Что такое представление знаний в ИИ? Использование, типы и методы

Введение

Вы когда-нибудь бросали баскетбольный мяч в кольцо? Вы заметили, как много вещей обрабатывается, чтобы сделать этот кадр? Представьте себе, как обучают машину делать такие выстрелы. Объем знаний, который потребуется представить компьютеру, огромен. Вот в чем проблема. Даже для простых сценариев, таких как снятие яблока со стола, потребуется большой набор правил и описаний.

Это то, что делает представление знаний в ИИ таким важным, а также интересным в работе. Представление знаний играет роль в настройке среды и предоставляет все детали, необходимые системе.

Использование представления знаний в системах ИИ

Роль представления знаний в системах ИИ можно понять, взглянув на методологию, которой придерживаются системы ИИ. Процесс выглядит следующим образом:

1. Блок восприятия

Блок восприятия можно рассматривать как набор органов чувств машины. Это компонент, посредством которого система может взаимодействовать с окружающей средой. Это может быть любой тип данных, аудио, видео, температура и т. д.

2. Блок обучения

Это часть системы, где мы обучаем модели, необходимые машине для самостоятельной работы. Типичные алгоритмы обучения (машинное обучение, глубокое обучение и т. д.) закодированы в блоке обучения. Блок обучения связан напрямую с блоком восприятия для извлечения информации, необходимой для обучения.

3. Рассуждение – блок представления знаний

Это самый важный блок системы. Он берет данные из блока восприятия и отфильтровывает то, что важно. Блок рассуждений обеспечивает доступность знаний, которые могут быть предоставлены модели или агенту обучения по мере необходимости.

4. Блок планирования и исполнения

Этот блок предоставляет функциональную дорожную карту для машины. Этот блок определяет действие, которое необходимо предпринять, и ожидаемые результаты. Этот блок получает входные данные от блока рассуждений — представления знаний.

Читайте : Идеи и темы проекта AI

Типы знаний

Прежде всего, мы видим пять типов знаний в любом блоке представления знаний в системах ИИ. Типы знаний следующие:

1. Декларативный: это тип знания, который имеет дело с фактами, случаями, объектами, заявленными как утверждение.

2. Структурный: он имеет дело с типом знания, которое описывает отношения между экземплярами и описанием.

3. Процедурный: он касается процедур и правил, необходимых для эффективной работы конкретной системы.

4. Мета: это знания, состоящие из данных более высокого уровня других типов данных знаний.

5. Эвристика: представляет данные, помогающие принимать решения.

Узнайте о: 8 самых популярных проектов Google AI, над которыми вам стоит поработать

Методы представления знаний

Как только мы понимаем, какие знания должны быть представлены и как они будут использоваться, необходимо знать, как этого достичь. Вот методы, доступные для представления знаний в системах ИИ:

1. Процессуальные правила

Производственные правила — это система сама по себе. Он состоит из средства применения правил, набора правил и базы данных (памяти). Всякий раз, когда проходит ввод, условие проверяется по продукционным правилам, и выбирается соответствующее правило. Действие осуществляется на основе упомянутых правил.

Весь цикл продолжается для каждого отдельного входа, поступающего через канал представления знаний. Система продукционных правил выражается в терминах естественного языка и, следовательно, часто используется. Единственным недостатком является то, что иногда система, основанная на правилах, становится неэффективной, так как некоторые правила все еще могут быть активны.

2. Семантическая сеть

Как следует из названия, этот тип представления работает с сетью данных. В семантических сетях существует два типа отношений. Одно из них — отношение ISA, а второе — отношение экземпляра. В сети блоки определяют объекты, а ребра (или дуги) определяют отношения между блоками. Хотя семантические сети требуют больше вычислительного времени, их использование обширно, поскольку представленные знания просты для понимания.

3. Представление логикой

Логика может быть представлена ​​через согласованный синтаксис и объекты. Он имеет дело с предлогами и не имеет двусмысленности в значении или толковании. Этот тип представления может помочь в логических рассуждениях и лучше представлять факты. Однако с логическими представлениями может быть сложно работать. Строгие правила синтаксиса и ассоциаций могут усложнить процесс.

4. Представление через фреймы

Фрейм представляет собой набор атрибутов и связанных значений. Каркасы также называют структурами-заполнителями слотов. Это связано с тем, что слоты являются атрибутами, и они заполнены значениями тех атрибутов, которые представляют знания в среде. Фреймы упрощают группировку данных и различных значений объектов. Но иногда механизм вывода сложно реализовать или использовать, так как это довольно общий подход.

Вот как можно применить представление знаний в ИИ . Но как тестировать эти системы?

Следующие свойства могут оценить любую систему представления знаний:

1. Адекватность и эффективность выводов: речь идет о способности системы самостоятельно выводить знания. Может ли он извлекать знания из различных отношений и делать это эффективно — вот два основных вопроса, которые задаются для оценки этого свойства.

2. Адекватность приобретения: речь идет о способности системы получать дополнительные знания на основе предоставленной среды.

3. Репрезентативная адекватность: речь идет о способности системы представлять все типы знаний. Достаточно ли универсальна система, чтобы иметь возможность представлять данные, которые могут относиться или не относиться к области ранее представленных знаний?

Также попробуйте: ИИ против человеческого интеллекта: разница между ИИ и человеческим интеллектом

Заключение

Представление знаний в ИИ станет развивающейся областью. Когда-нибудь она создаст систему, которую можно будет интегрировать, обладающую почти человеческим восприятием и мышлением. Мы надеемся, что статья дает достаточно, чтобы начать путешествие по представлению знаний.

Если вам интересно узнать больше о машинном обучении и искусственном интеллекте, ознакомьтесь с дипломом PG IIIT-B и upGrad в области машинного обучения и искусственного интеллекта, который предназначен для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и заданий, Статус выпускника IIIT-B, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.