Videnrepræsentation i AI forklaret i enkle vendinger

Kunstig intelligens (AI) er en populær og innovativ teknologi, der tager menneskelig intelligens til næste niveau. Det tilbyder kraften i nøjagtig intelligens integreret med maskiner.

Mennesker er udstyret med tænkning på højt niveau, ræsonnement, fortolkning og forståelse af viden. Den viden, vi får, hjælper os med at udføre forskellige aktiviteter i den virkelige verden.

I dag er selv maskiner ved at blive i stand til at gøre så mange ting takket være teknologi.

For nylig er brugen af ​​AI-drevne systemer og enheder stigende på grund af deres effektivitet og nøjagtighed til at udføre komplekse opgaver.

Nu er problemet, at mens mennesker har tilegnet sig mange niveauer og typer af viden i deres liv, har maskiner svært ved at fortolke den samme viden.

Derfor bruges videnrepræsentation. Dette vil løse komplekse problemer i vores verden, som er svære og tidskrævende for mennesker at tackle.

I denne artikel vil jeg forklare videnrepræsentation i AI, hvordan det virker, dets typer og teknikker og mere.

Lad os begynde!

Hvad er videnrepræsentation og ræsonnement?

Videnrepræsentation og ræsonnement (KR&R) er en del af kunstig intelligens, der udelukkende er dedikeret til at repræsentere information om den virkelige verden i en sådan form, at en computer kan forstå og handle i overensstemmelse hermed. Dette fører til løsning af komplekse problemer, såsom beregning, dialog i naturligt sprog, diagnosticering af en kritisk medicinsk tilstand osv.

Videnrepræsentation finder vej fra psykologi om, hvordan et menneske er i stand til at løse problemer og repræsentere viden til designformalismer. Dette vil lade AI forstå, hvordan et menneske gør komplekse systemer enklere, mens de bygger og designer.

Det tidligste arbejde var fokuseret på generelle problemløsere, som blev udviklet af Herbert A. Simon og Allen Newell i 1959. Disse systemer brugte datastruktur til nedbrydning og planlægning. Systemet starter først med et mål og dekomponerer derefter målet i delmål. Bagefter opstiller systemet nogle konstruktionsstrategier, der kan tage hensyn til hvert delmål.

Disse bestræbelser førte derefter til en kognitiv revolution i menneskelig psykologi og en fase af AI, der fokuserede på videnrepræsentation. Dette resulterede i ekspertsystemer i 1970’erne og 1980’erne, rammesprog, produktionssystemer og meget mere. Senere ændrede AI sit primære fokus til ekspertsystemer, der muligvis kunne matche menneskelig kompetence, såsom medicinsk diagnose.

Desuden giver videnrepræsentation computersystemer mulighed for at forstå og bruge viden til at løse problemer i den virkelige verden. Det definerer også en måde, hvorigennem du kan repræsentere viden og ræsonnement i AI.

Videnrepræsentation handler ikke kun om lagring af data i databaser; snarere gør det intelligente maskiner i stand til at lære af menneskelig viden og erfaring det samme, så en maskine kan opføre sig og agere som et menneske.

Mennesker har viden, der er fremmed for maskiner, herunder følelser, hensigter, overbevisninger, sund fornuft, domme, fordomme, intuition og meget mere. Noget viden er også ligetil, som at kende visse fakta, generel viden om begivenheder, personer, genstande, sprog, akademiske discipliner osv.

Med KR&R kan du repræsentere menneskers begreber i et forståeligt format for maskiner og gøre de AI-drevne systemer virkelig intelligente. Her betyder viden at give information om økosystemet og gemme dem, mens ræsonnement betyder at tage beslutninger og handlinger ud fra den lagrede information baseret på viden.

Hvilken viden skal repræsenteres i AI-systemer?

Den viden, der skal præsenteres i kunstige intelligenssystemer, kan omfatte:

• Objekt: Objekter omgiver mennesker konstant. Derfor er informationen om disse objekter væsentlig og skal betragtes som en videnstype. For eksempel har klaverer hvide og sorte nøgler, biler har hjul, busser har brug for chauffører, fly har brug for piloter osv.
• Begivenheder: Talrige begivenheder finder konstant sted i den virkelige verden. Og menneskelig opfattelse er baseret på begivenheder. AI skal have viden om begivenheder for at kunne handle. Nogle begivenheder er hungersnød, samfundets fremgang, krige, katastrofer, præstationer og meget mere.
• Performance: Denne viden omhandler menneskers bestemte handlinger i forskellige situationer. Det repræsenterer adfærdssiden af ​​viden, som er ret essentiel for AI at forstå.

• Metaviden: Hvis vi for eksempel kigger rundt i verden og opsummerer al viden derude, ser vi, at den for det meste er opdelt i tre kategorier:
• Hvad vi allerede ved
• Det, vi ved, er grundlæggende ting, vi ikke ved fuldstændigt
• Hvad ved vi ikke endnu
• Metaviden beskæftiger sig med den første, dvs. hvad vi ved og lader AI opfatte det samme.

• Fakta: Denne viden er baseret på den faktuelle beskrivelse af vores verden. Jorden er for eksempel ikke flad, men heller ikke rund; vores sol har en glubende appetit, og mere.
• Vidensbase: Videnbasen er hovedkomponenten i menneskelig intelligens. Dette refererer til en gruppe af relevante data eller oplysninger om ethvert felt, beskrivelse og mere. For eksempel en videnbase om design af en bilmodel.

Hvordan fungerer videnrepræsentation?

Typisk gives en opgave, der skal udføres, et problem der skal løses og at få en løsning, uformelt, som at levere pakker, når de ankommer, eller at løse elektriske problemer i huset.

For at løse et reelt problem skal systemdesigneren:

• Udfør opgaven for at finde ud af, hvilken bedre løsning den kan give
• Fremstil problemet på et sprog, så en computer kan begrunde det
• Brug systemet til at computere et endeligt output, som er løsningen for brugere eller en række aktiviteter, der skal udføres i økosystemet.
• Fortolk det endelige resultat som en løsning på det primære problem

Viden er den information, som et menneske allerede har, men maskiner skal lære. Da der er mange problemer, har maskinen brug for viden. Som en del af designsystemet kan du definere, hvilken viden der skal repræsenteres.

Forbindelse mellem videnrepræsentation og AI

Viden spiller en væsentlig rolle i intelligens. Det er også ansvarlig for skabelsen af ​​kunstig intelligens. Når det er nødvendigt at udtrykke intelligent adfærd i AI-agenterne, spiller det en nødvendig rolle. En agent er ikke i stand til at fungere præcist, når den mangler erfaring eller viden om visse input.

For eksempel, hvis du ønsker at interagere med en person, men ikke er i stand til at forstå sproget, er det indlysende, at du ikke kan reagere godt og udføre nogen handling. Dette fungerer på samme måde for agenters intelligente adfærd. AI skal have nok viden til at udføre funktionaliteten, da en beslutningstager opdager miljøet og anvender den nødvendige viden.

AI kan dog ikke udvise intellektuel adfærd uden videnskomponenterne.

Typer af viden repræsenteret i AI

Nu hvor vi er klare over, hvorfor vi har brug for videnrepræsentation i AI, lad os finde ud af, hvilke typer viden repræsenteret i et AI-system.

• Deklarativ viden: Den repræsenterer de objekter, begreber og fakta, der hjælper dig med at beskrive hele verden omkring dig. Således deler den beskrivelsen af ​​noget og udtrykker deklarative sætninger.
• Procedurel viden: Procedurel viden er mindre sammenlignet med deklarativ viden. Det er også kendt som imperativ viden, som bruges af mobile robotter. Det er for at erklære opnåelsen af ​​noget. For eksempel, med blot et kort over en bygning, kan mobile robotter lave deres egen plan. Mobile robotter kan planlægge at angribe eller udføre navigation.

Desuden anvendes procedureviden direkte på opgaven, der inkluderer regler, procedurer, dagsordener, strategier og mere.

• Meta Knowledge: Inden for kunstig intelligens er foruddefineret viden kendt som meta-viden. For eksempel falder studiet af tagging, læring, planlægning osv. ind under denne type viden.

  Denne model ændrer sin adfærd med tiden og bruger andre specifikationer. En systemingeniør eller vidensingeniør anvender forskellige former for metaviden, såsom nøjagtighed, vurdering, formål, kilde, levetid, pålidelighed, begrundelse, fuldstændighed, konsistens, anvendelighed og disambiguation.

• Heuristisk viden: Denne viden, som også er kendt som overfladisk viden, følger tommelfingerregelprincippet. Derfor er det meget effektivt i ræsonnementsprocessen, da det kan løse problemer baseret på tidligere optegnelser eller problemer, der er kompileret af eksperter. Den samler dog erfaringer fra tidligere problemer og giver en bedre vidensbaseret tilgang til at specificere problemer og handle.
• Strukturel viden: Strukturel viden er den mest enkle og grundlæggende viden, der bruges og anvendes til at løse komplekse problemer. Den forsøger at finde en effektiv løsning ved at finde forholdet mellem objekter og begreber. Derudover beskriver den forholdet mellem flere begreber, som en del af, slags eller gruppering af noget.

Deklarativ viden kan repræsenteres som den beskrivende, hvorimod procedureviden er den, der gør. Derudover defineres deklarativ viden som eksplicit, hvorimod proceduremæssig viden er stiltiende eller implicit. Det er deklarativ viden, hvis du kan italesætte viden og procedureviden, hvis du ikke kan italesætte den.

Teknikker til videnrepræsentation i AI

Der er fire store teknikker derude, der repræsenterer viden inden for AI:

• Logisk repræsentation
• Semantiske netværk
• Produktionsregler
• Rammerepræsentation

Logisk fremstilling

Logisk repræsentation er den grundlæggende form for videnrepræsentation til maskinerne, hvor der anvendes en defineret syntaks med grundlæggende regler. Denne syntaks har ingen tvetydighed i betydningen og omhandler præpositioner. Men den logiske form for videnrepræsentation fungerer som kommunikationsreglerne. Dette er grunden til, at det kan bruges til at repræsentere fakta for maskinerne.

Logisk repræsentation er af to typer:

• Propositionel logik: Propositionel logik er også kendt som udsagnslogik eller propositionel regning, der fungerer i en boolesk, hvilket betyder en metode med Sand eller Falsk.
• Førsteordenslogik: Førsteordenslogik er en form for logisk videnrepræsentation, som du også kan betegne som First Order Predicate Calculus Logic (FOPL). Denne repræsentation af logisk viden repræsenterer prædikaterne og objekterne i kvantificerere. Det er en avanceret model for propositionel logik.

Denne form for videnrepræsentation ligner de fleste af de programmeringssprog, hvor du bruger semantik til at videresende information. Det er en meget logisk måde at løse problemer på. Imidlertid er den største ulempe ved denne metode den strenge karakter af repræsentationen. Generelt er det svært at udføre og nogle gange ikke særlig effektivt.

Semantiske netværk

En grafisk repræsentation, i denne type vidensrepræsentation, bærer de forbundne objekter, som bruges med datanetværket. De semantiske netværk omfatter buer/kanter (forbindelser) og noder/blokke (objekter), der beskriver forbindelsen mellem objekterne.

Dette er et alternativ til First Order Predicate Calculus Logic (FOPL) form for repræsentation. Relationerne i de semantiske netværk er af to typer:

Det er en mere naturlig form for repræsentation end logisk på grund af dens enkle forståelse. Den største ulempe ved denne form for repræsentation er, at den er beregningsmæssigt dyr og ikke inkluderer tilsvarende kvantifikatorer, som du kan finde i logisk repræsentation.

Produktionsregler

Produktionsregler er den mest almindelige form for videnrepræsentation i AI-systemer. Det er den enkleste form for at repræsentere if-else regelbaserede systemer og kan derfor let forstås. Det repræsenterer en måde at kombinere FOPL og propositionel logik på.

For teknisk at forstå produktionsreglerne skal du først forstå repræsentationssystemets bestanddele. Dette system inkluderer et sæt regler, arbejdshukommelse, regelanvender og en anerkendt handlingscyklus.

For hvert input tjekker AI betingelserne fra produktionsreglerne, og efter at have fundet en bedre regel, tager den den nødvendige handling med det samme. Cyklussen med at vælge regler baseret på betingelserne og handle for at løse problemet er kendt som den genkendelses- og handlingscyklus, der finder sted i hvert input.

Denne metode har dog nogle problemer, såsom ineffektiv udførelse på grund af de aktive regler og manglende erfaring på grund af manglende lagring af tidligere resultater. Da reglerne er udtrykt i naturligt sprog, kan omkostningerne ved ulemperne indfries. Her kan regler nemt ændres og droppes, hvis det kræves.

Rammerepræsentation

For at forstå rammerepræsentationen på et grundlæggende niveau, forestil dig en tabel bestående af navne i kolonner og værdier i rækker; de nødvendige oplysninger videregives i denne komplette struktur. Med enkle ord er rammerepræsentation en samling af værdier og attributter.

Dette er en AI-specifik datastruktur, der bruger fyldstoffer (slotværdier, der kan være af enhver datatype og form) og slots. Processen minder meget om det typiske Database Management System (DBMS). Disse fyldstoffer og slidser danner en struktur kaldet en ramme.

Slidserne, i denne form for videnrepræsentation, har navne eller attributter, og viden relateret til attributterne er lagret i fillers. Den største fordel ved denne type repræsentation er, at lignende data kan slås sammen i grupper for at opdele viden i strukturer. Yderligere er det opdelt i understrukturer.

Som en typisk datastruktur kan denne type let forstås, manipuleres og visualiseres. Typiske koncepter, herunder fjernelse, sletning og tilføjelse af slots, kan udføres ubesværet.

Krav til videnrepræsentation i AI-system

En god videnrepræsentation indeholder nogle egenskaber:

• Repræsentationsnøjagtighed: Videnrepræsentation skal repræsentere hver slags påkrævet viden nøjagtigt.
• Inferentiel effektivitet: Det er evnen til nemt at håndtere inferentielle vidensmekanismer i produktive retninger ved hjælp af passende guider.
• Inferentiel tilstrækkelighed: Videnrepræsentation bør have evnen til at manipulere nogle repræsentationsstrukturer til at repræsentere ny viden baseret på de eksisterende strukturer.
• Tilegnelseseffektivitet: Evnen til at opnå ny viden ved hjælp af automatiske metoder.

AI videnscyklus

AI-systemer inkluderer nogle vigtige komponenter til at vise intelligent adfærd, der gør det muligt at repræsentere viden.

• Perception: Det hjælper det AI-baserede system med at indsamle information om miljøet ved hjælp af forskellige sensorer og gør det fortroligt med økosystemet for effektivt at interagere med problemerne.
• Læring: Det bruges til at give AI-systemer mulighed for at køre dybe læringsalgoritmer, der allerede er skrevet for at få AI-systemer til at levere den nødvendige information fra perceptionskomponenten til læringskomponenten for bedre læring og forståelse.
• Videnrepræsentation og ræsonnement: Mennesker bruger viden til at træffe beslutninger. Derfor er denne blok ansvarlig for at betjene mennesker gennem vidensdata fra AI-systemer og bruge relevant viden, når det er nødvendigt.
• Planlægning og udførelse: Denne blok er selvstændig. Det bruges til at tage data fra viden og ræsonnementblokke og udføre relevante handlinger.

Konklusion

Mennesker kan få viden på forskellige måder, og det samme gør AI-baserede maskiner. I takt med at AI udvikler sig, hjælper det dig med at repræsentere viden til maskiner på en bedre måde med at løse komplekse problemer med minimal fejl. Så videnrepræsentation er en væsentlig egenskab for, at AI-maskiner fungerer intelligent og smart.

Du kan også se på forskellen mellem kunstig intelligens, maskinlæring og dyb læring.