La représentation des connaissances dans l’IA expliquée en termes simples

L’intelligence artificielle (IA) est une technologie populaire et innovante qui fait passer l’intelligence humaine au niveau supérieur. Elle offre la puissance d’une intelligence précise intégrée aux machines.

Les humains sont dotés d’une capacité de réflexion, de raisonnement, d’interprétation et de compréhension des connaissances de haut niveau. Les connaissances que nous acquérons nous aident à effectuer différentes activités dans le monde réel.

Aujourd’hui, même les machines deviennent capables de faire beaucoup de choses, grâce à la technologie.

Récemment, l’utilisation de systèmes et d’appareils alimentés par l’IA a augmenté en raison de leur efficacité et de leur précision dans l’exécution de tâches complexes.

Le problème est que, si les humains ont acquis de nombreux niveaux et types de connaissances au cours de leur vie, les machines éprouvent des difficultés à interpréter ces mêmes connaissances.

C’est pourquoi la représentation des connaissances est utilisée. Cela permettra de résoudre des problèmes complexes dans notre monde que les humains ont du mal à résoudre et qui prennent beaucoup de temps.

Dans cet article, j’expliquerai la représentation des connaissances dans l’IA, son fonctionnement, ses types et ses techniques, et plus encore.

Commençons !

Qu’est-ce que la représentation des connaissances et le raisonnement ?

La représentation des connaissances et le raisonnement (KR&R) sont une partie de l’intelligence artificielle qui se consacre exclusivement à la représentation d’informations sur le monde réel sous une forme qu’un ordinateur peut comprendre et prendre des mesures en conséquence. Cela permet de résoudre des problèmes complexes, tels que l’informatique, le dialogue en langage naturel, le diagnostic d’un état médical critique, etc.

La représentation des connaissances s’inspire de la psychologie, qui montre comment un être humain est capable de résoudre des problèmes et de représenter des connaissances, pour concevoir des formalismes. Cela permettra à l’IA de comprendre comment l’homme simplifie des systèmes complexes lors de la construction et de la conception.

Les premiers travaux se sont concentrés sur les systèmes généraux de résolution de problèmes, développés par Herbert A. Simon et Allen Newell en 1959. Ces systèmes utilisaient une structure de données pour la décomposition et la planification. Le système commence par un objectif, qu’il décompose ensuite en sous-objectifs. Ensuite, le système définit des stratégies de construction qui peuvent s’occuper de chaque sous-objectif.

Ces efforts ont ensuite conduit à une révolution cognitive en psychologie humaine et à une phase de l’IA axée sur la représentation des connaissances. C’est ainsi que sont apparus les systèmes experts dans les années 1970 et 1980, les langages cadres, les systèmes de production, etc. Plus tard, l’IA a changé d’orientation pour se concentrer sur les systèmes experts qui pourraient éventuellement égaler les compétences humaines, comme le diagnostic médical.

En outre, la représentation des connaissances permet aux systèmes informatiques de comprendre et d’utiliser les connaissances pour résoudre les problèmes du monde réel. Elle définit également une manière de représenter la connaissance et le raisonnement dans l’IA.

La représentation des connaissances ne consiste pas seulement à stocker des données dans des bases de données ; elle permet aux machines intelligentes d’apprendre des connaissances humaines et d’en faire l’expérience, de sorte qu’une machine puisse se comporter et agir comme un être humain.

Les humains ont des connaissances qui sont étrangères aux machines, notamment les sentiments, les intentions, les croyances, le bon sens, les jugements, les préjugés, l’intuition et bien d’autres choses encore. Certaines connaissances sont également simples, comme la connaissance de certains faits, la connaissance générale d’événements, de personnes, d’objets, de la langue, de disciplines académiques, etc.

Grâce à la RFC, vous pouvez représenter les concepts humains dans un format compréhensible pour les machines et rendre les systèmes alimentés par l’IA véritablement intelligents. La connaissance consiste à fournir des informations sur l’écosystème et à les stocker, tandis que le raisonnement consiste à prendre des décisions et à mener des actions à partir des informations stockées, sur la base de la connaissance.

Quelles sont les connaissances à représenter dans les systèmes d’IA ?

Les connaissances qui doivent être présentées dans les systèmes d’intelligence artificielle peuvent être les suivantes :

• Les objets : Les objets entourent les humains en permanence. Les informations relatives à ces objets sont donc essentielles et doivent être considérées comme un type de connaissance. Par exemple, les pianos ont des touches blanches et noires, les voitures ont des roues, les bus ont besoin de chauffeurs, les avions ont besoin de pilotes, etc.
• Les événements : De nombreux événements se déroulent en permanence dans le monde réel. La perception humaine est basée sur les événements. L’IA a besoin de connaître les événements pour agir. Parmi les événements, citons les famines, l’évolution des sociétés, les guerres, les catastrophes, les réussites, etc.
• Performance : Ces connaissances traitent de certaines actions humaines dans diverses situations. Elle représente l’aspect comportemental de la connaissance, qui est essentiel à la compréhension de l’IA.

• Métaconnaissance : Par exemple, si nous regardons le monde et que nous résumons toutes les connaissances existantes, nous constatons qu’elles sont principalement divisées en trois catégories :
  1. Ce que nous savons déjà
  2. Ce que nous savons est essentiellement des choses que nous ne connaissons pas complètement
  3. Ce que nous ne savons pas encore
• Les métaconnaissances traitent du premier point, c’est-à-dire de ce que nous savons et permettent à l’IA de le percevoir.

• Les faits : Cette connaissance est basée sur la description factuelle de notre monde. Par exemple, la terre n’est pas plate, mais elle n’est pas non plus ronde ; notre soleil a un appétit vorace, et bien d’autres choses encore.
• Base de connaissances : La base de connaissances est la principale composante de l’intelligence humaine. Il s’agit d’un groupe de données ou d’informations pertinentes sur un domaine, une description, etc. Par exemple, une base de connaissances sur la conception d’un modèle de voiture.

Comment fonctionne la représentation des connaissances ?

Généralement, une tâche à effectuer, un problème à résoudre et l’obtention d’une solution sont donnés de manière informelle, comme la livraison de colis à leur arrivée ou la réparation de problèmes électriques dans la maison.

Pour résoudre un problème réel, le concepteur du système doit

• Exécuter la tâche pour déterminer quelle meilleure solution il peut apporter
• Représenter le problème dans un langage permettant à un ordinateur de le raisonner
• Utiliser le système pour calculer un résultat final, qui est la solution pour les utilisateurs ou une séquence d’activités à réaliser dans l’écosystème.
• Interpréter le résultat final comme une solution au problème principal

La connaissance est l’information qu’un humain possède déjà, mais les machines ont besoin d’apprendre. Comme il y a beaucoup de problèmes, la machine a besoin de connaissances. Dans le cadre du système de conception, vous pouvez définir les connaissances à représenter.

Lien entre la représentation des connaissances et l’IA

La connaissance joue un rôle essentiel dans l’intelligence. Elle est également à l’origine de la création de l’intelligence artificielle. Lorsqu’il s’agit d’exprimer un comportement intelligent dans les agents d’IA, elle joue un rôle nécessaire. Un agent est incapable de fonctionner correctement lorsqu’il manque d’expérience ou de connaissance de certaines données.

Par exemple, si vous voulez interagir avec une personne mais que vous n’êtes pas en mesure de comprendre sa langue, il est évident que vous ne pourrez pas répondre correctement ni agir. Il en va de même pour le comportement intelligent des agents. L’IA doit disposer de suffisamment de connaissances pour exécuter les fonctions d’un décideur qui découvre l’environnement et applique les connaissances requises.

Cependant, l’IA ne peut pas avoir un comportement intellectuel sans les composants de la connaissance.

Types de connaissances représentées dans l’IA

Maintenant que nous savons pourquoi nous avons besoin d’une représentation des connaissances dans l’IA, découvrons les types de connaissances représentées dans un système d’IA.

• Connaissances déclaratives : Elles représentent les objets, les concepts et les faits qui vous aident à décrire l’ensemble du monde qui vous entoure. Elles partagent donc la description de quelque chose et expriment des phrases déclaratives.
• Connaissances procédurales : Les connaissances procédurales sont moins nombreuses que les connaissances déclaratives. Elles sont également connues sous le nom de connaissances impératives, qui sont utilisées par les robots mobiles. Elle sert à déclarer la réalisation de quelque chose. Par exemple, avec un simple plan d’un bâtiment, les robots mobiles peuvent élaborer leur propre plan. Les robots mobiles peuvent planifier une attaque ou effectuer une navigation.

En outre, les connaissances procédurales sont directement appliquées à la tâche et comprennent les règles, les procédures, les agendas, les stratégies, etc.

• Les métaconnaissances : Dans le domaine de l’intelligence artificielle, les connaissances prédéfinies sont connues sous le nom de métaconnaissances. Par exemple, l’étude de l’étiquetage, de l’apprentissage, de la planification, etc. relève de ce type de connaissances.
  
  Ce modèle change de comportement avec le temps et utilise d’autres spécifications. Un ingénieur système ou un ingénieur des connaissances utilise diverses formes de méta-connaissances, telles que l’exactitude, l’évaluation, l’objectif, la source, la durée de vie, la fiabilité, la justification, l’exhaustivité, la cohérence, l’applicabilité et la désambiguïsation.

• Connaissances heuristiques : Cette connaissance, également connue sous le nom de connaissance superficielle, suit le principe de la règle du pouce. Elles sont donc très efficaces dans le processus de raisonnement, car elles permettent de résoudre des problèmes sur la base d’antécédents ou de problèmes compilés par des experts. Cependant, elle rassemble les expériences des problèmes passés et fournit une meilleure approche basée sur la connaissance pour spécifier les problèmes et prendre des mesures.
• Connaissances structurelles : La connaissance structurelle est la connaissance la plus simple et la plus fondamentale qui est utilisée et appliquée pour résoudre des problèmes complexes. Elle tente de trouver une solution efficace en établissant la relation entre les objets et les concepts. En outre, elle décrit la relation entre plusieurs concepts, comme la partie, le type ou le groupe de quelque chose.

Les connaissances déclaratives peuvent être représentées comme celles qui décrivent, tandis que les connaissances procédurales sont celles qui font. En outre, les connaissances déclaratives sont définies comme explicites, tandis que les connaissances procédurales sont tacites ou implicites. Il s’agit de connaissances déclaratives si vous pouvez les articuler et de connaissances procédurales si vous ne pouvez pas les articuler.

Techniques de représentation des connaissances en IA

Il existe quatre grandes techniques de représentation des connaissances en IA :

• Représentation logique
• Réseaux sémantiques
• Règles de production
• Représentation par cadre

Représentation logique

La représentation logique est la forme de base de la représentation des connaissances vers les machines, où une syntaxe définie avec des règles de base est utilisée. Cette syntaxe ne présente aucune ambiguïté de sens et traite les prépositions. Cependant, la forme logique de la représentation des connaissances fait office de règles de communication. C’est la raison pour laquelle elle peut être utilisée pour représenter des faits aux machines.

La représentation logique est de deux types :

• La logique propositionnelle : La logique propositionnelle est également connue sous le nom de logique des énoncés ou de calcul propositionnel. Elle fonctionne selon une méthode booléenne, c’est-à-dire une méthode du Vrai ou du Faux.
• Logique du premier ordre : La logique du premier ordre est un type de représentation des connaissances logiques que l’on peut également appeler logique du calcul des prédicats du premier ordre (FOPL). Cette représentation de la connaissance logique représente les prédicats et les objets par des quantificateurs. Il s’agit d’un modèle avancé de la logique propositionnelle.

Cette forme de représentation des connaissances ressemble à la plupart des langages de programmation dans lesquels vous utilisez la sémantique pour transmettre des informations. Il s’agit d’une manière très logique de résoudre les problèmes. Toutefois, le principal inconvénient de cette méthode est la nature stricte de la représentation. En général, elle est difficile à exécuter et parfois peu efficace.

Réseaux sémantiques

Dans ce type de représentation des connaissances, une représentation graphique porte les objets connectés qui sont utilisés avec le réseau de données. Les réseaux sémantiques comprennent des arcs/bordures (connexions) et des nœuds/blocs (objets) qui décrivent la connexion entre les objets.

Il s’agit d’une alternative à la forme de représentation de la logique du calcul des prédicats du premier ordre (FOPL). Les relations dans les réseaux sémantiques sont de deux types :

• IS-A
• TYPE-OF

C’est une forme de représentation plus naturelle que la logique en raison de sa simplicité de compréhension. Le principal inconvénient de cette forme de représentation est qu’elle est coûteuse en termes de calcul et qu’elle n’inclut pas les quantificateurs équivalents que vous pouvez trouver dans la représentation logique.

Règles de production

Les règles de production sont la forme la plus courante de représentation des connaissances dans les systèmes d’IA. Il s’agit de la forme la plus simple de représentation des systèmes basés sur des règles de type “if-else” et elle est donc facile à comprendre. Elles représentent une manière de combiner l’OFCL et la logique propositionnelle.

Pour comprendre techniquement les règles de production, vous devez d’abord comprendre les éléments constitutifs du système de représentation. Ce système comprend un ensemble de règles, une mémoire de travail, un applicateur de règles et un cycle d’actes reconnus.

Pour chaque entrée, l’IA vérifie les conditions des règles de production et, après avoir trouvé une meilleure règle, elle entreprend immédiatement l’action nécessaire. Le cycle de sélection des règles en fonction des conditions et d’action pour résoudre le problème est connu sous le nom de cycle de reconnaissance et d’action qui a lieu à chaque entrée.

Toutefois, cette méthode présente certains problèmes, tels qu’une exécution inefficace en raison des règles actives et le manque d’acquisition d’expérience en raison de l’absence de stockage des résultats antérieurs. Comme les règles sont exprimées en langage naturel, le coût des inconvénients peut être compensé. Ici, les règles peuvent être modifiées et abandonnées facilement si nécessaire.

Représentation du cadre

Pour comprendre la représentation par cadre à un niveau fondamental, imaginez un tableau composé de noms en colonnes et de valeurs en lignes ; les informations nécessaires sont transmises dans cette structure complète. En d’autres termes, la représentation par cadre est une collection de valeurs et d’attributs.

Il s’agit d’une structure de données spécifique à l’IA qui utilise des fillers (valeurs d’emplacement qui peuvent être de n’importe quel type de données et de n’importe quelle forme) et des emplacements. Le processus est assez similaire à celui d’un système de gestion de base de données (SGBD) classique. Ces fillers et ces slots forment une structure appelée frame.

Dans cette forme de représentation des connaissances, les emplacements ont des noms ou des attributs, et les connaissances liées aux attributs sont stockées dans les éléments de remplissage. Le principal avantage de ce type de représentation est que les données similaires peuvent être fusionnées en groupes pour diviser les connaissances en structures. En outre, elle est divisée en sous-structures.

Comme il s’agit d’une structure de données typique, ce type de représentation peut être compris, manipulé et visualisé facilement. Les concepts typiques, tels que la suppression, l’effacement et l’ajout d’emplacements, peuvent être exécutés sans effort.

Exigences relatives à la représentation des connaissances dans un système d’IA

Une bonne représentation des connaissances présente certaines propriétés :

• Précision de la représentation : La représentation des connaissances doit représenter chaque type de connaissance requise avec précision.
• Efficacité déductive : Il s’agit de la capacité à traiter facilement les mécanismes de connaissance inférentielle dans des directions productives en utilisant des guides appropriés.
• Adéquation inférentielle : la représentation des connaissances doit permettre de manipuler certaines structures représentationnelles pour représenter de nouvelles connaissances sur la base des structures existantes.
• Efficacité de l’acquisition : La capacité d’acquérir de nouvelles connaissances à l’aide de méthodes automatiques.

Cycle de connaissance de l’IA

Les systèmes d’IA comprennent quelques composants majeurs pour montrer un comportement intelligent qui rend possible la représentation des connaissances.

• Perception : Elle aide le système basé sur l’IA à collecter des informations sur l’environnement à l’aide de différents capteurs et lui permet de se familiariser avec l’écosystème afin d’interagir efficacement avec les problèmes.
• Apprentissage : Il est utilisé pour permettre aux systèmes d’IA d’exécuter des algorithmes d’apprentissage en profondeur qui sont déjà écrits pour que les systèmes d’IA transmettent les informations nécessaires du composant de perception au composant d’apprentissage afin d’améliorer l’apprentissage et la compréhension.
• Représentation des connaissances et raisonnement : Les humains utilisent les connaissances pour prendre des décisions. Ce bloc est donc chargé de servir les humains à travers les données de connaissance des systèmes d’IA et d’utiliser les connaissances pertinentes chaque fois que cela est nécessaire.
• Planification et exécution : Ce bloc est indépendant. Il est utilisé pour prendre les données des blocs de connaissance et de raisonnement et pour exécuter les actions pertinentes.

Conclusion

Les humains peuvent acquérir des connaissances de différentes manières, tout comme les machines basées sur l’IA. Avec l’évolution de l’IA, une meilleure représentation des connaissances aux machines vous aide à résoudre des problèmes complexes avec un minimum d’erreurs. La représentation des connaissances est donc un attribut essentiel pour que les machines d’IA puissent travailler de manière intelligente.

Vous pouvez également consulter la différence entre l’intelligence artificielle, l’apprentissage automatique et l’apprentissage profond.