Co to jest reprezentacja wiedzy w AI? Wykorzystanie, rodzaje i metody

Wstęp

Czy kiedykolwiek rzuciłeś piłkę do kosza? Czy zauważyłeś, ile rzeczy jest przetwarzanych, aby zrobić to jedno ujęcie? Wyobraź sobie, że trenujesz maszynę, by oddać taki strzał. Ilość wiedzy, która będzie potrzebna do zaprezentowania komputerowi, jest ogromna. W tym tkwi problem. Nawet proste scenariusze, takie jak podnoszenie jabłka z biurka, będą wymagały obszernego zestawu zasad i opisów.

To właśnie sprawia, że ​​reprezentacja wiedzy w AI jest tak ważna, a praca z nią sprawia przyjemność. Reprezentacja wiedzy odgrywa rolę w tworzeniu środowiska i podaje wszystkie szczegóły niezbędne do systemu.

Wykorzystanie reprezentacji wiedzy w systemach AI

Rolę reprezentacji wiedzy w systemach AI można zrozumieć, patrząc na metodologię stosowaną przez systemy AI. Proces wygląda następująco:

1. Blok percepcji

Blok percepcji można traktować jako zestaw zmysłów dla maszyny. Jest to element, dzięki któremu system może wchodzić w interakcje z otoczeniem. Może to być dowolny rodzaj danych, audio, wideo, temperatura itp.

2. Blok uczenia się

Jest to część systemu, w której szkolimy modele niezbędne do samodzielnej pracy maszyny. Typowe algorytmy uczenia (uczenie maszynowe, uczenie głębokie itp.) są zakodowane w bloku uczenia. Blok uczenia się jest połączony bezpośrednio z blokiem percepcji, aby uzyskać informacje niezbędne do treningu.

3. Rozumowanie – blok reprezentacji wiedzy

Jest to najbardziej krytyczny blok systemu. Pobiera dane z bloku percepcji i odfiltrowuje to, co jest ważne. Blok rozumowania zapewnia dostępność wiedzy, którą można przekazać modelowi lub agentowi uczącemu się w razie potrzeby.

4. Blok planowania i realizacji

Ten blok zapewnia funkcjonalną mapę drogową do maszyny. Ten blok określa działania, które należy podjąć i jakich wyników można się spodziewać. Blok ten pobiera dane wejściowe z bloku wnioskowanie – reprezentacja wiedzy.

Przeczytaj : Pomysły i tematy projektów AI

Rodzaje wiedzy

Przede wszystkim widzimy pięć rodzajów wiedzy w dowolnym bloku reprezentacji wiedzy w systemach AI. Rodzaje wiedzy są następujące:

1. Deklaratywny: Jest to rodzaj wiedzy, który zajmuje się faktami, przypadkami, przedmiotami, zadeklarowanymi jako stwierdzenie.

2. Strukturalny: zajmuje się rodzajem wiedzy, która opisuje związek między instancjami a opisem.

3. Proceduralna: dotyczy procedur i zasad wymaganych do efektywnego działania danego systemu.

4. Meta: Jest to wiedza składająca się z danych wyższego poziomu z innych rodzajów danych wiedzy.

5. Heurystyka: reprezentuje dane, które pomagają w podejmowaniu decyzji.

Dowiedz się więcej: 8 najpopularniejszych projektów Google AI, nad którymi powinieneś pracować

Metody reprezentacji wiedzy

Kiedy już zrozumiemy, jaką wiedzę należy reprezentować i jak będzie ona wykorzystywana, trzeba wiedzieć, jak to osiągnąć. Oto dostępne metody reprezentacji wiedzy w systemach AI:

1. Zasady proceduralne

Zasady produkcji to system sam w sobie. Składa się z aplikacji reguł, zestawu reguł i bazy danych (pamięci). Za każdym razem, gdy dane wejściowe są przekazywane, warunek jest sprawdzany przez reguły produkcyjne i wybierana jest odpowiednia reguła. Akcja prowadzona jest w oparciu o wymienione zasady.

Cały cykl trwa dla każdego pojedynczego wkładu, który jest wprowadzany przez kanał reprezentacji wiedzy. System reguł produkcji jest wyrażony w języku naturalnym i dlatego jest często używany. Jedyną wadą jest to, że czasami system oparty na regułach staje się nieefektywny, ponieważ niektóre reguły mogą być nadal aktywne.

2. Sieć semantyczna

Jak sama nazwa wskazuje, ten rodzaj reprezentacji działa z siecią danych. W sieciach semantycznych istnieją dwa rodzaje relacji. Jedna to relacja ISA, a druga to relacja instancji. W sieci bloki definiują obiekty, a krawędzie (lub łuki) definiują relacje między blokami. Chociaż sieci semantyczne zajmują więcej czasu obliczeniowego, ich wykorzystanie jest rozległe, ponieważ reprezentowana wiedza jest łatwa do zrozumienia.

3. Reprezentacja przez logikę

Logika może być reprezentowana za pomocą uzgodnionej składni i obiektów. Zajmuje się przyimkami i nie ma dwuznaczności w znaczeniu ani interpretacji. Ten rodzaj reprezentacji może pomóc w logicznym rozumowaniu i mieć lepszą reprezentację faktów. Jednak praca z reprezentacjami logicznymi może być trudna. Surowe zasady składni i skojarzeń mogą sprawić, że proces będzie trudny.

4. Reprezentacja przez ramki

Ramka to zbiór atrybutów i skojarzonych z nimi wartości. Ramki są również nazywane strukturami wypełniającymi szczeliny. Dzieje się tak, ponieważ sloty są atrybutami i są wypełniane wartościami tych atrybutów, które reprezentują wiedzę o środowisku. Ramki ułatwiają grupowanie danych i różnych wartości obiektów. Ale czasami mechanizm wnioskowania jest trudny do wdrożenia lub użycia, ponieważ jest to dość uogólnione podejście.

W ten sposób można zastosować reprezentację wiedzy w AI . Ale jak przetestować te systemy?

Następujące właściwości mogą ocenić dowolny system reprezentacji wiedzy:

1. Wnioskowanie adekwatności i wydajności: dotyczy zdolności systemu do samodzielnego wnioskowania wiedzy. Czy potrafi wywnioskować wiedzę z różnych relacji i zrobić to skutecznie, to dwa podstawowe pytania zadawane przy ocenie tej właściwości.

2. Adekwatność akwizycyjna: dotyczy zdolności systemu do zdobycia dodatkowej wiedzy w oparciu o dostarczone środowisko.

3. Adekwatność reprezentacyjna: dotyczy zdolności systemu do reprezentowania wszystkich rodzajów wiedzy. Czy system jest wystarczająco wszechstronny, aby móc reprezentować dane, które mogą, ale nie muszą, należeć do dziedziny wcześniej reprezentowanej wiedzy?

Spróbuj także: AI kontra ludzka inteligencja: różnica między sztuczną inteligencją a ludzką inteligencją

Wniosek

Reprezentacja wiedzy w AI będzie rozwijającą się dziedziną. Pewnego dnia zapewni system, który będzie można zintegrować, który ma niemal ludzką percepcję i rozumowanie. Mamy nadzieję, że artykuł dostarczy Ci wystarczająco dużo informacji, aby rozpocząć przygodę z reprezentacją wiedzy.

Jeśli chcesz dowiedzieć się więcej o uczeniu maszynowym i sztucznej inteligencji, sprawdź dyplom PG IIIT-B i upGrad w uczeniu maszynowym i sztucznej inteligencji, który jest przeznaczony dla pracujących profesjonalistów i oferuje ponad 450 godzin rygorystycznych szkoleń, ponad 30 studiów przypadków i zadań, Status absolwentów IIIT-B, ponad 5 praktycznych praktycznych projektów zwieńczenia i pomoc w pracy z najlepszymi firmami.