Apa itu Representasi Pengetahuan Dalam AI? Penggunaan, Jenis & Metode

pengantar

Pernahkah Anda menembak bola basket ke dalam ring? Apakah Anda memperhatikan berapa banyak hal yang diproses untuk membuat satu tembakan itu? Bayangkan melatih mesin untuk membuat tembakan seperti itu. Jumlah pengetahuan yang akan diperlukan untuk disajikan ke komputer sangat besar. Di sanalah letak masalahnya. Bahkan skenario sederhana seperti mengangkat apel dari meja akan membutuhkan seperangkat aturan dan deskripsi yang besar.

Inilah yang membuat representasi pengetahuan dalam AI sangat penting dan menyenangkan untuk dikerjakan. Representasi pengetahuan berperan dalam menyiapkan lingkungan dan memberikan semua detail yang diperlukan untuk sistem.

Penggunaan Representasi Pengetahuan dalam Sistem AI

Peran representasi pengetahuan dalam sistem AI dapat dipahami dengan melihat metodologi yang diikuti oleh sistem AI. Prosesnya adalah sebagai berikut:

1. Blok persepsi

Blok persepsi dapat dianggap sebagai seperangkat indera untuk mesin. Ini adalah komponen di mana sistem dapat berinteraksi dengan lingkungan. Itu bisa berupa semua jenis data, audio, video, suhu, dll.

2. Blok pembelajaran

Ini adalah bagian dari sistem tempat kami melatih model yang diperlukan agar mesin dapat bekerja sendiri. Algoritma pembelajaran tipikal (pembelajaran mesin, pembelajaran mendalam, dll.) dikodekan dalam blok pembelajaran. Blok pembelajaran terhubung langsung dengan blok persepsi untuk mengambil informasi yang diperlukan untuk pelatihan.

3. Penalaran – Blok representasi pengetahuan

Ini adalah blok paling kritis dari sistem. Ini mengambil data dari blok persepsi dan menyaring apa yang penting. Blok penalaran memastikan bahwa pengetahuan tersedia yang dapat diberikan kepada model atau agen pembelajaran jika diperlukan.

4. Blok perencanaan dan eksekusi

Blok ini menyediakan peta jalan fungsional ke alat berat. Blok ini menentukan tindakan yang akan diambil dan hasil apa yang diharapkan. Blok ini mengambil input dari penalaran – blok representasi pengetahuan.

Baca : Ide & Topik Proyek AI

Jenis Pengetahuan

Terutama, kami melihat lima jenis pengetahuan di setiap blok representasi pengetahuan dalam sistem AI. Jenis-jenis ilmu tersebut adalah sebagai berikut:

1. Deklaratif: Ini adalah jenis pengetahuan yang berhubungan dengan fakta, contoh, objek, dinyatakan sebagai pernyataan.

2. Struktural: Ini berkaitan dengan jenis pengetahuan yang menggambarkan hubungan antara contoh dan deskripsi.

3. Prosedural: Ini berkaitan dengan prosedur dan aturan yang diperlukan agar sistem tertentu bekerja secara efisien.

4. Meta: Ini adalah pengetahuan yang terdiri dari data tingkat tinggi dari jenis data pengetahuan lainnya.

5. Heuristik: Ini mewakili data yang membantu dalam mengatur keputusan.

Pelajari tentang: 8 Proyek AI Google Paling Populer yang Harus Anda Kerjakan

Metode untuk Representasi Pengetahuan

Setelah kita memahami pengetahuan yang akan diwakili dan bagaimana itu akan digunakan, kita perlu mengetahui bagaimana mencapainya. Berikut adalah metode yang tersedia untuk representasi pengetahuan dalam sistem AI:

1. Aturan prosedural

Aturan produksi adalah sistem itu sendiri. Ini terdiri dari aplikasi aturan, seperangkat aturan, dan database (memori). Setiap kali input dilewatkan, kondisinya diperiksa melalui aturan produksi, dan aturan yang sesuai dipilih. Tindakan tersebut dilakukan berdasarkan aturan yang disebutkan.

Seluruh siklus berlanjut untuk setiap input tunggal yang dibawa melalui saluran representasi pengetahuan. Sistem aturan produksi dinyatakan dalam bahasa alami dan karenanya banyak digunakan. Satu-satunya kelemahan adalah terkadang sistem berbasis aturan menjadi tidak efisien, karena beberapa aturan mungkin masih aktif.

2. Jaringan semantik

Seperti namanya, jenis representasi ini bekerja dengan jaringan data. Dalam jaringan semantik, ada dua jenis hubungan. Salah satunya adalah hubungan ISA, dan yang kedua adalah hubungan instans. Dalam jaringan, blok mendefinisikan objek, dan tepi (atau busur) mendefinisikan hubungan antara blok. Meskipun jaringan semantik membutuhkan lebih banyak waktu komputasi, penggunaannya sangat luas karena pengetahuan yang diwakili mudah dipahami.

3. Representasi dengan logika

Logika dapat direpresentasikan melalui sintaks dan objek yang disepakati. Ini berkaitan dengan preposisi dan tidak memiliki ambiguitas dalam arti atau interpretasi. Jenis representasi ini dapat membantu dalam penalaran logis dan memiliki representasi fakta yang lebih baik. Namun, representasi logis bisa sulit untuk dikerjakan. Aturan sintaks dan asosiasi yang ketat dapat membuat prosesnya rumit.

4. Representasi melalui bingkai

Bingkai adalah kumpulan atribut dan nilai yang terkait. Bingkai juga disebut struktur pengisi slot. Hal ini karena slot adalah atribut, dan diisi oleh nilai-nilai atribut yang mewakili pengetahuan di lingkungan. Bingkai membuat pengelompokan data dan nilai objek yang berbeda lebih mudah. Namun terkadang, mekanisme inferensi sulit untuk diterapkan atau digunakan karena merupakan pendekatan yang cukup umum.

Ini adalah bagaimana representasi pengetahuan dalam AI dapat diterapkan. Tapi bagaimana cara menguji sistem ini?

Properti berikut dapat menilai sistem representasi pengetahuan apa pun:

1. Kecukupan dan efisiensi inferensial: Ini berkaitan dengan kemampuan sistem untuk menyimpulkan pengetahuan sendiri. Bisakah itu menyimpulkan pengetahuan dari hubungan yang berbeda dan melakukannya secara efisien, adalah dua pertanyaan utama yang diajukan untuk menilai properti ini.

2. Kecukupan akuisisi: Ini berkaitan dengan kemampuan sistem untuk mendapatkan pengetahuan tambahan berdasarkan lingkungan yang disediakan.

3. Kecukupan representasional: Ini berkaitan dengan kemampuan sistem untuk mewakili semua jenis pengetahuan. Apakah sistem cukup fleksibel untuk dapat mewakili data yang mungkin atau mungkin tidak dalam domain pengetahuan yang sebelumnya diwakili?

Coba Juga: AI vs Kecerdasan Manusia: Perbedaan Antara AI & Kecerdasan Manusia

Kesimpulan

Representasi pengetahuan dalam AI akan menjadi bidang yang terus berkembang. Suatu saat ia akan menyediakan sistem yang dapat diintegrasikan, yang memiliki persepsi dan penalaran yang mendekati manusia. Kami berharap artikel ini cukup untuk membantu Anda memulai perjalanan representasi pengetahuan.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin & AI, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, Status Alumni IIIT-B, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.