人工智能 (AI) 是一种流行的创新技术，可以将人类智能提升到一个新的水平。 它提供了与机器集成的准确智能的力量。
人类被赋予了高层次的思考、推理、解释和对知识的理解。 我们获得的知识帮助我们在现实世界中进行不同的活动。
如今，得益于技术，即使是机器也能做很多事情。
最近，由于人工智能系统和设备在执行复杂任务时的效率和准确性，其使用率正在上升。
现在的问题是，虽然人类在生活中获得了很多层次和类型的知识，但机器在解释相同的知识时却面临着困难。
因此，使用了知识表示。 这将解决我们世界中人类难以解决且耗时的复杂问题。
在本文中，我将解释 AI 中的知识表示、它的工作原理、它的类型和技术等等。
让我们开始！
什么是知识表示和推理？
知识表示和推理 (KR&R) 是人工智能的一部分，专门致力于以计算机可以理解并采取相应行动的形式表示有关现实世界的信息。 这导致解决复杂的问题，例如计算、用自然语言进行对话、诊断危重医疗状况等。
知识表示从关于人类如何能够解决问题和表示知识以设计形式主义的心理学中找到它的方式。 这将使 AI 了解人类如何在构建和设计时使复杂系统变得更简单。
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。 系统首先从一个目标开始，然后将目标分解为子目标。 之后，系统制定了一些可以关注每个子目标的构建策略。
这些努力随后导致了人类心理学的认知革命和专注于知识表示的人工智能阶段。 这导致了 1970 年代和 80 年代的专家系统、框架语言、生产系统等。 后来，人工智能将其主要关注点转移到可能与人类能力相匹配的专家系统上，例如医学诊断。
此外，知识表示允许计算机系统理解和利用知识来解决现实世界的问题。 它还定义了一种方式，您可以通过这种方式在 AI 中表示知识和推理。
知识表示不仅仅是将数据存储在数据库中； 相反，它使智能机器能够从人类知识中学习并体验相同的知识，从而使机器能够像人类一样行事。
人类拥有机器所不具备的知识，包括感觉、意图、信念、常识、判断、偏见、直觉等等。 有些知识也很直接，比如知道某些事实，对事件、人、物、语言、学科等的一般知识。
借助 KR&R，您可以将人类的概念以机器可理解的格式表示出来，并使 AI 驱动的系统真正智能化。 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。
人工智能系统要代表什么知识？
需要在人工智能系统中呈现的知识可以包括：
- 物体：物体不断地围绕着人类。 因此，关于这些对象的信息是必不可少的，必须被视为一种知识类型。 例如，钢琴有白键和黑键，汽车有轮子，公共汽车需要司机，飞机需要飞行员等。
- 事件：现实世界中不断发生许多事件。 人类的感知是基于事件的。 人工智能需要具备事件知识才能采取行动。 有些事件是饥荒、社会进步、战争、灾难、成就等等。
- 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，这对于 AI 理解是非常重要的。
- 元知识：例如，如果我们环顾世界并总结那里的所有知识，我们会发现它主要分为三类：
- 我们已经知道的
- 我们所知道的基本上是我们不完全知道的事情
- 我们还不知道的
- 元知识处理第一个，即我们所知道的，并让 AI 感知相同的内容。
- 事实：这种知识是基于对我们世界的事实描述。 例如，地球既不平也不圆； 我们的太阳有贪婪的胃口，等等。
- 知识库：知识库是人类智能的主要组成部分。 这是指一组有关任何字段、描述等的相关数据或信息。 例如，设计汽车模型的知识库。
知识表示如何工作？
通常，非正式地给出要执行的任务、要解决的问题和获得解决方案，例如在包裹到达时递送或修理房屋中的电气问题。
要解决实际问题，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，以便计算机可以对其进行推理
- 使用系统计算最终输出，这是用户的解决方案或生态系统中需要完成的一系列活动。
- 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。 由于存在很多问题，因此机器需要知识。 作为设计系统的一部分，您可以定义要表示的知识。
知识表示与人工智能之间的联系
知识在智力中起着至关重要的作用。 它还负责创建人工智能。 当需要在AI代理中表达智能行为时，它就发挥了必要的作用。 当代理缺乏某些输入的经验或知识时，它就无法准确运行。
例如，如果你想和一个人交流，但语言不通，很明显你不能很好地回应和传递任何动作。 这同样适用于代理的智能行为。 人工智能需要有足够的知识来执行决策者发现环境并应用所需知识的功能。
然而，如果没有知识的组成部分，人工智能就无法表现出智力行为。
人工智能所代表的知识类型
现在我们清楚了为什么我们需要在人工智能中表示知识，让我们找出知识在人工智能系统中表示的类型。
- 陈述性知识：它表示帮助您描述周围整个世界的对象、概念和事实。 因此，它共享对某物的描述并表达陈述句。
- 程序性知识：与陈述性知识相比，程序性知识较少。 它也被称为命令式知识，被移动机器人使用。 用于宣告某事的完成。 例如，只需一张建筑物的地图，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，预定义的知识被称为元知识。 比如tagging、learning、planning等的研究，就属于这类知识。
该模型随时间改变其行为并利用其他规范。 系统工程师或知识工程师利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、理由、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高效，因为它可以根据过去的记录或专家编制的问题来解决问题。 但是，它收集了过去问题的经验，并提供了一种更好的基于知识的方法来指定问题并采取行动。
- 结构知识：结构知识是在解决复杂问题时使用和应用的最简单和最基本的知识。 它试图通过寻找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，例如某物的一部分、种类或分组。
陈述性知识可以表示为描述性知识，而程序性知识是做事性知识。 此外，陈述性知识被定义为显性知识，而程序性知识是隐性或隐性知识。 如果你能清楚地表达知识，它就是陈述性知识；如果你不能清楚地表达它，它就是程序性知识。
人工智能中的知识表示技术
有四种主要技术代表了人工智能的知识：
- 逻辑表示
- 语义网络
- 生产规则
- 帧表示
逻辑表示
逻辑表示是机器知识表示的基本形式，其中使用具有基本规则的已定义语法。 这种语法在含义上没有歧义并且处理介词。 然而，知识表示的逻辑形式充当了通信规则。 这就是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：命题逻辑也称为语句逻辑或命题演算，它在布尔值中工作，这意味着是真或假的方法。
- 一阶逻辑：一阶逻辑是一种逻辑知识表示，您也可以将其称为一阶谓词微积分逻辑 (FOPL)。 这种逻辑知识的表示表示量词中的谓词和宾语。 它是命题逻辑的高级模型。
这种形式的知识表示看起来像大多数使用语义来转发信息的编程语言。 这是一种高度合乎逻辑的解决问题的方法。 然而，这种方法的主要缺点是表示的严格性。 一般来说，执行起来很困难，有时效率不高。
语义网络
在这种类型的知识表示中，图形表示承载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）。
这是一阶谓词演算逻辑 (FOPL) 表示形式的替代方法。 语义网络中的关系有两种类型：
由于其理解的简单性，它是一种比逻辑更自然的表示形式。 这种表示形式的主要缺点是它的计算成本很高，并且不包括您可以在逻辑表示中找到的等效量词。
生产规则
产生式规则是人工智能系统中最常见的知识表示形式。 它是表示基于 if-else 规则的系统的最简单形式，因此很容易理解。 它代表了一种结合 FOPL 和命题逻辑的方法。
为了从技术上理解生产规则，您需要首先了解表示系统的组成部分。 该系统包括一组规则、工作记忆、规则应用程序和公认的行为周期。
对于每个输入，人工智能都会检查生产规则中的条件，并在找到更好的规则后立即采取所需的行动。 根据条件选择规则并采取行动解决问题的循环被称为发生在每个输入中的识别和行动循环。
但是，这种方法存在一些问题，例如由于活动规则导致执行效率低下以及由于没有存储过去的结果而导致缺乏经验。 由于规则是用自然语言表达的，因此可以弥补不利的成本。 在这里，如果需要，可以轻松更改和删除规则。
帧表示
要从根本上理解框架表示，请想象一个由列中的名称和行中的值组成的表； 所需的信息在这个完整的结构中传递。 简单来说，帧表示是值和属性的集合。
这是一种特定于 AI 的数据结构，它使用填充符（可以是任何数据类型和形状的槽值）和槽。 该过程与典型的数据库管理系统 (DBMS) 非常相似。 这些填充符和槽形成一个称为帧的结构。
在这种知识表示形式中，插槽具有名称或属性，与属性相关的知识存储在填充符中。 这种表示的主要优点是可以将相似的数据合并成组，以将知识划分为结构。 此外，它还分为子结构。
就像典型的数据结构一样，这种类型可以很容易地理解、操作和可视化。 可以毫不费力地执行包括移除、删除和添加插槽在内的典型概念。
人工智能系统中知识表示的要求
良好的知识表示包含一些属性：
- 表示准确性：知识表示需要准确表示每种所需的知识。
- 推理效率：这是使用适当的指南在生产方向上轻松处理推理知识机制的能力。
- 推理充分性：知识表示应该能够在现有结构的基础上操纵一些表示结构来表示新知识。
- 获取效率：使用自动方法获取新知识的能力。
人工智能知识循环
AI 系统包括一些主要组件来显示智能行为，使表示知识成为可能。
- 感知：它帮助基于人工智能的系统使用不同的传感器收集有关环境的信息，并使其熟悉生态系统以有效地与问题进行交互。
- 学习：它用于让人工智能系统运行已经编写好的深度学习算法，使人工智能系统将所需的信息从感知组件传递到学习组件，以便更好地学习和理解。
- 知识表示和推理：人类使用知识来做出决定。 因此，该区块负责通过人工智能系统的知识数据为人类服务，并在需要时使用相关知识。
- 计划和执行：这个块是独立的。 它用于从知识和推理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，基于人工智能的机器也是如此。 随着 AI 的发展，以更好的方式向机器表示知识可以帮助您以最小的错误解决复杂的问题。 因此，知识表示是 AI 机器智能工作的基本属性。
您还可以查看人工智能、机器学习和深度学习之间的区别。
