https://aie24.pl/
Inżynieria wiedzy i reprezentacja wiedzy będą podstawą klasycznych badań nad sztuczną inteligencją. Istnieje kilka systemów ekspertowych, które próbowały poskładać jawną wiedzę posiadaną przez ekspertów w jakiejś wąskiej dziedzinie. Co więcej, w niektórych projektach podjęto próbę zgromadzenia zdroworozsądkowej wiedzy przeciętnego człowieka i umieszczenia jej w bazie danych zawierającej obszerną wiedzę o świecie. Wśród tych rzeczy znajduje się obszerna, zdroworozsądkowa baza wiedzy, która będzie zawierać właściwości, kategorie, obiekty i relacje zachodzące pomiędzy zdarzeniami, czasami, sytuacjami, obiektami i stanami. Obejmuje także przyczynę i skutek, wiedzę i wiele innych dziedzin, które nie są tak dobrze zbadane. Reprezentacja „tego, co istnieje” jest ontologią która zestawia właściwości, koncepcje, relacje i obiekty razem, aby agent programu mógł je zinterpretować. Ich semantyka zostanie uchwycona poprzez jednostki, koncepcję logiki opisu, role i zwykle jest implementowana jako właściwości, jednostki i klasy w języku ontologii internetowej. Ontologia wyższa, która jest ontologią najbardziej ogólną, działa jako mediator pomiędzy ontologią dziedzinową, starając się zapewnić podstawę dla całej pozostałej wiedzy. Niektóre formalne reprezentacje wiedzy można wykorzystać do wspomagania decyzji klinicznych, indeksowania i wyszukiwania opartego na treści, interpretacji scen, odkrywania wiedzy i wielu innych obszarach. Do najtrudniejszych problemów reprezentacji wiedzy należą:
1.
Problem kwalifikacji i rozumowanie domyślne: Wiele osób jest świadomych założeń roboczych. Weźmy na przykład sytuację, w której podczas rozmowy z kimś przychodzi Ci na myśl ptak. Zwykle widzisz go w głowie i opisujesz go na tyle dobrze, że ktoś inny będzie wiedział, o czym myślisz. Jednak to, co myślisz, że wiesz o ptakach, może nie być prawdą o każdym ptaku. W 1969 roku John McCarthy zidentyfikował ten problem jako kwalifikację
problem: ponieważ będzie wiele wyjątków od wszelkich zasad zdrowego rozsądku, które mogą reprezentować badacze sztucznej inteligencji. Prawie nic nie jest po prostu oznaczone jako prawdziwe lub fałszywe w sposób, jakiego faktycznie wymaga abstrakcyjna logika. Badania nad sztuczną inteligencją muszą badać każde rozwiązanie problemu.
2.
Szerokość wiedzy zdroworozsądkowej: liczba faktów atomowych, które dana osoba zna, jest duża. Istnieją projekty badawcze, które próbują zbudować kompletną wiedzę opartą na wiedzy zdroworozsądkowej, ale będzie to wymagało dużej ilości pracochłonnej inżynierii ontologicznej, którą trzeba budować ręcznie, pojedynczo.
3.
Subsymboliczna forma pewnej zdroworozsądkowej wiedzy: tego, co wie większość ludzi, nie można przedstawić jako faktu lub stwierdzenia, które można wyrazić werbalnie. Weźmy na przykład kogoś, kto jest dobry w szachach. Będą unikać pewnych pozycji, bo czują się zbyt odsłonięci, a nawet krytycy sztuki mogą patrzeć na obrazy i wiedzieć, że są fałszywe. Są to instytucje subsymboliczne i nie są to świadome myśli. Wiedza tego typu zapewnia, wspiera i kształtuje kontekst dla świadomej wiedzy. Podobnie jak w przypadku problemu rozumowania subsymbolicznego, można mieć nadzieję, że zlokalizowana sztuczna inteligencja, statystyczna sztuczna inteligencja lub inteligencja obliczeniowa zapewnią sposób na reprezentowanie tego typu wiedzy.