Qu'est-ce que la représentation des connaissances dans l'IA ? Utilisation, types et méthodes

introduction

Avez-vous déjà tiré un ballon de basket dans le panier ? Avez-vous remarqué combien de choses sont traitées pour faire ce one shot ? Imaginez que vous entraînez une machine à faire un coup comme ça. La quantité de connaissances qu'il faudra présenter à l'ordinateur est immense. Là est le problème. Même des scénarios simples comme soulever une pomme du bureau nécessiteront un ensemble important de règles et de descriptions.

C'est ce qui rend la représentation des connaissances dans l'IA si cruciale et amusante à utiliser. La représentation des connaissances joue un rôle dans la mise en place de l'environnement et donne tous les détails nécessaires au système.

Utilisation de la représentation des connaissances dans les systèmes d'IA

Le rôle de la représentation des connaissances dans les systèmes d'IA peut être compris en examinant la méthodologie suivie par les systèmes d'IA. Le processus est le suivant :

1. Bloc de perception

Le bloc de perception peut être considéré comme un ensemble de sens pour la machine. C'est le composant par lequel le système peut interagir avec l'environnement. Il peut s'agir de n'importe quel type de données, audio, vidéo, température, etc.

2. Bloc d'apprentissage

C'est la partie du système où nous entraînons les modèles nécessaires pour que la machine fonctionne par elle-même. Les algorithmes typiques d'apprentissage (machine learning, deep learning, etc.) sont codés dans le bloc d'apprentissage. Le bloc d'apprentissage est relié directement au bloc de perception pour récupérer les informations nécessaires à l'entraînement.

3. Raisonnement – ​​Bloc de représentation des connaissances

C'est le bloc le plus critique du système. Il prend les données du bloc de perception et filtre ce qui est important. Le bloc de raisonnement s'assure que les connaissances sont disponibles et peuvent être fournies au modèle ou à l'agent d'apprentissage au fur et à mesure des besoins.

4. Bloc de planification et d'exécution

Ce bloc fournit une feuille de route fonctionnelle à la machine. Ce bloc spécifie l'action à entreprendre et les résultats attendus. Ce bloc prend les entrées du bloc raisonnement – ​​représentation des connaissances.

Lire : Idées et sujets de projets d'IA

Types de connaissances

Principalement, nous voyons cinq types de connaissances dans tout bloc de représentation des connaissances dans les systèmes d'IA. Les types de connaissances sont les suivants :

1. Déclaratif : C'est le type de connaissance qui traite de faits, d'instances, d'objets, déclarés sous forme d'énoncé.

2. Structurel : Il traite du type de connaissance qui décrit la relation entre les instances et la description.

3. Procédural : Il traite des procédures et des règles requises pour qu'un système particulier fonctionne efficacement.

4. Meta : C'est la connaissance constituée des données de niveau supérieur d'autres types de données de connaissance.

5. Heuristique : Il représente les données qui aident à gouverner les décisions.

En savoir plus : Top 8 des projets Google AI les plus populaires sur lesquels vous devriez travailler

Méthodes de représentation des connaissances

Une fois que l'on a compris les connaissances à représenter et comment elles vont être utilisées, il faut savoir comment y parvenir. Voici les méthodes disponibles pour la représentation des connaissances dans les systèmes d'IA :

1. Règles de procédure

Les règles de production sont un système en soi. Il se compose d'un applicateur de règles, d'un ensemble de règles et d'une base de données (mémoire). Chaque fois qu'une entrée est transmise, la condition est vérifiée via les règles de production et une règle appropriée est sélectionnée. L'action est effectuée sur la base des règles mentionnées.

L'ensemble du cycle se poursuit pour chaque entrée apportée par le biais du canal de représentation des connaissances. Le système de règles de production est exprimé en termes de langage naturel et est donc beaucoup utilisé. Le seul inconvénient est que parfois le système basé sur des règles devient inefficace, car certaines règles peuvent encore être actives.

2. Réseau sémantique

Comme son nom l'indique, ce type de représentation fonctionne avec un réseau de données. Dans les réseaux sémantiques, il existe deux types de relations. L'une est la relation ISA et la seconde est la relation d'instance. Dans le réseau, les blocs définissent des objets et les arêtes (ou arcs) définissent les relations entre les blocs. Bien que les réseaux sémantiques prennent plus de temps de calcul, leur utilisation est extensive car les connaissances représentées sont simples à comprendre.

3. Représentation par la logique

La logique peut être représentée via une syntaxe et des objets convenus. Il traite des prépositions et n'a aucune ambiguïté de sens ou d'interprétation. Ce type de représentation peut aider au raisonnement logique et avoir une meilleure représentation des faits. Cependant, les représentations logiques peuvent être difficiles à utiliser. Les règles strictes de syntaxe et d'associations peuvent rendre le processus délicat.

4. Représentation par cadres

Un cadre est une collection des attributs et des valeurs associées. Les trames sont également appelées structures de remplissage de créneaux. En effet, les emplacements sont les attributs et ils sont remplis par les valeurs de ces attributs qui représentent les connaissances dans l'environnement. Les cadres facilitent le regroupement des données et des différentes valeurs d'objet. Mais parfois, le mécanisme d'inférence est difficile à mettre en œuvre ou à utiliser car il s'agit d'une approche assez généralisée.

C'est ainsi que la représentation des connaissances dans l'IA peut être appliquée. Mais comment tester ces systèmes ?

Les propriétés suivantes peuvent évaluer n'importe quel système de représentation des connaissances :

1. Adéquation et efficacité inférentielles : Il s'agit de la capacité du système à inférer des connaissances par lui-même. Peut-il inférer des connaissances à partir de différentes relations et le faire efficacement, telles sont les deux principales questions posées pour évaluer cette propriété.

2. Adéquation acquisitionnelle : Elle traite de la capacité du système à acquérir des connaissances supplémentaires en fonction de l'environnement fourni.

3. Adéquation de la représentation : Elle traite de la capacité du système à représenter tous les types de connaissances. Le système est-il suffisamment polyvalent pour pouvoir représenter les données qui peuvent ou non appartenir au domaine des connaissances précédemment représentées ?

Essayez également : IA vs intelligence humaine : différence entre l'IA et l'intelligence humaine

Conclusion

La représentation des connaissances dans l'IA va être un domaine en pleine évolution. Un jour, il fournira le système qui peut être intégré, qui a une perception et un raisonnement quasi humains. Nous espérons que l'article en fournira suffisamment pour vous lancer dans le voyage de la représentation des connaissances.

Si vous souhaitez en savoir plus sur l'apprentissage automatique et l'IA, consultez le diplôme PG d'IIIT-B & upGrad en apprentissage automatique et IA, conçu pour les professionnels en activité et offrant plus de 450 heures de formation rigoureuse, plus de 30 études de cas et missions, Statut d'ancien de l'IIIT-B, plus de 5 projets de synthèse pratiques et aide à l'emploi avec les meilleures entreprises.