A mesterséges intelligencia (AI) egy népszerű és innovatív technológia, amely magasabb szintre emeli az emberi intelligenciát. A gépekkel integrált pontos intelligencia erejét kínálja.
Az emberek magas szintű gondolkodással, érveléssel, értelmezéssel és a tudás megértésével rendelkeznek. A megszerzett tudás segít különböző tevékenységek végzésében a való világban.
Manapság a technológiának köszönhetően már a gépek is sok mindenre képesek.
Az utóbbi időben a mesterséges intelligencia által hajtott rendszerek és eszközök használata egyre növekszik, köszönhetően azok hatékonyságának és pontosságának az összetett feladatok elvégzésében.
Nos, a probléma az, hogy míg az emberek életük során sok szintű és típusú tudásra tettek szert, a gépek nehézségekkel szembesülnek ugyanazon tudás értelmezésében.
Ezért a tudásreprezentációt használják. Ez megoldja világunk összetett problémáit, amelyeket nehéz és időigényes megoldani az emberek számára.
Ebben a cikkben elmagyarázom a tudásreprezentációt az AI-ban, annak működését, típusait és technikáit, és még sok mást.
Kezdjük!
Tartalomjegyzék
Mi a tudásreprezentáció és az érvelés?
A tudásreprezentáció és érvelés (KR&R) a mesterséges intelligencia része, amely kizárólag a valós világról szóló információk olyan formában való megjelenítésére szolgál, amelyet a számítógép megérthet, és ennek megfelelően cselekedhet. Ez összetett problémák megoldásához vezet, mint például a számítás, a természetes nyelvű párbeszéd, a kritikus egészségügyi állapot diagnosztizálása stb.
A tudásreprezentáció a pszichológiától arról szól, hogy az ember hogyan képes problémákat megoldani és a tudást reprezentálni, egészen a tervezési formalizmusokig. Ez lehetővé teszi a mesterséges intelligencia megértését, hogy az ember hogyan teszi egyszerűbbé a komplex rendszereket az építés és a tervezés során.
A legkorábbi munka az általános problémamegoldókra összpontosított, amelyeket Herbert A. Simon és Allen Newell fejlesztett ki 1959-ben. Ezek a rendszerek adatstruktúrát használtak a dekompozícióhoz és a tervezéshez. A rendszer először egy góllal indul, majd a célt részcélokra bontja. Ezt követően a rendszer meghatároz néhány konstrukciós stratégiát, amelyek megfelelnek az egyes részcéloknak.
Ezek az erőfeszítések aztán kognitív forradalomhoz vezettek az emberi pszichológiában, és a mesterséges intelligencia egy szakaszához, amely a tudás reprezentációjára összpontosított. Ennek eredményeként az 1970-es és 1980-as években szakértői rendszerek, keretnyelvek, termelési rendszerek stb. Később a mesterséges intelligencia elsődleges fókuszát olyan szakértői rendszerekre helyezte, amelyek esetleg megfelelhetnek az emberi kompetenciáknak, például az orvosi diagnózisnak.
Ezenkívül a tudásreprezentáció lehetővé teszi a számítógépes rendszerek számára, hogy megértsék és felhasználják a tudást a valós problémák megoldására. Meghatározza azt a módot is, amelyen keresztül a tudást és az érvelést reprezentálhatja az AI-ban.
A tudásreprezentáció nem csak az adatok adatbázisokban való tárolását jelenti; sokkal inkább lehetővé teszi az intelligens gépek számára, hogy tanuljanak az emberi tudásból és ugyanazt tapasztalják meg, hogy a gép emberként viselkedhessen és viselkedhessen.
Az emberek olyan tudással rendelkeznek, amely idegen a gépektől, ideértve az érzéseket, a szándékokat, a hiedelmeket, a józan észt, az ítéleteket, az előítéleteket, az intuíciót és még sok mást. Bizonyos ismeretek egyszerűek is, mint például bizonyos tények ismerete, események, emberek, tárgyak, nyelv, tudományágak stb. általános ismerete.
A KR&R segítségével a gépek számára érthető formátumban ábrázolhatja az ember fogalmát, és valóban intelligenssé teheti az AI-alapú rendszereket. A tudás itt az ökoszisztémára vonatkozó információk szolgáltatását és tárolását jelenti, míg az érvelés azt jelenti, hogy az eltárolt információkból a tudás alapján döntéseket és cselekvéseket hozunk.
Milyen tudást kell képviselni az AI-rendszerekben?
A mesterséges intelligencia rendszerekben bemutatandó ismeretek a következők lehetnek:
- Tárgy: A tárgyak állandóan körülveszik az embert. Ezért az ezekre az objektumokra vonatkozó információk elengedhetetlenek, és tudástípusnak kell tekinteni. Például a zongoráknak fehér és fekete billentyűk, az autóknak kerekek, a buszoknak sofőrök, a repülőknek pilóták stb.
- Események: Számos esemény zajlik folyamatosan a való világban. Az emberi felfogás pedig eseményeken alapul. Az AI-nak rendelkeznie kell az eseményekkel kapcsolatos ismeretekkel ahhoz, hogy cselekedni tudjon. Egyes események éhínségek, társadalmak fejlődése, háborúk, katasztrófák, eredmények stb.
- Teljesítmény: Ez a tudás az emberek bizonyos cselekedeteivel foglalkozik különböző helyzetekben. Ez a tudás viselkedési oldalát képviseli, amely elengedhetetlen a mesterséges intelligencia megértéséhez.
- Meta tudás: Például, ha körülnézünk a világban, és összegezzük az összes tudást, azt látjuk, hogy többnyire három kategóriába sorolhatók:
- Amit már tudunk
- Amit tudunk, alapvetően olyan dolgok, amelyeket nem ismerünk teljesen
- Amit még nem tudunk
- A meta tudás az elsővel foglalkozik, vagyis azzal, amit tudunk, és lehetővé teszi, hogy az AI ugyanazt érzékelje.
- Tények: Ez a tudás világunk tényszerű leírásán alapul. Például a föld nem lapos, de nem is kerek; a mi napunknak falánk az étvágya, és így tovább.
- Tudásbázis: A tudásbázis az emberi intelligencia fő összetevője. Ez bármely mezőre, leírásra és egyebekre vonatkozó releváns adatok vagy információk csoportjára vonatkozik. Például egy autómodell tervezésével kapcsolatos tudásbázis.
Hogyan működik a tudásreprezentáció?
Jellemzően informálisan adják meg az elvégzendő feladatot, a megoldandó problémát és a megoldás megszerzését, például a csomagok kézbesítését, amikor megérkeznek, vagy a ház elektromos hibáinak javítását.
Valós probléma megoldásához a rendszertervezőnek:
- Végezze el a feladatot, hogy meghatározza, melyik jobb megoldást tud nyújtani
- A problémát olyan nyelven ábrázolja, hogy a számítógép meg tudja indokolni
- Használja a rendszert egy végső kimenet számítógépezésére, amely a megoldás a felhasználók számára vagy az ökoszisztémában végrehajtandó tevékenységek sorozata.
- Értelmezze a végeredményt az elsődleges probléma megoldásaként
A tudás az az információ, amivel az ember már rendelkezik, de a gépeknek meg kell tanulniuk. Mivel sok a probléma, a géphez tudás kell. A tervezési rendszer részeként meghatározhatja, hogy milyen tudást kell képviselni.
Kapcsolat a tudásreprezentáció és a mesterséges intelligencia között
A tudás alapvető szerepet játszik az intelligenciában. A mesterséges intelligencia létrehozásáért is felelős. Amikor az intelligens viselkedés kifejezésére van szükség az AI-ügynökökben, ez szükséges szerepet játszik. Egy ügynök nem tud pontosan működni, ha nincs tapasztalata vagy ismerete bizonyos bemenetekkel kapcsolatban.
Például, ha kapcsolatba szeretne lépni egy személlyel, de nem tudja megérteni a nyelvet, nyilvánvaló, hogy nem tud megfelelően reagálni és semmilyen műveletet végrehajtani. Ez ugyanúgy működik az ügynökök intelligens viselkedésére. Az AI-nak elegendő tudással kell rendelkeznie a funkció végrehajtásához, miközben a döntéshozó felfedezi a környezetet és alkalmazza a szükséges ismereteket.
Az AI azonban nem tud intellektuális viselkedést tanúsítani a tudás összetevői nélkül.
Az AI-ban képviselt tudástípusok
Most, hogy tisztában vagyunk azzal, hogy miért van szükség a tudásreprezentációra az AI-ban, nézzük meg, hogy a tudás milyen típusokat képvisel egy AI-rendszerben.
- Deklaratív tudás: Olyan tárgyakat, fogalmakat és tényeket képvisel, amelyek segítenek leírni az egész világot körülötted. Így megosztja valaminek a leírását, és kijelentő mondatokat fejez ki.
- Eljárási ismeretek: Az eljárási ismeretek kevésbé a deklaratív tudáshoz képest. Szükséges tudásnak is nevezik, amelyet a mobil robotok használnak. Valaminek a megvalósulásának kinyilvánítására való. Például egy épület térképével a mobil robotok saját tervet készíthetnek. A mobil robotok tervezhetnek támadást vagy navigációt hajthatnak végre.
Ezenkívül az eljárási ismereteket közvetlenül alkalmazzák a feladatra, amely magában foglalja a szabályokat, eljárásokat, napirendeket, stratégiákat és egyebeket.
- Meta tudás: A mesterséges intelligencia területén az előre meghatározott tudást meta-tudásnak nevezik. Például a címkézés, a tanulás, a tervezés stb. tanulmányozása ebbe a tudástípusba tartozik.
Ez a modell idővel megváltoztatja viselkedését, és más specifikációkat használ. A rendszermérnök vagy tudásmérnök a meta-tudás különféle formáit használja, mint például a pontosság, az értékelés, a cél, a forrás, az élettartam, a megbízhatóság, az indokoltság, a teljesség, a következetesség, az alkalmazhatóság és az egyértelműség.
- Heurisztikus tudás: Ez a sekély tudásnak is nevezett tudás a hüvelykujjszabály elvét követi. Ezért rendkívül hatékony az érvelési folyamatban, mivel képes megoldani a múltbeli feljegyzések vagy szakértők által összeállított problémák alapján. Ugyanakkor összegyűjti a múltbeli problémák tapasztalatait, és jobb tudásalapú megközelítést biztosít a problémák meghatározásához és a cselekvéshez.
- Strukturális tudás: A strukturális tudás a legegyszerűbb és legalapvetőbb tudás, amelyet összetett problémák megoldásában használunk és alkalmazunk. A tárgyak és fogalmak közötti kapcsolat megtalálásával próbál hatékony megoldást találni. Ezenkívül leírja a több fogalom közötti kapcsolatot, például valaminek része, fajtája vagy csoportosítása.
A deklaratív tudás ábrázolható leíróként, míg a procedurális tudás a cselekvő. Ezenkívül a deklaratív tudást explicitként határozzák meg, míg a procedurális tudás hallgatólagos vagy implicit. Deklaratív tudás, ha tudod megfogalmazni a tudást, és procedurális tudás, ha nem tudod megfogalmazni.
A tudásábrázolás technikái az AI-ban
Négy fő technika létezik, amelyek az AI tudását képviselik:
- Logikai ábrázolás
- Szemantikus hálózatok
- Gyártási szabályok
- Keretábrázolás
Logikai ábrázolás
A logikai reprezentáció a tudásábrázolás alapvető formája a gépeken, ahol egy meghatározott szintaxist használnak alapvető szabályokkal. Ennek a szintaxisnak nincs kétértelmű jelentése, és az elöljárószavakkal foglalkozik. A tudásreprezentáció logikai formája azonban kommunikációs szabályként működik. Ez az oka annak, hogy használható tények megjelenítésére a gépek számára.
A logikai ábrázolásnak két típusa van:
- Propozíciós logika: A propozíciós logikát állításlogikának vagy propozíciószámításnak is nevezik, amely logikai értelmezésben működik, ami igaz vagy hamis módszert jelent.
- Elsőrendű logika: Az elsőrendű logika a logikai tudásreprezentáció egy fajtája, amelyet elsőrendű predikátumszámítási logikának (FOPL) is nevezhet. A logikai tudásnak ez a reprezentációja a kvantorokban lévő predikátumokat és objektumokat reprezentálja. Ez a propozíciós logika fejlett modellje.
A tudásábrázolásnak ez a formája úgy néz ki, mint a legtöbb programozási nyelv, ahol szemantikát használ az információ továbbítására. Ez egy nagyon logikus módja a problémák megoldásának. Ennek a módszernek a fő hátránya azonban az ábrázolás szigorú jellege. Általában nehéz végrehajtani, és néha nem túl hatékony.
Szemantikus hálózatok
A grafikus ábrázolás az ilyen típusú tudásábrázolásban az adathálózattal használt összekapcsolt objektumokat hordozza. A szemantikai hálózatok íveket/éleket (kapcsolatokat) és csomópontokat/blokkokat (objektumokat) tartalmaznak, amelyek leírják az objektumok közötti kapcsolatot.
Ez az elsőrendű predikátumszámítási logika (FOPL) ábrázolási formája alternatívája. A szemantikai hálózatokban a kapcsolatok kétféleek:
A megértés egyszerűsége miatt természetesebb ábrázolási forma, mint logikus. Ennek az ábrázolási formának a fő hátránya, hogy számításilag drága, és nem tartalmaz ekvivalens kvantorokat, amelyeket a logikai ábrázolásban találhat meg.
Gyártási szabályok
A termelési szabályok a tudásábrázolás leggyakoribb formája az AI-rendszerekben. Ez a legegyszerűbb formája az if-else szabályalapú rendszerek ábrázolásának, ezért könnyen érthető. A FOPL és a propozíciós logika kombinálásának egyik módját képviseli.
A gyártási szabályok technikai megértéséhez először meg kell értenie az ábrázolási rendszer összetevőit. Ez a rendszer szabálykészletet, munkamemóriát, szabályalkalmazást és elismert cselekvési ciklust tartalmaz.
Az AI minden bemenetnél ellenőrzi a feltételeket a gyártási szabályokból, és jobb szabály megtalálása után azonnal megteszi a szükséges lépéseket. A feltételek alapján történő szabályok kiválasztásának és a probléma megoldását célzó cselekvésnek a ciklusát felismerési és cselekvési ciklusnak nevezzük, amely minden bemenetben lezajlik.
Ennek a módszernek azonban van néhány problémája, mint például a nem hatékony végrehajtás az aktív szabályok miatt, és a tapasztalatszerzés hiánya a múltbeli eredmények tárolásának hiánya miatt. Mivel a szabályok természetes nyelven vannak megfogalmazva, a hátrányok költsége megtéríthető. Itt a szabályok szükség esetén könnyen megváltoztathatók és eldobhatók.
Keretábrázolás
A keretábrázolás alapvető szintű megértéséhez képzeljünk el egy táblázatot, amely oszlopokban neveket és sorokban lévő értékeket tartalmaz; a szükséges információ ebben a teljes struktúrában kerül átadásra. Egyszerű szavakkal, a keretreprezentáció értékek és attribútumok gyűjteménye.
Ez egy mesterséges intelligencia-specifikus adatstruktúra, amely kitöltőket (bármilyen adattípusú és alakú lehet) és réseket használ. A folyamat nagyon hasonlít a tipikus adatbázis-kezelő rendszerhez (DBMS). Ezek a töltőanyagok és rések keretnek nevezett szerkezetet alkotnak.
A réseknek ebben a tudásreprezentációs formában nevek vagy attribútumok vannak, és az attribútumokhoz kapcsolódó tudást kitöltőkben tárolják. Az ilyen típusú reprezentáció fő előnye, hogy a hasonló adatokat csoportokba vonva lehet struktúrákra osztani a tudást. Továbbá alstruktúrákra oszlik.
Mint egy tipikus adatstruktúra, ez a típus könnyen érthető, manipulálható és megjeleníthető. A tipikus koncepciók, beleértve a slotok eltávolítását, törlését és hozzáadását, könnyedén végrehajthatók.
A tudásábrázolás követelményei az AI-rendszerben
A jó tudásábrázolás tartalmaz néhány tulajdonságot:
- Reprezentációs pontosság: A tudásreprezentációnak minden szükséges tudásfajtát pontosan kell ábrázolnia.
- Következtetési hatékonyság: A következtetési tudásmechanizmusok produktív irányokba történő könnyű kezelésének képessége megfelelő útmutatók segítségével.
- Következtetési megfelelőség: A tudásreprezentációnak képesnek kell lennie arra, hogy néhány reprezentációs struktúrát manipuláljon, hogy a meglévő struktúrákon alapuló új tudást reprezentáljon.
- Elsajátítási hatékonyság: Automatikus módszerekkel új ismeretek megszerzésének képessége.
AI tudásciklus
Az AI-rendszerek olyan fő összetevőket tartalmaznak, amelyek intelligens viselkedést mutatnak, amelyek lehetővé teszik a tudás reprezentálását.
- Érzékelés: Segíti az AI-alapú rendszert, hogy információkat gyűjtsön a környezetről különböző érzékelők segítségével, és megismertesse az ökoszisztémát, hogy hatékonyan kezelje a problémákat.
- Tanulás: Arra használják, hogy a mesterséges intelligencia rendszerek olyan mély tanulási algoritmusokat futtathassanak, amelyek már meg vannak írva, hogy az AI-rendszerek a jobb tanulás és megértés érdekében továbbítsák a szükséges információkat az észlelési komponenstől a tanulási összetevőig.
- Tudásreprezentáció és érvelés: Az emberek a tudást használják döntéseik meghozatalához. Ezért ez a blokk felelős azért, hogy az AI-rendszerek tudásadatain keresztül kiszolgálja az embereket, és szükség esetén felhasználja a releváns ismereteket.
- Tervezés és kivitelezés: Ez a blokk független. Adatok felvételére tudás- és érvelési blokkokból, valamint releváns műveletek végrehajtására szolgál.
Következtetés
Az emberek különböző módokon szerezhetnek tudást, és így tesznek az AI-alapú gépek is. A mesterséges intelligencia fejlődésével a tudás jobb megjelenítése a gépek felé segít az összetett problémák minimális hibával történő megoldásában. Tehát a tudásreprezentáció az AI-gépek intelligens és okos működésének alapvető tulajdonsága.
Megvizsgálhatja a mesterséges intelligencia, a gépi tanulás és a mélytanulás közötti különbséget is.