Wissensrepräsentation in KI einfach erklärt

Künstliche Intelligenz (KI) ist eine beliebte und innovative Technologie, die die menschliche Intelligenz auf die nächste Stufe hebt. Es bietet die Kraft präziser Intelligenz, die in Maschinen integriert ist.

Menschen sind mit Denken, Argumentieren, Interpretieren und Verstehen von Wissen auf hohem Niveau ausgestattet. Das gewonnene Wissen hilft uns, verschiedene Aktivitäten in der realen Welt auszuführen. 

Heutzutage können sogar Maschinen dank der Technologie so viele Dinge tun.

In letzter Zeit nimmt die Nutzung von KI-gestützten Systemen und Geräten aufgrund ihrer Effizienz und Genauigkeit bei der Ausführung komplexer Aufgaben zu. 

Das Problem ist nun, dass Menschen in ihrem Leben viele Ebenen und Arten von Wissen erworben haben, Maschinen jedoch Schwierigkeiten haben, dasselbe Wissen zu interpretieren.

Daher wird Wissensrepräsentation verwendet. Dies wird komplexe Probleme in unserer Welt lösen, die für Menschen schwer und zeitaufwändig zu lösen sind. 

In diesem Artikel erkläre ich die Wissensrepräsentation in KI, wie sie funktioniert, ihre Arten und Techniken und mehr. 

Lassen Sie uns beginnen!

What Is Knowledge Representation and Reasoning?

Knowledge Representation and Reasoning (KR&R) ist ein Teil davon künstliche Intelligenz die sich ausschließlich der Darstellung von Informationen über die reale Welt in einer Form widmet, die ein Computer verstehen und entsprechend handeln kann. Dies führt zur Lösung komplexer Probleme, wie z. B. Berechnungen, Dialoge in natürlicher Sprache, Diagnose eines kritischen medizinischen Zustands usw. 

Die Wissensrepräsentation findet ihren Weg von der Psychologie darüber, wie ein Mensch in der Lage ist, Probleme zu lösen und Wissen zu repräsentieren, um Formalismen zu entwerfen. Auf diese Weise wird die KI verstehen, wie ein Mensch komplexe Systeme beim Bauen und Entwerfen einfacher macht. 

Die früheste Arbeit konzentrierte sich auf allgemeine Problemlöser, die 1959 von Herbert A. Simon und Allen Newell entwickelt wurden. Diese Systeme verwendeten Datenstrukturen für die Zerlegung und Planung. Das System beginnt zunächst mit einem Ziel und zerlegt dann das Ziel in Teilziele. Anschließend legt das System einige Konstruktionsstrategien fest, die sich um jedes Teilziel kümmern können. 

Diese Bemühungen führten dann zu einer kognitiven Revolution in der menschlichen Psychologie und einer Phase der KI, die sich auf die Wissensrepräsentation konzentrierte. Dies führte in den 1970er und 1980er Jahren zu Expertensystemen, Rahmensprachen, Produktionssystemen und mehr. Später verlagerte die KI ihren Hauptfokus auf Expertensysteme, die möglicherweise mit menschlicher Kompetenz übereinstimmen könnten, wie z. B. medizinische Diagnosen. 

Darüber hinaus ermöglicht die Wissensdarstellung Computersystemen, das Wissen zu verstehen und zu nutzen, um reale Probleme zu lösen. Es definiert auch einen Weg, wie Sie Wissen und Argumentation in KI darstellen können. 

Bei der Wissensrepräsentation geht es nicht nur um das Speichern von Daten in Datenbanken; Vielmehr ermöglicht es intelligenten Maschinen, aus menschlichem Wissen zu lernen und dasselbe zu erfahren, sodass sich eine Maschine wie ein Mensch verhalten und handeln kann. 

Menschen haben Wissen, das Maschinen fremd ist, einschließlich Gefühle, Absichten, Überzeugungen, gesunder Menschenverstand, Urteile, Vorurteile, Intuition und mehr. Einiges Wissen ist auch einfach, wie das Wissen um bestimmte Fakten, allgemeines Wissen über Ereignisse, Menschen, Objekte, Sprache, akademische Disziplinen usw. 

Mit KR&R können Sie die Konzepte des Menschen in einem verständlichen Format für Maschinen darstellen und die KI-gestützten Systeme wirklich intelligent machen. Wissen bedeutet hier, Informationen über das Ökosystem bereitzustellen und zu speichern, während Argumentieren bedeutet, Entscheidungen und Handlungen aus den gespeicherten Informationen basierend auf dem Wissen zu treffen. 

What Knowledge Is to Be Represented in AI Systems?

Das Wissen, das in Systemen der künstlichen Intelligenz dargestellt werden muss, kann Folgendes umfassen:

• Objekt: Objekte umgeben Menschen ständig. Daher sind die Informationen zu diesen Objekten wesentlich und müssen als Wissenstyp betrachtet werden. Zum Beispiel haben Klaviere weiße und schwarze Tasten, Autos haben Räder, Busse brauchen Fahrer, Flugzeuge brauchen Piloten usw. 
• Events in Kürze: Zahlreiche Ereignisse finden ständig in der realen Welt statt. Und die menschliche Wahrnehmung basiert auf Ereignissen. KI muss über Ereigniskenntnisse verfügen, um Maßnahmen ergreifen zu können. Einige Ereignisse sind Hungersnöte, der Fortschritt von Gesellschaften, Kriege, Katastrophen, Errungenschaften und mehr. 
• Eigenschaften: Dieses Wissen befasst sich mit bestimmten Handlungen des Menschen in verschiedenen Situationen. Es stellt die Verhaltensseite des Wissens dar, die für das Verständnis der KI sehr wichtig ist. 

• Metawissen: Wenn wir uns zum Beispiel auf der ganzen Welt umsehen und all das Wissen da draußen zusammenfassen, sehen wir, dass es hauptsächlich in drei Kategorien unterteilt ist:
  1. Was wir bereits wissen
  2. Was wir wissen, sind im Grunde Dinge, die wir nicht vollständig wissen
  3. Was wir noch nicht wissen
• Metawissen befasst sich mit dem ersten, also dem, was wir wissen, und lässt KI dasselbe wahrnehmen. 

• Fakten: Dieses Wissen basiert auf der faktischen Beschreibung unserer Welt. Die Erde ist zum Beispiel nicht flach, aber auch nicht rund; unsere Sonne hat einen unersättlichen Appetit und mehr. 
• Wissensbasis: Die Wissensbasis ist der Hauptbestandteil der menschlichen Intelligenz. Dies bezieht sich auf eine Gruppe relevanter Daten oder Informationen zu einem beliebigen Feld, einer Beschreibung und mehr. Beispielsweise eine Wissensdatenbank zum Entwerfen eines Automodells. 

How Does Knowledge Representation Work?

Typischerweise wird eine auszuführende Aufgabe, ein zu lösendes Problem und das Finden einer Lösung informell gegeben, wie z. 

Um ein echtes Problem zu lösen, muss der Systemdesigner:

• Führen Sie die Aufgabe aus, um festzustellen, welche bessere Lösung sie bieten kann
• Stellen Sie das Problem in einer Sprache dar, damit ein Computer es begründen kann
• Verwenden Sie das System, um eine endgültige Ausgabe zu berechnen, die die Lösung für Benutzer oder eine Abfolge von Aktivitäten ist, die im Ökosystem durchgeführt werden müssen.
• Interpretieren Sie das Endergebnis als Lösung für das Hauptproblem 

Wissen ist die Information, die ein Mensch bereits hat, aber Maschinen müssen lernen. Da es viele Probleme gibt, braucht die Maschine Wissen. Als Teil des Gestaltungssystems können Sie definieren, welches Wissen dargestellt werden soll. 

Connection Between Knowledge Representation and AI

Wissen spielt eine wesentliche Rolle bei der Intelligenz. Es ist auch für die Schaffung von künstlicher Intelligenz verantwortlich. Wenn es darum geht, intelligentes Verhalten in den KI-Agenten auszudrücken, spielt es eine notwendige Rolle. Ein Agent ist nicht in der Lage, genau zu funktionieren, wenn ihm die Erfahrung oder das Wissen über bestimmte Eingaben fehlt. 

Wenn Sie beispielsweise mit einer Person interagieren möchten, aber die Sprache nicht verstehen können, ist es offensichtlich, dass Sie nicht gut reagieren und keine Aktion ausführen können. Dasselbe gilt für das intelligente Verhalten von Agenten. KI muss über genügend Wissen verfügen, um die Funktionalität auszuführen, da ein Entscheidungsträger die Umgebung entdeckt und das erforderliche Wissen anwendet. 

KI kann jedoch ohne die Komponenten des Wissens kein intellektuelles Verhalten zeigen. 

Types of Knowledge Represented in AI

Nachdem wir uns nun darüber im Klaren sind, warum wir eine Wissensdarstellung in KI benötigen, wollen wir herausfinden, welche Arten von Wissen in einem KI-System dargestellt werden. 

• Deklaratives Wissen: Es stellt die Objekte, Konzepte und Fakten dar, die Ihnen helfen, die ganze Welt um Sie herum zu beschreiben. Somit teilt es die Beschreibung von etwas und drückt Aussagesätze aus. 
• Verfahrenstechnisches Wissen: Prozedurales Wissen ist im Vergleich zu deklarativem Wissen geringer. Es wird auch als imperatives Wissen bezeichnet, das von mobilen Robotern genutzt wird. Es ist für die Erklärung der Vollendung von etwas. Beispielsweise können mobile Roboter mit nur einer Karte eines Gebäudes ihren eigenen Plan erstellen. Mobile Roboter können Angriffe planen oder navigieren.

Darüber hinaus wird prozedurales Wissen direkt auf die Aufgabe angewendet, die Regeln, Verfahren, Agenden, Strategien und mehr umfasst. 

• Metawissen: Im Bereich der künstlichen Intelligenz wird vordefiniertes Wissen als Metawissen bezeichnet. Unter diese Art von Wissen fällt beispielsweise das Studium des Markierens, Lernens, Planens usw. 
  
  Dieses Modell ändert sein Verhalten mit der Zeit und verwendet andere Spezifikationen. Ein Systemingenieur oder Wissensingenieur verwendet verschiedene Formen von Metawissen, wie z. B. Genauigkeit, Bewertung, Zweck, Quelle, Lebensdauer, Zuverlässigkeit, Rechtfertigung, Vollständigkeit, Konsistenz, Anwendbarkeit und Begriffsklärung. 

• Heuristisches Wissen: Dieses Wissen, das auch als oberflächliches Wissen bezeichnet wird, folgt dem Faustregelprinzip. Daher ist es im Denkprozess sehr effizient, da es Probleme lösen kann, die auf früheren Aufzeichnungen oder Problemen basieren, die von Experten zusammengestellt wurden. Es sammelt jedoch Erfahrungen mit früheren Problemen und bietet einen besseren wissensbasierten Ansatz, um Probleme zu spezifizieren und Maßnahmen zu ergreifen. 
• Strukturwissen: Strukturelles Wissen ist das einfachste und grundlegendste Wissen, das zur Lösung komplexer Probleme verwendet und angewendet wird. Es versucht, eine effektive Lösung zu finden, indem es die Beziehung zwischen Objekten und Konzepten findet. Darüber hinaus beschreibt es die Beziehung zwischen mehreren Konzepten, wie Teil von, Art von oder Gruppierung von etwas. 

Deklaratives Wissen kann als beschreibendes Wissen dargestellt werden, während prozedurales Wissen das ausführende ist. Darüber hinaus wird deklaratives Wissen als explizit definiert, während prozedurales Wissen implizit oder implizit ist. Es ist deklaratives Wissen, wenn Sie das Wissen artikulieren können, und prozedurales Wissen, wenn Sie es nicht artikulieren können. 

Techniques of Knowledge Representation in AI

Es gibt vier Haupttechniken, die das Wissen in der KI darstellen:

• Logische Darstellung
• Semantische Netze
• Produktionsregeln
• Rahmendarstellung

Logische Darstellung

Die logische Darstellung ist die Grundform der Wissensdarstellung für die Maschinen, bei der eine definierte Syntax mit Grundregeln verwendet wird. Diese Syntax hat keine Mehrdeutigkeit in der Bedeutung und befasst sich mit Präpositionen. Als Kommunikationsregeln fungiert jedoch die logische Form der Wissensrepräsentation. Aus diesem Grund kann es verwendet werden, um Fakten für die Maschinen darzustellen. 

Es gibt zwei Arten der logischen Darstellung:

• Aussagelogik: Aussagenlogik ist auch als Aussagelogik oder Aussagenlogik bekannt, die in einem Booleschen Wert arbeitet, was eine Methode von Wahr oder Falsch bedeutet. 
• Logik erster Ordnung: Die Logik erster Ordnung ist eine Art logischer Wissensdarstellung, die Sie auch als Prädikatenkalküllogik erster Ordnung (FOPL) bezeichnen können. Diese Darstellung logischen Wissens repräsentiert die Prädikate und Objekte in Quantoren. Es ist ein fortgeschrittenes Modell der Aussagenlogik. 

Diese Form der Wissensrepräsentation sieht aus wie die meisten Programmiersprachen, in denen Sie Semantik verwenden, um Informationen weiterzuleiten. Es ist eine sehr logische Art, Probleme zu lösen. Der Hauptnachteil dieser Methode ist jedoch die strenge Art der Darstellung. Im Allgemeinen ist es schwierig auszuführen und manchmal nicht sehr effizient. 

Semantische Netze

Eine grafische Darstellung trägt bei dieser Art von Wissensdarstellung die verbundenen Objekte, die mit dem Datennetz verwendet werden. Die semantischen Netze umfassen Bögen/Kanten (Verbindungen) und Knoten/Blöcke (Objekte), die die Verbindung zwischen den Objekten beschreiben. 

Dies ist eine Alternative zur Darstellungsform First Order Predicate Calculus Logic (FOPL). Die Beziehungen in den semantischen Netzen sind von zweierlei Art:

• IST EIN
• SO'NE ART

Es ist aufgrund seiner einfachen Verständlichkeit eine natürlichere Form der Darstellung als eine logische. Der Hauptnachteil dieser Form der Darstellung ist, dass sie rechenintensiv ist und keine äquivalenten Quantoren enthält, die Sie in der logischen Darstellung finden können. 

Produktionsregeln

Produktionsregeln sind die häufigste Form der Wissensrepräsentation in KI-Systemen. Es ist die einfachste Form, auf If-Else-Regeln basierende Systeme darzustellen, und kann daher leicht verstanden werden. Es stellt eine Möglichkeit dar, FOPL und Aussagenlogik zu kombinieren. 

Um die Produktionsregeln technisch zu verstehen, müssen Sie zunächst die Bestandteile des Repräsentationssystems verstehen. Dieses System umfasst eine Reihe von Regeln, ein Arbeitsgedächtnis, einen Regelanwender und einen anerkannten Handlungszyklus. 

Bei jeder Eingabe überprüft die KI die Bedingungen aus den Produktionsregeln und ergreift sofort die erforderlichen Maßnahmen, nachdem sie eine bessere Regel gefunden hat. Der Zyklus der Auswahl von Regeln basierend auf den Bedingungen und des Handelns zur Lösung des Problems wird als Erkennungs- und Handlungszyklus bezeichnet, der bei jeder Eingabe stattfindet. 

Dieses Verfahren weist jedoch einige Probleme auf, wie z. B. eine ineffiziente Ausführung aufgrund der aktiven Regeln und einen Mangel an Erfahrung aufgrund fehlender Speicherung früherer Ergebnisse. Da die Regeln in natürlicher Sprache ausgedrückt werden, können die Kosten der Nachteile eingelöst werden. Hier können Regeln bei Bedarf einfach geändert und gelöscht werden. 

Rahmendarstellung

Um die Rahmendarstellung auf einer grundlegenden Ebene zu verstehen, stellen Sie sich eine Tabelle vor, die aus Namen in Spalten und Werten in Zeilen besteht; die benötigten Informationen werden in dieser vollständigen Struktur übergeben. In einfachen Worten ist die Rahmendarstellung eine Sammlung von Werten und Attributen.

Dies ist eine KI-spezifische Datenstruktur, die Füller (Slot-Werte, die einen beliebigen Datentyp und eine beliebige Form haben können) und Slots verwendet. Der Prozess ist dem typischen Datenbankmanagementsystem (DBMS) ziemlich ähnlich. Diese Füllstücke und Schlitze bilden eine Struktur, die als Rahmen bezeichnet wird. 

Die Slots haben in dieser Form der Wissensdarstellung Namen oder Attribute, und das Wissen, das sich auf die Attribute bezieht, wird in Füllern gespeichert. Der Hauptvorteil dieser Art der Darstellung besteht darin, dass ähnliche Daten in Gruppen zusammengeführt werden können, um das Wissen in Strukturen zu unterteilen. Weiterhin ist es in Unterstrukturen unterteilt. 

Dieser Typ ist wie eine typische Datenstruktur und kann leicht verstanden, manipuliert und visualisiert werden. Typische Konzepte wie das Entfernen, Löschen und Hinzufügen von Steckplätzen können mühelos durchgeführt werden. 

Requirements for Knowledge Representation in AI system

Eine gute Wissensrepräsentation enthält einige Eigenschaften:

• Darstellungsgenauigkeit: Die Wissensrepräsentation muss jede Art von erforderlichem Wissen genau darstellen.
• Inferenzeffizienz: Es ist die Fähigkeit, schlussfolgernde Wissensmechanismen unter Verwendung geeigneter Anleitungen leicht in produktive Richtungen zu handhaben.
• Inferentielle Angemessenheit: Die Wissensrepräsentation sollte die Fähigkeit haben, einige Repräsentationsstrukturen zu manipulieren, um neues Wissen basierend auf den bestehenden Strukturen darzustellen.
• Akquisitionseffizienz: Die Fähigkeit, mit automatischen Methoden neues Wissen zu gewinnen.

AI Knowledge Cycle

KI-Systeme umfassen einige Hauptkomponenten, um intelligentes Verhalten zu zeigen, das die Darstellung von Wissen ermöglicht. 

• Wahrnehmung, Vorstellung: Es hilft dem KI-basierten System, mithilfe verschiedener Sensoren Informationen über die Umgebung zu sammeln, und macht es mit dem Ökosystem vertraut, um effizient mit den Problemen zu interagieren. 
• Lernen: Es wird verwendet, um das Ausführen von KI-Systemen zu ermöglichen tiefe Lernen Algorithmen, die bereits geschrieben wurden, um KI-Systeme dazu zu bringen, die erforderlichen Informationen von der Wahrnehmungskomponente an die Lernkomponente für ein besseres Lernen und Verstehen zu liefern. 
• Wissensrepräsentation und Argumentation: Menschen nutzen Wissen, um Entscheidungen zu treffen. Daher ist dieser Block dafür verantwortlich, den Menschen durch die Wissensdaten von KI-Systemen zu dienen und bei Bedarf relevantes Wissen zu nutzen. 
• Planung und Ausführung: Dieser Block ist unabhängig. Es wird verwendet, um Daten aus Wissens- und Argumentationsblöcken zu entnehmen und relevante Aktionen auszuführen.

Fazit

Menschen können sich Wissen auf unterschiedliche Weise aneignen, ebenso wie KI-basierte Maschinen. Da sich die KI weiterentwickelt, hilft Ihnen die bessere Darstellung von Wissen für Maschinen dabei, komplexe Probleme mit minimalen Fehlern zu lösen. Wissensrepräsentation ist also ein wesentliches Attribut für KI-Maschinen intelligent und smart zu arbeiten. 

Sie können sich auch den Unterschied zwischen ansehen Künstliche Intelligenz, maschinelles Lernen und Deep Learning.