Artificiell intelligens, ofta förkortat AI, är en framstående och banbrytande teknologi som tar människans intellektuella förmåga till en ny nivå. Den kombinerar kraften hos exakt intelligens med maskiner.
Människor är begåvade med förmågan att tänka, resonera, tolka och förstå information på en avancerad nivå. Den kunskap vi samlar på oss hjälper oss att hantera diverse uppgifter i vår fysiska värld.
Tack vare tekniska framsteg har maskiner nu också blivit kapabla att utföra en mängd olika uppgifter.
På senare tid har användningen av AI-baserade system och apparater ökat betydligt, tack vare deras effektivitet och precision när det gäller att hantera komplicerade uppgifter.
Utmaningen ligger dock i att maskiner, till skillnad från människor som har samlat på sig en bred och varierad kunskap under sina liv, har svårt att tolka och förstå denna typ av information.
Det är här kunskapsrepresentation kommer in i bilden. Denna teknik är avgörande för att lösa komplicerade problem i vår värld som är svåra och tidskrävande för människor att hantera.
I denna artikel kommer jag att utforska begreppet kunskapsrepresentation inom AI, hur det fungerar, dess olika former och tekniker, samt mycket mer.
Låt oss dyka in i ämnet!
Vad är kunskapsrepresentation och logik?
Kunskapsrepresentation och logik (KR&L) är ett delområde inom artificiell intelligens som fokuserar på att omvandla information om den verkliga världen till en form som en dator kan förstå och agera på. Detta möjliggör lösning av komplexa problem, som beräkningar, naturlig språkdialog, diagnostisering av kritiska medicinska tillstånd, och mycket mer.
Kunskapsrepresentation har sina rötter i psykologin, som studerar hur människor löser problem och representerar kunskap, och överför dessa principer till formella systemdesign. Detta gör det möjligt för AI att förstå hur människor förenklar komplicerade system under design- och konstruktionsprocessen.
De tidigaste ansträngningarna var inriktade på allmänna problemlösare, som utvecklades av Herbert A. Simon och Allen Newell 1959. Dessa system använde datastrukturer för nedbrytning och planering. Systemet börjar med ett övergripande mål och delar sedan upp det i mindre delmål. Därefter fastställer systemet olika strategier som kan hantera varje delmål.
Dessa tidiga försök ledde till en kognitiv revolution inom psykologin och en ny fas inom AI som fokuserade på kunskapsrepresentation. Detta resulterade i framväxten av expertsystem under 1970- och 1980-talet, samt ramverk och produktionssystem. Senare flyttade AI sitt fokus till expertsystem som potentiellt kunde matcha mänsklig kompetens, till exempel inom medicinsk diagnostik.
Kunskapsrepresentation gör det möjligt för datorsystem att inte bara förstå, utan också att tillämpa kunskap för att lösa praktiska problem. Den definierar metoder för att representera kunskap och logik inom AI.
Kunskapsrepresentation handlar inte enbart om att lagra data i databaser, utan snarare om att ge intelligenta maskiner möjlighet att lära av mänsklig kunskap och erfarenhet, vilket gör att maskiner kan agera och reagera på ett människoliknande sätt.
Människor besitter kunskap som är unik för dem, inklusive känslor, avsikter, övertygelser, sunt förnuft, omdömen, fördomar, intuition och mycket mer. En del kunskap är grundläggande, såsom att känna till fakta, allmän information om händelser, människor, föremål, språk, akademiska discipliner och så vidare.
Genom KR&L kan man presentera mänskliga koncept i ett format som är begripligt för maskiner och skapa AI-drivna system som är verkligt intelligenta. Här innebär kunskap att tillhandahålla information om omvärlden och lagra den, medan logik handlar om att fatta beslut och agera utifrån den lagrade informationen baserat på kunskapen.
Vilken typ av kunskap ska representeras i AI-system?
Den kunskap som behöver representeras i system för artificiell intelligens kan omfatta:
- Objekt: Människor är ständigt omgivna av objekt. Därför är informationen om dessa objekt väsentlig och måste betraktas som en typ av kunskap. Exempelvis har pianon vita och svarta tangenter, bilar har hjul, bussar behöver förare, flygplan behöver piloter och så vidare.
- Händelser: Ständigt sker en mängd händelser i den verkliga världen. Människans uppfattning grundar sig på händelser. AI behöver ha kunskap om händelser för att kunna agera. Exempel på händelser är svältkatastrofer, utveckling av samhällen, krig, naturkatastrofer, prestationer med mera.
- Prestanda: Denna kunskap handlar om människors specifika handlingar i olika situationer. Den representerar den beteendemässiga aspekten av kunskap, vilket är viktigt för AI att förstå.
- Metakunskap: Om vi till exempel ser på all kunskap i världen, kan vi se att den i stort sett delas in i tre kategorier:
- Det vi redan vet.
- Det vi vet att vi inte vet fullt ut.
- Det vi ännu inte vet.
- Metakunskap handlar om den första kategorin, det vill säga det vi vet, och gör det möjligt för AI att uppfatta det.
- Fakta: Denna kunskap bygger på fakta om vår värld. Exempelvis är jorden inte platt, men inte heller helt rund; vår sol har en enorm aptit och så vidare.
- Kunskapsbas: Kunskapsbasen är en central del av mänsklig intelligens. Den hänvisar till en samling av relevant data eller information om ett visst område, beskrivning med mera. Ett exempel är en kunskapsbas för att designa en bilmodell.
Hur fungerar kunskapsrepresentation?
Vanligtvis ges en uppgift, ett problem som ska lösas eller en lösning på ett informellt sätt, som att leverera paket eller åtgärda elproblem i ett hus.
För att lösa ett verkligt problem måste systemdesignern:
- Utföra uppgiften för att avgöra vilken lösning som är bäst.
- Presentera problemet på ett sätt så att en dator kan använda logik för att lösa det.
- Använda systemet för att generera ett slutligt resultat, vilket är en lösning för användare eller en sekvens av aktiviteter som måste utföras.
- Tolka slutresultatet som en lösning på det ursprungliga problemet.
Människor besitter kunskap, men maskiner måste lära sig. Eftersom det finns många problem behöver maskinen kunskap. En del av systemdesignen är att definiera vilken kunskap som ska representeras.
Sambandet mellan kunskapsrepresentation och AI
Kunskap spelar en avgörande roll för intelligens och är grundläggande för att skapa artificiell intelligens. Det är en nödvändig komponent för att uttrycka intelligent beteende hos AI-agenter. En agent kan inte fungera korrekt om den saknar erfarenhet eller kunskap om vissa indata.
Om du till exempel vill interagera med en person men inte förstår språket, är det uppenbart att du inte kommer att kunna kommunicera effektivt. Detta gäller även för agenters intelligenta beteende. AI behöver tillräcklig kunskap för att utföra sin funktion, eftersom en beslutsfattare tolkar sin omgivning och tillämpar nödvändig kunskap.
AI kan inte uppvisa intelligent beteende utan kunskap.
Typer av kunskap som representeras i AI
Nu när vi har klargjort varför kunskapsrepresentation är viktig inom AI, låt oss undersöka vilka typer av kunskap som representeras i ett AI-system.
- Deklarativ kunskap: Denna typ av kunskap beskriver objekt, begrepp och fakta som hjälper oss att förstå världen omkring oss. Den beskriver något och uttrycks med deklarativa meningar.
- Procedurkunskap: Procedurkunskap är mindre än deklarativ kunskap. Det kallas också imperativ kunskap och används bland annat av mobila robotar för att beskriva hur något har utförts. Exempelvis kan en mobil robot planera sin egen väg med hjälp av en karta över en byggnad. Mobila robotar kan planera attacker eller navigera.
Procedurkunskap tillämpas direkt på uppgifter och omfattar regler, procedurer, agendor och strategier.
- Meta-kunskap: Inom artificiell intelligens avses med metakunskap fördefinierad kunskap. Exempelvis faller studier av taggning, inlärning och planering under denna kategori.
Denna modell anpassar sitt beteende med tiden och med andra specifikationer. En system- eller kunskapsingenjör använder olika former av metakunskap, såsom noggrannhet, bedömning, syfte, källa, livslängd, tillförlitlighet, motivering, fullständighet, konsekvens, tillämplighet och disambiguering.
- Heuristisk kunskap: Denna kunskap, även känd som ytlig kunskap, följer tumregler. Den är mycket effektiv under logiska processer eftersom den kan lösa problem baserat på tidigare erfarenheter eller problem som sammanställts av experter. Den samlar erfarenhet av tidigare problem och ger ett bättre kunskapsbaserat sätt att specificera problem och vidta åtgärder.
- Strukturell kunskap: Strukturell kunskap är den mest grundläggande typen av kunskap som används för att lösa komplexa problem. Den fokuserar på att hitta en effektiv lösning genom att identifiera relationen mellan objekt och begrepp. Den beskriver också relationen mellan olika begrepp, som del av, typ av eller gruppering av något.
Deklarativ kunskap beskriver, medan procedurkunskap handlar om hur man gör. Deklarativ kunskap är explicit, medan procedurkunskap är tyst eller implicit. Du kan artikulera deklarativ kunskap, men inte procedurkunskap.
Tekniker för kunskapsrepresentation i AI
Det finns fyra huvudtekniker för att representera kunskap inom AI:
- Logisk representation
- Semantiska nätverk
- Produktionsregler
- Ramrepresentation
Logisk representation
Logisk representation är den mest grundläggande formen för att representera kunskap för maskiner. Den använder en definierad syntax med grundläggande regler. Denna syntax är entydig och hanterar propositioner. Den logiska formen av kunskapsrepresentation fungerar som en kommunikationsregel, vilket gör att den kan användas för att presentera fakta för maskiner.
Logisk representation delas in i två typer:
- Propositionell logik: Även känd som påståendelogik eller propositionskalkyl, fungerar propositionell logik i ett booleskt system, som baseras på sant eller falskt.
- Första ordningens logik: Första ordningens logik är en typ av logisk kunskapsrepresentation som också kallas First Order Predicate Calculus Logic (FOPL). Denna representation av logisk kunskap representerar predikat och objekt med hjälp av kvantifierare. Det är en mer avancerad version av propositionell logik.
Denna form av kunskapsrepresentation liknar de flesta programmeringsspråk, där semantik används för att förmedla information. Det är ett mycket logiskt sätt att lösa problem. Den största nackdelen med denna metod är representationens strikta natur. Det kan vara svårt att implementera och ibland inte särskilt effektivt.
Semantiska nätverk
I denna form av kunskapsrepresentation används en grafisk representation där anslutna objekt visas med hjälp av ett datanätverk. Semantiska nätverk inkluderar bågar/kanter (anslutningar) och noder/block (objekt) som beskriver relationen mellan objekten.
Detta är ett alternativ till First Order Predicate Calculus Logic (FOPL). Relationerna i semantiska nätverk är av två typer:
Det är en mer naturlig form av representation än logisk representation tack vare sin enkla förståelse. Den största nackdelen med denna form av representation är att den är beräkningsmässigt dyr och inte har motsvarande kvantifierare som finns i logisk representation.
Produktionsregler
Produktionsregler är den vanligaste formen av kunskapsrepresentation i AI-system. Det är den enklaste formen för att representera if-else-baserade system och är därför lätt att förstå. Den kombinerar FOPL och propositionell logik.
För att tekniskt förstå produktionsregler måste man först förstå systemets komponenter. Detta system inkluderar en uppsättning regler, arbetsminne, en regeltillämpare och en igenkännings- och handlingscykel.
För varje indata kontrollerar AI villkoren för produktionsreglerna, och när en relevant regel hittas vidtas åtgärder omedelbart. Denna cykel, där regler väljs baserat på villkor och åtgärder vidtas för att lösa problemet, kallas igenkännings- och handlingscykeln och upprepas för varje indata.
Metoden har dock vissa problem, som ineffektiv exekvering på grund av de aktiva reglerna och bristande erfarenhet eftersom tidigare resultat inte lagras. Eftersom reglerna är formulerade på naturligt språk, kan kostnaden för dessa nackdelar hanteras. Regler kan enkelt ändras och tas bort om det behövs.
Ramrepresentation
För att förstå ramrepresentation på en grundläggande nivå, tänk dig en tabell som består av namn i kolumner och värden i rader. All information presenteras i denna struktur. Enkelt uttryckt är ramrepresentation en samling av värden och attribut.
Det är en AI-specifik datastruktur som använder slots och fillers (slotvärden som kan ha vilken datatyp och form som helst). Processen liknar det som sker i ett typiskt databashanteringssystem (DBMS). Dessa fillers och slots bildar en struktur som kallas en ram.
Slitsarna har namn eller attribut, och kunskapen som är relaterad till dessa attribut lagras i fillers. Den största fördelen med denna typ av representation är att liknande data kan grupperas för att dela upp kunskapen i strukturer, som sedan delas in i understrukturer.
Eftersom den liknar en vanlig datastruktur är denna typ lätt att förstå, hantera och visualisera. Vanliga åtgärder, som att ta bort och lägga till platser, kan utföras enkelt.
Krav på kunskapsrepresentation i AI-system
En bra kunskapsrepresentation har vissa viktiga egenskaper:
- Representationsnoggrannhet: Kunskapsrepresentationen måste på ett korrekt sätt kunna representera alla typer av nödvändig kunskap.
- Slutsatsens effektivitet: Systemet måste kunna hantera slutsatsmekanismer på ett produktivt sätt och med hjälp av lämpliga guider.
- Slutsatsens adekvans: Kunskapsrepresentationen måste kunna manipulera representationsstrukturer för att skapa ny kunskap baserat på befintliga strukturer.
- Effektivt förvärv: Systemet måste kunna få ny kunskap med hjälp av automatiska metoder.
AI kunskapscykel
AI-system innehåller huvudkomponenter för att visa intelligent beteende, vilket gör det möjligt att representera kunskap.
- Perception: Hjälper det AI-baserade systemet att samla information om sin omgivning med hjälp av sensorer, och bekantar det med sin omgivning för att effektivt kunna hantera problem.
- Inlärning: Här kan AI-system köra algoritmer för djupinlärning för att leverera nödvändig information från perceptionskomponenten till inlärningskomponenten för bättre inlärning och förståelse.
- Kunskapsrepresentation och logik: Människor använder kunskap för att fatta beslut. Denna komponent är därför ansvarig för att tillhandahålla information från AI-systemet till användarna och för att använda relevant kunskap när det behövs.
- Planering och utförande: Denna komponent är oberoende. Den används för att ta data från kunskaps- och logikkomponenten och utföra relevanta åtgärder.
Slutsats
Människor kan samla kunskap på olika sätt, och det gör även AI-baserade maskiner. Allt eftersom AI utvecklas, bidrar bättre kunskapsrepresentation för maskiner till att lösa komplexa problem med minimala fel. Kunskapsrepresentation är avgörande för att AI-maskiner ska fungera intelligent.
Du kan också undersöka skillnaden mellan artificiell intelligens, maskininlärning och djupinlärning.