logo

Mi az a tudásreprezentáció?

Az emberek a legjobbak a tudás megértésében, érvelésében és értelmezésében. Az ember ismer dolgokat, ami tudás, és tudása szerint különféle cselekvéseket hajt végre a való világban. De az, hogy a gépek hogyan csinálják mindezt, a tudásreprezentáció és az érvelés alá tartozik . Ezért a tudásreprezentációt a következőképpen írhatjuk le:

  • A tudásreprezentáció és érvelés (KR, KRR) a mesterséges intelligencia azon része, amely az AI-ügynökök gondolkodásával foglalkozik, és azzal, hogy a gondolkodás hogyan járul hozzá az ágensek intelligens viselkedéséhez.
  • Feladata a valós világgal kapcsolatos információk megjelenítése, hogy a számítógép megértse és felhasználhassa ezeket a tudást a való világ összetett problémáinak megoldására, mint például egy egészségügyi állapot diagnosztizálására vagy az emberekkel való természetes nyelven való kommunikációra.
  • Ez egy olyan módszer is, amely leírja, hogyan tudjuk a tudást a mesterséges intelligenciában ábrázolni. A tudásreprezentáció nem csupán adatok tárolását jelenti valamilyen adatbázisban, hanem lehetővé teszi egy intelligens gép számára, hogy tanuljon ezekből a tudásokból és tapasztalatokból, hogy intelligensen viselkedhessen, mint egy ember.

Mit kell képviselni:

Az alábbiakban bemutatjuk, hogy milyen tudást kell képviselni az AI-rendszerekben:

int karakterlánchoz java-ban
    Tárgy:Minden tény a világunk tárgyairól. Például a gitárok húrokat tartalmaznak, a trombiták rézfúvós hangszerek.Események:Az események a világunkban végbemenő cselekedetek.Teljesítmény:Olyan viselkedést ír le, amely magában foglalja a dolgok elvégzésének ismeretét.Meta-tudás:Ez tudás arról, amit tudunk.Tények:A tények az igazságok a való világról és arról, amit képviselünk.Tudásbázis:A tudásalapú ágensek központi eleme a tudásbázis. KB-ként van ábrázolva. A Tudásbázis a mondatok egy csoportja (itt a mondatokat szakkifejezésként használjuk, és nem azonosak az angol nyelvvel).

Tudás: A tudás a tények, adatok és helyzetek tapasztalataiból szerzett tudatosság vagy ismeretség. Az alábbiakban felsoroljuk a mesterséges intelligencia tudástípusait:

A tudás fajtái

Az alábbiakban felsoroljuk a tudás különböző típusait:

Tudásreprezentáció a mesterséges intelligenciában

1. Deklaratív tudás:

  • A deklaratív tudás azt jelenti, hogy tudni valamit.
  • Fogalmakat, tényeket és tárgyakat foglal magában.
  • Leíró tudásnak is nevezik, és deklaratív mondatokban fejezik ki.
  • Egyszerűbb, mint az eljárási nyelv.

2. Eljárási ismeretek

objektumok tömbje java-ban
  • Szükséges tudásnak is nevezik.
  • Az eljárási tudás egyfajta tudás, amely felelős azért, hogy megtudja, hogyan kell valamit csinálni.
  • Bármilyen feladatra közvetlenül alkalmazható.
  • Tartalmaz szabályokat, stratégiákat, eljárásokat, napirendeket stb.
  • Az eljárási tudás attól függ, hogy milyen feladaton lehet alkalmazni.

3. Meta-tudás:

  • A többi tudástípusról szóló tudást meta-tudásnak nevezzük.

4. Heurisztikus ismeretek:

  • A heurisztikus tudás egyes szakértők tudását jelenti egy iktatott vagy tárgykörben.
  • A heurisztikus tudás olyan hüvelykujjszabályok, amelyek korábbi tapasztalatokon, megközelítési módok tudatosságán alapulnak, és amelyeket jó használni, de nem garantáltak.

5. Szerkezeti ismeretek:

  • A strukturális tudás alapvető tudás a problémamegoldáshoz.
  • Leírja a különféle fogalmak közötti kapcsolatokat, például valaminek fajtája, része és csoportosítása.
  • Leírja a fogalmak vagy objektumok közötti kapcsolatot.

A tudás és az intelligencia kapcsolata:

A valós világok ismerete létfontosságú szerepet játszik az intelligencia és a mesterséges intelligencia létrehozásában. A tudás fontos szerepet játszik az AI-ügynökök intelligens viselkedésének demonstrálásában. Egy ügynök csak akkor tud pontosan cselekedni bizonyos input alapján, ha rendelkezik bizonyos ismeretekkel vagy tapasztalatokkal az adott bemenettel kapcsolatban.

többsoros megjegyzés powershell

Tegyük fel, hogy ha találkozik valakivel, aki olyan nyelven beszél, amelyet nem ismer, akkor hogyan fog tudni cselekedni. Ugyanez vonatkozik az ügynökök intelligens viselkedésére is.

Amint az alábbi ábrán látható, van egy döntéshozó, amely a környezet érzékelésével és a tudás felhasználásával cselekszik. De ha a tudásrész akkor nem jelenik meg, akkor nem képes intelligens viselkedést megjeleníteni.

Tudásreprezentáció a mesterséges intelligenciában

AI tudásciklus:

A mesterséges intelligencia rendszer a következő összetevőkkel rendelkezik az intelligens viselkedés megjelenítéséhez:

neve
  • Észlelés
  • Tanulás
  • Tudásábrázolás és érvelés
  • Tervezés
  • Végrehajtás
Tudásreprezentáció a mesterséges intelligenciában

A fenti diagram azt mutatja be, hogy egy MI-rendszer hogyan tud kölcsönhatásba lépni a való világgal, és milyen összetevők segítik az intelligenciát. A mesterséges intelligencia rendszernek van észlelési komponense, amellyel információkat nyer ki a környezetéből. Lehet vizuális, hang vagy másfajta szenzoros bemenet. A tanulási komponens felelős az észlelési mód által rögzített adatokból való tanulásért. A teljes ciklusban a fő összetevők a tudásreprezentáció és az érvelés. Ez a két összetevő részt vesz a gépszerű emberek intelligenciájának bemutatásában. Ez a két komponens független egymástól, de össze is kapcsolódnak. A tervezés és a végrehajtás a Tudásábrázolás és érvelés elemzésén múlik.

A tudásreprezentáció megközelítései:

A tudásreprezentációnak főként négy megközelítése létezik, amelyeket az alábbiakban mutatunk be:

1. Egyszerű relációs ismeretek:

  • A tények tárolásának legegyszerűbb módja a relációs módszer, és az objektum halmazával kapcsolatos minden tény szisztematikusan oszlopokban van feltüntetve.
  • A tudásreprezentációnak ez a megközelítése híres azokban az adatbázis-rendszerekben, ahol a különböző entitások közötti kapcsolatot ábrázolják.
  • Ennek a megközelítésnek kevés a lehetősége a következtetésre.

Példa: A következő az egyszerű relációs tudásreprezentáció.

Játékos Súly Kor
Játékos 1 65 23
Játékos2 58 18
Játékos 3 75 24

2. Örökölhető tudás:

  • Az öröklődő tudás megközelítésben minden adatot osztályok hierarchiájában kell tárolni.
  • Minden osztályt általánosított formában vagy hierarchikusan kell elrendezni.
  • Ebben a megközelítésben az öröklődési tulajdonságot alkalmazzuk.
  • Az elemek az osztály többi tagjától öröklik az értékeket.
  • Ez a megközelítés örökölhető tudást tartalmaz, amely kapcsolatot mutat meg a példány és az osztály között, és ezt példányrelációnak nevezik.
  • Minden egyes keret képviselheti az attribútumok gyűjteményét és annak értékét.
  • Ebben a megközelítésben az objektumok és értékek dobozos csomópontokban jelennek meg.
  • Nyilakat használunk, amelyek az objektumokról az értékükre mutatnak.
  • Példa:
Tudásreprezentáció a mesterséges intelligenciában

3. Következtető ismeretek:

  • A következtetéses tudásszemlélet a tudást formális logika formájában reprezentálja.
  • Ez a megközelítés több tény levezetésére használható.
  • Garantálta a korrektséget.
  • Példa:Tegyük fel, hogy két állítás létezik:
    1. Marcus férfi
    2. Minden ember halandó
      Ekkor a következőt ábrázolhatja;

      férfi (Marcus)
      ∀x = ember (x) ----------> halandó (x)s

4. Eljárási ismeretek:

  • Az eljárási ismeretek megközelítése kis programokat és kódokat használ, amelyek leírják, hogyan kell konkrét dolgokat csinálni, és hogyan kell eljárni.
  • Ebben a megközelítésben egy fontos szabályt alkalmaznak, amely az Ha-Akkor szabály .
  • Ebben a tudásban különféle kódolási nyelveket tudunk használni, mint pl LISP nyelv és Prolog nyelv .
  • Ezzel a megközelítéssel könnyen reprezentálhatjuk a heurisztikus vagy tartomány-specifikus tudást.
  • De nem szükséges, hogy ebben a megközelítésben minden esetet reprezentáljunk.

A tudásábrázolási rendszer követelményei:

Egy jó tudásreprezentációs rendszernek a következő tulajdonságokkal kell rendelkeznie.

    1. Ábrázolási pontosság:
    A KR rendszernek képesnek kell lennie minden szükséges tudás reprezentálására.2. Következtetési megfelelőség:
    A KR rendszernek képesnek kell lennie a reprezentációs struktúrák manipulálására, hogy a meglévő struktúrának megfelelő új tudást állítson elő.3. Következtetési hatékonyság:
    Az a képesség, hogy a következtetési tudásmechanizmust a legproduktívabb irányokba irányítsuk megfelelő útmutatók tárolásával.4. Akvizíciós hatékonyság-Az új ismeretek egyszerű elsajátításának képessége automatikus módszerekkel.