Ludzie najlepiej rozumieją, rozumują i interpretują wiedzę. Człowiek zna rzeczy, czyli wiedzę i zgodnie ze swoją wiedzą wykonuje różne czynności w świecie realnym. Ale sposób, w jaki maszyny wykonują te wszystkie czynności, podlega reprezentacji wiedzy i rozumowaniu . Dlatego możemy opisać reprezentację wiedzy w następujący sposób:

• Reprezentacja wiedzy i rozumowanie (KR, KRR) to część sztucznej inteligencji, która dotyczy myślenia agentów AI i tego, w jaki sposób myślenie przyczynia się do inteligentnego zachowania agentów.
• Odpowiada za reprezentowanie informacji o świecie rzeczywistym, aby komputer mógł zrozumieć tę wiedzę i wykorzystać ją do rozwiązywania złożonych problemów świata rzeczywistego, takich jak diagnoza stanu chorobowego lub komunikowanie się z ludźmi w języku naturalnym.
• Jest to również sposób opisujący, w jaki sposób możemy reprezentować wiedzę w sztucznej inteligencji. Reprezentacja wiedzy to nie tylko przechowywanie danych w jakiejś bazie danych, ale także umożliwia inteligentnej maszynie uczenie się na podstawie tej wiedzy i doświadczeń, dzięki czemu może zachowywać się inteligentnie jak człowiek.

Co reprezentować:

Poniżej przedstawiono rodzaje wiedzy, które muszą być reprezentowane w systemach AI:

lista Java do tablicy

Obiekt:Wszystkie fakty o obiektach w naszej domenie światowej. Np. gitara zawiera struny, trąbki to instrumenty dęte blaszane.Wydarzenia:Zdarzenia to działania, które mają miejsce w naszym świecie.Wydajność:Opisuje zachowanie, które wymaga wiedzy o tym, jak coś zrobić.Meta-wiedza:To wiedza o tym, co wiemy.Fakty:Fakty to prawdy o prawdziwym świecie i tym, co reprezentujemy.Baza wiedzy:Centralnym elementem agentów opartych na wiedzy jest baza wiedzy. Jest reprezentowany jako KB. Baza wiedzy to grupa zdań (tutaj zdania są używane jako termin techniczny i nie są identyczne z językiem angielskim).

Wiedza: Wiedza to świadomość lub znajomość zdobyta poprzez doświadczenia faktów, danych i sytuacji. Poniżej przedstawiono rodzaje wiedzy w sztucznej inteligencji:

Rodzaje wiedzy

Poniżej przedstawiono różne rodzaje wiedzy:

1. Wiedza deklaratywna:

• Wiedza deklaratywna to wiedzieć o czymś.
• Obejmuje pojęcia, fakty i przedmioty.
• Nazywa się ją także wiedzą opisową i wyraża się ją w zdaniach oznajmujących.
• Jest prostszy niż język proceduralny.

2. Wiedza proceduralna

• Nazywa się ją także wiedzą imperatywną.
• Wiedza proceduralna to rodzaj wiedzy, który odpowiada za wiedzę, jak coś zrobić.
• Można go bezpośrednio zastosować do dowolnego zadania.
• Obejmuje zasady, strategie, procedury, programy itp.
• Wiedza proceduralna zależy od zadania, do którego można ją zastosować.

3. Meta-wiedza:

• Wiedza o innych rodzajach wiedzy nazywana jest meta-wiedzą.

4. Wiedza heurystyczna:

• Wiedza heurystyczna reprezentuje wiedzę niektórych ekspertów w danej dziedzinie lub temacie.
• Wiedza heurystyczna to praktyczne zasady oparte na wcześniejszych doświadczeniach, świadomości podejść i które są dobre w działaniu, ale nie gwarantowane.

5. Wiedza strukturalna:

• Wiedza strukturalna jest podstawową wiedzą niezbędną do rozwiązywania problemów.
• Opisuje relacje między różnymi pojęciami, takimi jak rodzaj, część i grupowanie czegoś.
• Opisuje relację istniejącą między pojęciami lub obiektami.

Związek wiedzy i inteligencji:

Znajomość realnych światów odgrywa kluczową rolę w inteligencji, a także w tworzeniu sztucznej inteligencji. Wiedza odgrywa ważną rolę w wykazywaniu inteligentnych zachowań agentów AI. Agent jest w stanie właściwie działać w oparciu o dane wejściowe tylko wtedy, gdy ma pewną wiedzę lub doświadczenie na temat tych danych wejściowych.

jak zmienić nazwę katalogu w systemie Linux

Załóżmy, że spotkałeś osobę mówiącą w języku, którego nie znasz, jak możesz na to zareagować. To samo dotyczy inteligentnego zachowania agentów.

Jak widać na poniższym schemacie, istnieje jeden decydent, który działa poprzez wyczuwanie otoczenia i wykorzystywanie wiedzy. Jeśli jednak część wiedzy nie będzie wówczas prezentowana, nie będzie mogła wykazywać inteligentnego zachowania.

Cykl wiedzy AI:

System sztucznej inteligencji składa się z następujących komponentów umożliwiających wyświetlanie inteligentnych zachowań:

• Postrzeganie
• Uczenie się
• Reprezentacja wiedzy i rozumowanie
• Planowanie
• Wykonanie

Powyższy diagram pokazuje, w jaki sposób system AI może wchodzić w interakcję ze światem rzeczywistym i jakie komponenty pomagają mu wykazywać się inteligencją. System AI posiada komponent Percepcji, za pomocą którego pobiera informacje ze swojego otoczenia. Może to być sygnał wizualny, dźwiękowy lub inna forma bodźca zmysłowego. Komponent uczenia się jest odpowiedzialny za uczenie się na podstawie danych zebranych w komentarzu Percepcja. W pełnym cyklu głównymi elementami są reprezentacja wiedzy i rozumowanie. Te dwa elementy biorą udział w wykazywaniu inteligencji u ludzi przypominających maszyny. Te dwa elementy są od siebie niezależne, ale także ze sobą sprzężone. Planowanie i wykonanie zależy od analizy reprezentacji wiedzy i rozumowania.

Podejścia do reprezentacji wiedzy:

Istnieją cztery główne podejścia do reprezentacji wiedzy, które podano poniżej:

1. Prosta wiedza relacyjna:

• Jest to najprostszy sposób przechowywania faktów wykorzystujący metodę relacyjną, w którym każdy fakt dotyczący zbioru obiektu jest ułożony systematycznie w kolumnach.
• To podejście do reprezentacji wiedzy jest znane w systemach baz danych, w których reprezentowane są relacje między różnymi podmiotami.
• Podejście to daje niewielkie możliwości wnioskowania.

Przykład: Poniżej przedstawiono prostą relacyjną reprezentację wiedzy.

2. Wiedza dziedziczona:

• W podejściu opartym na wiedzy dziedziczonej wszystkie dane muszą być przechowywane w hierarchii klas.
• Wszystkie klasy powinny być ułożone w sposób uogólniony lub hierarchiczny.
• W tym podejściu stosujemy własność dziedziczenia.
• Elementy dziedziczą wartości od innych członków klasy.
• Podejście to zawiera wiedzę dziedziczną, która ukazuje relację pomiędzy instancją a klasą i nazywa się ją relacją instancji.
• Każda pojedyncza ramka może reprezentować zbiór atrybutów i ich wartość.
• W tym podejściu obiekty i wartości są reprezentowane w węzłach pudełkowych.
• Używamy strzałek, które wskazują od obiektów do ich wartości.
Przykład:

3. Wiedza wnioskowana:

• Podejście oparte na wiedzy oparte na wnioskowaniu reprezentuje wiedzę w postaci logiki formalnej.
• Podejście to można zastosować w celu uzyskania większej liczby faktów.
• Gwarantowało to poprawność.
Przykład:Załóżmy, że istnieją dwa stwierdzenia:
1. Marek jest mężczyzną
2. Wszyscy ludzie są śmiertelni
   Następnie może reprezentować jako;
   
   mężczyzna (Marcus)
   ∀x = człowiek (x) ----------> śmiertelnik (x)s

4. Wiedza proceduralna:

• Podejście oparte na wiedzy proceduralnej wykorzystuje małe programy i kody, które opisują, jak wykonać określone czynności i jak postępować.
• W tym podejściu stosowana jest jedna ważna zasada, jaką jest Jeśli-To rządzi .
• W tej wiedzy możemy używać różnych języków kodowania, takich jak Język LISP-owy I Język prologu .
• Stosując to podejście, możemy z łatwością przedstawić wiedzę heurystyczną lub dziedzinową.
• Jednak nie jest konieczne, abyśmy mogli reprezentować wszystkie przypadki w tym podejściu.

Wymagania dotyczące wiedzy System reprezentacji:

Dobry system reprezentacji wiedzy musi posiadać następujące właściwości.

1. Dokładność reprezentacji:
System KR powinien mieć możliwość reprezentowania wszelkiego rodzaju wymaganej wiedzy.2. Adekwatność wnioskowania:
System KR powinien mieć możliwość manipulowania strukturami reprezentacyjnymi w celu wytworzenia nowej wiedzy odpowiadającej istniejącej strukturze.3. Wydajność wnioskowania:
Możliwość skierowania mechanizmu wiedzy wnioskowania w najbardziej produktywne kierunki poprzez przechowywanie odpowiednich przewodników.4. Efektywność akwizycji-Możliwość łatwego przyswajania nowej wiedzy metodami automatycznymi.