Inteligența artificială (AI) este o tehnologie populară și inovatoare care duce inteligența umană la următorul nivel. Oferă puterea unei inteligențe precise integrate cu mașinile.
Oamenii sunt înzestrați cu gândire, raționament, interpretare și înțelegere la nivel înalt a cunoștințelor. Cunoștințele pe care le dobândim ne ajută să desfășurăm diferite activități în lumea reală.
În zilele noastre, chiar și mașinile devin capabile să facă atât de multe lucruri, datorită tehnologiei.
Recent, utilizarea sistemelor și dispozitivelor alimentate cu inteligență artificială este în creștere datorită eficienței și acurateței lor în îndeplinirea sarcinilor complexe.
Acum, problema este că, în timp ce oamenii au dobândit multe niveluri și tipuri de cunoștințe în viața lor, mașinile se confruntă cu dificultăți în a interpreta aceleași cunoștințe.
Prin urmare, se utilizează reprezentarea cunoștințelor. Acest lucru va rezolva probleme complexe din lumea noastră, care sunt greu și consumatoare de timp pentru a le rezolva oamenilor.
În acest articol, voi explica reprezentarea cunoștințelor în AI, cum funcționează, tipurile și tehnicile sale și multe altele.
Sa incepem!
Cuprins
Ce este reprezentarea și raționamentul cunoașterii?
Reprezentarea și raționamentul cunoașterii (KR&R) este o parte a inteligenței artificiale care este dedicată exclusiv reprezentării informațiilor despre lumea reală într-o astfel de formă încât un computer poate înțelege și acționa în consecință. Acest lucru duce la rezolvarea unor probleme complexe, cum ar fi calculul, dialogul în limbaj natural, diagnosticarea unei afecțiuni medicale critice etc.
Reprezentarea cunoașterii își găsește drumul din psihologie despre modul în care un om este capabil să rezolve probleme și să reprezinte cunoștințele pentru a proiecta formalisme. Acest lucru va permite AI să înțeleagă cum un om simplifică sistemele complexe în timp ce construiește și proiectează.
Cea mai veche lucrare s-a concentrat pe soluții generale de probleme, care a fost dezvoltat de Herbert A. Simon și Allen Newell în 1959. Aceste sisteme au folosit structura de date pentru descompunere și planificare. Sistemul începe mai întâi cu un scop și apoi descompune obiectivul în sub-goluri. Ulterior, sistemul stabilește câteva strategii de construcție care pot viza fiecare subscop.
Aceste eforturi au condus apoi la o revoluție cognitivă în psihologia umană și la o fază a IA care s-a concentrat pe reprezentarea cunoștințelor. Acest lucru a dus la sisteme expert în anii 1970 și 1980, limbaje cadru, sisteme de producție și multe altele. Mai târziu, AI și-a schimbat focalizarea principală către sisteme experte care ar putea să se potrivească cu competența umană, cum ar fi diagnosticul medical.
În plus, reprezentarea cunoștințelor permite sistemelor informatice să înțeleagă și să utilizeze cunoștințele pentru a rezolva probleme din lumea reală. De asemenea, definește o modalitate prin care poți reprezenta cunoștințele și raționamentul în AI.
Reprezentarea cunoștințelor nu se referă doar la stocarea datelor în baze de date; mai degrabă, permite mașinilor inteligente să învețe din cunoștințele umane și să experimenteze la fel, astfel încât o mașină să se poată comporta și să acționeze ca un om.
Oamenii au cunoștințe care sunt străine de mașini, inclusiv sentimente, intenții, credințe, bun simț, judecăți, prejudecăți, intuiție și multe altele. Unele cunoștințe sunt, de asemenea, simple, cum ar fi cunoașterea anumitor fapte, cunoștințele generale despre evenimente, oameni, obiecte, limbaj, discipline academice etc.
Cu KR&R, puteți reprezenta conceptele despre oameni într-un format ușor de înțeles pentru mașini și puteți face sistemele alimentate de AI cu adevărat inteligente. Aici, cunoașterea înseamnă furnizarea de informații cu privire la ecosistem și stocarea acestora, în timp ce raționamentul înseamnă luarea de decizii și acțiuni din informațiile stocate pe baza cunoștințelor.
Ce cunoștințe trebuie să fie reprezentate în sistemele AI?
Cunoștințele care trebuie prezentate în sistemele de inteligență artificială pot include:
- Obiect: Obiectele înconjoară oamenii în mod constant. Prin urmare, informațiile referitoare la acele obiecte sunt esențiale și trebuie considerate un tip de cunoaștere. De exemplu, pianele au cheile albe și negre, mașinile au roți, autobuzele au nevoie de șoferi, avioanele au nevoie de piloți etc.
- Evenimente: numeroase evenimente au loc constant în lumea reală. Iar percepția umană se bazează pe evenimente. AI trebuie să aibă cunoștințe despre evenimente pentru a lua măsuri. Unele evenimente sunt foamete, progresul societăților, războaie, dezastre, realizări și multe altele.
- Performanță: Această cunoaștere se ocupă de anumite acțiuni ale oamenilor în diferite situații. Reprezintă partea comportamentală a cunoștințelor, care este destul de esențială pentru înțelegerea AI.
- Meta cunoștințe: De exemplu, dacă ne uităm în jurul lumii și însumăm toate cunoștințele de acolo, vedem că sunt în mare parte împărțite în trei categorii:
- Ceea ce știm deja
- Ceea ce știm sunt practic lucruri pe care nu le știm complet
- Ceea ce nu știm încă
- Metacunoașterea se ocupă de prima, adică de ceea ce știm și lasă AI să perceapă la fel.
- Fapte: Această cunoaștere se bazează pe descrierea faptică a lumii noastre. De exemplu, pământul nu este plat, dar nici rotund; soarele nostru are un apetit vorace și nu numai.
- Baza de cunoștințe: Baza de cunoștințe este componenta principală a inteligenței umane. Aceasta se referă la un grup de date sau informații relevante despre orice câmp, descriere și multe altele. De exemplu, o bază de cunoștințe despre proiectarea unui model de mașină.
Cum funcționează reprezentarea cunoștințelor?
În mod obișnuit, o sarcină de îndeplinit, o problemă de rezolvat și obținerea unei soluții este dată informal, cum ar fi livrarea coletelor când ajung sau rezolvarea problemelor electrice din casă.
Pentru a rezolva o problemă reală, proiectantul de sistem trebuie să:
- Efectuați sarcina pentru a determina ce soluție mai bună poate oferi
- Reprezentați problema într-o limbă, astfel încât un computer să o poată argumenta
- Utilizați sistemul pentru a calcula o ieșire finală, care este soluția pentru utilizatori sau o secvență de activități care trebuie făcute în ecosistem.
- Interpretați rezultatul final ca o soluție la problema principală
Cunoașterea este informația pe care un om o are deja, dar mașinile trebuie să învețe. Deoarece există o mulțime de probleme, mașina are nevoie de cunoștințe. Ca parte a sistemului de proiectare, puteți defini ce cunoștințe vor fi reprezentate.
Legătura dintre reprezentarea cunoștințelor și IA
Cunoașterea joacă un rol esențial în inteligență. De asemenea, este responsabil pentru crearea inteligenței artificiale. Atunci când este necesar pentru a exprima un comportament inteligent în agenții AI, acesta joacă un rol necesar. Un agent este incapabil să funcționeze cu acuratețe atunci când îi lipsește experiența sau cunoașterea anumitor intrări.
De exemplu, dacă doriți să interacționați cu o persoană, dar nu puteți înțelege limbajul, este evident că nu puteți răspunde bine și nu puteți efectua nicio acțiune. Acest lucru funcționează la fel pentru comportamentul inteligent al agenților. AI trebuie să aibă suficiente cunoștințe pentru a îndeplini funcționalitatea, deoarece un decident descoperă mediul și aplică cunoștințele necesare.
Cu toate acestea, AI nu poate prezenta un comportament intelectual fără componentele cunoașterii.
Tipuri de cunoștințe reprezentate în AI
Acum că suntem clari de ce avem nevoie de reprezentarea cunoștințelor în AI, să aflăm tipurile de cunoștințe reprezentate într-un sistem AI.
- Cunoașterea declarativă: reprezintă obiectele, conceptele și faptele care vă ajută să descrieți întreaga lume din jurul vostru. Astfel, împărtășește descrierea a ceva și exprimă propoziții declarative.
- Cunoștințe procedurale: cunoștințele procedurale sunt mai puține în comparație cu cunoștințele declarative. Este cunoscută și ca cunoaștere imperativă, care este folosită de roboții mobili. Este pentru a declara realizarea a ceva. De exemplu, doar cu o hartă a unei clădiri, roboții mobili își pot face propriul plan. Roboții mobili pot planifica să atace sau să efectueze navigare.
Mai mult, cunoștințele procedurale sunt aplicate direct sarcinii care includ reguli, proceduri, agende, strategii și multe altele.
- Meta cunoștințe: În domeniul inteligenței artificiale, cunoștințele predefinite sunt cunoscute sub denumirea de meta-cunoștințe. De exemplu, studiul etichetării, învățării, planificării etc. se încadrează în acest tip de cunoștințe.
Acest model își schimbă comportamentul în timp și utilizează alte specificații. Un inginer de sistem sau un inginer de cunoștințe utilizează diferite forme de meta-cunoaștere, cum ar fi acuratețea, evaluarea, scopul, sursa, durata de viață, fiabilitatea, justificarea, completitudinea, consistența, aplicabilitatea și dezambiguizarea.
- Cunoaștere euristică: Această cunoaștere, cunoscută și sub numele de cunoaștere superficială, urmează principiul regulii degetului mare. Prin urmare, este foarte eficient în procesul de raționament, deoarece poate rezolva probleme pe baza înregistrărilor anterioare sau a problemelor compilate de experți. Cu toate acestea, adună experiențe ale problemelor anterioare și oferă o abordare mai bună bazată pe cunoștințe pentru a specifica problemele și a lua măsuri.
- Cunoștințe structurale: cunoștințele structurale sunt cele mai simple și de bază cunoștințe care sunt utilizate și aplicate în rezolvarea problemelor complexe. Încearcă să găsească o soluție eficientă prin găsirea relației dintre obiecte și concepte. În plus, descrie relația dintre mai multe concepte, cum ar fi o parte, un fel sau o grupare a ceva.
Cunoașterea declarativă poate fi reprezentată ca fiind cea care descrie, în timp ce cunoștințele procedurale sunt cele care fac. În plus, cunoștințele declarative sunt definite ca explicite, în timp ce cunoștințele procedurale sunt tacite sau implicite. Este cunoaștere declarativă dacă poți articula cunoștințele și cunoștințe procedurale dacă nu le poți articula.
Tehnici de reprezentare a cunoștințelor în IA
Există patru tehnici majore care reprezintă cunoștințele în AI:
- Reprezentare logica
- Rețele semantice
- Reguli de producție
- Reprezentarea cadru
Reprezentarea logică
Reprezentarea logică este forma de bază de reprezentare a cunoștințelor la mașini în care este utilizată o sintaxă definită cu reguli de bază. Această sintaxă nu are ambiguitate în sens și se ocupă de prepoziții. Cu toate acestea, forma logică a reprezentării cunoștințelor acționează ca reguli de comunicare. Acesta este motivul pentru care poate fi folosit pentru a reprezenta fapte la mașini.
Reprezentarea logica este de doua tipuri:
- Logica propozițională: logica propozițională este cunoscută și sub denumirea de logică propozițională sau calcul propozițional care funcționează într-un boolean, ceea ce înseamnă o metodă de Adevărat sau Fals.
- Logica de ordinul întâi: logica de ordinul întâi este un tip de reprezentare a cunoștințelor logice pe care o puteți numi și logica calculului predicatului de ordinul întâi (FOPL). Această reprezentare a cunoștințelor logice reprezintă predicatele și obiectele din cuantificatori. Este un model avansat de logică propozițională.
Această formă de reprezentare a cunoștințelor arată ca majoritatea limbajelor de programare în care utilizați semantica pentru a transmite informații. Este o modalitate foarte logică de a rezolva probleme. Cu toate acestea, principalul dezavantaj al acestei metode este caracterul strict al reprezentării. În general, este greu de executat și nu foarte eficient uneori.
Rețele semantice
O reprezentare grafică, în acest tip de reprezentare a cunoștințelor, poartă obiectele conectate care sunt utilizate cu rețeaua de date. Rețelele semantice includ arce/muchii (conexiuni) și noduri/blocuri (obiecte) care descriu legătura dintre obiecte.
Aceasta este o alternativă la forma de reprezentare a logicii calculului predicatului de ordinul întâi (FOPL). Relațiile din rețelele semantice sunt de două tipuri:
Este o formă de reprezentare mai naturală decât logică datorită simplității sale de înțelegere. Principalul dezavantaj al acestei forme de reprezentare este că este costisitoare din punct de vedere computațional și nu include cuantificatori echivalenti pe care îi puteți găsi în reprezentarea logică.
Reguli de producție
Regulile de producție sunt cea mai comună formă de reprezentare a cunoștințelor în sistemele AI. Este cea mai simplă formă de reprezentare a sistemelor bazate pe reguli dacă altfel și, prin urmare, poate fi înțeleasă cu ușurință. Reprezintă o modalitate de a combina FOPL și logica propozițională.
Pentru a înțelege din punct de vedere tehnic regulile de producție, trebuie să înțelegeți mai întâi elementele constitutive ale sistemului de reprezentare. Acest sistem include un set de reguli, memorie de lucru, aplicator de reguli și un ciclu de act recunoscut.
Pentru fiecare intrare, AI verifică condițiile din regulile de producție și, după ce găsește o regulă mai bună, ia imediat măsurile necesare. Ciclul de selectare a regulilor pe baza condițiilor și de acțiune pentru a rezolva problema este cunoscut sub numele de ciclu de recunoaștere și acțiune care are loc în fiecare intrare.
Cu toate acestea, această metodă are unele probleme, cum ar fi execuția ineficientă din cauza regulilor active și lipsa de a câștiga experiență din cauza lipsei de stocare a rezultatelor anterioare. Deoarece regulile sunt exprimate în limbaj natural, costul dezavantajelor poate fi răscumpărat. Aici, regulile pot fi schimbate și abandonate cu ușurință, dacă este necesar.
Reprezentarea cadru
Pentru a înțelege reprezentarea cadrului la un nivel fundamental, imaginați-vă un tabel format din nume în coloane și valori în rânduri; informația necesară este transmisă în această structură completă. Cu cuvinte simple, reprezentarea cadru este o colecție de valori și atribute.
Aceasta este o structură de date specifică AI, care utilizează umpleri (valori de slot care pot fi de orice tip și formă de date) și sloturi. Procesul este destul de similar cu sistemul tipic de gestionare a bazelor de date (DBMS). Aceste umpluturi și fante formează o structură numită cadru.
Sloturile, în această formă de reprezentare a cunoștințelor, au nume sau atribute, iar cunoștințele legate de atribute sunt stocate în materiale de umplere. Principalul avantaj al acestui tip de reprezentare este că date similare pot fi fuzionate în grupuri pentru a împărți cunoștințele în structuri. În plus, este împărțit în substructuri.
Fiind ca o structură tipică de date, acest tip poate fi înțeles, manipulat și vizualizat cu ușurință. Conceptele tipice, inclusiv eliminarea, ștergerea și adăugarea de sloturi, pot fi realizate fără efort.
Cerințe pentru reprezentarea cunoștințelor în sistemul AI
O reprezentare bună a cunoștințelor conține câteva proprietăți:
- Acuratețea reprezentării: reprezentarea cunoștințelor trebuie să reprezinte cu acuratețe fiecare tip de cunoștințe necesare.
- Eficiența inferențială: este abilitatea de a gestiona cu ușurință mecanismele de cunoaștere inferențiale în direcții productive folosind ghiduri adecvate.
- Adecvare inferenţială: Reprezentarea cunoştinţelor ar trebui să aibă capacitatea de a manipula unele structuri de reprezentare pentru a reprezenta cunoştinţe noi bazate pe structurile existente.
- Eficiența achiziției: capacitatea de a obține noi cunoștințe folosind metode automate.
Ciclul cunoașterii AI
Sistemele AI includ unele componente majore pentru a arăta un comportament inteligent care face posibilă reprezentarea cunoștințelor.
- Percepție: ajută sistemul bazat pe inteligență artificială să colecteze informații despre mediu folosind diferiți senzori și îl familiarizează cu ecosistemul pentru a interacționa eficient cu problemele.
- Învățare: este folosit pentru a permite sistemelor AI să ruleze algoritmi de învățare profundă care sunt deja scrise pentru a face sistemele AI să furnizeze informațiile necesare de la componenta de percepție la componenta de învățare pentru o mai bună învățare și înțelegere.
- Reprezentarea și raționamentul cunoștințelor: Oamenii folosesc cunoștințele pentru a lua decizii. Prin urmare, acest bloc este responsabil pentru servirea oamenilor prin datele de cunoștințe ale sistemelor AI și utilizarea cunoștințelor relevante ori de câte ori este necesar.
- Planificare și execuție: Acest bloc este independent. Este folosit pentru a prelua date din blocuri de cunoștințe și raționament și pentru a executa acțiuni relevante.
Concluzie
Oamenii pot dobândi cunoștințe în moduri diferite, la fel și mașinile bazate pe inteligență artificială. Pe măsură ce AI evoluează, reprezentarea cunoștințelor pentru mașini într-un mod mai bun vă ajută să rezolvați probleme complexe cu erori minime. Deci, reprezentarea cunoștințelor este un atribut esențial pentru ca mașinile AI să funcționeze inteligent și inteligent.
De asemenea, puteți analiza diferența dintre inteligența artificială, învățarea automată și învățarea profundă.