Umělá inteligence (AI) je populární a inovativní technologie, která posouvá lidskou inteligenci na další úroveň. Nabízí sílu přesné inteligence integrované se stroji.
Lidé jsou obdařeni myšlením na vysoké úrovni, uvažováním, interpretací a chápáním znalostí. Znalosti, které získáme, nám pomáhají vykonávat různé činnosti v reálném světě.
V dnešní době už i stroje díky technologii dokážou dělat tolik věcí.
V poslední době stoupá používání systémů a zařízení poháněných umělou inteligencí kvůli jejich účinnosti a přesnosti při provádění složitých úkolů.
Problém je v tom, že zatímco lidé ve svých životech získali mnoho úrovní a typů znalostí, stroje čelí potížím při interpretaci stejných znalostí.
Proto se používá reprezentace znalostí. To vyřeší složité problémy v našem světě, které jsou pro lidi těžké a časově náročné.
V tomto článku vysvětlím reprezentaci znalostí v AI, jak funguje, její typy a techniky a další.
Pojďme začít!
Table of Contents
Co je reprezentace znalostí a uvažování?
Znalostní reprezentace a uvažování (KR&R) je součástí umělé inteligence, která se věnuje výhradně reprezentaci informací o reálném světě v takové podobě, aby jim počítač porozuměl a mohl podle toho jednat. To vede k řešení složitých problémů, jako je výpočet, vedení dialogu v přirozeném jazyce, diagnostika kritického zdravotního stavu atd.
Reprezentace znalostí si najde cestu od psychologie o tom, jak je člověk schopen řešit problémy a reprezentovat znalosti, až k formálním návrhům. To umožní umělé inteligenci pochopit, jak člověk zjednodušuje složité systémy při stavbě a navrhování.
Nejranější práce byly zaměřeny na obecné řešitele problémů, které vyvinuli Herbert A. Simon a Allen Newell v roce 1959. Tyto systémy využívaly datovou strukturu pro dekompozici a plánování. Systém nejprve začíná cílem a poté cíl rozloží na dílčí cíle. Poté systém stanoví některé konstruktivní strategie, které se mohou věnovat každému dílčímu cíli.
Tyto snahy pak vedly ke kognitivní revoluci v lidské psychologii a fázi AI, která se zaměřila na reprezentaci znalostí. Výsledkem byly expertní systémy v 70. a 80. letech, rámcové jazyky, produkční systémy a další. Později AI změnila své primární zaměření na expertní systémy, které by mohly odpovídat lidským schopnostem, jako je lékařská diagnóza.
Reprezentace znalostí navíc umožňuje počítačovým systémům porozumět a využít znalosti k řešení problémů reálného světa. Definuje také způsob, kterým můžete v AI reprezentovat znalosti a uvažování.
Reprezentace znalostí není jen o ukládání dat v databázích; spíše umožňuje inteligentním strojům učit se z lidských znalostí a zkušeností totéž, takže se stroj může chovat a jednat jako člověk.
Lidé mají znalosti, které jsou strojům cizí, včetně pocitů, záměrů, přesvědčení, zdravého rozumu, úsudků, předsudků, intuice a dalších. Některé znalosti jsou také přímočaré, jako je znalost určitých faktů, obecné znalosti událostí, lidí, předmětů, jazyka, akademických disciplín atd.
S KR&R můžete představovat lidské koncepty ve formátu srozumitelném pro stroje a učinit systémy poháněné umělou inteligencí skutečně inteligentní. Znalosti zde znamenají poskytování informací o ekosystému a jejich ukládání, zatímco uvažování znamená přijímání rozhodnutí a jednání z uložených informací na základě znalostí.
Jaké znalosti mají být zastoupeny v systémech AI?
Znalosti, které je třeba prezentovat v systémech umělé inteligence, mohou zahrnovat:
- Předmět: Předměty neustále obklopují lidi. Proto jsou informace týkající se těchto objektů zásadní a musí být považovány za typ znalostí. Například klavíry mají bílé a černé klávesy, auta mají kola, autobusy potřebují řidiče, letadla potřebují piloty atd.
- Události: Ve skutečném světě se neustále odehrává řada událostí. A lidské vnímání je založeno na událostech. Aby umělá inteligence mohla jednat, potřebuje mít znalosti o událostech. Některé události jsou hladomory, pokrok společnosti, války, katastrofy, úspěchy a další.
- Výkon: Tyto znalosti se zabývají určitým jednáním lidí v různých situacích. Představuje stránku chování znalostí, která je pro umělou inteligenci zcela zásadní.
- Meta znalosti: Například, když se podíváme po celém světě a shrneme všechny znalosti tam venku, vidíme, že jsou většinou rozděleny do tří kategorií:
- Co už víme
- To, co víme, jsou v podstatě věci, které úplně neznáme
- Co ještě nevíme
- Meta znalosti se zabývají tím prvním, tedy tím, co víme, a nechává to AI vnímat.
- Fakta: Tyto znalosti jsou založeny na faktickém popisu našeho světa. Země například není plochá, ale ani kulatá; naše slunce má nenasytnou chuť k jídlu a další.
- Znalostní báze: Znalostní báze je hlavní složkou lidské inteligence. To se týká skupiny relevantních dat nebo informací o libovolném poli, popisu a dalších. Například znalostní základnu o navrhování modelu auta.
Jak funguje reprezentace znalostí?
Úkol, který je třeba provést, problém, který je třeba vyřešit, a získání řešení se obvykle zadávají neformálně, jako je doručování zásilek, když dorazí, nebo řešení elektrických problémů v domě.
K vyřešení skutečného problému musí návrhář systému:
- Proveďte úkol, abyste zjistili, jaké lepší řešení může poskytnout
- Znázorněte problém v jazyce, aby jej počítač mohl zdůvodnit
- Použijte systém k počítači s konečným výstupem, kterým je řešení pro uživatele nebo sled činností, které je třeba v ekosystému provést.
- Interpretujte konečný výsledek jako řešení primárního problému
Znalosti jsou informace, které člověk již má, ale stroje se musí učit. Protože existuje mnoho problémů, stroj potřebuje znalosti. Jako součást návrhového systému můžete definovat, jaké znalosti mají být reprezentovány.
Spojení mezi reprezentací znalostí a umělou inteligencí
Znalosti hrají zásadní roli v inteligenci. Je také zodpovědný za vytvoření umělé inteligence. Když je potřeba vyjádřit inteligentní chování agentů AI, hraje to nezbytnou roli. Agent není schopen přesně fungovat, když mu chybí zkušenosti nebo znalosti určitých vstupů.
Například, pokud chcete komunikovat s osobou, ale nejste schopni rozumět jazyku, je zřejmé, že nedokážete dobře reagovat a provést jakoukoli akci. Totéž funguje pro inteligentní chování agentů. Umělá inteligence musí mít dostatek znalostí, aby mohla vykonávat funkci, když osoba s rozhodovací pravomocí objeví prostředí a aplikuje požadované znalosti.
Umělá inteligence však nemůže vykazovat intelektuální chování bez složek znalostí.
Typy znalostí zastoupených v AI
Nyní, když máme jasno v tom, proč potřebujeme reprezentaci znalostí v AI, pojďme zjistit typy znalostí reprezentovaných v systému AI.
- Deklarativní znalosti: Představují předměty, pojmy a fakta, které vám pomáhají popsat celý svět kolem vás. Sdílí tedy popis něčeho a vyjadřuje oznamovací věty.
- Procedurální znalosti: Procedurální znalosti jsou menší ve srovnání s deklarativními znalostmi. Je také známá jako imperativní znalost, kterou používají mobilní roboti. Je to pro prohlášení o dosažení něčeho. Například pouze s mapou budovy mohou mobilní roboti vytvořit svůj vlastní plán. Mobilní roboti mohou plánovat útok nebo provádět navigaci.
Navíc jsou procesní znalosti přímo aplikovány na úkol, který zahrnuje pravidla, postupy, agendy, strategie a další.
- Meta Knowledge: V oblasti umělé inteligence jsou předem definované znalosti známé jako meta-znalosti. Do tohoto typu znalostí spadá například studium značkování, učení, plánování atd.
Tento model mění své chování s časem a využívá další specifikace. Systémový inženýr nebo znalostní inženýr využívá různé formy metaznalostí, jako je přesnost, hodnocení, účel, zdroj, životnost, spolehlivost, zdůvodnění, úplnost, konzistence, použitelnost a jednoznačnost.
- Heuristické znalosti: Tyto znalosti, které jsou také známé jako mělké znalosti, se řídí principem pravidla palce. Proto je vysoce účinný v procesu uvažování, protože může řešit problémy založené na minulých záznamech nebo problémech sestavených odborníky. Shromažďuje však zkušenosti s minulými problémy a poskytuje lepší znalostní přístup ke specifikaci problémů a přijetí opatření.
- Strukturální znalosti: Strukturální znalosti jsou nejjednodušší a nejzákladnější znalosti, které se používají a uplatňují při řešení složitých problémů. Snaží se najít efektivní řešení hledáním vztahu mezi objekty a pojmy. Kromě toho popisuje vztah mezi více koncepty, jako je část, druh nebo seskupení něčeho.
Deklarativní znalost může být reprezentována jako popisující, zatímco procedurální znalost je ta dělající. Kromě toho jsou deklarativní znalosti definovány jako explicitní, zatímco procedurální znalosti jsou tiché nebo implicitní. Jsou to deklarativní znalosti, pokud je dokážete formulovat, a procedurální znalosti, pokud je neumíte formulovat.
Techniky reprezentace znalostí v AI
Existují čtyři hlavní techniky, které představují znalosti v AI:
- Logická reprezentace
- Sémantické sítě
- Výrobní pravidla
- Rámová reprezentace
Logická reprezentace
Logická reprezentace je základní formou reprezentace znalostí do strojů, kde se používá definovaná syntaxe se základními pravidly. Tato syntaxe nemá dvojznačnost ve významu a zabývá se předložkami. Logická forma reprezentace znalostí však funguje jako komunikační pravidla. To je důvod, proč může být použit k reprezentaci fakt pro stroje.
Logická reprezentace je dvou typů:
- Výroková logika: Výroková logika je také známá jako výroková logika nebo výrokový kalkul, který funguje v booleovských hodnotách, což znamená metodu pravdivosti nebo nepravdy.
- Logika prvního řádu: Logika prvního řádu je typ logické reprezentace znalostí, kterou můžete také nazvat Logika predikátového počtu prvního řádu (FOPL). Tato reprezentace logických znalostí představuje predikáty a objekty v kvantifikátorech. Je to pokročilý model výrokové logiky.
Tato forma reprezentace znalostí vypadá jako většina programovacích jazyků, kde k předávání informací používáte sémantiku. Je to vysoce logický způsob řešení problémů. Hlavní nevýhodou této metody je však striktní povaha reprezentace. Obecně je obtížné provést a někdy není příliš efektivní.
Sémantické sítě
Grafická reprezentace v tomto typu reprezentace znalostí nese spojené objekty, které se používají s datovou sítí. Sémantické sítě zahrnují oblouky/hrany (spojení) a uzly/bloky (objekty), které popisují spojení mezi objekty.
Toto je alternativa k formě reprezentace FOPL (First Order Preddicate Calculus Logic). Vztahy v sémantických sítích jsou dvou typů:
Je to přirozenější forma reprezentace než logická díky své jednoduchosti porozumění. Hlavní nevýhodou této formy reprezentace je, že je výpočetně nákladná a nezahrnuje ekvivalentní kvantifikátory, které můžete najít v logické reprezentaci.
Výrobní pravidla
Produkční pravidla jsou nejběžnější formou reprezentace znalostí v systémech AI. Je to nejjednodušší forma reprezentace systémů založených na pravidlech if-else, a proto ji lze snadno pochopit. Představuje způsob kombinace FOPL a výrokové logiky.
Abyste technicky porozuměli pravidlům produkce, musíte nejprve porozumět složkám reprezentačního systému. Tento systém zahrnuje sadu pravidel, pracovní paměť, aplikaci pravidel a uznávaný cyklus jednání.
U každého vstupu zkontroluje AI podmínky z produkčních pravidel a po nalezení lepšího pravidla okamžitě provede potřebnou akci. Cyklus výběru pravidel na základě podmínek a jednání k vyřešení problému je známý jako cyklus rozpoznávání a jednání, který se odehrává v každém vstupu.
Tato metoda má však určité problémy, jako je neefektivní provádění kvůli aktivním pravidlům a nedostatek získávání zkušeností kvůli neukládání minulých výsledků. Vzhledem k tomu, že pravidla jsou vyjádřena v přirozeném jazyce, lze náklady na nevýhody vykoupit. Zde lze pravidla v případě potřeby snadno změnit a zrušit.
Rámová reprezentace
Abyste porozuměli reprezentaci rámců na základní úrovni, představte si tabulku sestávající z názvů ve sloupcích a hodnot v řádcích; potřebné informace jsou předávány v této kompletní struktuře. Jednoduše řečeno, reprezentace rámce je sbírka hodnot a atributů.
Toto je datová struktura specifická pro AI, která používá výplně (hodnoty slotů, které mohou mít jakýkoli datový typ a tvar) a sloty. Proces je velmi podobný typickému systému správy databází (DBMS). Tyto výplně a štěrbiny tvoří strukturu nazývanou rám.
Sloty v této formě reprezentace znalostí mají jména nebo atributy a znalosti související s atributy jsou uloženy ve výplních. Hlavní výhodou tohoto typu reprezentace je to, že podobná data lze sloučit do skupin a rozdělit znalosti do struktur. Dále se dělí na dílčí struktury.
Vzhledem k tomu, že jde o typickou datovou strukturu, lze tento typ snadno pochopit, manipulovat a vizualizovat. Typické koncepty, včetně odebírání, mazání a přidávání slotů, lze provádět bez námahy.
Požadavky na reprezentaci znalostí v systému AI
Dobrá reprezentace znalostí obsahuje některé vlastnosti:
- Reprezentativní přesnost: Reprezentace znalostí musí přesně reprezentovat každý druh požadovaných znalostí.
- Inferenční efektivita: Je to schopnost snadno zacházet s mechanismy inferenčních znalostí v produktivních směrech pomocí vhodných vodítek.
- Inferenční přiměřenost: Reprezentace znalostí by měla mít schopnost manipulovat s některými reprezentačními strukturami tak, aby reprezentovaly nové znalosti založené na existujících strukturách.
- Akviziční efektivita: Schopnost získávat nové znalosti pomocí automatických metod.
Cyklus znalostí AI
Systémy umělé inteligence obsahují některé hlavní komponenty, které ukazují inteligentní chování, které umožňuje reprezentovat znalosti.
- 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: Používá se k tomu, aby umožnil systémům umělé inteligence spouštět algoritmy hlubokého učení, které jsou již napsány, aby systémy umělé inteligence dodávaly potřebné informace od složky vnímání do složky učení pro lepší učení a porozumění.
- Reprezentace znalostí a uvažování: Lidé používají znalosti k rozhodování. Proto je tento blok 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. Používá se k získávání dat ze znalostních a uvažovacích bloků a provádění příslušných akcí.
Závěr
Lidé mohou získávat znalosti různými způsoby, stejně jako stroje založené na umělé inteligenci. Jak se umělá inteligence vyvíjí, lepší představování znalostí strojům vám pomůže vyřešit složité problémy s minimální chybou. Reprezentace znalostí je tedy základním atributem, aby stroje AI fungovaly inteligentně a chytře.
Můžete se také podívat na rozdíl mezi umělou inteligencí, strojovým učením a hlubokým učením.