Ce este reprezentarea cunoștințelor în IA? Utilizare, tipuri și metode

Introducere

Ai tras vreodată o minge de baschet în cerc? Observați câte lucruri sunt procesate pentru a face acea singură lovitură? Imaginați-vă că antrenați o mașină să facă o astfel de lovitură. Cantitatea de cunoștințe care va fi necesară pentru a le prezenta computerului este imensă. Acolo este problema. Chiar și scenariile simple, cum ar fi ridicarea unui măr de pe birou, vor avea nevoie de un set mare de reguli și descrieri.

Este ceea ce face ca reprezentarea cunoștințelor în inteligența artificială să fie atât de crucială și distractiv de a lucra. Reprezentarea cunoștințelor joacă un rol în configurarea mediului și oferă toate detaliile necesare sistemului.

Utilizarea reprezentării cunoștințelor în sistemele AI

Rolul reprezentării cunoștințelor în sistemele AI poate fi înțeles analizând metodologia urmată de sistemele AI. Procesul este după cum urmează:

1. Bloc de percepție

Blocul de percepție poate fi gândit ca un set de simțuri pentru mașină. Este componenta prin care sistemul poate interacționa cu mediul. Poate fi orice tip de date, audio, video, temperatură etc.

2. Bloc de învățare

Este partea sistemului în care antrenăm modelele necesare pentru ca mașina să funcționeze singură. Algoritmii tipici de învățare (învățare automată, învățare profundă etc.) sunt codificați în blocul de învățare. Blocul de învățare este conectat direct cu blocul de percepție pentru a prelua informațiile necesare antrenamentului.

3. Raționament – ​​Bloc de reprezentare a cunoștințelor

Este cel mai critic bloc al sistemului. Preia datele din blocul de percepție și filtrează ceea ce este important. Blocul de raționament asigură disponibilitatea cunoștințelor care pot fi furnizate modelului sau agentului de învățare după cum este necesar.

4. Bloc de planificare și execuție

Acest bloc oferă mașinii o foaie de parcurs funcțională. Acest bloc specifică acțiunea care trebuie întreprinsă și ce rezultate sunt așteptate. Acest bloc preia intrările din blocul raționament – ​​reprezentare a cunoștințelor.

Citiți : Idei și subiecte de proiecte AI

Tipuri de cunoștințe

În primul rând, vedem cinci tipuri de cunoștințe în orice bloc de reprezentare a cunoștințelor din sistemele AI . Tipurile de cunoștințe sunt după cum urmează:

1. Declarativ: Este tipul de cunoștințe care se ocupă de fapte, instanțe, obiecte, declarate ca enunț.

2. Structural: Se ocupă de tipul de cunoștințe care descrie relația dintre instanțe și descriere.

3. Procedural: Se ocupă de procedurile și regulile necesare pentru ca un anumit sistem să funcționeze eficient.

4. Meta: Este cunoștințele care constă din datele de nivel superior ale altor tipuri de date de cunoștințe.

5. Euristică: Reprezintă datele care ajută la guvernarea deciziilor.

Aflați despre: Top 8 cele mai populare proiecte Google AI la care ar trebui să lucrați

Metode de reprezentare a cunoștințelor

Odată ce înțelegem cunoștințele care trebuie reprezentate și cum vor fi utilizate, este necesar să știm cum să realizam acest lucru. Iată metodele disponibile pentru reprezentarea cunoștințelor în sistemele AI:

1. Reguli procedurale

Regulile de producție sunt un sistem în sine. Constă dintr-un aplicator de reguli, un set de reguli și o bază de date (memorie). Ori de câte ori o intrare este trecută, starea este verificată prin regulile de producție și este selectată o regulă adecvată. Acțiunea se desfășoară pe baza regulilor menționate.

Întregul ciclu continuă pentru fiecare intrare care este adusă prin canalul de reprezentare a cunoștințelor. Sistemul de reguli de producție este exprimat în termeni de limbaj natural și, prin urmare, este folosit foarte mult. Singurul dezavantaj este că uneori sistemul bazat pe reguli devine ineficient, deoarece unele dintre reguli pot fi încă active.

2. Rețea semantică

După cum sugerează și numele, acest tip de reprezentare funcționează cu o rețea de date. În rețelele semantice, există două tipuri de relații. Una este relația ISA, iar a doua este relația instanță. În rețea, blocurile definesc obiecte, iar marginile (sau arcele) definesc relațiile dintre blocuri. Deși rețelele semantice necesită mai mult timp de calcul, utilizarea lor este extinsă, deoarece cunoștințele reprezentate sunt ușor de înțeles.

3. Reprezentarea prin logică

Logica poate fi reprezentată prin sintaxă și obiecte convenite. Se ocupă de prepoziții și nu are ambiguitate în sens sau interpretare. Acest tip de reprezentare poate ajuta la raționamentul logic și poate avea o mai bună reprezentare a faptelor. Cu toate acestea, reprezentările logice pot fi dificil de lucrat. Regulile stricte de sintaxă și asocieri pot face procesul dificil.

4. Reprezentarea prin cadre

Un cadru este o colecție de atribute și valori asociate. Cadrele sunt numite și structuri de umplere a sloturilor. Acest lucru se datorează faptului că sloturile sunt atributele și sunt umplute de valorile acelor atribute care reprezintă cunoștințele din mediu. Cadrele facilitează gruparea datelor și a diferitelor valori ale obiectelor. Dar uneori, mecanismul de inferență este dificil de implementat sau utilizat, deoarece este o abordare destul de generalizată.

Acesta este modul în care poate fi aplicată reprezentarea cunoștințelor în AI . Dar cum se testează aceste sisteme?

Următoarele proprietăți pot evalua orice sistem de reprezentare a cunoștințelor:

1. Adecvarea și eficiența inferențiale: se ocupă de capacitatea sistemului de a deduce cunoștințe pe cont propriu. Poate să deducă cunoștințe din diferite relații și să o facă eficient, sunt cele două întrebări principale adresate pentru a evalua această proprietate.

2. Adecvarea achiziției: se ocupă de capacitatea sistemului de a obține cunoștințe suplimentare bazate pe mediul oferit.

3. Adecvarea reprezentativă: Se ocupă de capacitatea sistemului de a reprezenta toate tipurile de cunoștințe. Este sistemul suficient de versatil pentru a putea reprezenta datele care pot fi sau nu în domeniul cunoștințelor reprezentate anterior?

Încercați și: AI vs Inteligența umană: diferența dintre inteligența artificială și inteligența umană

Concluzie

Reprezentarea cunoștințelor în IA va fi un domeniu în evoluție. Într-o zi va oferi sistemul care poate fi integrat, care are percepție și raționament aproape uman. Sperăm că articolul oferă suficient pentru a începe călătoria reprezentării cunoștințelor.

Dacă sunteți interesat să aflați mai multe despre învățarea automată și inteligența artificială, consultați Diploma PG în Învățare automată și inteligență artificială a IIIT-B și upGrad, care este concepută pentru profesioniști care lucrează și oferă peste 450 de ore de pregătire riguroasă, peste 30 de studii de caz și sarcini, Statut de absolvenți IIIT-B, peste 5 proiecte practice practice și asistență pentru locuri de muncă cu firme de top.