什么是 AI 中的知识表示？ 用法、类型和方法

介绍

你有没有将篮球投进篮筐？ 你注意到有多少东西被处理来制作一个镜头吗？ 想象一下训练一台机器进行这样的射击。 呈现给计算机所需的知识量是巨大的。 这就是问题所在。 即使是简单的场景，比如从桌子上拿苹果，也需要大量的规则和描述。

这就是让AI 中的知识表示变得如此重要和有趣的原因。 知识表示在设置环境中发挥作用，并提供系统所需的所有细节。

在人工智能系统中使用知识表示

可以通过查看 AI 系统遵循的方法来理解知识表示在 AI系统中的作用。 过程如下：

1. 感知块

感知块可以被认为是机器的一组感官。 它是系统可以通过它与环境交互的组件。 它可以是任何类型的数据、音频、视频、温度等。

2.学习块

它是系统的一部分，我们在其中训练机器独立工作所需的模型。 典型的学习算法（机器学习、深度学习等）编码在学习块中。 学习块直接与感知块连接，以检索训练所需的信息。

3. 推理——知识表示块

它是系统中最关键的块。 它从感知块中获取数据并过滤掉重要的内容。 推理块确保可以在需要时提供给模型或学习代理的知识。

4.计划和执行块

该块为机器提供了功能路线图。 该块指定要采取的行动以及预期的结果。 该块从推理 - 知识表示块中获取输入。

阅读：人工智能项目的想法和主题

知识类型

首先，我们在 AI系统的任何知识表示块中看到五种类型的知识。 知识类型如下：

1. 陈述性：它是处理事实、实例、对象的知识类型，被声明为陈述。

2.结构：它处理描述实例和描述之间关系的知识类型。

3. 程序：它处理特定系统有效工作所需的程序和规则。

4.元：是由其他类型知识数据的更高层次数据组成的知识。

5. 启发式：它代表有助于管理决策的数据。

了解：您应该从事的 8 个最受欢迎的 Google AI 项目

知识表示方法

一旦我们了解了要表示的知识以及如何使用它，就有必要知道如何实现这一点。 以下是可用于AI系统中的知识表示的方法：

1. 程序规则

生产规则本身就是一个系统。 它由一个规则应用程序、一组规则和一个数据库（内存）组成。 每当输入通过时，都会通过产生式规则检查条件，并选择适当的规则。 该操作是根据提到的规则执行的。

对于通过知识表示通道带来的每一个输入，整个循环都将继续。 生产规则系统用自然语言表达，因此被大量使用。 唯一的缺点是有时基于规则的系统效率低下，因为某些规则可能仍然有效。

2.语义网络

顾名思义，这种类型的表示适用于数据网络。 在语义网络中，有两种类型的关系。 一是ISA关系，二是实例关系。 在网络中，块定义对象，边（或弧）定义块之间的关系。 尽管语义网络需要更多的计算时间，但它们的用途很广泛，因为所代表的知识很容易理解。

3. 逻辑表示

逻辑可以通过商定的语法和对象来表示。 它处理介词，在含义或解释上没有歧义。 这种类型的表示可以帮助进行逻辑推理并更好地表示事实。 但是，逻辑表示可能很难使用。 语法和关联的严格规则可能会使这个过程变得棘手。

4. 通过框架表示

框架是属性和相关值的集合。 帧也称为槽填充结构。 这是因为槽是属性，它们由代表环境中知识的那些属性的值填充。 框架使数据和不同对象值的分组更容易。 但有时，推理机制很难实现或使用，因为它是一种非常通用的方法。

这就是如何在 AI中应用知识表示。 但是如何测试这些系统呢？

以下属性可以评估任何知识表示系统：

1. 推理的充分性和效率：它涉及系统自行推理知识的能力。 它能否从不同的关系中推断出知识并有效地做到这一点，是评估该属性的两个主要问题。

2. 获取充分性：它涉及系统根据所提供的环境获得额外知识的能力。

3. 表示充分性：它涉及系统表示所有类型知识的能力。 系统是否足够通用，能够表示可能存在或不存在于先前表示的知识领域的数据？

也试试：人工智能与人类智能：人工智能与人类智能之间的区别

结论

人工智能中的知识表示将是一个不断发展的领域。 有朝一日，它将提供可集成的系统，具有接近人类的感知和推理能力。 我们希望这篇文章足以让您开始知识表示的旅程。

如果您有兴趣了解有关机器学习和人工智能的更多信息，请查看 IIIT-B 和 upGrad 的机器学习和人工智能 PG 文凭，该文凭专为在职专业人士设计，提供 450 多个小时的严格培训、30 多个案例研究和作业， IIIT-B 校友身份、5 个以上实用的实践顶点项目和顶级公司的工作协助。