Slike komplekse begreper som "tenkning" og "bevissthet", og enda lettere definerte, som "intelligens" og "kunnskap", blant spesialister med ulike profiler (for eksempel systemanalyse, informatikk, nevropsykologi, psykologi, filosofi osv.) kan variere betydelig.
Fullstendig, adekvat representasjon av kunnskap, som oppfattes like entydig av både mennesker og maskiner, er hovedproblemet ved moderne informasjonsutveksling. Slik informasjonsutveksling er basert på et system av begreper og relasjoner som utgjør kunnskap.
Klassifisering av kunnskap
De kan klassifiseres i flere kategorier: konseptuell, konstruktiv, prosedyremessig, saklig og metakunnskap.
- Konseptuell kunnskap er et sett med spesifikke konsepter som brukes til å løse problemer. De brukes ofte innen grunnleggende vitenskaper og vitenskapsteoretiske felt. Faktisk utgjør konseptuell kunnskap vitenskapens konseptuelle apparat.
- Konstruktiv kunnskap - sett med strukturer, systemer og delsystemer, samtinteraksjoner mellom dem. Brukes aktivt i teknologi.
- Prosedyrekunnskap er metodene og algoritmene som oftest brukes i anvendt vitenskap.
- Faktakunnskap er egenskapene til objekter og fenomener, både kvantitative og kvalitative. Oftest brukt i eksperimentelle vitenskaper.
- Metaknowledge er all kunnskap om kunnskap, dets organisasjonssystem, dets konstruksjon og rekkefølgen og reglene for dens anvendelse.
Kunnskapsorganisasjon
Kunnskapsorganisasjonssystem er prosessen med å gi informasjon i form av meldinger som kan være kjent (muntlig og skriftlig tale, bilder osv.) og uvanlig (formler, kartobjekter, radiobølger osv.).
For at et kunnskapsorganisasjonssystem skal være forståelig og vellykket, er det nødvendig å bruke et forståelig og konstruktivt regelverk som kunnskap skal presenteres og oppfattes etter. For å gjøre dette bruker en person språk og skrift.
Språk
Språk dukket opp og utviklet på grunn av det faktum at kunnskapen akkumulert av mennesker hele tiden må presenteres, uttrykkes, lagres og utveksles. En tanke som ikke kan uttrykkes ved en formell struktur (språk, bilde) mister muligheten til å bli en del av informasjonsutvekslingen. Det er grunnen til at språk gjennom hele menneskehetens historie har vært den mest effektive formen for kunnskapsrepresentasjon.
Jo rikere språket er, jo mer kunnskap uttrykker det henholdsvis, noe som gjør kulturen til folket rikere, noe som igjen lar deg utvikle mer og mer effektive systemer for å organisere kunnskap.
Språkvitenskap
Hovedproblemet med å bruke språk som en form for kunnskapsrepresentasjon er den tvetydige semantiske betydningen av ord og setninger. Det er derfor vitenskapens språk spiller en spesiell rolle i formaliseringen av kunnskap.
Vitenskapsspråkets hovedformål er å typifisere og standardisere uttrykksformer, komprimering og lagring av kunnskap. Ved hjelp av en typisk standard presentasjon av kunnskap kan man bli kvitt polysemi eller semantisk tvetydighet i språket.
Det som under de naturlige forholdene for språkevolusjon gjør et språk rikere (polysemi av uttrykk), blir en hindring i prosessen med kunnskapsutveksling, og øker risikoen for misforståelser, semantisk støy og tvetydig oppfatning av informasjon.
Klassifisering av kunnskap
En av hovedmetodene for formalisering av kunnskap er klassifisering. Dette er fordeling av kunnskap i grupper i samsvar med en bestemt klasse. Det vil si at bare informasjon som oppfyller visse kriterier som tilsvarer klassen faller inn i en viss kunnskapsklasse.
Klassifisering er en spesielt viktig metode for vitenskapelig systematikk, som er uunnværlig i det første stadiet av dannelsen av grunnleggende kunnskap om en vitenskapelig retning. For eksempel, i informatikk uten klassifisering, er det ingen ekvivalens som lar deg løse så viktige oppgaver som sammenligning, søk og kategorisering. Uten klassifisering i vitenskap ville vi ikke hatt så unike og uvurderlige dataorganisasjonssystemer som det periodiske system.
Kunnskapsrepresentasjonsmodeller
Det periodiske system, ranglisten, straffeloven, familietrær og andre klassifikasjonssystemer er modeller for kunnskapsrepresentasjon. Dette er formelle strukturer som knytter sammen viss kunnskap: fakta, fenomener, konsepter, prosesser, objekter, relasjoner.
For å forstå og bearbeide kunnskap om et bestemt fagområde ved hjelp av en datamaskin, må denne kunnskapen presenteres i en bestemt, formalisert form. Avhengig av formålet, skjer behandlingen av kunnskap av en datamaskin i samsvar med en modell bygget på en algoritme. Følgelig avhenger kunnskapen som presenteres i modellen av algoritmen for å behandle den.
Det finnes flere modeller for kunnskapsrepresentasjon i ekspertsystemer. De viktigste er produksjon, ramme, nettverk og logisk.
Klassifisering av modeller
Kunnskapsrepresentasjonsmodellene som er listet opp ovenfor, hvor eksempler følger, selv om de er utbredt, er langt fra de eneste. I dag er det mange modeller som skiller seg fra hverandre når det gjelder gyldighet, tilnærminger til deres opprettelse og organiseringsprinsipper.
For eksempel viser tabellen nedenfor typene kunnskapsrepresentasjonsmodeller, deres inndeling i empiriske og teoretiske, samt ytterligere underinndeling.
| empiriske modeller | Teoretiske modeller |
| Produksjonsmodeller | Logiske modeller |
| Nettverksmodeller | formelle grammatikker |
| Rammemodeller | Kombinatoriske modeller |
| Lenemy | algebraiske modeller |
| Nevrale nettverk | |
| Genetiske algoritmer |
empirisk modellering
Empiriske modeller for organisering og representasjon av kunnskap tar en person som et eksempel og prøver å legemliggjøre organiseringen av hans minne, bevissthet og beslutnings- og problemløsningsmekanismer. Empirisk modellering refererer til enhver form for modell bygget på grunnlag av empiriske observasjoner, snarere enn sammenhenger som kan matematisk beskrives og modelleres.
Empirisk modellering er en generell betegnelse for kunnskapsrepresentasjonsmodeller som lages på grunnlag av observasjoner og eksperimenter.
En empirisk modell opererer etter et enkelt semantisk prinsipp: skaperen observerer interaksjonen mellom modellen og dens referent. Behandlingen av informasjon som mottas kan være "empirisk" på mange måter, fra analytiske formler, årsakssammenhenger, til prøving og feiling.
Produksjonsmodeller for kunnskapsrepresentasjon
Denne datarepresentasjonsmodellen er oftest basert på sammenhenger og årsakssammenheng. Hvis informasjonen kan representeres i form av forhold av typen "Hvis, Da", så er modellen produksjon. Det er oftest brukt i applikasjoner og enkle kunstigeintelligens.
Produksjonsmodeller for kunnskapsrepresentasjon er oftest dataprogrammer som gir en eller annen form for kunstig intelligens med et sett av atferdsregler, samt mekanismen som er nødvendig for å følge disse reglene under visse betingelser.
Produksjon (et sett med regler) består av to deler: en forutsetning ("HVIS") og en handling ("DÅ"). Hvis produksjonsforutsetningen samsvarer med den nåværende tilstanden i verden, kjører modellen. Produksjonsmodellen inneholder også en database, noen ganger referert til som arbeidsminne, som inneholder aktuell kunnskap.
Ulempene med produksjonsmodellen er at hvis antallet regler er for stort, kan handlingene til modellen motsi hverandre.
Semantiske nettverk
De er basert på integriteten til bildet og er de mest visuelle modellene for kunnskapsrepresentasjon. Det semantiske nettverket er oftest representert som en graf eller en kompleks grafstruktur, hvis noder eller toppunkter representerer objekter, konsepter, fenomener, og kantene representerer forhold mellom visse objekter, konsepter og fenomener.
Det enkleste semantiske nettverket kan lett representeres som en trekant, hvis toppunkter er slike begreper som for eksempel "hund", "pattedyr" og "ryggrad". I dette tilfellet vil toppunktene forbinde sidene av trekanten, som kan betegnes med slike forbindelser og relasjoner som "er", "besitter", "har". på denne måten får vi en kunnskapsrepresentasjonsmodell som vi lærer av,at en hund er et pattedyr, pattedyr har en ryggrad, og en hund har en ryggrad.
Slike modeller er illustrative, og med deres hjelp kan du mest effektivt representere komplekse systemer og årsakssammenhenger. I tillegg kan disse semantiske nettverkene suppleres med ny kunnskap ved å utvide et eksisterende nettverk, det vil si at en trekant kan gjøres om til et rektangel, deretter til en sekskant, og deretter til et komplekst nettverk av kryssende former, der man kan observere, for eksempel arv av eiendommer.
Rammemodell
Rammemodellen heter det fra det engelske ordet frame - frame eller frame. En ramme er en struktur som samler inn data som brukes til å representere et bestemt konsept.
Som i sosiologi, der rammer er en slags stereotype data som påvirker menneskets oppfatning av verden og beslutningsprosessen, i informatikk og arbeid med kunstig intelligens, brukes rammer for å lage strukturerte data som representerer stereotype situasjoner. Faktisk er dette det første grunnleggende datasystemet som oppfatningen av verden ved hjelp av kunstig intelligens er bygget på.
I tillegg til å være effektive modeller for kunnskapsrepresentasjon, er rammer ikke bare aktive innen informatikk. De var opprinnelig en variant av semantiske nettverk.
En ramme består av ett eller flere spor. I sin tur kan sporene selv være rammer. Dermed er rammemodellen i stand til å representere komplekse konseptuelle objekter, og danner en bred hierarkisk kjede.kunnskap.
Kunnskapsrepresentasjonsrammemodellen inneholder informasjon om hvordan du bruker en ramme, hva du kan forvente under og etter bruk, og hva du skal gjøre når forventningene fra bruk av en ramme ikke oppfylles.
Visse typer data i en rammemodell er faste, mens andre data, vanligvis lagret i terminalspor, kan endres. Terminalspor blir oftest behandlet som variabler. Spor og rammer på toppnivå inneholder informasjon om situasjonen, noe som alltid er sant, men terminalspor trenger ikke å være sant.
Rammer i ett komplekst nettverk kan dele sporene til andre rammer i samme nettverk.
Databasen kan lagre prototyperammer (uforanderlige) og instansrammer som er opprettet situasjonsbestemt for å representere en bestemt situasjon eller konsept.
Rammemodeller for kunnskapsrepresentasjon er en av de mest allsidige og i stand til å vise ulike typer kunnskap:
- rammestrukturer brukes til å representere konsepter og objekter;
- rammeroller angir rolleansvar;
- rammeskript beskriver oppførsel;
- rammesituasjoner brukes til å representere stat og aktiviteter.
Nevrale nettverk
Disse algoritmene kan også betinget legges til gruppen av modeller basert på en empirisk tilnærming til kunnskap. Faktisk prøver nevrale nettverk å kopiere prosessene som skjer i den menneskelige hjernen. De er basert på teorien om at et kunstig intelligenssystem med samme strukturer ogprosesser, som i den menneskelige hjernen, vil kunne få lignende resultater i prosessen med beslutningstaking, evaluering av situasjoner og virkelighetsoppfatning.
Teoretisk forsvarlig tilnærming
Matematiske, predikative og logiske modeller for kunnskapsrepresentasjon er basert på denne tilnærmingen. Disse modellene garanterer riktige beslutninger fordi de er basert på formell logikk. De egner seg for å løse enkle problemer fra et snevert fagområde, ofte forbundet med formell logikk.
Logiske modeller for kunnskapsrepresentasjon
Dette er en av de mest populære modellene basert på en teoretisk tilnærming. Den logiske modellen bruker predikatet algebra, dets system av aksiomer og slutningsregler. De vanligste logiske modellene bruker termer - logiske konstanter, funksjoner og variabler, samt predikater, det vil si uttrykk for logiske handlinger.
