¿Qué es la representación del conocimiento en IA? Uso, tipos y métodos

Introducción

¿Alguna vez has lanzado una pelota de baloncesto al aro? ¿Te das cuenta de cuántas cosas se procesan para hacer ese one shot? Imagina entrenar una máquina para hacer un tiro como ese. La cantidad de conocimiento que será necesario presentar a la computadora es inmensa. Ahí está el problema. Incluso escenarios simples como levantar una manzana del escritorio necesitarán un gran conjunto de reglas y descripciones.

Es lo que hace que la representación del conocimiento en IA sea tan crucial como divertida para trabajar. La representación del conocimiento desempeña un papel en la configuración del entorno y brinda todos los detalles necesarios para el sistema.

Uso de la representación del conocimiento en sistemas de IA

El papel de la representación del conocimiento en los sistemas de IA se puede entender observando la metodología seguida por los sistemas de IA. El proceso es el siguiente:

1. Bloque de percepción

El bloque de percepción se puede considerar como un conjunto de sentidos para la máquina. Es el componente a través del cual el sistema puede interactuar con el entorno. Puede ser cualquier tipo de dato, audio, video, temperatura, etc.

2. Bloque de aprendizaje

Es la parte del sistema donde entrenamos los modelos necesarios para que la máquina funcione por sí sola. Los algoritmos de aprendizaje típicos (aprendizaje automático, aprendizaje profundo, etc.) están codificados en el bloque de aprendizaje. El bloque de aprendizaje está conectado directamente con el bloque de percepción para recuperar la información necesaria para el entrenamiento.

3. Razonamiento – Bloque de representación del conocimiento

Es el bloque más crítico del sistema. Toma los datos del bloque de percepción y filtra lo que es importante. El bloque de razonamiento garantiza que el conocimiento esté disponible y pueda proporcionarse al modelo o al agente de aprendizaje cuando sea necesario.

4. Bloque de planificación y ejecución

Este bloque proporciona una hoja de ruta funcional para la máquina. Este bloque especifica la acción a tomar y qué resultados se esperan. Este bloque toma las entradas del bloque de razonamiento – representación del conocimiento.

Leer : Ideas y temas de proyectos de IA

Tipos de conocimiento

Principalmente, vemos cinco tipos de conocimiento en cualquier bloque de representación de conocimiento en los sistemas de IA. Los tipos de conocimiento son los siguientes:

1. Declarativo: Es el tipo de conocimiento que trata de hechos, instancias, objetos, declarados como un enunciado.

2. Estructural: Se trata del tipo de conocimiento que describe la relación entre instancias y descripción.

3. Procesal: Se ocupa de los procedimientos y reglas necesarios para que un sistema en particular funcione de manera eficiente.

4. Meta: Es el conocimiento que consiste en los datos de nivel superior de otros tipos de datos de conocimiento.

5. Heurística: Representa los datos que ayudan a gobernar las decisiones.

Más información sobre: ​​Los 8 proyectos de IA de Google más populares en los que debería trabajar

Métodos para la Representación del Conocimiento

Una vez que entendemos el conocimiento a representar y cómo se va a utilizar, es necesario saber cómo lograrlo. Estos son los métodos disponibles para la representación del conocimiento en los sistemas de IA:

1. Normas procesales

Las reglas de producción son un sistema en sí mismo. Consiste en un aplicador de reglas, un conjunto de reglas y una base de datos (memoria). Cada vez que se pasa una entrada, la condición se verifica a través de las reglas de producción y se selecciona una regla apropiada. La acción se lleva a cabo en base a las reglas mencionadas.

El ciclo completo continúa para cada entrada individual que se presenta a través del canal de representación del conocimiento. El sistema de reglas de producción se expresa en términos de lenguaje natural y, por lo tanto, se usa mucho. El único inconveniente es que, a veces, el sistema basado en reglas se vuelve ineficiente, ya que algunas de las reglas aún pueden estar activas.

2. Red semántica

Como su nombre indica, este tipo de representación funciona con una red de datos. En las redes semánticas, hay dos tipos de relaciones. Una es la relación ISA y la segunda es la relación de instancia. En la red, los bloques definen objetos y los bordes (o arcos) definen las relaciones entre los bloques. Aunque las redes semánticas toman más tiempo computacional, su uso es extenso ya que el conocimiento representado es simple de entender.

3. Representación por lógica

La lógica se puede representar a través de sintaxis y objetos acordados. Se ocupa de las preposiciones y no tiene ambigüedad en el significado o la interpretación. Este tipo de representación puede ayudar en el razonamiento lógico y tener una mejor representación de los hechos. Sin embargo, las representaciones lógicas pueden ser difíciles de trabajar. Las estrictas reglas de sintaxis y asociaciones pueden dificultar el proceso.

4. Representación a través de marcos

Un marco es una colección de los atributos y los valores asociados. Los marcos también se denominan estructuras de relleno de ranuras. Esto se debe a que los espacios son los atributos y se llenan con los valores de esos atributos que representan el conocimiento en el entorno. Los marcos facilitan la agrupación de datos y diferentes valores de objetos. Pero a veces, el mecanismo de inferencia es difícil de implementar o usar, ya que es un enfoque bastante generalizado.

Así es como se puede aplicar la representación del conocimiento en IA . Pero, ¿cómo probar estos sistemas?

Las siguientes propiedades pueden evaluar cualquier sistema de representación del conocimiento:

1. Adecuación y eficiencia inferencial: Se trata de la capacidad del sistema para inferir conocimiento por sí mismo. ¿Puede inferir conocimiento a partir de diferentes relaciones y hacerlo de manera eficiente? Son las dos preguntas principales que se hacen para evaluar esta propiedad.

2. Adecuación adquisitiva: se trata de la capacidad del sistema para adquirir conocimientos adicionales en función del entorno proporcionado.

3. Adecuación representacional: Se trata de la capacidad del sistema para representar todo tipo de conocimiento. ¿Es el sistema lo suficientemente versátil como para poder representar los datos que pueden o no estar en el dominio del conocimiento previamente representado?

Pruebe también: IA vs inteligencia humana: diferencia entre IA e inteligencia humana

Conclusión

La representación del conocimiento en IA será un campo en evolución. Algún día proporcionará el sistema que se puede integrar, que tiene una percepción y un razonamiento casi humanos. Esperamos que el artículo proporcione lo suficiente para iniciarse en el viaje de la representación del conocimiento.

Si está interesado en obtener más información sobre el aprendizaje automático y la IA, consulte el Diploma PG en aprendizaje automático e IA de IIIT-B y upGrad, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, Estado de ex alumnos de IIIT-B, más de 5 proyectos prácticos finales y asistencia laboral con las mejores empresas.