Вештачка интелигенција (АИ) је популарна и иновативна технологија која подиже људску интелигенцију на следећи ниво. Нуди моћ тачне интелигенције интегрисане са машинама.
Људима је дато размишљање на високом нивоу, расуђивање, тумачење и разумевање знања. Знање које стекнемо помаже нам да обављамо различите активности у стварном свету.
Данас чак и машине постају способне да раде толико ствари захваљујући технологији.
У последње време, употреба система и уређаја са вештачком интелигенцијом расте због њихове ефикасности и тачности у обављању сложених задатака.
Сада, проблем је у томе што су људи стекли много нивоа и врста знања у својим животима, машине се суочавају са потешкоћама у тумачењу истог знања.
Стога се користи репрезентација знања. Ово ће решити сложена питања у нашем свету која су људима тешка и дуготрајна за решавање.
У овом чланку ћу објаснити представљање знања у АИ, како функционише, његове врсте и технике и још много тога.
Почнимо!
Преглед садржаја
Шта је представљање знања и расуђивање?
Репрезентација знања и резоновање (КР&Р) је део вештачке интелигенције који је искључиво посвећен представљању информација о стварном свету у таквом облику који рачунар може да разуме и да предузме акцију у складу са тим. Ово доводи до решавања сложених проблема, као што су рачунање, дијалог на природном језику, дијагностицирање критичног здравственог стања итд.
Репрезентација знања проналази свој пут из психологије о томе како је човек способан да решава проблеме и представља знање за дизајнирање формализама. Ово ће омогућити вештачкој интелигенцији да разуме како човек чини сложене системе једноставнијим током изградње и пројектовања.
Најранији рад је био фокусиран на опште решавање проблема, које су развили Херберт А. Симон и Аллен Невелл 1959. Ови системи су користили структуру података за декомпозицију и планирање. Систем прво почиње са циљем, а затим разлаже циљ на подциљеве. Након тога, систем поставља неке конструктивне стратегије које се могу посветити сваком подциљу.
Ови напори су затим довели до когнитивне револуције у људској психологији и фазе вештачке интелигенције која се фокусирала на представљање знања. Ово је резултирало експертским системима 1970-их и 1980-их, оквирним језицима, производним системима и још много тога. Касније је вештачка интелигенција променила свој примарни фокус на експертске системе који би могли да одговарају људској компетенцији, као што је медицинска дијагноза.
Штавише, представљање знања омогућава компјутерским системима да разумеју и искористе знање за решавање проблема из стварног света. Такође дефинише начин на који можете представити знање и размишљање у АИ.
Представљање знања није само складиштење података у базама података; него омогућава интелигентним машинама да уче из људског знања и искусе исто тако да машина може да се понаша и понаша као човек.
Људи имају знање које је страно машинама, укључујући осећања, намере, уверења, здрав разум, пресуде, предрасуде, интуицију и још много тога. Нека знања су такође једноставна, као што је познавање одређених чињеница, опште познавање догађаја, људи, предмета, језика, академских дисциплина итд.
Са КР&Р, можете представити концепте људи у разумљивом формату за машине и учинити системе са вештачком интелигенцијом заиста интелигентним. Овде знање значи пружање информација о екосистему и њихово складиштење, док резоновање значи доношење одлука и радњи из ускладиштених информација на основу знања.
Које знање треба да буде представљено у системима вештачке интелигенције?
Знање које треба представити у системима вештачке интелигенције може укључивати:
- Предмет: Објекти стално окружују људе. Дакле, информације о тим објектима су од суштинског значаја и морају се сматрати врстом знања. На пример, клавири имају беле и црне тастере, аутомобили имају точкове, аутобусима су потребни возачи, авионима су потребни пилоти итд.
- Догађаји: Бројни догађаји се стално дешавају у стварном свету. А људска перцепција је заснована на догађајима. АИ треба да има знање о догађајима да би предузео акцију. Неки догађаји су глад, напредак друштва, ратови, катастрофе, достигнућа и још много тога.
- Учинак: Ово знање се бави одређеним поступцима људи у различитим ситуацијама. Она представља страну знања која се односи на понашање које је веома битно за разумевање вештачке интелигенције.
- Мета знање: На пример, ако погледамо широм света и сумирамо сво знање тамо, видимо да је углавном подељено у три категорије:
- Оно што већ знамо
- Оно што знамо су ствари које не знамо у потпуности
- Оно што још не знамо
- Мета знање се бави првим, тј. оним што знамо и омогућава АИ да перципира исто.
- Чињенице: Ово сазнање је засновано на чињеничном опису нашег света. На пример, земља није равна, али није ни округла; наше сунце има прождрљив апетит и још много тога.
- База знања: База знања је главна компонента људске интелигенције. Ово се односи на групу релевантних података или информација о било ком пољу, опису и још много тога. На пример, база знања о дизајнирању модела аутомобила.
Како функционише представљање знања?
Обично се задатак који треба извршити, проблем за решавање и проналажење решења даје неформално, као што је испорука пакета када стигну или решавање електричних проблема у кући.
Да би решио стварни проблем, дизајнер система мора:
- Извршите задатак да одредите које боље решење може да пружи
- Представите проблем на језику како би рачунар могао да га образложи
- Користите систем за компјутеризовање коначног резултата, који је решење за кориснике или низ активности које је потребно обавити у екосистему.
- Коначан резултат тумачите као решење примарног проблема
Знање је информација коју човек већ има, али машине морају да уче. Пошто има 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 суштинску улогу у интелигенцији. Такође је одговоран за стварање вештачке интелигенције. Када је потребно да се изрази интелигентно понашање у АИ агентима, то игра неопходну улогу. Агент није у стању да функционише тачно када му недостаје искуство или знање о одређеним инпутима.
На пример, ако желите да комуницирате са особом, али не можете да разумете језик, очигледно је да не можете добро да одговорите и извршите било какву акцију. Ово функционише исто за интелигентно понашање агената. АИ треба да има довољно знања да изврши функционалност док доносилац одлука открива окружење и примењује потребно 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 потребна репрезентација знања у АИ, хајде да сазнамо које врсте знања представљају у систему вештачке интелигенције.
- Декларативно знање: Представља предмете, концепте и чињенице које вам помажу да опишете цео 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. То је за проглашење остварења нечега. На пример, са само мапом зграде, мобилни роботи могу да направе сопствени план. Мобилни роботи могу планирати напад или навигацију.
Штавише, процедурално знање се директно примењује на задатак који укључује правила, процедуре, дневни ред, стратегије и још много тога.
- Мета знање: У области вештачке интелигенције, унапред дефинисано знање је познато као мета-знање. На пример, проучавање 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, које је такође познато као плитко знање, прати принцип правила палца. Стога је веома ефикасан у процесу закључивања јер може да реши проблеме засноване на прошлим записима или проблеме које састављају стручњаци. Међутим, он прикупља искуства из прошлих проблема и пружа бољи приступ заснован на знању да се специфицирају проблеми и предузму акције.
- Структурно знање: Структурно знање је најједноставније и најосновније знање које се користи и примењује у решавању сложених проблема. Покушава да пронађе ефикасно решење проналажењем односа између објеката и појмова. Поред тога, описује однос између више концепата, као што је део, врста или груписање нечега.
Декларативно знање се може представити као оно које описује, док је процедурално знање оно које ради. Додатно, декларативно знање је дефинисано као експлицитно, док је процедурално знање прећутно или имплицитно. То је декларативно знање ако можете артикулисати знање и процедурално знање ако га не можете артикулисати.
Технике представљања знања у вештачкој интелигенцији
Постоје четири главне технике које представљају знање у АИ:
- Логичко представљање
- Семантичке мреже
- Правила производње
- Репрезентација оквира
Логичко представљање
Логичко представљање је основни облик представљања знања машинама где се користи дефинисана синтакса са основним правилима. Ова синтакса нема двосмисленост у значењу и бави се предлозима. Међутим, логички облик представљања знања делује као правила комуникације. То је разлог зашто се може користити за представљање чињеница машинама.
Логичко представљање је два типа:
- Пропозициона логика: Пропозициона логика је такође позната као логика исказа или пропозициони рачун који ради у Боолеану, што значи методу Тачно или Нетачно.
- Логика првог реда: Логика првог реда је врста логичке репрезентације знања коју такође можете назвати логиком предикатног рачуна првог реда (ФОПЛ). Ова репрезентација логичког знања представља предикате и објекте у квантификаторима. То је напредни модел пропозиционалне логике.
Овај облик представљања знања изгледа као већина програмских језика у којима користите семантику за прослеђивање информација. То је врло логичан начин решавања проблема. Међутим, главни недостатак ове методе је строга природа репрезентације. Генерално, тешко је извршити и понекад није баш ефикасно.
Семантичке мреже
Графички приказ, у овој врсти репрезентације знања, носи повезане објекте који се користе са мрежом података. Семантичке мреже укључују лукове/ивице (везе) и чворове/блокове (објекте) који описују везу између објеката.
Ово је алтернатива форми представљања предикатског рачуна првог реда (ФОПЛ). Односи у семантичким мрежама су два типа:
То је природнији облик репрезентације него логичан због своје једноставности разумевања. Главни недостатак овог облика представљања је то 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-иначе и стога се може лако разумети. Представља начин комбиновања ФОПЛ-а и пропозиционалне логике.
Да бисте технички разумели правила производње, прво морате да разумете 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 након што пронађе боље правило, одмах предузима потребну акцију. Циклус одабира правила на основу услова и деловања за решавање проблема познат је као циклус препознавања и деловања који се одвија у сваком уносу.
Међутим, овај метод има неких проблема, као што је неефикасно извршење због активних 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.
Фраме Репресентатион
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. Једноставним речима, 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 (ДБМС). Ова пунила и прорези формирају структуру која се зове оквир.
Слотови, у овом облику представљања знања, имају имена или атрибуте, а знање везано за атрибуте се чува у пуниоцима. Главна предност ове врсте представљања је у томе што се слични подаци могу спојити у групе како би се знање поделило на структуре. Даље, подељен је 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 садржи нека својства:
- Тачност репрезентације: Репрезентација знања треба да тачно представља сваку врсту потребног знања.
- Ефикасност закључивања: То је способност да се лако рукује механизмима инференцијалног знања у продуктивним правцима користећи одговарајуће водиче.
- Инференцијална адекватност: Репрезентација знања треба да има способност да манипулише неким репрезентативним структурама да би представила ново знање засновано на постојећим структурама.
- Ефикасност стицања: Способност стицања нових знања коришћењем аутоматских метода.
АИ циклус знања
Системи вештачке интелигенције укључују неке главне компоненте за показивање интелигентног понашања које омогућавају представљање знања.
- Перцепција: Помаже систему заснованом на вештачкој интелигенцији да прикупи информације о окружењу користећи различите сензоре и чини га упознатим са екосистемом 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 испоручили потребне информације од компоненте перцепције до компоненте учења ради бољег учења и разумевања.
- Представљање знања и резоновање: Људи користе знање да доносе одлуке. Дакле, овај блок је одговоран за служење људима кроз податке о знању АИ система и коришћење релевантног знања кад год је то потребно.
- Планирање и извођење: Овај блок је независан. Користи се за узимање података из блокова знања и расуђивања и извршавање релевантних радњи.
Закључак
Људи могу да стекну 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 минималном грешком. Дакле, представљање знања је суштински атрибут за АИ машине да раде интелигентно и паметно.
Такође можете погледати разлику између вештачке интелигенције, машинског учења и дубоког учења.