A tudásreprezentáció (KR) célja az információ strukturált módon történő modellezése, hogy azt tudásalapú rendszerekben tudásként formálisan megjelenítse. Míg a tudásreprezentáció és érvelés (KRR, KR&R vagy KR²) szintén a tudás megértését, érvelését és értelmezését célozza. A KRR-t széles körben használják a mesterséges intelligencia (MI) területén, azzal a céllal, hogy a világról szóló információkat olyan formában reprezentálják, amelyet egy számítógépes rendszer komplex feladatok megoldására használhat, például egy orvosi állapot diagnosztizálására vagy természetes nyelvű párbeszédre. A KR magában foglalja a pszichológia azon megállapításait, hogy az emberek hogyan oldanak meg problémákat és hogyan reprezentálják a tudást, annak érdekében, hogy olyan formalizmusok tervezzenek, amelyek megkönnyítik a komplex rendszerek tervezését és felépítését. A KRR a logikából származó megállapításokat is magában foglalja a különböző érvelési módok automatizálása érdekében.
A hagyományos KRR inkább a tudás deklaratív reprezentációjára összpontosít. A kapcsolódó tudásreprezentációs formalizmusok főként a szókincseket, a tezauruszokat, a szemantikus hálózatokat, az axiómarendszereket, a kereteket, a szabályokat, a logikai programokat és az ontológiákat foglalják magukban. Az automatizált következtető motorokra példái közé tartoznak a következtető motorok, a tételbizonyítók, a modellgenerátorok és az osztályozók.
Tágabb értelemben a gépi tanulásban használt paraméterezett modellek – beleértve az olyan neurális hálózati architektúrákat, mint a konvolúciós neurális hálózatok és a transzformátorok – szintén a tudásreprezentációs formalizmusok családjának tekinthetők. Az a kérdés, hogy melyik formalizmus a legmegfelelőbb a tudásalapú rendszerekhez, már régóta széleskörű vita tárgya. Például Frank van Harmelen és munkatársai a logika, mint tudásreprezentációs formalizmus alkalmasságát vitatták meg, és áttekintették az anti-logisták által felhozott érveket. Paul Smolensky kritizálta a szimbolikus formalizmusok korlátait, és megvizsgálta a konnekcionista megközelítésekkel való integráció lehetőségeit.
A közelmúltban Heng Zhang és munkatársai kimutatták, hogy minden univerzális (vagy egyformán kifejező és természetes) tudásreprezentációs formalizmus rekurzívan izomorf. A szerzők szerint ez az izomorfizmus alapvető egyenértékűséget feltételez a főáramú tudásreprezentációs formalizmusok között a mesterséges általános intelligencia (AGI) támogatására való képességük tekintetében. Továbbá azzal érvelnek, hogy bár a különböző technikai megközelítések a rekurzív izomorfizmusok révén betekintést nyerhetnek egymásból, az alapvető kihívások eredendően közösek maradnak.
Történelem Mesterséges intelligencia Fő célok Mesterséges általános intelligencia · Intelligens ügynök · Önfejlesztő rendszerek · Tervezés (MI) · Számítógépes látás · Általános játéktanulás Tudásábrázolás Természetes nyelvfeldolgozás · Robotika · MI biztonság Megközelítések Gépi tanulás · Szimbolikus MI · Mélytanulás · Bayes-hálók · Evolúciós algoritmusok · Hibrid rendszerek · Rendszerintegráció Alkalmazások Bioinformatika · Deepfake · Földtudományok · Pénzügy · Generatív MI · Kormányzat · Egészségügy · Katonai alkalmazás · Ipar · Fordítás · Fizika Filozófia Mesterséges tudatosság · Kínai szoba · Barátságos MI · Kontroll probléma · Etika · Létezési kockázat · Turing-teszt · Hátborzongató völgy Történelem Fejlődési idővonal · Fejlődés · MI tél · MI fellendülés Szószedet MI szószedet
A számítógépes tudásreprezentációval kapcsolatos legkorábbi munkák olyan általános problémamegoldókra összpontosítottak, mint például az Allen Newell és Herbert A. Simon által 1959-ben kifejlesztett Általános Problémamegoldó (GPS) rendszer és a John McCarthy által szintén 1959-ben javasolt Advice Taker . A GPS tervezési és dekompozíciós adatstruktúrákat tartalmazott. A rendszer egy céllal indult. Ezt a célt aztán részcélokra bontotta, majd olyan stratégiák kidolgozását tűzte ki célul, amelyekkel az egyes részcélokat el lehet érni. A Tanácsadó Elfogadó ezzel szemben a predikátumszámítás használatát javasolta a józan ész érvelésének megvalósításához.
A mesterséges intelligencia (MI) tudásreprezentációjának korai megközelítései közül sok gráfreprezentációkat és szemantikus hálózatokat használt, hasonlóan a mai tudásgráfokhoz . Az ilyen megközelítésekben a problémamegoldás a gráfbejárás vagy az útkeresés egy formája volt, mint az A* keresési algoritmusban . A tipikus alkalmazások közé tartozott a robotok terveinek elkészítése és a játékok.
Más kutatók az elsőrendű logika automatizált tételbizonyítóinak fejlesztésére összpontosítottak, amelyeket a matematikai logika használata motivált a matematika formalizálására és a matematikai tételek bizonyításának automatizálására. Ebben az irányban jelentős lépés volt John Alan Robinson rezolvációs módszerének kidolgozása.
Eközben John McCarthy és Pat Hayes kidolgozták a szituációs kalkulust, mint az ok-okozati törvényekkel kapcsolatos józan ész tudásának logikai ábrázolását. Cordell Green viszont bemutatta, hogyan lehet robottervet készíteni a helyzetszámítás felbontásának alkalmazásával. Azt is bemutatta, hogyan lehet a felbontást kérdés-válaszolásra és automatikus programozásra használni.
Ezzel szemben a Massachusetts Institute of Technology (MIT) kutatói elutasították a felbontáson alapuló egységes bizonyítási eljárás paradigmáját, és ehelyett a tudás procedurális beágyazását szorgalmazták.Hewitt, C., 2009. Inconsistency robustness in logic programs. arXiv preprint arXiv:0904.3036. A logikai reprezentációk és a procedurális reprezentációk használata között kialakult konfliktust az 1970-es évek elején oldották fel a logikai programozás és a Prolog kifejlesztésével, az SLD-felbontás segítségével a Horn-klózokat célredukciós eljárásokként kezelve.
A logikai programozás korai fejlődése nagyrészt európai jelenség volt. Észak-Amerikában a mesterséges intelligencia kutatói, mint például Ed Feigenbaum és Frederick Hayes-Roth, a területspecifikus tudás ábrázolását szorgalmazták az általános célú érvelés helyett.
Ezek az erőfeszítések vezettek a pszichológia kognitív forradalmához, valamint a mesterséges intelligencia tudásreprezentációra összpontosító szakaszához, amelynek eredményeként az 1970-es és 80-as években szakértői rendszerek, produkciós rendszerek, keretnyelvek stb. jelentek meg. Az általános problémamegoldók helyett a mesterséges intelligencia a szakértői rendszerekre helyezte a hangsúlyt, amelyek egy adott feladatban, például orvosi diagnózisban, képesek megfelelni az emberi kompetenciának.
A szakértői rendszerek adták nekünk a ma is használatos terminológiát, ahol a mesterséges intelligencia rendszereket egy tudásbázisra osztják, amely egy problémakörre vonatkozó tényeket és szabályokat tartalmaz, és egy következtetőmotorra, amely a tudásbázisban található tudást alkalmazza a terület kérdéseinek megválaszolására és a problémák megoldására. Ezekben a korai rendszerekben a tudásbázisban lévő tények meglehetősen lapos struktúrát alkottak, lényegében a szabályok által használt változók értékeire vonatkozó állításokat.
Eközben Marvin Minsky az 1970-es évek közepén kidolgozta a keret koncepcióját.Marvin Minsky, A Framework for Representing Knowledge , MIT-AI Laboratory Memo 306, June, 1974 A keret (frame) hasonló egy objektumosztályhoz: egy kategória absztrakt leírása, amely a világ dolgait, a problémákat és a lehetséges megoldásokat írja le. A kereteket eredetileg az emberi interakcióra irányuló rendszereken használták, például a természetes nyelv megértésében és olyan társadalmi helyzetekben, ahol a különféle alapértelmezett elvárások, mint például az étteremben történő ételrendelés, leszűkítik a keresési teret, és lehetővé teszik a rendszer számára, hogy megfelelő válaszokat válasszon a dinamikus helyzetekre.
Nem telt el sok idő, mire a keretközösségek és a szabályalapú kutatók rájöttek, hogy szinergia van a megközelítéseik között. A keretek alkalmasak voltak a valós világ reprezentálására, osztályok, alosztályok, slotok (adatértékek) leírásával, a lehetséges értékekre vonatkozó különböző korlátozásokkal. A szabályok alkalmasak voltak az összetett logika, például egy orvosi diagnózis felállításának folyamatának ábrázolására és felhasználására. Olyan integrált rendszereket fejlesztettek ki, amelyek a kereteket és a szabályokat kombinálták. Az egyik legerősebb és legismertebb az Intellicorp 1983- as Tudásfejlesztési környezet (KEE) volt. A KEE teljes szabálymotorral rendelkezett, előre és hátra történő láncolással . Emellett teljes keretalapú tudásbázissal is rendelkezett, triggerekkel, slotokkal (adatértékekkel), örökléssel és üzenettovábbítással. Bár az üzenetátadás inkább az objektumorientált közösségből, mint a mesterséges intelligencia közösségéből származik, a mesterséges intelligencia kutatói is gyorsan átvették az olyan környezetekben, mint a KEE, valamint a Symbolics, a Xerox és a Texas Instruments Lisp gépek operációs rendszereiben.
A keretek, szabályok és az objektumorientált programozás integrációját jelentősen elősegítették az olyan kereskedelmi vállalkozások, mint a KEE és a Symbolics, amelyek különböző kutatási projektekből indultak. Ugyanakkor volt egy másik kutatási irányzat is, amely kevésbé volt kereskedelmi célú, és amelyet a matematikai logika és az automatikus tételbizonyítás vezérelt. E kutatás egyik legnagyobb hatású nyelve a 80-as évek közepén a KL-ONE nyelv volt. A KL-ONE egy keretnyelv volt, amely szigorú szemantikával rendelkezett, formális definíciókkal az olyan fogalmakra, mint például az Is-A reláció. A KL-ONE és az általa befolyásolt nyelvek, mint például a Loom, olyan automatizált következtető motorral rendelkeztek, amely inkább formális logikán, mint IF-THEN szabályokon alapult. Ezt a következtetőt osztályozónak nevezzük. Az osztályozó képes elemezni egy deklarációhalmazt, és új állításokat levezetni, például egy osztályt átdefiniálni úgy, hogy az egy másik, formálisan nem specifikált osztály alosztálya vagy szuperosztálya legyen. Ily módon az osztályozó következtető motorként működhet, amely új tényeket von le egy meglévő tudásbázisból. Az osztályozó konzisztencia-ellenőrzést is végezhet egy tudásbázison (amelyet a KL-ONE nyelvek esetében ontológiának is neveznek).
A tudásreprezentáció kutatásának egy másik területe a józan ész érvelésének problémája volt. Az egyik első felismerés, amelyet az emberi természetes nyelvvel működő szoftverek készítése során tanultunk, az volt, hogy az emberek rendszeresen a valós világgal kapcsolatos olyan kiterjedt tudásalapra támaszkodnak, amelyet mi egyszerűen természetesnek veszünk, de amely egy mesterséges ágens számára egyáltalán nem nyilvánvaló, mint például a józan ész fizikájának alapelvei, az ok-okozati összefüggések, a szándékok stb. Egy példa erre a keretprobléma, hogy egy eseményvezérelt logikában szükség van olyan axiómákra, amelyek kimondják, hogy a dolgok egyik pillanatról a másikra megtartják a helyzetüket, hacsak nem mozgatja őket valamilyen külső erő. Ahhoz, hogy egy valódi mesterséges intelligencia ügynököt készítsünk, amely képes természetes nyelven társalogni az emberekkel, és képes feldolgozni a világra vonatkozó alapvető állításokat és kérdéseket, elengedhetetlen az ilyen jellegű tudás reprezentálása.McCarthy, J., and Hayes, P. J. 1969. . In Meltzer, B., and Michie, D., eds., Machine Intelligence 4. Edinburgh: Edinburgh University Press. 463–502. McCarthy és Hayes helyzetkalkulusa mellett az egyik legambiciózusabb program, amely ezt a problémát kezelte, Doug Lenat Cyc projektje volt. A Cyc létrehozta saját Frame nyelvét, és nagyszámú elemzővel dokumentáltatta a józan ész érvelés különböző területeit ezen a nyelven. A Cyc-ben rögzített ismeretek között szerepeltek az idő, a kauzalitás, a fizika, a szándékok és sok más, a józan ész modelljei.