การนำเสนอความรู้ใน AI คืออะไร? การใช้งาน ประเภท & วิธีการ

บทนำ

คุณเคยยิงบาสเก็ตบอลเข้าห่วงหรือไม่? คุณสังเกตเห็นว่ามีการประมวลผลหลายอย่างเพื่อให้ได้ช็อตเดียวหรือไม่? ลองนึกภาพการฝึกเครื่องจักรเพื่อยิงแบบนั้น ปริมาณความรู้ที่จะต้องนำเสนอต่อคอมพิวเตอร์นั้นมีมากมายมหาศาล มีปัญหาอยู่ แม้แต่สถานการณ์ง่ายๆ เช่น การยกแอปเปิ้ลออกจากโต๊ะ ก็จำเป็นต้องมีกฎและคำอธิบายชุดใหญ่

เป็นสิ่งที่ทำให้ การแสดงความรู้ใน AI มีความสำคัญและสนุกสนานในการทำงานด้วย การแสดงความรู้มีบทบาทในการตั้งค่าสภาพแวดล้อมและให้รายละเอียดทั้งหมดที่จำเป็นต่อระบบ

การใช้การแทนความรู้ในระบบ AI

บทบาทของการ แสดงความรู้ในระบบ AI สามารถเข้าใจได้โดยดูที่วิธีการตามด้วยระบบ AI กระบวนการมีดังนี้:

1. บล็อกการรับรู้

บล็อกการรับรู้สามารถคิดได้ว่าเป็นชุดของความรู้สึกสำหรับเครื่อง เป็นองค์ประกอบที่ระบบสามารถโต้ตอบกับสิ่งแวดล้อมได้ ไม่ว่าจะเป็นข้อมูล เสียง วิดีโอ อุณหภูมิ ฯลฯ

2. บล็อกการเรียนรู้

เป็นส่วนหนึ่งของระบบที่เราฝึกโมเดลที่จำเป็นสำหรับเครื่องให้ทำงานด้วยตัวเอง อัลกอริธึมการเรียนรู้ทั่วไป (แมชชีนเลิร์นนิง การเรียนรู้เชิงลึก ฯลฯ) ถูกเข้ารหัสไว้ในบล็อกการเรียนรู้ บล็อกการเรียนรู้เชื่อมต่อโดยตรงกับบล็อกการรับรู้เพื่อดึงข้อมูลที่จำเป็นสำหรับการฝึกอบรม

3. การให้เหตุผล – บล็อกการแทนความรู้

เป็นบล็อกที่สำคัญที่สุดของระบบ ใช้ข้อมูลจากบล็อกการรับรู้และกรองสิ่งที่สำคัญออก บล็อกการให้เหตุผลทำให้แน่ใจว่ามีความรู้ที่สามารถจัดเตรียมให้กับแบบจำลองหรือตัวแทนการเรียนรู้ตามความจำเป็น

4. บล็อกการวางแผนและการดำเนินการ

บล็อกนี้แสดงแผนที่ถนนที่ใช้งานได้กับเครื่อง บล็อกนี้ระบุการดำเนินการที่จะดำเนินการและผลลัพธ์ที่คาดหวัง บล็อกนี้รับอินพุตจากการให้เหตุผล – บล็อกการแทนความรู้

อ่าน : แนวคิดและหัวข้อโครงการ AI

ประเภทของความรู้

ในขั้นต้น เราเห็นความรู้ห้าประเภทใน บล็อกการแสดงความรู้ใน ระบบ AI ประเภทความรู้มีดังนี้

1. Declarative เป็นประเภทของความรู้ที่เกี่ยวข้องกับข้อเท็จจริง อินสแตนซ์ วัตถุ ที่ประกาศเป็นคำสั่ง

2. โครงสร้าง: เกี่ยวข้องกับประเภทของความรู้ที่อธิบายความสัมพันธ์ระหว่างกรณีและคำอธิบาย

3. ขั้นตอน: เกี่ยวข้องกับขั้นตอนและกฎที่จำเป็นสำหรับระบบเฉพาะเพื่อให้ทำงานได้อย่างมีประสิทธิภาพ

4. Meta : เป็นความรู้ที่ประกอบด้วยข้อมูลระดับสูงของข้อมูลความรู้ประเภทอื่น

5. Heuristic: เป็นข้อมูลที่ช่วยในการตัดสินใจ

เรียนรู้เกี่ยวกับ: โครงการ Google AI ยอดนิยม 8 อันดับแรกที่คุณควรดำเนินการ

วิธีการนำเสนอความรู้

เมื่อเราเข้าใจความรู้ที่จะนำเสนอและจะนำไปใช้อย่างไร จำเป็นต้องรู้วิธีการบรรลุเป้าหมายนี้ นี่คือวิธีการที่ใช้ได้สำหรับการ แสดงความรู้ในระบบ AI :

1. กฎขั้นตอน

กฎการผลิตเป็นระบบในตัวเอง ประกอบด้วยกฎที่ใช้ ชุดของกฎ และฐานข้อมูล (หน่วยความจำ) เมื่อใดก็ตามที่มีการป้อนข้อมูล เงื่อนไขจะถูกตรวจสอบผ่านกฎการผลิต และเลือกกฎที่เหมาะสม การดำเนินการจะดำเนินการตามกฎที่กล่าวถึง

วัฏจักรทั้งหมดจะดำเนินต่อไปสำหรับทุกข้อมูลที่นำเข้ามาผ่านช่องทางการแสดงความรู้ ระบบกฎการผลิตแสดงเป็นภาษาธรรมชาติและด้วยเหตุนี้จึงถูกใช้เป็นจำนวนมาก ข้อเสียเปรียบเพียงอย่างเดียวคือบางครั้งระบบที่อิงตามกฎจะไม่มีประสิทธิภาพ เนื่องจากกฎบางข้ออาจยังทำงานอยู่

2. เครือข่ายความหมาย

ตามชื่อที่แนะนำ การแสดงประเภทนี้ทำงานร่วมกับเครือข่ายข้อมูล ในเครือข่ายความหมาย มีความสัมพันธ์สองประเภท หนึ่งคือความสัมพันธ์ของ ISA และที่สองคือความสัมพันธ์ของอินสแตนซ์ ในเครือข่าย บล็อกกำหนดวัตถุ และขอบ (หรือส่วนโค้ง) กำหนดความสัมพันธ์ระหว่างบล็อก แม้ว่าเครือข่ายความหมายจะใช้เวลาในการคำนวณมากกว่า แต่การใช้งานนั้นกว้างขวางเนื่องจากความรู้ที่แสดงนั้นเข้าใจง่าย

3. การเป็นตัวแทนด้วยตรรกะ

ตรรกะสามารถแสดงผ่านไวยากรณ์และอ็อบเจ็กต์ที่ตกลงกันไว้ มันเกี่ยวข้องกับคำบุพบทและไม่มีความคลุมเครือในความหมายหรือการตีความ การเป็นตัวแทนประเภทนี้สามารถช่วยในการให้เหตุผลเชิงตรรกะและนำเสนอข้อเท็จจริงได้ดีขึ้น อย่างไรก็ตาม การแสดงแทนตรรกะอาจเป็นเรื่องยากในการทำงานด้วย กฎที่เข้มงวดของไวยากรณ์และการเชื่อมโยงอาจทำให้กระบวนการยุ่งยาก

4. การเป็นตัวแทนผ่านเฟรม

เฟรมคือชุดของแอตทริบิวต์และค่าที่เกี่ยวข้อง เฟรมเรียกอีกอย่างว่าโครงสร้างสล็อตฟิลเลอร์ เนื่องจากช่องเป็นแอตทริบิวต์และเติมด้วยค่าของแอตทริบิวต์เหล่านั้นซึ่งแสดงถึงความรู้ในสภาพแวดล้อม เฟรมทำให้การจัดกลุ่มข้อมูลและค่าวัตถุต่างๆ ง่ายขึ้น แต่บางครั้ง กลไกการอนุมานนั้นท้าทายในการดำเนินการหรือใช้งาน เนื่องจากเป็นแนวทางที่ค่อนข้างทั่วถึง

นี่คือวิธีการ ใช้ การนำ เสนอความรู้ใน AI แต่จะทดสอบระบบเหล่านี้ได้อย่างไร?

คุณสมบัติต่อไปนี้สามารถประเมินระบบการแทนความรู้ใดๆ:

1. ความเพียงพอและประสิทธิภาพโดยอนุมาน: เกี่ยวข้องกับความสามารถของระบบในการอนุมานความรู้ด้วยตนเอง สามารถอนุมานความรู้จากความสัมพันธ์ที่แตกต่างกันและดำเนินการอย่างมีประสิทธิภาพได้หรือไม่ เป็นคำถามหลักสองข้อที่ขอให้ประเมินคุณสมบัตินี้

2. ความเพียงพอในการได้มา: เกี่ยวข้องกับความสามารถของระบบในการได้รับความรู้เพิ่มเติมตามสภาพแวดล้อมที่มีให้

3. ความเพียงพอของตัวแทน: เกี่ยวข้องกับความสามารถของระบบในการแสดงความรู้ทุกประเภท ระบบมีความอเนกประสงค์เพียงพอที่จะแสดงข้อมูลที่อาจจะใช่หรือไม่อยู่ในขอบเขตของความรู้ที่แสดงก่อนหน้านี้หรือไม่?

ลองด้วย: AI กับความฉลาดของมนุษย์: ความแตกต่างระหว่าง AI และปัญญาของมนุษย์

บทสรุป

การแสดงความรู้ใน AI จะเป็นสาขาที่กำลังพัฒนา สักวันหนึ่งมันจะจัดให้มีระบบที่สามารถบูรณาการซึ่งมีการรับรู้และการให้เหตุผลที่ใกล้เคียงมนุษย์ เราหวังว่าบทความนี้จะมีเนื้อหาเพียงพอที่จะเริ่มต้นการเดินทางของการนำเสนอความรู้

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิงและ AI โปรดดูที่ IIIT-B & upGrad's PG Diploma in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมที่เข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษาและการมอบหมายมากกว่า 30 รายการ สถานะศิษย์เก่า IIIT-B โครงการหลัก 5 โครงการและความช่วยเหลือด้านงานกับบริษัทชั้นนำ