tylko mapę budynku, roboty mobilne mogą stworzyć własny plan. Roboty mobilne mogą planować atak lub wykonywać nawigację.
Co więcej, wiedza proceduralna jest bezpośrednio stosowana do zadania, które obejmuje zasady, procedury, programy, strategie i wiele innych.
- Metawiedza: W dziedzinie sztucznej inteligencji predefiniowana wiedza jest znana jako meta-wiedza. Na przykład badanie tagowania, uczenia się, planowania itp. wchodzi w zakres tego rodzaju wiedzy.
Ten model zmienia swoje zachowanie w czasie i wykorzystuje inne specyfikacje. Inżynier systemowy lub inżynier wiedzy wykorzystuje różne formy metawiedzy, takie jak dokładność, ocena, cel, źródło, żywotność, niezawodność, uzasadnienie, kompletność, spójność, zastosowanie i ujednoznacznienie.
- Wiedza heurystyczna: Ta wiedza, znana również jako wiedza powierzchowna, jest zgodna z zasadą reguły kciuka. Dlatego jest bardzo wydajny w procesie rozumowania, ponieważ może rozwiązywać problemy w oparciu o wcześniejsze zapisy lub problemy opracowane przez ekspertów. Jednak gromadzi doświadczenia dotyczące problemów z przeszłości i zapewnia lepsze, oparte na wiedzy podejście do określania problemów i podejmowania działań.
- Wiedza strukturalna: Wiedza strukturalna to najprostsza i podstawowa wiedza, która jest wykorzystywana i stosowana w rozwiązywaniu złożonych problemów. Próbuje znaleźć skuteczne rozwiązanie, znajdując związek między przedmiotami a pojęciami. Ponadto opisuje związek między wieloma pojęciami, takimi jak część, rodzaj lub grupa czegoś.
Wiedza deklaratywna może być reprezentowana jako opisująca, podczas gdy wiedza proceduralna jest wiedzą wykonawczą. Ponadto wiedza deklaratywna jest definiowana jako jawna, podczas gdy wiedza proceduralna jest ukryta lub ukryta. Jest to wiedza deklaratywna, jeśli potrafisz wyartykułować wiedzę, i wiedza proceduralna, jeśli nie możesz jej wyartykułować.
Techniki reprezentacji wiedzy w AI
Istnieją cztery główne techniki, które reprezentują wiedzę w AI:
- Reprezentacja logiczna
- Sieci semantyczne
- Zasady produkcji
- Reprezentacja ramki
Reprezentacja logiczna
Reprezentacja logiczna jest podstawową formą reprezentacji wiedzy na maszynach, w której stosowana jest zdefiniowana składnia z podstawowymi regułami. Ta składnia nie ma dwuznaczności w znaczeniu i dotyczy przyimków. Jednak logiczna forma reprezentacji wiedzy działa jako reguły komunikacji. To jest powód, dla którego można go używać do przedstawiania faktów maszynom.
Reprezentacja logiczna jest dwojakiego rodzaju:
- Logika zdań: Logika zdań jest również znana jako logika zdań lub rachunek zdań, który działa w postaci logicznej, co oznacza metodę Prawda lub Fałsz.
- Logika pierwszego rzędu: Logika pierwszego rzędu jest rodzajem logicznej reprezentacji wiedzy, którą można również nazwać logiką rachunku predykatów pierwszego rzędu (FOPL). Ta reprezentacja wiedzy logicznej reprezentuje predykaty i obiekty w kwantyfikatorach. Jest to zaawansowany model logiki zdań.
Ta forma reprezentacji wiedzy wygląda jak większość języków programowania, w których do przekazywania informacji używa się semantyki. Jest to wysoce logiczny sposób rozwiązywania problemów. Jednak główną wadą tej metody jest ścisły charakter reprezentacji. Ogólnie rzecz biorąc, jest to trudne do wykonania i czasami niezbyt wydajne.
Sieci semantyczne
Graficzna reprezentacja w tego typu reprezentacji wiedzy zawiera połączone obiekty, które są używane w sieci danych. Sieci semantyczne obejmują łuki/krawędzie (połączenia) i węzły/bloki (obiekty), które opisują połączenia między obiektami.
Jest to alternatywa dla formy reprezentacji rachunku predykatów pierwszego rzędu (FOPL). Relacje w sieciach semantycznych są dwojakiego rodzaju:
Jest to bardziej naturalna forma reprezentacji niż logiczna ze względu na prostotę zrozumienia. Główną wadą tej formy reprezentacji jest to, że jest kosztowna obliczeniowo i nie zawiera równoważnych kwantyfikatorów, które można znaleźć w reprezentacji logicznej.
Zasady produkcji
Reguły produkcji są najpowszechniejszą formą reprezentacji wiedzy w systemach AI. Jest to najprostsza forma reprezentacji systemów opartych na regułach if-else, dzięki czemu można ją łatwo zrozumieć. Reprezentuje sposób łączenia FOPL i logiki zdań.
Aby technicznie zrozumieć zasady produkcji, musisz najpierw zrozumieć składniki systemu reprezentacji. System ten obejmuje zestaw reguł, pamięć roboczą, aplikację reguł i uznany cykl działań.
Dla każdego wejścia AI sprawdza warunki z reguł produkcyjnych, a po znalezieniu lepszej reguły natychmiast podejmuje potrzebne działania. Cykl wybierania reguł na podstawie warunków i działania w celu rozwiązania problemu jest znany jako cykl rozpoznania i działania, który ma miejsce w każdym wejściu.
Jednak ta metoda ma pewne problemy, takie jak nieefektywne wykonanie ze względu na aktywne reguły i brak zdobywania doświadczenia z powodu braku przechowywania wyników z przeszłości. Ponieważ zasady są wyrażone w języku naturalnym, koszt wad można odkupić. Tutaj reguły można łatwo zmieniać i usuwać w razie potrzeby.
Reprezentacja ramki
Aby zrozumieć reprezentację ramową na podstawowym poziomie, wyobraź sobie tabelę składającą się z nazw w kolumnach i wartości w wierszach; potrzebne informacje są przekazywane w tej kompletnej strukturze. Mówiąc prościej, reprezentacja ramowa jest zbiorem wartości i atrybutów.
Jest to struktura danych specyficzna dla sztucznej inteligencji, która wykorzystuje wypełniacze (wartości gniazd, które mogą mieć dowolny typ danych i kształt) oraz gniazda. Proces ten jest dość podobny do typowego systemu zarządzania bazą danych (DBMS). Te wypełniacze i szczeliny tworzą strukturę zwaną ramą.
Szczeliny w tej formie reprezentacji wiedzy mają nazwy lub atrybuty, a wiedza związana z atrybutami jest przechowywana w wypełniaczach. Główną zaletą tego rodzaju reprezentacji jest to, że podobne dane można łączyć w grupy, aby podzielić wiedzę na struktury. Ponadto jest podzielony na podstruktury.
Będąc jak typowa struktura danych, ten typ można łatwo zrozumieć, manipulować i wizualizować. Typowe koncepcje, w tym usuwanie, usuwanie i dodawanie gniazd, można wykonać bez wysiłku.
Wymagania dotyczące reprezentacji wiedzy w systemie AI
Dobra reprezentacja wiedzy zawiera pewne właściwości:
- Dokładność reprezentacji: Reprezentacja wiedzy musi dokładnie reprezentować każdy rodzaj wymaganej wiedzy.
- Efektywność wnioskowania: Jest to umiejętność łatwego obsługiwania mechanizmów wiedzy wnioskowania w produktywnych kierunkach przy użyciu odpowiednich przewodników.
- Adekwatność wnioskowania: Reprezentacja wiedzy powinna mieć możliwość manipulowania niektórymi strukturami reprezentacyjnymi w celu reprezentowania nowej wiedzy w oparciu o istniejące struktury.
- Efektywność pozyskiwania: Zdolność do zdobywania nowej wiedzy za pomocą automatycznych metod.
Cykl wiedzy o sztucznej inteligencji
Systemy sztucznej inteligencji obejmują kilka głównych komponentów, które wykazują inteligentne zachowanie, które umożliwia reprezentowanie wiedzy.
- Percepcja: pomaga systemowi opartemu na sztucznej inteligencji zbierać informacje o środowisku za pomocą różnych czujników i zapoznaje go z ekosystemem, aby skutecznie reagować na problemy.
- Uczenie się: Służy do umożliwienia systemom sztucznej inteligencji uruchamiania algorytmów głębokiego uczenia się, które zostały już napisane, aby systemy sztucznej inteligencji dostarczały potrzebnych informacji od komponentu percepcji do komponentu uczenia się w celu lepszego uczenia się i zrozumienia.
- Reprezentacja wiedzy i rozumowanie: ludzie wykorzystują wiedzę do podejmowania decyzji. W związku z tym blok ten jest odpowiedzialny za obsługę ludzi poprzez dane wiedzy z systemów sztucznej inteligencji i wykorzystywanie odpowiedniej wiedzy, gdy jest to wymagane.
- Planowanie i wykonanie: Ten blok jest niezależny. Służy do pobierania danych z bloków wiedzy i wnioskowania oraz wykonywania odpowiednich działań.
Wniosek
Ludzie mogą zdobywać wiedzę na różne sposoby, podobnie jak maszyny oparte na sztucznej inteligencji. Wraz z rozwojem sztucznej inteligencji lepsze przedstawianie wiedzy maszynom pomaga rozwiązywać złożone problemy przy minimalnym błędzie. Tak więc reprezentacja wiedzy jest niezbędnym atrybutem maszyn AI do inteligentnego i inteligentnego działania.
Możesz także przyjrzeć się różnicy między sztuczną inteligencją, uczeniem maszynowym i uczeniem głębokim.