logo

Wat is kennisrepresentatie?

Mensen zijn het beste in het begrijpen, redeneren en interpreteren van kennis. De mens weet dingen, wat kennis is, en volgens hun kennis voeren ze verschillende acties uit in de echte wereld. Maar hoe machines al deze dingen doen, valt onder kennisrepresentatie en redenering . Daarom kunnen we Kennisrepresentatie als volgt omschrijven:

  • Kennisrepresentatie en redenering (KR, KRR) is het deel van de kunstmatige intelligentie dat zich bezighoudt met het denken van AI-agenten en hoe denken bijdraagt ​​aan intelligent gedrag van agenten.
  • Het is verantwoordelijk voor het weergeven van informatie over de echte wereld, zodat een computer deze kennis kan begrijpen en gebruiken om de complexe problemen uit de echte wereld op te lossen, zoals de diagnose van een medische aandoening of communicatie met mensen in natuurlijke taal.
  • Het is ook een manier die beschrijft hoe we kennis kunnen representeren in kunstmatige intelligentie. Kennisrepresentatie is niet alleen het opslaan van gegevens in een database, maar stelt een intelligente machine ook in staat om van die kennis en ervaringen te leren, zodat deze zich intelligent als een mens kan gedragen.

Wat te vertegenwoordigen:

Hieronder volgen de soorten kennis die in AI-systemen vertegenwoordigd moeten worden:

    Voorwerp:Alle feiten over objecten in ons werelddomein. Gitaren bevatten bijvoorbeeld snaren, trompetten zijn koperblazers.Evenementen:Gebeurtenissen zijn de acties die plaatsvinden in onze wereld.Prestatie:Het beschrijft gedrag dat kennis inhoudt over hoe dingen moeten worden gedaan.Meta-kennis:Het is kennis over wat we weten.Feiten:Feiten zijn de waarheden over de echte wereld en waar we voor staan.Kennis basis:Het centrale onderdeel van de kennisgebaseerde agenten is de kennisbasis. Het wordt weergegeven als KB. De Kennisbank is een groep zinnen (hier worden zinnen gebruikt als een technische term en zijn ze niet identiek aan de Engelse taal).

Kennis: Kennis is het bewustzijn of de vertrouwdheid die wordt verkregen door ervaringen met feiten, gegevens en situaties. Hieronder volgen de soorten kennis op het gebied van kunstmatige intelligentie:

Soorten kennis

Hieronder volgen de verschillende soorten kennis:

Kennisvertegenwoordiging in kunstmatige intelligentie

1. Declaratieve kennis:

  • Declaratieve kennis is iets weten.
  • Het omvat concepten, feiten en objecten.
  • Het wordt ook wel beschrijvende kennis genoemd en uitgedrukt in declaratieve zinnen.
  • Het is eenvoudiger dan proceduretaal.

2. Procedurele kennis

  • Het wordt ook wel imperatieve kennis genoemd.
  • Procedurele kennis is een soort kennis die verantwoordelijk is voor het weten hoe iets moet worden gedaan.
  • Het kan direct op elke taak worden toegepast.
  • Het omvat regels, strategieën, procedures, agenda's, enz.
  • Procedurele kennis is afhankelijk van de taak waarop deze kan worden toegepast.

3. Metakennis:

  • Kennis over de andere soorten kennis wordt metakennis genoemd.

4. Heuristische kennis:

  • Heuristische kennis vertegenwoordigt de kennis van sommige experts in een dossier of onderwerp.
  • Heuristische kennis zijn vuistregels die zijn gebaseerd op eerdere ervaringen en op bewustzijn van benaderingen, en die goed werken, maar niet gegarandeerd zijn.

5. Structurele kennis:

  • Structurele kennis is basiskennis voor het oplossen van problemen.
  • Het beschrijft relaties tussen verschillende concepten, zoals soort, onderdeel van en groepering van iets.
  • Het beschrijft de relatie die bestaat tussen concepten of objecten.

De relatie tussen kennis en intelligentie:

Kennis van de echte wereld speelt een cruciale rol bij intelligentie en hetzelfde bij het creëren van kunstmatige intelligentie. Kennis speelt een belangrijke rol bij het aantonen van intelligent gedrag bij AI-agenten. Een agent kan alleen accuraat reageren op bepaalde input als hij enige kennis of ervaring heeft met die input.

Stel dat u iemand ontmoet die een taal spreekt die u niet kent, hoe u daar dan op kunt reageren. Hetzelfde geldt voor het intelligente gedrag van de agenten.

Zoals we in het onderstaande diagram kunnen zien, is er één beslisser die handelt door de omgeving aan te voelen en kennis te gebruiken. Maar als het kennisgedeelte dan niet aanwezig is, kan het geen intelligent gedrag vertonen.

Kennisvertegenwoordiging in kunstmatige intelligentie

AI-kenniscyclus:

Een Kunstmatig Intelligentiesysteem kent de volgende componenten voor het weergeven van intelligent gedrag:

  • Perceptie
  • Aan het leren
  • Kennisrepresentatie en redeneren
  • Planning
  • Executie
Kennisvertegenwoordiging in kunstmatige intelligentie

Het bovenstaande diagram laat zien hoe een AI-systeem kan communiceren met de echte wereld en welke componenten het helpen intelligentie te tonen. Het AI-systeem heeft een Perception-component waarmee het informatie uit zijn omgeving ophaalt. Het kan visueel, auditief of een andere vorm van sensorische input zijn. De leercomponent is verantwoordelijk voor het leren van gegevens die zijn vastgelegd door het Perceptie-comportment. In de volledige cyclus zijn kennisrepresentatie en redeneren de belangrijkste componenten. Deze twee componenten zijn betrokken bij het aantonen van de intelligentie van machineachtige mensen. Deze twee componenten zijn onafhankelijk van elkaar, maar ook aan elkaar gekoppeld. De planning en uitvoering zijn afhankelijk van de analyse van kennisrepresentatie en -redenering.

Benaderingen van kennisrepresentatie:

Er zijn hoofdzakelijk vier benaderingen van kennisrepresentatie, die hieronder worden gegeven:

1. Eenvoudige relationele kennis:

  • Het is de eenvoudigste manier om feiten op te slaan waarbij gebruik wordt gemaakt van de relationele methode, en elk feit over een verzameling van het object wordt systematisch in kolommen uiteengezet.
  • Deze benadering van kennisrepresentatie is beroemd in databasesystemen waarin de relatie tussen verschillende entiteiten wordt weergegeven.
  • Deze benadering biedt weinig mogelijkheden tot gevolgtrekking.

Voorbeeld: Het volgende is de eenvoudige representatie van relationele kennis.

Speler Gewicht Leeftijd
Speler1 65 23
Speler2 58 18
Speler3 75 24

2. Overerfbare kennis:

  • Bij de erfelijke kennisbenadering moeten alle gegevens worden opgeslagen in een hiërarchie van klassen.
  • Alle klassen moeten in een algemene vorm of op een hiërarchische manier worden gerangschikt.
  • In deze benadering passen we erfeniseigendom toe.
  • Elementen erven waarden van andere leden van een klasse.
  • Deze benadering bevat erfelijke kennis die een relatie tussen instantie en klasse laat zien, en wordt instantierelatie genoemd.
  • Elk individueel frame kan de verzameling attributen en de waarde ervan vertegenwoordigen.
  • Bij deze benadering worden objecten en waarden weergegeven in omkaderde knooppunten.
  • We gebruiken pijlen die van objecten naar hun waarden wijzen.
  • Voorbeeld:
Kennisvertegenwoordiging in kunstmatige intelligentie

3. Inferentiële kennis:

  • Inferentiële kennisbenadering vertegenwoordigt kennis in de vorm van formele logica.
  • Deze aanpak kan worden gebruikt om meer feiten af ​​te leiden.
  • Het garandeerde de juistheid.
  • Voorbeeld:Laten we aannemen dat er twee uitspraken zijn:
    1. Marcus is een man
    2. Alle mensen zijn sterfelijk
      Dan kan het voorstellen als;

      mens(Marcus)
      ∀x = mens (x) ----------> sterfelijke (x)s

4. Procedurele kennis:

  • De procedurele kennisbenadering maakt gebruik van kleine programma's en codes die beschrijven hoe specifieke dingen moeten worden gedaan en hoe verder te gaan.
  • Bij deze aanpak wordt één belangrijke regel gebruikt, namelijk Als-dan-regel .
  • Met deze kennis kunnen we verschillende codeertalen gebruiken, zoals LISP-taal En Prolog-taal .
  • Met deze aanpak kunnen we gemakkelijk heuristische of domeinspecifieke kennis representeren.
  • Maar het is niet noodzakelijk dat we alle gevallen in deze aanpak kunnen vertegenwoordigen.

Vereisten voor kennis Representatiesysteem:

Een goed kennisrepresentatiesysteem moet de volgende eigenschappen bezitten.

    1. Representatieve nauwkeurigheid:
    Het KR-systeem moet de mogelijkheid hebben om alle soorten vereiste kennis te vertegenwoordigen.2. Inferentiële geschiktheid:
    Het KR-systeem zou het vermogen moeten hebben om de representatiestructuren te manipuleren om nieuwe kennis te produceren die overeenkomt met de bestaande structuur.3. Inferentiële efficiëntie:
    Het vermogen om het inferentiële kennismechanisme in de meest productieve richtingen te sturen door de juiste handleidingen op te slaan.4. Acquisitie-efficiëntieHet vermogen om de nieuwe kennis gemakkelijk te verwerven met behulp van automatische methoden.