Mākslīgais intelekts (AI) ir populāra un novatoriska tehnoloģija, kas paceļ cilvēka intelektu uz nākamo līmeni. Tas piedāvā precīzas izlūkošanas jaudu, kas integrēta ar mašīnām.
Cilvēki ir apveltīti ar augsta līmeņa domāšanu, spriešanu, interpretāciju un zināšanu izpratni. Iegūtās zināšanas palīdz mums veikt dažādas darbības reālajā pasaulē.
Mūsdienās, pateicoties tehnoloģijām, pat mašīnas kļūst spējīgas paveikt tik daudzas lietas.
Pēdējā laikā pieaug ar AI darbināmu sistēmu un ierīču izmantošana, pateicoties to efektivitātei un precizitātei sarežģītu uzdevumu veikšanā.
Tagad problēma ir tā, ka, lai gan cilvēki savā dzīvē ir ieguvuši dažādu līmeņu un veidu zināšanas, mašīnas saskaras ar grūtībām interpretēt tās pašas zināšanas.
Tādējādi tiek izmantota zināšanu reprezentācija. Tas atrisinās sarežģītas problēmas mūsu pasaulē, kuras cilvēkiem ir grūti un laikietilpīgi risināt.
Šajā rakstā es izskaidrošu zināšanu attēlojumu AI, kā tas darbojas, tā veidus un metodes un daudz ko citu.
Sāksim!
Kas ir zināšanu atspoguļošana un spriešana?
Zināšanu reprezentācija un argumentācija (KR&R) ir mākslīgā intelekta daļa, kas ir paredzēta tikai informācijas attēlošanai par reālo pasauli tādā formā, ko dators var saprast un attiecīgi rīkoties. Tādējādi tiek atrisinātas sarežģītas problēmas, piemēram, aprēķins, dialogs dabiskā valodā, kritiska veselības stāvokļa diagnosticēšana utt.
Zināšanu reprezentācija atrod ceļu no psiholoģijas par to, kā cilvēks spēj risināt problēmas un reprezentēt zināšanas, līdz dizaina formālismiem. Tas ļaus AI saprast, kā cilvēks veidojot un projektējot padara sarežģītas sistēmas vienkāršākas.
Agrākais darbs bija vērsts uz vispārīgiem problēmu risinātājiem, ko 1959. gadā izstrādāja Herberts A. Saimons un Alens Nevels. Šīs sistēmas izmantoja datu struktūru sadalīšanai un plānošanai. Sistēma vispirms sākas ar mērķi un pēc tam sadala mērķi apakšmērķos. Pēc tam sistēma nosaka dažas konstruēšanas stratēģijas, kas var sasniegt katru apakšmērķi.
Pēc tam šie centieni izraisīja kognitīvu revolūciju cilvēka psiholoģijā un AI fāzi, kas koncentrējās uz zināšanu reprezentāciju. Tas radīja ekspertu sistēmas 1970. un 1980. gados, kadru valodas, ražošanas sistēmas un daudz ko citu. Vēlāk mākslīgais intelekts mainīja savu galveno uzmanību uz ekspertu sistēmām, kas, iespējams, atbilst cilvēka kompetencei, piemēram, medicīniskajai diagnostikai.
Turklāt zināšanu attēlojums ļauj datorsistēmām izprast un izmantot zināšanas, lai atrisinātu reālās pasaules problēmas. Tas arī nosaka veidu, kā jūs varat pārstāvēt zināšanas un argumentāciju AI.
Zināšanu reprezentācija nav tikai datu glabāšana datu bāzēs; drīzāk tas ļauj viedām mašīnām mācīties no cilvēku zināšanām un piedzīvot to pašu, lai mašīna varētu uzvesties un rīkoties kā cilvēks.
Cilvēkiem ir mašīnām svešas zināšanas, tostarp jūtas, nodomi, uzskati, veselais saprāts, spriedumi, aizspriedumi, intuīcija un daudz kas cits. Dažas zināšanas ir arī vienkāršas, piemēram, noteiktu faktu zināšana, vispārīgas zināšanas par notikumiem, cilvēkiem, priekšmetiem, valodu, akadēmiskajām disciplīnām utt.
Izmantojot KR&R, jūs varat attēlot cilvēku jēdzienus mašīnām saprotamā formātā un padarīt ar AI darbināmās sistēmas patiesi inteliģentas. Šeit zināšanas nozīmē informācijas sniegšanu par ekosistēmu un tās glabāšanu, savukārt spriešana nozīmē lēmumu un darbību pieņemšanu no uzkrātās informācijas, pamatojoties uz zināšanām.
Kādas zināšanas ir jāpārstāv AI sistēmās?
Zināšanas, kas jāsniedz mākslīgā intelekta sistēmās, var ietvert:
- Objekts: objekti pastāvīgi ieskauj cilvēkus. Tādējādi informācija par šiem objektiem ir būtiska, un tā ir jāuzskata par zināšanu veidu. Piemēram, klavierēm ir balti un melni taustiņi, automašīnām ir riteņi, autobusiem vajag šoferus, lidmašīnām pilotus utt.
- Notikumi: reālajā pasaulē pastāvīgi notiek daudzi notikumi. Un cilvēka uztvere ir balstīta uz notikumiem. AI ir jābūt zināšanām par notikumiem, lai varētu rīkoties. Daži notikumi ir bads, sabiedrības attīstība, kari, katastrofas, sasniegumi un daudz kas cits.
- Veiktspēja: šīs zināšanas attiecas uz noteiktām cilvēku darbībām dažādās situācijās. Tas atspoguļo zināšanu uzvedības pusi, kas ir ļoti svarīga, lai AI saprastu.
- Meta zināšanas: piemēram, ja mēs paskatāmies apkārt pasaulei un apkopojam visas zināšanas, mēs redzam, ka tās lielākoties ir sadalītas trīs kategorijās:
- Ko mēs jau zinām
- Tas, ko mēs zinām, pamatā ir lietas, ko mēs nezinām pilnībā
- Ko mēs vēl nezinām
- Meta zināšanas attiecas uz pirmo, ti, to, ko mēs zinām, un ļauj AI uztvert to pašu.
- Fakti: šīs zināšanas ir balstītas uz mūsu pasaules faktu aprakstu. Piemēram, zeme nav plakana, bet arī nav apaļa; mūsu saulei ir rijīga apetīte un daudz kas cits.
- Zināšanu bāze: zināšanu bāze ir cilvēka intelekta galvenā sastāvdaļa. Tas attiecas uz atbilstošu datu vai informācijas grupu par jebkuru lauku, aprakstu un daudz ko citu. Piemēram, zināšanu bāze par automašīnas modeļa projektēšanu.
Kā darbojas zināšanu atspoguļošana?
Parasti veicams uzdevums, risināma problēma un risinājuma saņemšana tiek sniegta neoficiāli, piemēram, sūtījumu piegāde, kad tās pienāk, vai elektrības problēmu novēršana mājā.
Lai atrisinātu reālu problēmu, sistēmas izstrādātājam:
- Veiciet uzdevumu, lai noteiktu, kādu labāku risinājumu tas var sniegt
- Atspoguļojiet problēmu valodā, lai dators varētu to pamatot
- Izmantojiet sistēmu, lai datorizētu gala rezultātu, kas ir risinājums lietotājiem vai darbību secība, kas jāveic ekosistēmā.
- Interpretējiet gala rezultātu kā primārās problēmas risinājumu
Zināšanas ir informācija, kas cilvēkam jau ir, bet mašīnām ir jāiemācās. Tā kā problēmu ir daudz, mašīnai ir vajadzīgas zināšanas. Kā daļu no projektēšanas sistēmas jūs varat definēt, kādas zināšanas ir jāatspoguļo.
Saikne starp zināšanu atspoguļošanu un AI
Zināšanām ir būtiska loma intelektā. Tā ir arī atbildīga par mākslīgā intelekta izveidi. Kad tas ir nepieciešams, lai paustu AI aģentu inteliģentu uzvedību, tam ir nepieciešama loma. Aģents nevar darboties precīzi, ja tam trūkst pieredzes vai zināšanu par noteiktiem ievades datiem.
Piemēram, ja vēlaties sazināties ar kādu personu, bet nevarat saprast valodu, ir acīmredzams, ka nevarat labi reaģēt un veikt nekādas darbības. Tas attiecas arī uz aģentu viedo uzvedību. AI ir jābūt pietiekami daudz zināšanu, lai veiktu funkcionalitāti, kad lēmumu pieņēmējs atklāj vidi un izmanto vajadzīgās zināšanas.
Tomēr AI nevar izrādīt intelektuālu uzvedību bez zināšanu komponentiem.
AI pārstāvētie zināšanu veidi
Tagad, kad mums ir skaidrs, kāpēc mums ir nepieciešams zināšanu attēlojums AI, noskaidrosim, kāda veida zināšanas tiek attēlotas AI sistēmā.
- Deklaratīvas zināšanas: tās atspoguļo objektus, jēdzienus un faktus, kas palīdz aprakstīt visu apkārtējo pasauli. Tādējādi tas dalās ar kaut ko aprakstu un izsaka deklaratīvus teikumus.
- Procedūras zināšanas: procesuālās zināšanas ir mazākas salīdzinājumā ar deklaratīvajām zināšanām. Tās ir arī pazīstamas kā obligātas zināšanas, kuras izmanto mobilie roboti. Tas ir paredzēts, lai paziņotu par kaut ko paveiktu. Piemēram, izmantojot tikai ēkas karti, mobilie roboti var izveidot savu plānu. Mobilie roboti var plānot uzbrukumu vai veikt navigāciju.
Turklāt procesuālās zināšanas tiek tieši pielietotas uzdevumam, kas ietver noteikumus, procedūras, dienaskārtības, stratēģijas un daudz ko citu.
- Meta zināšanas: mākslīgā intelekta jomā iepriekš definētas zināšanas ir pazīstamas kā metazināšanas. Piemēram, mācības par iezīmēšanu, mācīšanos, plānošanu utt. ietilpst šāda veida zināšanās.
Šis modelis laika gaitā maina savu darbību un izmanto citas specifikācijas. Sistēmas inženieris vai zināšanu inženieris izmanto dažādus meta-zināšanu veidus, piemēram, precizitāti, novērtējumu, mērķi, avotu, kalpošanas ilgumu, uzticamību, pamatojumu, pilnīgumu, konsekvenci, piemērojamību un skaidrību.
- Heiristiskās zināšanas: šīs zināšanas, ko sauc arī par seklām zināšanām, atbilst īkšķa likuma principam. Tādējādi tā ir ļoti efektīva argumentācijas procesā, jo tā var atrisināt problēmas, pamatojoties uz iepriekšējiem ierakstiem vai ekspertu apkopotām problēmām. Tomēr tā apkopo pagātnes problēmu pieredzi un nodrošina labāku, uz zināšanām balstītu pieeju, lai norādītu problēmas un rīkotos.
- Strukturālās zināšanas: Strukturālās zināšanas ir visvienkāršākās un pamata zināšanas, ko izmanto un pielieto sarežģītu problēmu risināšanā. Tā mēģina rast efektīvu risinājumu, atrodot attiecības starp objektiem un jēdzieniem. Turklāt tas apraksta attiecības starp vairākiem jēdzieniem, piemēram, kaut kā daļu, veidu vai grupējumu.
Deklaratīvas zināšanas var attēlot kā aprakstošās, bet procesuālās zināšanas ir darošās. Turklāt deklaratīvās zināšanas tiek definētas kā skaidras, savukārt procesuālās zināšanas ir klusas vai netiešas. Tās ir deklaratīvas zināšanas, ja jūs varat formulēt zināšanas, un procesuālās zināšanas, ja jūs nevarat tās formulēt.
Zināšanu reprezentācijas metodes AI
Ir četras galvenās metodes, kas atspoguļo AI zināšanas:
- Loģiskā reprezentācija
- Semantiskie tīkli
- Ražošanas noteikumi
- Rāmja attēlojums
Loģiskais attēlojums
Loģiskā reprezentācija ir zināšanu reprezentācijas pamatforma iekārtām, kur tiek izmantota noteikta sintakse ar pamatlikumiem. Šīs sintakses nozīme nav neskaidra, un tā attiecas uz prievārdiem. Tomēr loģiskā zināšanu reprezentācijas forma darbojas kā komunikācijas noteikumi. Šī iemesla dēļ to var izmantot, lai mašīnās attēlotu faktus.
Loģiskā reprezentācija ir divu veidu:
- Propozīcijas loģika: Propozicionālā loģika ir pazīstama arī kā apgalvojumu loģika vai priekšlikuma aprēķins, kas darbojas Būla vērtībā, kas nozīmē patiesības vai nepatiesības metodi.
- Pirmās kārtas loģika: pirmās kārtas loģika ir loģisko zināšanu reprezentācijas veids, ko varat arī apzīmēt ar pirmās kārtas predikātu aprēķinu loģiku (FOPL). Šis loģisko zināšanu attēlojums attēlo predikātus un objektus kvantatoros. Tas ir uzlabots propozicionālās loģikas modelis.
Šis zināšanu attēlojuma veids izskatās kā lielākā daļa programmēšanas valodu, kurās informācijas pārsūtīšanai izmantojat semantiku. Tas ir ļoti loģisks problēmu risināšanas veids. Tomēr šīs metodes galvenais trūkums ir attēlojuma stingrais raksturs. Kopumā tas ir grūti izpildāms un dažreiz ne pārāk efektīvs.
Semantiskie tīkli
Grafiskais attēlojums šāda veida zināšanu attēlojumā satur savienotos objektus, kas tiek izmantoti ar datu tīklu. Semantiskie tīkli ietver lokus/malas (savienojumus) un mezglus/blokus (objektus), kas apraksta savienojumu starp objektiem.
Šī ir alternatīva FOPL (First Order Predicate Calculus Logic) attēlojuma formai. Attiecības semantiskajos tīklos ir divu veidu:
Sapratnes vienkāršības dēļ tas ir dabiskāks attēlojuma veids nekā loģisks. Šīs attēlojuma formas galvenais trūkums ir tas, ka tas ir skaitļošanas ziņā dārgs un neietver līdzvērtīgus kvantorus, ko varat atrast loģiskajā attēlojumā.
Ražošanas noteikumi
Ražošanas noteikumi ir visizplatītākais zināšanu atspoguļošanas veids AI sistēmās. Tā ir vienkāršākā uz noteikumiem balstītu sistēmu attēlošanas forma, un tāpēc to var viegli saprast. Tas ir veids, kā apvienot FOPL un ierosinājumu loģiku.
Lai tehniski izprastu ražošanas noteikumus, vispirms ir jāsaprot reprezentācijas sistēmas sastāvdaļas. Šī sistēma ietver noteikumu kopumu, darba atmiņu, noteikumu lietotāju un atzītu darbību ciklu.
Katrai ievadei AI pārbauda nosacījumus no ražošanas noteikumiem un pēc labāka noteikuma atrašanas nekavējoties veic vajadzīgās darbības. Noteikumu atlases cikls, kura pamatā ir nosacījumi un darbība, lai atrisinātu problēmu, ir pazīstams kā atpazīšanas un darbības cikls, kas notiek katrā ievadē.
Tomēr šai metodei ir dažas problēmas, piemēram, neefektīva izpilde aktīvo noteikumu dēļ un pieredzes trūkums, jo nav saglabāti pagātnes rezultāti. Tā kā noteikumi ir izteikti dabiskā valodā, var atlīdzināt izdevumus par trūkumiem. Šeit noteikumus var viegli mainīt un atmest, ja nepieciešams.
Rāmja attēlojums
Lai saprastu rāmja attēlojumu fundamentālā līmenī, iedomājieties tabulu, kas sastāv no nosaukumiem kolonnās un vērtībām rindās; vajadzīgā informācija tiek nodota šajā pilnīgajā struktūrā. Vienkāršiem vārdiem sakot, rāmja attēlojums ir vērtību un atribūtu kopums.
Šī ir AI specifiska datu struktūra, kurā tiek izmantoti aizpildītāji (slotu vērtības, kas var būt jebkura veida un formas) un sloti. Process ir diezgan līdzīgs parastajai datu bāzes pārvaldības sistēmai (DBVS). Šīs pildvielas un spraugas veido struktūru, ko sauc par rāmi.
Slotiem šajā zināšanu attēlojuma formā ir nosaukumi vai atribūti, un ar atribūtiem saistītās zināšanas tiek glabātas pildītājos. Šāda veida reprezentācijas galvenā priekšrocība ir tāda, ka līdzīgus datus var apvienot grupās, lai sadalītu zināšanas struktūrās. Turklāt tas ir sadalīts apakšstruktūrās.
Tā kā šī datu struktūra ir līdzīga tipiskai datu struktūrai, to var viegli saprast, ar to manipulēt un vizualizēt. Tipiskas darbības, tostarp slotu noņemšana, dzēšana un pievienošana, var veikt bez piepūles.
Prasības zināšanu atspoguļošanai AI sistēmā
Labs zināšanu attēlojums satur dažas īpašības:
- Reprezentācijas precizitāte: zināšanu attēlojumam ir precīzi jāatspoguļo katrs nepieciešamo zināšanu veids.
- Secināšanas efektivitāte: tā ir spēja viegli apstrādāt secinājumu zināšanu mehānismus produktīvos virzienos, izmantojot atbilstošus norādījumus.
- Secinājumu atbilstība: zināšanu reprezentācijai ir jābūt iespējai manipulēt ar dažām reprezentācijas struktūrām, lai attēlotu jaunas zināšanas, kuru pamatā ir esošās struktūras.
- Apgūšanas efektivitāte: Spēja iegūt jaunas zināšanas, izmantojot automātiskās metodes.
AI zināšanu cikls
AI sistēmās ir iekļauti daži galvenie komponenti, lai parādītu inteliģentu uzvedību, kas padara iespējamu zināšanu atspoguļošanu.
- Uztvere: tā palīdz uz AI balstītai sistēmai apkopot informāciju par vidi, izmantojot dažādus sensorus, un iepazīst ekosistēmu, lai efektīvi risinātu problēmas.
- Mācīšanās: to izmanto, lai AI sistēmas varētu palaist dziļās mācīšanās algoritmus, kas jau ir rakstīti, lai AI sistēmas nodrošinātu nepieciešamo informāciju no uztveres komponenta uz mācību komponentu, lai nodrošinātu labāku mācīšanos un izpratni.
- Zināšanu reprezentācija un argumentācija: cilvēki izmanto zināšanas, lai pieņemtu lēmumus. Tādējādi šis bloks ir atbildīgs par cilvēku apkalpošanu, izmantojot AI sistēmu zināšanu datus, un attiecīgo zināšanu izmantošanu, kad vien tas ir nepieciešams.
- Plānošana un izpilde: Šis bloks ir neatkarīgs. To izmanto, lai ņemtu datus no zināšanu un argumentācijas blokiem un veiktu attiecīgas darbības.
Secinājums
Cilvēki var iegūt zināšanas dažādos veidos, un to dara arī uz AI balstītas mašīnas. Attīstoties mākslīgajam intelektam, labāka zināšanu atspoguļošana mašīnām palīdz atrisināt sarežģītas problēmas ar minimālu kļūdu. Tātad zināšanu attēlojums ir būtisks atribūts, lai AI mašīnas darbotos gudri un gudri.
Varat arī apskatīt atšķirību starp mākslīgo intelektu, mašīnmācīšanos un dziļo mācīšanos.