My, ludzie, jesteśmy dobrzy w percepcji, logicznym myśleniu i interpretacji wiedzy. Wiemy rzeczy – to znaczy posiadamy wiedzę – i zgodnie z naszym myśleniem działamy i wykonujemy różne rodzaje działań w scenariuszach czasu rzeczywistego. Jeśli chodzi o maszyny, wszystko, co robi człowiek, nazywa się reprezentacją wiedzy i rozumowaniem (KRR). KRR to segment AI, który zajmuje się myśleniem o agentach AI i tym, jak przyczynia się do inteligentnych zachowań agentów. Odpowiadają również za przedstawianie faktów i informacji ze świata rzeczywistego, tak aby maszyna mogła zrozumieć i rozwiązywać określone zadania, takie jak dowodzenie twierdzeń, gry, obrazowanie medyczne, przetwarzanie języka naturalnego (NLP) i wiele innych. Zasadniczo jest to metoda opisywania reprezentacji wiedzy w AI, a także umożliwienie inteligentnym maszynom uczenie się z tego i odpowiednie działanie jak człowiek. W literaturze prezentowane są różne rodzaje wiedzy, które należy reprezentować w systemach AI. Niektóre z nich to:
- Przedmiot: dotyczy faktu w prawdziwym świecie, istoty, rzeczy: gitary, klasy, człowieka, krzesła itp. Na przykład gitara ma struny, a klasa ma tablicę i krzesła .
- Wydarzenie: Akcja, która ma miejsce w prawdziwym świecie.
- Meta-wiedza: porcja danych reprezentująca wiedzę w świecie rzeczywistym.
- Fakty: Oznacza stwierdzenie, które jest prawdziwe w świecie rzeczywistym.
- Baza wiedzy (KB): Znana również jako główny składnik agentów opartych na wiedzy. Jest to baza danych służąca do udostępniania i zarządzania wiedzą.
Różne bazy danych są skonstruowane w taki sposób, że nie tylko przechowują dane, ale także znajdują rozwiązania dodatkowych problemów, korzystając z zapisanych w nich danych z przeszłości. KB odgrywa bardzo ważną rolę w AI, co można wyrazić poprzez rozważenie metodologii stosowanej przez systemy AI . Procedura wygląda następująco:
- Blok percepcji: zawiera zestaw zmysłów dla maszyn lub jest podstawowym komponentem, za pomocą którego interakcja między systemem a jego środowisko ma miejsce. Mogą to być dane, tekst, wideo, dźwięk, temperatura lub wiele innych rzeczy.
- Blok uczenia się: W tym bloku szkolone są modele, które są wymagane do pracy maszyny. W tym bloku kodowane są algorytmy uczenia, takie jak uczenie maszynowe (ML) i głębokie uczenie (DL). Blok ten jest bezpośrednio połączony z blokiem percepcji w celu uzyskania informacji wymaganych do uczenia modeli.
- Rozumowanie – Blok reprezentacji wiedzy: Jest to najbardziej krytyczny blok, który skutecznie pobiera dane wejściowe z bloku percepcji i wydobywa z niego ważne informacje. Ten blok zapewnia, że wiedza jest łatwo dostępna i może zostać dostarczona modelowi lub agentowi uczenia się, jeśli jest to wymagane.
- Blok planowania i wykonania: Pobiera dane wejściowe z powyższego rozumowania – blok wiedzy i zapewnia funkcjonalną mapę drogową do maszyny. Określa również działania, które należy podjąć, a także oczekiwany wynik.