AI中的知识表达简单解释

人工智能（AI）是一种流行且创新的技术，将人类智能提升到了新的水平。它提供了与机器集成的准确智能的力量。

人类赋予了高级思维、推理、解释和知识理解能力。我们所获得的知识帮助我们在现实世界中进行各种活动。

如今，由于技术的发展，甚至机器也变得能够做很多事情。

最近，由于其高效性和准确性，使用AI驱动的系统和设备正在增加，它们能够执行复杂任务。

现在，问题是，尽管人类在生活中获得了许多层次和类型的知识，但机器在解释相同的知识时很难。

因此，使用知识表示。这将解决我们世界中的复杂问题，这些问题对于人类来说很难和耗时。

在本文中，我将解释AI中的知识表示，它的工作原理，其类型和技术等等。

让我们开始吧！

知识表示和推理是什么？

知识表示和推理（KR&R）是人工智能的一部分，专门用于以计算机可以理解和相应行动的形式表示有关现实世界的信息。这将导致解决复杂问题，如计算，用自然语言进行对话，诊断关键医疗状况等等。

知识表示源于心理学，研究人类如何解决问题和表达知识，并设计形式化的形式。这将使人工智能了解人类在构建和设计时如何使复杂系统更简单。

最早的工作集中在通用问题解决器上，由Herbert A. Simon和Allen Newell于1959年开发。这些系统使用数据结构进行分解和规划。系统首先从目标开始，然后将目标分解为子目标。然后，系统制定一些可以处理每个子目标的构造策略。

这些努力随后引发了人类心理学的认知革命和AI知识表示阶段。这导致了20世纪70年代和80年代的专家系统、框架语言、产生式系统等等。后来，人工智能的主要重点转向可能与人类胜任度相匹配的专家系统，如医疗诊断。

此外，知识表示使计算机系统能够理解和利用知识来解决现实世界的问题。它还定义了一种在人工智能中表示知识和推理的方式。

知识表示不仅仅是将数据存储在数据库中，它使智能机器能够从人类知识中学习，以便机器能够像人类一样行为和表现。

人类拥有机器无法理解的知识，包括情感、意图、信念、常识、判断、偏见、直觉等等。有些知识也很简单，比如知道某些事实、事件、人物、物体、语言、学科等的常识。

通过KR&R，您可以以机器可以理解的格式来表示人类的概念，使AI驱动的系统真正具备智能。在这里，知识意味着提供有关生态系统的信息并存储它们，而推理意味着根据知识从存储的信息中做出决策和行动。

人工智能系统中需要表示的知识是什么？

需要在人工智能系统中表达的知识包括：

• 对象：对象无时无刻地围绕着人类。因此，关于这些对象的信息是至关重要的，必须被视为一种知识类型。例如，钢琴有黑白键，汽车有轮子，公共汽车需要司机，飞机需要飞行员，等等。
• 事件：现实世界中不断发生着许多事件。而人类的感知基于事件。AI需要具备事件知识才能采取行动。一些事件包括饥荒、社会进步、战争、灾难、成就等。
• 表现：这种知识涉及人类在各种情况下的某些行为。它代表了知识的行为方面，对于AI的理解非常重要。

• 元知识：例如，如果我们环顾世界并总结出所有已有的知识，我们会发现它主要分为三类：
  1. 我们已经知道的
  2. 我们所知道的基本上是我们完全不知道的事物
  3. 我们尚未知道的事物
• 元知识处理第一种情况，即我们所知道的，并让AI感知相同的知识。

• 事实：这种知识基于对我们世界的事实描述。例如，地球不是平的也不是圆的；我们的太阳有着贪婪的胃口等。
• 知识库：知识库是人类智能的主要组成部分。它指的是一个涉及任何领域、描述等相关数据或信息的组合。例如，一个关于设计汽车模型的知识库。

知识表示是如何工作的？

通常，给定一个要执行的任务、要解决的问题以及获得解决方案，这些问题通常是非正式的，例如在包裹到达时递送包裹或修理房屋中的电气问题。

为了解决一个真实的问题，系统设计人员必须：

• 执行任务以确定它可以提供什么更好的解决方案
• 用一种语言表示问题，以便计算机可以推理
• 使用系统计算最终输出，即用户的解决方案或在生态系统中需要完成的一系列活动的序列。
• 将最终结果解释为主要问题的解决方案

知识是人类已经拥有的信息，但机器需要学习。由于问题众多，机器需要知识。作为设计系统的一部分，您可以定义要表示的知识是什么。

知识表示与人工智能的联系

知识在智能中起着至关重要的作用。它也是人工智能的创造者。当需要在AI代理中表达智能行为时，它扮演着必要的角色。当代理缺乏某些输入的经验或知识时，它无法准确地发挥功能。

例如，如果您想与一个人交流，但无法理解语言，显然您无法做出良好的回应和任何行动。代理的智能行为也是如此。AI需要足够的知识来执行功能，决策者发现环境并应用所需的知识。

然而，没有知识的组成部分，AI无法展示智能行为。

AI中表示的知识类型

现在我们清楚了为什么需要AI中的知识表示，让我们来了解AI系统中表示的知识类型。

• 说明性知识：它代表了帮助您描述整个世界的对象、概念和事实。因此，它共享了某物的描述，并表达了说明性句子。
• 程序性知识：程序性知识比说明性知识少。它也被称为命令性知识，被移动机器人使用。它用于声明完成某事。例如，只需要一个建筑物的地图，移动机器人就可以制定自己的计划。移动机器人可以计划攻击或执行导航。

此外，程序性知识直接应用于任务，包括规则、程序、议程、策略等。

• 元知识：在人工智能领域，预定义知识被称为元知识。例如，标记、学习、规划等的研究属于这种类型的知识。

  此模型会随着时间的推移而改变其行为并利用其他规范。系统工程师或知识工程师使用各种形式的元知识，例如准确性、评估、目的、来源、寿命、可靠性、证明、完整性、一致性、适用性和消歧。

• 启发式知识：这种知识也称为浅层知识，遵循经验法则原则。因此，它在推理过程中非常有效，因为它可以根据专家编制的过去记录或问题解决问题。但是，它会收集过去问题的经验，并提供更好的基于知识的方法来指定问题并采取行动。
• 结构性知识：结构性知识是解决复杂问题中使用和应用的最简单和基本的知识。它试图通过找到对象和概念之间的关系来找到有效的解决方案。此外，它描述了多个概念之间的关系，例如部分、种类或某物的分组。

描述性知识可以表示为描述性知识，而程序性知识是操作性的。此外，描述性知识被定义为显式的，而程序性知识是隐式的。如果您能够明确表达知识，则是描述性知识；如果您无法明确表达它，则是程序性知识。

人工智能中的知识表示技术

有四种主要的技术可以表示人工智能中的知识：

• 逻辑表示
• 语义网络
• 产生规则
• 框架表示

逻辑表示

逻辑表示是将知识表示为机器的基本形式，其中使用了定义良好的语法和基本规则。这种语法在意义上没有歧义，并处理命题。然而，逻辑知识表示形式充当通信规则。这就是为什么它可以用来向机器表示事实的原因。

逻辑表示有两种类型：

• 命题逻辑：命题逻辑也称为陈述逻辑或命题演算，它按照布尔方法工作，即真或假的方法。
• 一阶逻辑：一阶逻辑是一种类型的逻辑知识表示，您也可以将其称为一阶谓词演算逻辑（FOPL）。这种逻辑知识的表示表示量词中的谓词和对象。它是命题逻辑的高级模型。

这种知识表达形式类似于大多数编程语言，其中使用语义来传递信息。这是一种高度逻辑的问题解决方式。然而，这种方法的主要缺点是其严格的表达方式。总的来说，执行起来很困难，有时效率也不高。

语义网络

在这种类型的知识表达中，图形表达携带了与数据网络一起使用的连接对象。语义网络包括描述对象之间连接的弧/边（连接）和节点/块（对象）。

这是一种替代一阶谓词演算逻辑（FOPL）形式的表示方法。语义网络中的关系有两种类型：

• 是一个
• 种类

相对于逻辑来说，这是一种更自然的表达形式，因为它更简单易懂。这种表示形式的主要缺点是它在计算上很昂贵，而且不包括在逻辑表示中可以找到的等效量词。

产生规则

产生规则是AI系统中最常见的知识表示形式。它是表示if-else规则系统的最简单形式，因此容易理解。它表示一种将FOPL和命题逻辑结合的方法。

为了在技术上理解产生规则，您需要首先了解表示系统的构成部分。该系统包括一组规则、工作内存、规则应用程序和一个被认可的行为周期。

对于每个输入，AI从产生规则中检查条件，并在找到更好的规则后立即采取所需的行动。基于条件选择规则并采取行动解决问题的循环称为识别和行动周期，它在每个输入中发生。

然而，这种方法存在一些问题，比如由于活动规则而导致的执行效率低下以及由于不存储过去结果而无法获得经验。由于规则用自然语言表示，这些缺点的代价可以得到补偿。在这里，规则可以很容易地更改和删除。

框架表示

要在基本层面上理解框架表示，可以想象一个包含列名和行值的表格；所需的信息通过这个完整的结构传递。简单说，框架表示是值和属性的集合。

这是一种AI专用的数据结构，它使用填充器（可以是任何数据类型和形状的插槽值）和插槽。这个过程与典型的数据库管理系统（DBMS）非常相似。这些填充器和插槽形成了一个称为框架的结构。

在这种知识表达形式中，插槽具有名称或属性，与属性相关的知识存储在填充器中。这种表示形式的主要优点是可以将相似的数据合并到组中，以将知识划分为结构。此外，它还分为子结构。

作为典型的数据结构，这种类型可以容易地理解、操作和可视化。可以轻松进行包括删除、删除和添加插槽在内的典型概念。

AI系统中知识表示的要求

良好的知识表示具有一些属性：

• 表征准确性：知识表征需要准确地表征每一种所需的知识。
• 推理效率：它是在生产方向上轻松处理推理知识机制的能力，并使用适当的指南。
• 推理充分性：知识表征应具备通过操作一些表征结构来表示基于现有结构的新知识的能力。
• 获取效率：使用自动方法获取新知识的能力。

AI知识循环

AI系统包括一些主要组件，以展示智能行为，从而使知识表征成为可能。

• 感知：它帮助基于AI的系统使用不同的传感器收集环境信息，并使其熟悉生态系统，以便有效地与问题进行交互。
• 学习：它用于使AI系统运行已编写的算法，以使AI系统将感知组件中所需的信息传递给学习组件，以进行更好的学习和理解。
• 知识表征和推理：人类使用知识做出决策。因此，该模块负责通过AI系统的知识数据为人类提供服务，并在需要时使用相关知识。
• 规划和执行：该模块是独立的。它用于从知识和推理模块中获取数据并执行相关操作。

结论

人类可以通过不同的方式获取知识，AI基于机器也可以。随着AI的发展，以更好的方式将知识表征给机器，可以帮助您以最小的错误解决复杂问题。因此，知识表征是AI智能工作的重要属性。

您还可以查看Artificial Intelligence, Machine Learning, and Deep Learning之间的区别。