Kunstig intelligens (AI) er en banebrytende teknologi som løfter menneskelig intelligens til nye høyder. Den muliggjør integrasjon av nøyaktig intelligens i maskiner.
Mennesker har evnen til å tenke, resonnere, tolke og forstå kunnskap på et avansert nivå. Denne kunnskapen setter oss i stand til å utføre en rekke oppgaver i den fysiske verden.
I dag kan maskiner utføre mange oppgaver takket være den teknologiske utviklingen.
Bruken av AI-drevne systemer har økt de siste årene på grunn av deres effektivitet og presisjon i utførelsen av komplekse oppgaver.
Et problem er at mens mennesker tilegner seg kunnskap på mange nivåer, har maskiner vanskeligheter med å tolke den samme kunnskapen.
Det er her kunnskapsrepresentasjon kommer inn. Det gjør det mulig å løse komplekse problemer som er vanskelige og tidkrevende for mennesker å håndtere.
Denne artikkelen forklarer kunnskapsrepresentasjon i AI, hvordan det fungerer, ulike typer og teknikker, og mer.
La oss sette i gang!
Hva er kunnskapsrepresentasjon og resonnering?
Kunnskapsrepresentasjon og resonnering (KR&R) er et felt innen kunstig intelligens som fokuserer på å representere informasjon om den virkelige verden på en måte som gjør at datamaskiner kan forstå og handle basert på den. Dette muliggjør løsning av komplekse problemer som beregninger, dialog på naturlig språk, og diagnostisering av medisinske tilstander.
Kunnskapsrepresentasjon henter inspirasjon fra psykologien rundt menneskelig problemløsning og kunnskapsrepresentasjon, og oversetter det til formelle design. Dette hjelper AI med å forstå hvordan mennesker forenkler komplekse systemer når de designer og konstruerer.
Tidlig arbeid fokuserte på generelle problemløsere, utviklet av Herbert A. Simon og Allen Newell i 1959. Disse systemene brukte datastrukturer for nedbrytning og planlegging. Systemet starter med et mål, bryter det ned i delmål, og definerer deretter strategier for å nå hvert delmål.
Dette arbeidet førte til en kognitiv revolusjon innen menneskelig psykologi og et skifte i AI mot kunnskapsrepresentasjon. Dette resulterte i ekspertsystemer på 1970- og 80-tallet, samt rammespråk og produksjonssystemer. Senere fokuserte AI i større grad på ekspertsystemer som kunne matche menneskelig ekspertise, for eksempel medisinsk diagnose.
Kunnskapsrepresentasjon gjør det også mulig for datasystemer å forstå og bruke kunnskap til å løse problemer i den virkelige verden. Det definerer en måte å representere kunnskap og resonnering i AI.
Kunnskapsrepresentasjon handler ikke bare om å lagre data i databaser, men om å gjøre intelligente maskiner i stand til å lære og erfare fra menneskelig kunnskap slik at de kan oppføre seg og handle som mennesker.
Mennesker har kunnskap som er fremmed for maskiner, som følelser, intensjoner, tro, sunn fornuft, vurderinger, fordommer, intuisjon og mer. Noe kunnskap er også enkel, som fakta, generell kunnskap om hendelser, mennesker, objekter, språk og akademiske disipliner.
Med KR&R kan du representere menneskelige konsepter i et format som maskiner forstår, og gjøre AI-systemer virkelig intelligente. Her betyr kunnskap å gi informasjon om økosystemet og lagre den, mens resonnering betyr å ta beslutninger og handle basert på den lagrede informasjonen.
Hvilken kunnskap skal representeres i AI-systemer?
Kunnskapen som må representeres i AI-systemer kan omfatte:
- Objekter: Objekter er allestedsnærværende i vår verden. Informasjon om disse objektene er derfor viktig å betrakte som en kunnskapsform. For eksempel har pianoer hvite og svarte tangenter, biler har hjul, busser trenger sjåfører, fly trenger piloter osv.
- Hendelser: Ulike hendelser skjer hele tiden i den virkelige verden, og menneskelig oppfatning er basert på hendelser. AI må ha kunnskap om hendelser for å kunne handle. Noen eksempler er hungersnød, samfunnsutvikling, kriger, katastrofer og prestasjoner.
- Ytelse: Denne kunnskapen omhandler menneskers spesifikke handlinger i ulike situasjoner. Den representerer den atferdsmessige siden av kunnskap, som er viktig for AI å forstå.
- Metakunnskap: Hvis vi observerer verden og oppsummerer all kunnskapen som finnes, kan vi dele den inn i tre kategorier:
- Det vi allerede vet
- Det vi vet vi ikke vet helt
- Det vi ikke vet ennå
Metakunnskap omhandler det første punktet, altså det vi vet, og lar AI oppfatte det samme.
- Fakta: Denne kunnskapen er basert på den faktiske beskrivelsen av verden. For eksempel er jorden ikke flat, men heller ikke perfekt rund, solen har en glupsk appetitt osv.
- Kunnskapsbase: Kunnskapsbasen er en hovedkomponent i menneskelig intelligens. Dette refererer til en samling av relevante data eller informasjon om et hvilket som helst felt, beskrivelse og mer. For eksempel en kunnskapsbase for å designe en bilmodell.
Hvordan fungerer kunnskapsrepresentasjon?
Vanligvis gis en oppgave, et problem som skal løses, for å finne en løsning. Eksempler kan være å levere pakker når de ankommer, eller å fikse elektriske problemer i et hus.
For å løse et reelt problem må systemdesigneren:
- Utfør oppgaven for å finne den beste løsningen
- Representer problemet på et språk som en datamaskin kan forstå
- Bruk systemet for å beregne en endelig utgang, som er løsningen for brukerne eller en sekvens av aktiviteter som skal utføres
- Tolk det endelige resultatet som en løsning på hovedproblemet
Kunnskap er informasjon som mennesker allerede har, men som maskiner må lære. Siden det er mange problemer, trenger maskinen kunnskap. Som en del av designsystemet kan du definere hvilken kunnskap som skal representeres.
Forbindelsen mellom kunnskapsrepresentasjon og AI
Kunnskap spiller en avgjørende rolle i intelligens. Det er også avgjørende for å skape kunstig intelligens. Når man ønsker å uttrykke intelligent atferd i AI-agenter, spiller kunnskap en nødvendig rolle. En agent kan ikke fungere optimalt uten erfaring eller kunnskap om visse inndata.
Hvis du for eksempel vil kommunisere med en person, men ikke forstår språket, er det åpenbart at du ikke kan reagere godt eller utføre en handling. Dette gjelder også for agenters intelligente atferd. AI må ha tilstrekkelig kunnskap for å utføre sine funksjoner, da en beslutningstaker oppdager miljøet og bruker den nødvendige kunnskapen.
AI kan ikke vise intellektuell atferd uten kunnskapskomponentene.
Typer kunnskap representert i AI
Nå som vi har forstått hvorfor vi trenger kunnskapsrepresentasjon i AI, la oss undersøke hvilke typer kunnskap som representeres i et AI-system.
- Deklarativ kunnskap: Den representerer objekter, konsepter og fakta som hjelper oss å beskrive verden rundt oss. Den beskriver altså noe og uttrykker deklarative setninger.
- Prosedyrekunnskap: Prosedyrekunnskap er mindre i omfang enn deklarativ kunnskap. Det er også kjent som imperativ kunnskap, som brukes av mobile roboter. Det handler om å oppnå noe. For eksempel kan mobile roboter lage sin egen plan basert på et kart over en bygning. Mobile roboter kan planlegge å angripe eller utføre navigasjon.
I tillegg brukes prosedyrekunnskap direkte på oppgaven, og inkluderer regler, prosedyrer, agendaer og strategier.
- Metakunnskap: I kunstig intelligens er forhåndsdefinert kunnskap kjent som metakunnskap. For eksempel faller studiet av tagging, læring, og planlegging inn under denne kategorien.
Denne modellen endrer oppførsel over tid og bruker andre spesifikasjoner. En systemingeniør eller kunnskapsingeniør bruker ulike former for metakunnskap, som nøyaktighet, vurdering, formål, kilde, levetid, pålitelighet, begrunnelse, fullstendighet, konsistens, anvendelighet og disambiguering.
- Heuristisk kunnskap: Denne kunnskapen, også kjent som grunn kunnskap, følger tommelfingerregelen. Den er svært effektiv i resonneringsprosessen, da den kan løse problemer basert på tidligere erfaringer eller problemer løst av eksperter. Den samler erfaringer fra tidligere problemer og gir en bedre kunnskapsbasert tilnærming for å spesifisere og løse problemer.
- Strukturell kunnskap: Strukturell kunnskap er den enkleste og mest grunnleggende formen for kunnskap som brukes til å løse komplekse problemer. Den forsøker å finne effektive løsninger ved å undersøke forholdet mellom objekter og konsepter. Den beskriver også forhold mellom flere konsepter, som del av, type eller gruppering.
Deklarativ kunnskap kan representeres som beskrivende, mens prosedyrekunnskap er utførende. Deklarativ kunnskap er eksplisitt, mens prosedyrekunnskap er taus eller implisitt. Det er deklarativ kunnskap hvis du kan artikulere den og prosedyrekunnskap hvis du ikke kan.
Teknikker for kunnskapsrepresentasjon i AI
Det finnes fire hovedteknikker for å representere kunnskap i AI:
- Logisk representasjon
- Semantiske nettverk
- Produksjonsregler
- Rammerepresentasjon
Logisk representasjon
Logisk representasjon er en grunnleggende form for kunnskapsrepresentasjon for maskiner, der en definert syntaks med grunnleggende regler brukes. Denne syntaksen er entydig og omhandler preposisjoner. Den logiske formen for kunnskapsrepresentasjon fungerer som kommunikasjonsregler, og kan derfor brukes til å representere fakta for maskiner.
Logisk representasjon deles inn i to typer:
- Proposisjonslogikk: Proposisjonslogikk er også kjent som utsagnlogikk eller proposisjonskalkulus, som opererer i en boolsk kontekst, som betyr sant eller usant.
- Førsteordens logikk: Førsteordens logikk er en type logisk kunnskapsrepresentasjon som også kan kalles First Order Predicate Calculus Logic (FOPL). Denne formen for logisk kunnskap representerer predikater og objekter i kvantifiserere. Det er en mer avansert modell enn proposisjonslogikk.
Denne formen for kunnskapsrepresentasjon ligner på de fleste programmeringsspråk, der semantikk brukes til å overføre informasjon. Det er en svært logisk måte å løse problemer på. Den største ulempen med denne metoden er den strenge naturen til representasjonen. Den er generelt vanskelig å implementere, og noen ganger ineffektiv.
Semantiske nettverk
Denne typen kunnskapsrepresentasjon er en grafisk representasjon som viser de tilkoblede objektene som brukes i datanettverket. Semantiske nettverk består av buer/kanter (forbindelser) og noder/blokker (objekter) som beskriver forbindelsene mellom objektene.
Dette er et alternativ til First Order Predicate Calculus Logic (FOPL). Relasjonene i semantiske nettverk er av to typer:
- Is-a relasjon
- Har-en relasjon
Det er en mer naturlig representasjonsform enn logisk representasjon på grunn av sin enkle forståelse. Den største ulempen er at den er beregningsmessig krevende og ikke inkluderer de samme kvantifiserere som logisk representasjon.
Produksjonsregler
Produksjonsregler er en vanlig form for kunnskapsrepresentasjon i AI-systemer. Det er en enkel måte å representere «hvis-så» regelbaserte systemer, og er derfor lett å forstå. Det representerer en måte å kombinere FOPL og proposisjonslogikk.
For å forstå produksjonsregler teknisk, må du først forstå komponentene i representasjonssystemet. Systemet inkluderer et sett med regler, arbeidsminne, regelanvendere og en gjenkjennings-handlingssyklus.
For hver input sjekker AI betingelsene i produksjonsreglene. Når en passende regel er funnet, iverksetter den nødvendige tiltak umiddelbart. Syklusen med å velge regler basert på betingelser og handle for å løse problemet er kjent som gjenkjennelses- og handlingssyklusen som skjer for hver input.
Denne metoden har imidlertid noen problemer, som ineffektiv utførelse på grunn av de aktive reglene og mangel på erfaring på grunn av manglende lagring av tidligere resultater. Siden reglene er uttrykt i naturlig språk, kan ulempene minimeres. Regler kan enkelt endres og fjernes ved behov.
Rammerepresentasjon
For å forstå rammerepresentasjon på et grunnleggende nivå, tenk deg en tabell med navn i kolonner og verdier i rader. Informasjonen sendes i denne komplette strukturen. Rammerepresentasjon er altså en samling av verdier og attributter.
Dette er en AI-spesifikk datastruktur som bruker «slots» (sporverdier som kan være av hvilken som helst datatype) og «fillers» (utfyllere). Prosessen ligner på et databaseadministrasjonssystem (DBMS). Disse utfyllerne og sporene danner en struktur som kalles en ramme.
I denne formen for kunnskapsrepresentasjon har sporene navn eller attributter, og kunnskapen knyttet til attributtene lagres i utfyllere. Hovedfordelen er at lignende data kan grupperes for å dele kunnskapen i strukturer. Videre er den delt inn i understrukturer.
Denne typen er som en typisk datastruktur, og kan lett forstås, manipuleres og visualiseres. Vanlige operasjoner som å fjerne, slette og legge til spor kan utføres uten problemer.
Krav til kunnskapsrepresentasjon i AI-system
God kunnskapsrepresentasjon har visse egenskaper:
- Representasjonsnøyaktighet: Kunnskapsrepresentasjonen må representere all nødvendig kunnskap nøyaktig.
- Inferensiell effektivitet: Det handler om evnen til å håndtere inferensmekanismer lett og i produktive retninger ved hjelp av passende veiledning.
- Inferensiell tilstrekkelighet: Kunnskapsrepresentasjonen bør ha evnen til å manipulere noen representasjonsstrukturer for å representere ny kunnskap basert på eksisterende strukturer.
- Anskaffelseseffektivitet: Evnen til å tilegne seg ny kunnskap ved hjelp av automatiske metoder.
AI kunnskapssyklus
AI-systemer inkluderer noen hovedkomponenter for å vise intelligent atferd som gjør det mulig å representere kunnskap.
- Persepsjon: Hjelper AI-baserte systemer med å samle informasjon om miljøet ved hjelp av ulike sensorer, og gjør det kjent med økosystemet for effektivt å interagere med problemer.
- Læring: Lar AI-systemer kjøre dyp læringsalgoritmer som allerede er skrevet for å overføre nødvendig informasjon fra persepsjonskomponenten til læringskomponenten, for bedre læring og forståelse.
- Kunnskapsrepresentasjon og resonnering: Mennesker bruker kunnskap til å ta beslutninger. Denne blokken sørger for å tjene mennesker gjennom kunnskapsdata i AI-systemer, og bruker relevant kunnskap når det er nødvendig.
- Planlegging og utførelse: Denne blokken er uavhengig. Den brukes til å hente data fra kunnskaps- og resonneringsblokken, og utføre relevante handlinger.
Konklusjon
Mennesker tilegner seg kunnskap på ulike måter, og det samme gjelder AI-baserte maskiner. Etter hvert som AI utvikles, vil bedre kunnskapsrepresentasjon i maskiner bidra til å løse komplekse problemer med minimale feil. Kunnskapsrepresentasjon er en viktig egenskap for at AI-maskiner skal fungere intelligent og effektivt.
Du kan også se på forskjellen mellom kunstig intelligens, maskinlæring og dyp læring.