Уметна интелигенција (AI) представља револуционарну технологију која подиже границе људске интелигенције. Она омогућава интеграцију прецизне интелигенције у машине.
Људска бића поседују високу способност размишљања, расуђивања, интерпретације и разумевања информација. Стечено знање нам помаже у обављању различитих активности у стварном окружењу.
Захваљујући технолошком развоју, данас и машине постају способне да обављају многе задатке.
У последње време, све је већа употреба система и уређаја са уграђеном вештачком интелигенцијом, захваљујући њиховој ефикасности и прецизности у извршавању сложених задатака.
Иако су људи током живота стекли огромно знање, машине се суочавају са изазовима у тумачењу тог истог знања.
Због тога је неопходно коришћење репрезентације знања. Она омогућава решавање сложених питања у нашем свету, које је људима тешко и дуготрајно да реше.
У овом чланку ћемо истражити представљање знања у АИ, како функционише, различите врсте и технике, као и многе друге аспекте.
Кренимо!
Шта је представљање знања и резоновање?
Представљање знања и резоновање (KР&Р) је кључни део вештачке интелигенције, који је посвећен претварању информација о стварном свету у формат разумљив рачунару, како би могао да делује на основу тих информација. Овај процес омогућава решавање сложених проблема, као што су рачунање, комуникација на природном језику, дијагностиковање здравствених проблема итд.
Представљање знања се ослања на принципе из психологије о томе како људи решавају проблеме и представљају знање, ради стварања формализама. Ово ће омогућити вештачкој интелигенцији да схвати како људи поједностављују сложене системе током њиховог дизајна и конструисања.
Ранији напори су били фокусирани на опште решавање проблема, које су развили Херберт А. Сајмон и Ален Њуел 1959. године. Ови системи су користили структуре података за декомпозицију и планирање. Систем прво дефинише циљ, а затим га дели на подциљеве. Након тога, систем развија стратегије за решавање сваког подциља.
Ови напори су довели до когнитивне револуције у људској психологији и фазе вештачке интелигенције која се фокусирала на представљање знања. Резултат су били експертски системи 1970-их и 1980-их, језици за обраду оквира, производни системи и друго. Касније, вештачка интелигенција је преусмерила фокус на експертске системе који би могли да парирају људским способностима, на пример у медицинској дијагностици.
Штавише, представљање знања омогућава компјутерским системима да разумеју и користе информације за решавање стварних проблема. Такође дефинише начин на који можете представити знање и размишљање у АИ.
Представљање знања није само складиштење података у базама; већ омогућава интелигентним машинама да уче из људског знања и искуства, тако да машина може да се понаша на сличан начин као човек.
Људи поседују знање које машине немају, укључујући осећања, намере, уверења, здрав разум, процене, предрасуде, интуицију и друго. Нека знања су једноставна, као што је познавање одређених чињеница, опште знање о догађајима, људима, предметима, језицима, академским дисциплинама итд.
Са КР&Р, можете представити људске концепте у формату разумљивом машинама и створити системе са вештачком интелигенцијом који су заиста интелигентни. Овде знање подразумева пружање информација о екосистему и њихово складиштење, док резоновање представља доношење одлука и радњи на основу сачуваних информација.
Које знање треба да буде представљено у системима вештачке интелигенције?
Знање које треба представити у системима вештачке интелигенције може укључивати:
- Предмети: Људи су стално окружени предметима. Стога су информације о тим објектима неопходне и морају се сматрати врстом знања. На пример, клавири имају беле и црне дирке, аутомобили имају точкове, аутобусима су потребни возачи, а авионима пилоти итд.
- Догађаји: У стварном свету се стално дешавају бројни догађаји. Перцепција људи је заснована на догађајима. АИ треба да има знање о догађајима да би могао да реагује. Неки од догађаја су глад, напредак друштва, ратови, катастрофе, достигнућа и друго.
- Перформансе: Ово знање се бави специфичним поступцима људи у различитим ситуацијама. Оно представља аспект знања који се односи на понашање, што је веома важно за разумевање вештачке интелигенције.
- Мета знање: Ако погледамо свет и сумирамо сво знање, видимо да је оно углавном подељено у три категорије:
- Оно што већ знамо
- Оно што знамо да не знамо у потпуности
- Оно што још не знамо
- Мета знање се односи на прву категорију, тј. оно што знамо, и омогућава АИ да перципира то знање.
- Чињенице: Ово знање се заснива на чињеничном опису нашег света. На пример, Земља није равна, али није ни савршено округла; наше Сунце је енергетски извор и друго.
- База знања: База знања је кључна компонента људске интелигенције. Односи се на скуп релевантних података или информација о било којој области, опису и друго. На пример, база знања за дизајнирање модела аутомобила.
Како функционише представљање знања?
Обично се задатак који треба извршити, проблем који треба решити и решење које се тражи дају неформално, као што је испорука пакета по приспећу или решавање електричних проблема у кући.
Да би се решио стварни проблем, дизајнер система мора:
- Извршити задатак и утврдити најбоље решење које може пружити.
- Представити проблем на језику који рачунар може разумети и на основу кога може да размишља.
- Користити систем за компјутеризовање коначног резултата, који је решење за кориснике или низ активности које је потребно извршити у екосистему.
- Протумачити коначни резултат као решење полазног проблема.
Знање је информација коју људи већ имају, али машине морају да науче. Пошто постоји много проблема, машини је потребно знање. Као део система дизајна, можете дефинисати које знање ће бити представљено.
Веза између представљања знања и вештачке интелигенције
Знање игра кључну улогу у интелигенцији. Такође је одговорно за развој вештачке интелигенције. Када је потребно да се покаже интелигентно понашање код АИ агената, знање игра неопходну улогу. Агент не може тачно да функционише ако му недостаје искуство или знање о одређеним улазима.
На пример, ако желите да комуницирате са неким, али не разумете језик, очигледно је да не можете добро да одговорите и не можете да предузмете никакву акцију. Исто важи и за интелигентно понашање агената. АИ треба да има довољно знања да би могао да обавља задатке, док доносилац одлука открива окружење и примењује неопходно знање.
Међутим, АИ не може да покаже интелектуално понашање без компоненти знања.
Врсте знања представљене у вештачкој интелигенцији
Сада када нам је јасно зашто нам је потребно представљање знања у АИ, хајде да сазнамо које врсте знања се представљају у систему вештачке интелигенције.
- Декларативно знање: Представља предмете, концепте и чињенице које вам помажу да опишете свет око себе. Дакле, дели опис нечега и изражава декларативне реченице.
- Процедурално знање: Процедурално знање је мање у поређењу са декларативним знањем. Познато је и као императивно знање, које користе мобилни роботи. Оно се користи за реализацију одређеног циља. На пример, са мапом зграде, мобилни роботи могу да направе сопствени план. Мобилни роботи могу да планирају напад или навигацију.
Штавише, процедурално знање се директно примењује на задатак који укључује правила, процедуре, дневни ред, стратегије и друго.
- Мета знање: У области вештачке интелигенције, унапред дефинисано знање је познато као мета-знање. На пример, изучавање означавања, учења, планирања итд. спада у ову врсту знања.
Овај модел временом мења своје понашање и користи друге спецификације. Систем инжењер или инжењер знања користи различите облике мета-знања, као што су тачност, процена, сврха, извор, животни век, поузданост, оправданост, потпуност, доследност, применљивост и вишезначност.
- Хеуристичко знање: Ово знање, познато и као плитко знање, следи принцип правила палца. Веома је ефикасно у процесу закључивања јер може да решава проблеме на основу претходних записа или проблеме које састављају стручњаци. Међутим, оно прикупља искуства из претходних проблема и пружа бољи приступ заснован на знању за специфицирање проблема и предузимање акција.
- Структурно знање: Структурно знање је најједноставније и основно знање које се користи и примењује у решавању сложених проблема. Оно покушава да пронађе ефикасно решење проналажењем односа између објеката и појмова. Поред тога, описује однос између више концепата, као што су део, врста или груписање нечега.
Декларативно знање се може представити као оно које описује, док је процедурално знање оно које ради. Декларативно знање је експлицитно, док је процедурално знање имплицитно. Декларативно је знање које можете артикулисати, а процедурално је оно које не можете.
Технике представљања знања у вештачкој интелигенцији
Постоје четири главне технике за представљање знања у АИ:
- Логичко представљање
- Семантичке мреже
- Правила производње
- Репрезентација оквира
Логичко представљање
Логичко представљање је основни облик представљања знања за машине, где се користи дефинисана синтакса са основним правилима. Ова синтакса нема двосмисленост у значењу и бави се предлозима. Логички облик представљања знања делује као правила комуникације. Зато се може користити за представљање чињеница машинама.
Логичко представљање је двојако:
- Пропозициона логика: Пропозициона логика је такође позната као логика исказа или пропозициони рачун који ради у Буловој алгебри, што значи методу Тачно или Нетачно.
- Логика првог реда: Логика првог реда је врста логичког представљања знања коју можете назвати и логиком предикатног рачуна првог реда (FOPL). Ова репрезентација логичког знања представља предикате и објекте у квантификаторима. То је напредни модел пропозиционалне логике.
Овај облик представљања знања подсећа на већину програмских језика у којима користите семантику за прослеђивање информација. То је веома логичан начин решавања проблема. Међутим, главни недостатак ове методе је строга природа репрезентације. Генерално, тешко је извршити и понекад није баш ефикасно.
Семантичке мреже
У овој врсти представљања знања, користи се графички приказ са повезаним објектима и мрежом података. Семантичке мреже укључују лукове/ивице (везе) и чворове/блокове (објекте) који описују везу између објеката.
Ово је алтернатива формама представљања предикатног рачуна првог реда (FOPL). Односи у семантичким мрежама су две врсте:
Ово је природнији облик представљања од логичког, због своје једноставности разумевања. Главни недостатак овог облика представљања је што је рачунски скуп и не укључује еквивалентне квантификаторе које можете пронаћи у логичком представљању.
Правила производње
Правила производње су најчешћи облик представљања знања у системима вештачке интелигенције. То је најједноставнији облик представљања система заснованих на правилима ако-онда, те се стога лако може разумети. Представља начин комбиновања FOPL-а и пропозиционалне логике.
Да бисте технички разумели правила производње, прво морате разумети саставне делове система представљања. Овај систем укључује скуп правила, радну меморију, примену правила и признати циклус деловања.
За сваки унос, АИ проверава услове из правила производње, и када пронађе одговарајуће правило, одмах предузима неопходну акцију. Циклус одабира правила на основу услова и акција за решавање проблема познат је као циклус препознавања и деловања, који се одвија у сваком уносу.
Међутим, овај метод има неке проблеме, као што је неефикасно извршење због активног правила и недостатак стицања искуства због непохрањивања претходних резултата. Пошто су правила изражена на природном језику, трошкови недостатака се могу надокнадити. Овде се правила могу лако променити и одбацити ако је потребно.
Репрезентација оквира
Да бисте разумели приказ оквира на фундаменталном нивоу, замислите табелу која се састоји од имена у колонама и вредности у редовима; потребне информације се прослеђују у овој комплетној структури. Једноставно речено, репрезентација оквира је скуп вредности и атрибута.
Ово је структура података специфична за АИ која користи пунила (вредности слотова који могу бити било ког типа података и облика) и слотове. Процес је прилично сличан типичном систему за управљање базом података (DBMS). Ова пунила и слотови чине структуру која се зове оквир.
Слотови у овом облику представљања знања имају имена или атрибуте, а знање повезано са атрибутима се чува у пуниоцима. Главна предност ове врсте представљања је у томе што се слични подаци могу груписати како би се знање поделило на структуре. Даље, оно се дели на подструктуре.
Будући да је типична структура података, овај тип се може лако разумети, манипулисати и визуализовати. Типични концепти, укључујући уклањање, брисање и додавање слотова, могу се извести без напора.
Захтеви за представљање знања у систему вештачке интелигенције
Добра репрезентација знања има следеће карактеристике:
- Тачност репрезентације: Представљање знања треба тачно да представи сваку врсту потребног знања.
- Ефикасност закључивања: Способност да се лако рукује механизмима инференцијалног знања у продуктивним правцима користећи одговарајуће смернице.
- Инференцијална адекватност: Представљање знања треба да има способност да манипулише неким репрезентативним структурама како би представило ново знање на основу постојећих структура.
- Ефикасност стицања: Способност стицања новог знања коришћењем аутоматизованих метода.
АИ циклус знања
Системи вештачке интелигенције укључују неке главне компоненте за испољавање интелигентног понашања које омогућавају представљање знања.
- Перцепција: Помаже систему заснованом на вештачкој интелигенцији да прикупи информације о окружењу користећи различите сензоре и чини га свесним екосистема, како би ефикасно реаговао на проблеме.
- Учење: Користи се да омогући АИ системима да покрећу алгоритме дубоког учења који су већ написани, како би системи вештачке интелигенције доставили потребне информације од компоненте перцепције до компоненте учења ради бољег учења и разумевања.
- Представљање знања и резоновање: Људи користе знање за доношење одлука. Дакле, овај блок је одговоран за служење људима кроз податке о знању АИ система и коришћење релевантног знања кад год је потребно.
- Планирање и извођење: Овај блок је независан. Користи се за преузимање података из блокова знања и расуђивања и извршавање релевантних радњи.
Закључак
Људи могу стећи знање на различите начине, као и машине засноване на вештачкој интелигенцији. Како се АИ развија, представљање знања машинама на бољи начин помаже вам да решите сложене проблеме са минималним грешкама. Дакле, представљање знања је кључно за АИ машине да раде интелигентно и паметно.
Такође можете погледати разлику између вештачке интелигенције, машинског учења и дубоког учења.