Что такое представление знаний в ИИ? Методы, которые вам нужно знать

Люди хорошо понимают, рассуждают и интерпретируют знания. И используя эти знания, они способны выполнять различные действия в реальном мире. Но как машины работают одинаково? В этой статье мы узнаем о представлении знаний в ИИ и о том, как оно помогает машинам выполнять рассуждения и интерпретации с использованием искусственного интеллекта в следующей последовательности:

• Что такое представление знаний?
• Различные типы знаний
• Цикл представления знаний
• Какова связь между Знанием и Разумом?
• Методы представления знаний
• Требования к представительству
• Подходы к представлению знаний на примере

Что такое представление знаний?

Представление знаний в AI описывает представление знаний. По сути, это исследование того, как убеждения, намерения, а также суждения из интеллектуальный агент может быть выражено соответствующим образом для автоматизированного рассуждения. Одной из основных целей представления знаний является моделирование интеллектуального поведения агента.

Представление знаний и рассуждения (КР, КРР) представляет информацию из реального мира для компьютера, чтобы понять, а затем использовать это знание для решения сложные жизненные проблемы как общение с людьми на естественном языке. Представление знаний в ИИ — это не просто хранение данных в базе данных, оно позволяет машине учиться на этих знаниях и вести себя разумно, как человек.

Различные виды знаний, которые должны быть представлены в ИИ, включают:

Теперь, когда вы знаете о представлении Знаний в ИИ, давайте продолжим и узнаем о различных типах Знаний.

Различные типы знаний

Существует 5 типов Знаний, таких как:

• Декларативные знания — Он включает в себя понятия, факты и объекты и выражается в повествовательном предложении.
• Структурные знания — Это базовые знания по решению проблем, которые описывают отношения между понятиями и объектами.
• Процедурные знания — Это отвечает за знание того, как что-то делать, и включает в себя правила, стратегии, процедуры и т. д.
• Мета Знание — МетаЗнания определяют знания о других типах Знаний.
• Эвристические знания — Это представляет некоторые экспертные знания в области или предмете.

Это важные типы представления знаний в ИИ. Теперь давайте посмотрим на цикл представления знаний и на то, как он работает.

Цикл представления знаний в ИИ

Искусственные интеллектуальные системы обычно состоят из различных компонентов для отображения их интеллектуального поведения. Некоторые из этих компонентов включают в себя:

Вот пример, показывающий различные компоненты системы и то, как она работает:

Пример

На приведенной выше диаграмме показано взаимодействие системы ИИ с реальный мир и составные части участие в демонстрации интеллекта.

• Компонент восприятия извлекает данные или информацию из окружающей среды. с помощью этого компонента можно получить данные из окружения, узнать источник шумов и проверить, не повредился ли чем-нибудь ИИ.Кроме того, он определяет, как реагировать при обнаружении какого-либо чувства.
• Тогда есть Компонент обучения который учится на захваченных данных компонентом восприятия. Цель состоит в том, чтобы создавать компьютеры, которым можно обучать, а не программировать их. Обучение фокусируется на процессе самосовершенствования. Чтобы узнавать новое, системе требуется приобретение знаний, вывод, приобретение эвристики, более быстрый поиск и т. д.
• Основным компонентом цикла является Представление знаний и рассуждения который показывает человеческий интеллект в машинах. Представление знаний связано с пониманием интеллекта. Вместо того, чтобы пытаться понять или построить мозг снизу вверх, его цель состоит в том, чтобы понять и построить интеллектуальное поведение сверху вниз и сосредоточиться на том, что агент должен знать, чтобы вести себя разумно. Кроме того, он определяет, как автоматизированные процедуры рассуждений могут сделать эти знания доступными по мере необходимости.
• Планирование и выполнение компоненты зависят от анализа представления знаний и рассуждений. Здесь планирование включает задание начального состояния, нахождение их предпосылок и следствий, а также последовательности действий для достижения состояния, при котором выполняется конкретная цель. Теперь, когда планирование завершено, завершающим этапом является выполнение всего процесса.

Итак, это разные компоненты цикла представления знаний в ИИ. Теперь давайте разберемся с отношениями между знанием и интеллектом.

Какова связь между знанием и интеллектом?

В реальном мире знания играют жизненно важную роль в интеллекте, а также в создании искусственного интеллекта. Он демонстрирует интеллектуальное поведение в Агенты или системы ИИ. Агент или система могут действовать точно с некоторыми входными данными только тогда, когда у них есть знания или опыт о входных данных.

Давайте возьмем пример, чтобы понять взаимосвязь:

В этом примере есть один принимающий решения чьи действия оправдываются ощущением окружающей среды и использованием знаний. Но если мы удалим здесь часть знаний, она не сможет демонстрировать какое-либо интеллектуальное поведение.

Теперь, когда вы знаете взаимосвязь между знаниями и интеллектом, давайте перейдем к методам представления знаний в ИИ.

Методы представления знаний в ИИ

Существует четыре метода представления знаний, такие как:

Теперь давайте подробно обсудим эти методы.

Логическое представление

Логическое представление — это язык с некоторыми определенные правила которые имеют дело с предложениями и не имеют двусмысленности в представлении. Он представляет собой заключение, основанное на различных условиях, и устанавливает некоторые важные правила общения. Кроме того, он состоит из точно определенного синтаксиса и семантики, которые поддерживают звуковой вывод. Каждое предложение может быть переведено в логику с использованием синтаксиса и семантики.

Преимущества:

• Логическое представление помогает выполнять логические рассуждения.
• Это представление является основой для языков программирования.

Недостатки:

• Логические представления имеют некоторые ограничения, и с ними сложно работать.
• Этот метод может быть не очень естественным, а вывод может быть не очень эффективным.

Представление семантической сети

Семантические сети работают как альтернатива к логика предикатов для представления знаний. В семантических сетях вы можете представить свои знания в виде графических сетей. Эта сеть состоит из узлов, представляющих объекты, и дуг, описывающих отношения между этими объектами. Кроме того, он классифицирует объект в различных формах и связывает эти объекты.

Это представление состоит из двух типов отношений:

Преимущества:

• Семантические сети являются естественным представлением знаний.
• Кроме того, он передает смысл прозрачным образом.
• Эти сети просты и понятны.

Недостатки:

• Семантические сети требуют больше вычислительного времени во время выполнения.
• Кроме того, они неадекватны, поскольку не имеют эквивалентных кванторов.
• Эти сети не являются интеллектуальными и зависят от создателя системы.

Представление кадра

Рамка — это рекордный структура, состоящая из коллекция атрибутов и значения для описания объекта в мире. Это структура данных ИИ, которая делит знания на подструктуры, представляя стереотипные ситуации. По сути, он состоит из набора слотов и значений слотов любого типа и размера. Слоты имеют имена и значения, которые называются фасетами.

Преимущества:

• Это упрощает программирование за счет группировки связанных данных.
• Представление фрейма легко понять и визуализировать.
• Добавлять слоты для новых атрибутов и отношений очень просто.
• Кроме того, легко включить данные по умолчанию и выполнить поиск отсутствующих значений.

Недостатки:

• В выводе системы фреймов механизм не может быть легко обработан.
• Механизм логического вывода не может быть плавно запущен представлением кадра.
• У него очень общий подход.

Правила производства

В продукционных правилах агент проверяет условие, и если условие существует, то срабатывает продукционное правило и выполняется соответствующее действие. Условная часть правила определяет, какое правило может быть применено к проблеме. Принимая во внимание, что часть действия выполняет связанные шаги по решению проблемы. Этот полный процесс называется циклом узнавания-действия.

Система продукционных правил состоит из трех основных частей:

Преимущества:

• Продукционные правила выражаются на естественном языке.
• Продукционные правила имеют высокую модульность и могут быть легко удалены или изменены.

Недостатки:

• Он не проявляет каких-либо способностей к обучению и не сохраняет результат задачи для использования в будущем.
• Во время выполнения программы могут быть активны многие правила. Таким образом, производственные системы, основанные на правилах, неэффективны.

Итак, это были важные методы представления знаний в ИИ.Теперь давайте посмотрим на требования к этим представлениям.

Требования к представительству

Хорошая система представления знаний должна обладать такими свойствами, как:

• Репрезентативная точность: Он должен представлять все виды необходимых знаний.
• Логическая адекватность: он должен иметь возможность манипулировать репрезентативными структурами для получения новых знаний, соответствующих существующей структуре.
• Логическая эффективность: способность направлять механизм логических выводов в наиболее продуктивные направления, сохраняя соответствующие руководства.
• Эффективность приобретения: способность легко приобретать новые знания с помощью автоматических методов.

Теперь давайте рассмотрим некоторые подходы к представлению знаний в ИИ вместе с различными примерами.

Подходы к представлению знаний в ИИ

Существуют различные подходы к представлению знаний, такие как:

1. Простое реляционное знание

Это самый простой способ хранение фактов который использует реляционный метод. Здесь все факты о множестве объектов систематизированы в столбцах. Также этот подход к представлению знаний известен в база данных системы где представлены отношения между различными сущностями. Таким образом, мало возможностей для выводов.

Пример:

Это пример представления простых реляционных знаний.

2. Наследуемые знания

В подходе наследуемых знаний все данные должны храниться в иерархия классов и должны быть организованы в обобщенной форме или иерархически. Кроме того, этот подход содержит наследуемое знание, которое показывает отношение между экземпляром и классом, и это называется отношением экземпляра. В этом подходе объекты и значения представлены в узлах в штучной упаковке.

Пример:

3. Логическое знание

Подход к логическому знанию представляет знания в виде формальная логика. Таким образом, его можно использовать для получения большего количества фактов. Кроме того, это гарантирует правильность.

Пример:

Заявление 1: Джон играет в крикет.

Заявление 2: Все игроки в крикет — спортсмены.

Тогда это можно представить как;

Игрок в крикет (Джон)
∀x = игрок в крикет (x) — — — -> спортсмен (x)s

Это были некоторые из подходов к представлению знаний в ИИ вместе с примерами. На этом мы подошли к концу нашей статьи. Надеюсь, вы поняли, что такое представление знаний в ИИ и его различные типы.

Если вы хотите прочитать больше статей о самых популярных на рынке технологиях, таких как Python, DevOps, Ethical Hacking, вы можете обратиться к официальному сайту Edureka.

Обратите внимание на другие статьи из этой серии, в которых объясняются различные другие аспекты науки о данных.