Reprezentace znalostí v AI vysvětlená jednoduchými termíny

Umělá inteligence, často označovaná zkratkou AI, je progresivní a inovativní odvětví technologií, které posunuje hranice lidské inteligence. Nabízí efektivní spojení precizní inteligence a strojového provedení.

Lidé jsou vybaveni schopností sofistikovaného myšlení, úsudku, interpretace a chápání informací. Znalosti, které získáváme, nám umožňují vykonávat různorodé úkoly v reálném světě.

V současné době i stroje, díky technologickému pokroku, dokážou zvládnout širokou škálu činností.

V poslední době můžeme pozorovat narůstající využívání systémů a zařízení poháněných umělou inteligencí, což je dáno jejich efektivitou a přesností při realizaci komplexních úkolů.

Avšak i když lidé během života získávají rozmanité úrovně a typy znalostí, stroje se potýkají s problémy při interpretaci stejných informací.

Právě proto se používá reprezentace znalostí. Pomáhá řešit složité problémy, které jsou pro lidi obtížné nebo časově náročné.

V tomto článku si detailně rozebereme reprezentaci znalostí v oblasti umělé inteligence, její fungování, druhy, techniky a další související aspekty.

Pojďme tedy začít!

Co je reprezentace znalostí a uvažování?

Reprezentace znalostí a uvažování (KR&R) je obor umělé inteligence, který se specializuje na transformaci informací o reálném světě do formátu srozumitelného pro počítače. To umožňuje počítačům jednat na základě získaných informací. Tato schopnost je klíčová pro řešení složitých problémů, jako jsou výpočty, komunikace v přirozeném jazyce nebo diagnostika závažných zdravotních stavů.

Reprezentace znalostí čerpá inspiraci z psychologie, která se zabývá tím, jak člověk řeší problémy a reprezentuje znalosti, a přetváří je do formálních návrhů. Díky tomu umělá inteligence chápe, jak člověk zjednodušuje složité systémy při jejich konstrukci a návrhu.

Počáteční výzkumy se zaměřovaly na obecné řešitele problémů, vyvinuté Herbertem A. Simonem a Allenem Newellem v roce 1959. Tyto systémy používaly datovou strukturu pro dekompozici a plánování. Systém začínal s cílem a postupně ho rozkládal na dílčí cíle. Následně systém stanovoval konstrukční strategie pro každý dílčí cíl.

Tato snaha vedla ke kognitivní revoluci v lidské psychologii a k rozmachu fáze umělé inteligence zaměřené na reprezentaci znalostí. Výsledkem byly expertní systémy v 70. a 80. letech, rámcové jazyky, produkční systémy a další. Později se AI přesunula od expertních systémů k systémům, které by se mohly vyrovnat lidským schopnostem, jako je například lékařská diagnostika.

Reprezentace znalostí navíc umožňuje počítačovým systémům porozumět a efektivně využívat znalosti při řešení problémů z reálného světa. Definuje způsob, jakým lze v umělé inteligenci prezentovat znalosti a proces uvažování.

Reprezentace znalostí nespočívá pouze v ukládání dat do databází; umožňuje inteligentním strojům učit se z lidských znalostí a zkušeností, aby se stroj mohl chovat a jednat podobně jako člověk.

Lidé disponují znalostmi, které jsou strojům cizí, včetně emocí, motivů, přesvědčení, zdravého rozumu, úsudků, předsudků, intuice a dalších. Některé znalosti jsou také přímočaré, jako je znalost konkrétních faktů, obecné znalosti událostí, lidí, objektů, jazyka, akademických oborů atd.

Pomocí KR&R můžeme lidské koncepty převést do formátu, kterému rozumí stroje, a tím vytvořit systémy umělé inteligence, které jsou skutečně inteligentní. Znalosti v tomto kontextu znamenají poskytování informací o ekosystému a jejich ukládání, zatímco uvažování znamená přijímání rozhodnutí a jednání na základě uložených informací.

Jaké znalosti mají být reprezentovány v systémech AI?

Znalosti, které by měly být prezentovány v systémech umělé inteligence, mohou zahrnovat:

• Objekty: Objekty jsou nedílnou součástí lidského života. Proto jsou informace spojené s těmito objekty klíčové a musí být brány v úvahu jako typ znalostí. Například klavíry mají bílé a černé klávesy, automobily mají kola, autobusy vyžadují řidiče, letadla potřebují piloty atd.
• Události: V reálném světě se neustále odehrávají různé události. Lidské vnímání je silně ovlivněno událostmi. Aby umělá inteligence mohla jednat, musí mít znalosti o událostech. Některé události zahrnují hladomory, společenský pokrok, války, katastrofy, úspěchy a další.
• Výkon: Tyto znalosti se týkají určitého jednání lidí v různých situacích. Představují behaviorální aspekt znalostí, který je pro umělou inteligenci zcela zásadní.

• Meta znalosti: Pokud se podíváme na celosvětový rozsah znalostí, vidíme, že jsou z větší části rozděleny do tří kategorií:
• To, co již známe
• To, o čem víme, že to nevíme
• To, co ještě nevíme
• Meta znalosti se zabývají první kategorií, tedy tím, co víme, a umožňují tak umělé inteligenci to vnímat.

• Fakta: Tato znalost je založena na popisu našeho světa založeného na faktech. Například Země není plochá, ale ani dokonale kulatá; naše Slunce má nezměrnou chuť k jídlu a další fakta.
• Znalostní báze: Znalostní báze je klíčovou součástí lidské inteligence. Jedná se o sbírku relevantních dat nebo informací o konkrétní oblasti, popisu a dalších souvisejících datech. Například znalostní báze o navrhování modelu automobilu.

Jak funguje reprezentace znalostí?

Úkoly, které je třeba provést, nebo problémy, které je potřeba vyřešit, jsou obvykle zadávány neformálně, jako je doručování zásilek po jejich příchodu nebo řešení problémů s elektřinou v domě.

Pro vyřešení reálného problému musí systémový inženýr:

• Analyzovat problém, aby identifikoval potenciální efektivnější řešení
• Reprezentovat problém v jazyce, který je srozumitelný pro počítač
• Využít systém k výpočtu výsledku, kterým je řešení pro uživatele nebo sekvence akcí, které je třeba provést v ekosystému.
• Interpretovat konečný výsledek jako řešení původního problému

Znalosti jsou informace, které má člověk již k dispozici, ale stroje se je musí naučit. Vzhledem k rozmanitosti problémů je pro stroj zásadní mít znalosti. Při návrhu systému je nutné definovat, které znalosti mají být reprezentovány.

Vztah mezi reprezentací znalostí a umělou inteligencí

Znalosti hrají nezastupitelnou roli v inteligenci a jsou nezbytné pro vytvoření umělé inteligence. Reprezentace znalostí je klíčová pro vyjádření inteligentního chování AI agentů. Agent nemůže efektivně fungovat bez zkušeností nebo znalostí o určitých vstupech.

Například pokud chcete komunikovat s osobou, ale nerozumíte jejímu jazyku, je jasné, že nebudete schopni efektivně reagovat ani jednat. Stejný princip platí pro inteligentní chování agentů. Umělá inteligence musí mít dostatek znalostí, aby mohla plnit svou funkci, když člověk provádí rozhodnutí a získává relevantní znalosti z prostředí.

Umělá inteligence nemůže vykazovat inteligentní chování bez znalostní složky.

Typy znalostí reprezentovaných v AI

Nyní, když jsme si ujasnili, proč je reprezentace znalostí v AI důležitá, pojďme se podívat na typy znalostí, které se v systému AI reprezentují.

• Deklarativní znalosti: Představují objekty, koncepty a fakta, která nám pomáhají popisovat svět kolem nás. Slouží k popisu něčeho a jsou vyjádřeny oznamovacími větami.
• Procedurální znalosti: Procedurální znalosti jsou méně rozsáhlé než deklarativní znalosti. Někdy se jim také říká imperativní znalosti a používají je například mobilní roboti. Slouží k popisu toho, jak něčeho dosáhnout. Například mobilní roboti mohou s pomocí mapy budovy vytvořit svůj vlastní plán. Mohou plánovat útoky nebo navigovat v terénu.

Procesní znalosti se navíc přímo vztahují k řešení úkolů a zahrnují pravidla, postupy, programy, strategie a další aspekty.

• Meta znalosti: V oblasti umělé inteligence jsou předem definované znalosti známy jako meta znalosti. Do této kategorie spadá například studium značkování, učení, plánování atd.

  Tento model mění své chování v průběhu času a využívá další specifikace. Systémový nebo znalostní inženýr používá různé formy meta znalostí, jako je přesnost, hodnocení, účel, zdroj, životnost, spolehlivost, odůvodnění, úplnost, konzistence, použitelnost a jednoznačnost.

• Heuristické znalosti: Tyto znalosti, také známé jako povrchní znalosti, se řídí principem pravidla palce. Jsou vysoce efektivní v procesu uvažování, protože dokážou řešit problémy na základě předchozích záznamů nebo problémů sestavených odborníky. Zahrnují zkušenosti s minulými problémy a poskytují lepší přístup ke specifikaci a řešení problémů.
• Strukturální znalosti: Strukturální znalosti jsou nejjednodušší a nejzákladnější a jsou používané při řešení složitých problémů. Hledají efektivní řešení prostřednictvím vztahů mezi objekty a koncepty. Popisují také vztah mezi více koncepty, jako je část, typ nebo seskupení něčeho.

Deklarativní znalosti lze reprezentovat jako popis, zatímco procedurální znalosti popisují, jak něco udělat. Deklarativní znalosti jsou explicitní, zatímco procedurální znalosti jsou implicitní. Deklarativní znalosti dokážeme formulovat, zatímco procedurální znalosti neumíme explicitně vyjádřit.

Techniky reprezentace znalostí v AI

Existují čtyři hlavní techniky pro reprezentaci znalostí v umělé inteligenci:

• Logická reprezentace
• Sémantické sítě
• Produkční pravidla
• Rámcová reprezentace

Logická reprezentace

Logická reprezentace je základní formou reprezentace znalostí do strojů, kde se používá definovaná syntaxe se základními pravidly. Tato syntaxe nemá dvojznačnost významu a zabývá se propozicemi. Logická forma reprezentace znalostí slouží jako komunikační pravidlo. Proto ji lze použít k reprezentaci faktů pro stroje.

Logická reprezentace se dělí na dva typy:

• Výroková logika: Výroková logika, známá také jako výrokový kalkul, pracuje s booleovskými hodnotami, tedy s pravdivostí nebo nepravdivostí.
• Logika prvního řádu: Logika prvního řádu je typ logické reprezentace znalostí, kterou můžeme nazvat také Logika predikátového počtu prvního řádu (FOPL). Tato reprezentace logických znalostí zahrnuje predikáty a objekty v kvantifikátorech. Je to pokročilejší model výrokové logiky.

Tato forma reprezentace znalostí se podobá většině programovacích jazyků, kde se pro přenos informací používá sémantika. Jedná se o velmi logický způsob řešení problémů. Hlavní nevýhodou této metody je však striktní charakter reprezentace. Obecně je obtížnější ji implementovat a někdy není příliš efektivní.

Sémantické sítě

Grafická reprezentace v tomto typu reprezentace znalostí využívá propojené objekty v datové síti. Sémantické sítě zahrnují oblouky/hrany (spojení) a uzly/bloky (objekty), které popisují vztahy mezi objekty.

Toto je alternativa k formě reprezentace FOPL (Logika predikátového počtu prvního řádu). Vztahy v sémantických sítích jsou dvou typů:

Je to přirozenější forma reprezentace než logická díky své jednoduchosti pochopení. Hlavní nevýhodou této formy reprezentace je, že je výpočetně náročná a neobsahuje kvantifikátory, které se nacházejí v logické reprezentaci.

Produkční pravidla

Produkční pravidla jsou nejběžnější formou reprezentace znalostí v systémech umělé inteligence. Jedná se o nejjednodušší formu reprezentace systémů založených na pravidlech typu if-else, a proto je snadno pochopitelná. Představuje kombinaci FOPL a výrokové logiky.

Pro technické porozumění produkčním pravidlům je nutné nejprve pochopit složky reprezentačního systému. Tento systém zahrnuje sadu pravidel, pracovní paměť, aplikaci pravidel a cyklus rozpoznávání akcí.

U každého vstupu kontroluje AI podmínky z produkčních pravidel, a po nalezení vhodného pravidla okamžitě provede příslušnou akci. Cyklus výběru pravidel na základě podmínek a akce pro řešení problému se nazývá cyklus rozpoznávání a akce, který se opakuje u každého vstupu.

Tato metoda však má určité nevýhody, jako je neefektivní provedení kvůli aktivním pravidlům a nedostatečné získávání zkušeností kvůli neukládání minulých výsledků. Vzhledem k tomu, že pravidla jsou vyjádřena v přirozeném jazyce, lze tyto nevýhody vykompenzovat. Pravidla lze v případě potřeby snadno upravit nebo zrušit.

Rámcová reprezentace

Pro základní pochopení rámcové reprezentace si představte tabulku s názvy sloupců a hodnotami v řádcích. Potřebné informace jsou předávány v rámci této struktury. Zjednodušeně řečeno, rámcová reprezentace je kolekce hodnot a atributů.

Jedná se o datovou strukturu specifickou pro umělou inteligenci, která využívá výplně (hodnoty slotů, které mohou mít jakýkoli datový typ a tvar) a sloty. Proces se podobá typickému systému správy databází (DBMS). Tyto výplně a sloty tvoří strukturu zvanou rámec.

Sloty v této formě reprezentace znalostí mají názvy nebo atributy a znalosti související s atributy jsou uloženy ve výplních. Hlavní výhodou tohoto typu reprezentace je, že podobná data lze seskupovat a znalosti rozdělit do struktur. Dále se dělí na dílčí struktury.

Vzhledem k tomu, že se jedná o datovou strukturu, je snadné ji pochopit, manipulovat s ní a vizualizovat ji. Běžné operace, jako je odebírání, mazání a přidávání slotů, lze provádět bez obtíží.

Požadavky na reprezentaci znalostí v systému AI

Dobrá reprezentace znalostí má některé charakteristické rysy:

• Reprezentativní přesnost: Reprezentace znalostí musí přesně reprezentovat všechny požadované typy znalostí.
• Inferenční efektivita: Znamená to schopnost efektivně zacházet s mechanismy inferenčních znalostí produktivním způsobem, s pomocí vhodných vodítek.
• Inferenční adekvátnost: Reprezentace znalostí by měla mít schopnost manipulovat s některými reprezentačními strukturami tak, aby reprezentovaly nové znalosti na základě existujících struktur.
• Efektivita akvizice: Schopnost získávat nové znalosti pomocí automatických metod.

Cyklus znalostí AI

Systémy umělé inteligence obsahují hlavní komponenty, které vykazují inteligentní chování, a které umožňují reprezentaci znalostí.

• Vnímání: Pomáhá systému založenému na umělé inteligenci shromažďovat informace o prostředí pomocí různých senzorů a seznamuje ho s ekosystémem, aby mohl efektivně reagovat na problémy.
• Učení: Využívá se k aktivaci algoritmů hlubokého učení, které jsou již napsané. Umožňuje tak systémům umělé inteligence předávat potřebné informace ze složky vnímání do složky učení pro lepší učení a pochopení.
• Reprezentace znalostí a uvažování: Lidé používají znalosti k rozhodování. Tento blok je zodpovědný za poskytování služeb lidem prostřednictvím znalostních dat systémů umělé inteligence a využívání relevantních znalostí, kdykoli je to potřeba.
• Plánování a realizace: Tento blok je nezávislý. Slouží k získávání dat ze znalostních a uvažovacích bloků a provádění příslušných akcí.

Závěr

Lidé mohou získávat znalosti různými způsoby, a stejně tak i stroje založené na umělé inteligenci. Jak se umělá inteligence vyvíjí, lepší reprezentace znalostí umožní strojům řešit složité problémy s minimální chybou. Reprezentace znalostí je proto základním atributem pro inteligentní a efektivní fungování strojů AI.

Doporučujeme také podívat se na rozdíly mezi umělou inteligencí, strojovým učením a hlubokým učením.