Mennesker er best til å forstå, resonnere og tolke kunnskap. Mennesket vet ting, som er kunnskap, og i henhold til deres kunnskap utfører de forskjellige handlinger i den virkelige verden. Men hvordan maskiner gjør alle disse tingene kommer under kunnskapsrepresentasjon og resonnement . Derfor kan vi beskrive kunnskapsrepresentasjon som følgende:

• Kunnskapsrepresentasjon og resonnement (KR, KRR) er den delen av kunstig intelligens som handler om AI-agenters tenkning og hvordan tenkning bidrar til intelligent oppførsel til agenter.
• Den er ansvarlig for å representere informasjon om den virkelige verden slik at en datamaskin kan forstå og kan bruke denne kunnskapen til å løse de komplekse problemene i den virkelige verden, for eksempel diagnostisering av en medisinsk tilstand eller kommunikasjon med mennesker på naturlig språk.
• Det er også en måte som beskriver hvordan vi kan representere kunnskap i kunstig intelligens. Kunnskapsrepresentasjon er ikke bare å lagre data i en database, men det gjør det også mulig for en intelligent maskin å lære av kunnskapen og erfaringene slik at den kan oppføre seg intelligent som et menneske.

Hva skal representeres:

Følgende er typen kunnskap som må representeres i AI-systemer:

Gjenstand:Alle fakta om objekter i vårt verdensdomene. For eksempel, gitarer inneholder strenger, trompeter er messinginstrumenter.Arrangementer:Hendelser er handlingene som skjer i vår verden.Opptreden:Den beskriver atferd som innebærer kunnskap om hvordan man gjør ting.Metakunnskap:Det er kunnskap om det vi vet.Fakta:Fakta er sannhetene om den virkelige verden og hva vi representerer.Kunnskapsbase:Den sentrale komponenten i de kunnskapsbaserte agentene er kunnskapsbasen. Det er representert som KB. Kunnskapsbasen er en gruppe av setningene (her brukes setninger som et fagbegrep og ikke identisk med det engelske språket).

Kunnskap: Kunnskap er bevissthet eller fortrolighet oppnådd av erfaringer med fakta, data og situasjoner. Følgende er typene kunnskap innen kunstig intelligens:

konvertere en streng til heltall i java

Typer kunnskap

Følgende er de ulike typene kunnskap:

1. Erklærende kunnskap:

• Deklarativ kunnskap er å vite om noe.
• Det inkluderer konsepter, fakta og objekter.
• Det kalles også beskrivende kunnskap og uttrykkes i deklarative setninger.
• Det er enklere enn prosedyrespråk.

2. Prosedyrekunnskap

• Det er også kjent som imperativ kunnskap.
• Prosedyrekunnskap er en type kunnskap som er ansvarlig for å vite hvordan man gjør noe.
• Det kan brukes direkte til enhver oppgave.
• Det inkluderer regler, strategier, prosedyrer, agendaer, etc.
• Prosedyrekunnskap avhenger av oppgaven den kan brukes på.

3. Metakunnskap:

• Kunnskap om de andre kunnskapstypene kalles Meta-kunnskap.

4. Heuristisk kunnskap:

• Heuristisk kunnskap representerer kunnskap om noen eksperter i et arkiv eller et emne.
• Heuristisk kunnskap er tommelfingerregler basert på tidligere erfaringer, bevissthet om tilnærminger, og som er gode å jobbe men ikke garantert.

5. Strukturell kunnskap:

• Strukturell kunnskap er grunnleggende kunnskap for problemløsning.
• Den beskriver forhold mellom ulike konsepter som type, del av og gruppering av noe.
• Den beskriver forholdet som eksisterer mellom konsepter eller objekter.

Forholdet mellom kunnskap og intelligens:

Kunnskap om virkelige verdener spiller en viktig rolle i intelligens og det samme for å skape kunstig intelligens. Kunnskap spiller en viktig rolle i å demonstrere intelligent oppførsel hos AI-agenter. En agent er bare i stand til å handle nøyaktig på noen innspill når han har kunnskap eller erfaring om innspillet.

spør et klikk

La oss anta at hvis du møtte en person som snakker på et språk du ikke kan, hvordan vil du kunne handle på det. Det samme gjelder den intelligente oppførselen til agentene.

Som vi kan se i diagrammet nedenfor, er det én beslutningstaker som handler ved å sanse miljøet og bruke kunnskap. Men hvis kunnskapsdelen ikke vil presentere seg da, kan den ikke vise intelligent oppførsel.

AI kunnskapssyklus:

Et kunstig intelligenssystem har følgende komponenter for å vise intelligent atferd:

eksempler på binære trær

• Oppfatning
• Læring
• Kunnskapsrepresentasjon og resonnement
• Planlegger
• Henrettelse

Diagrammet ovenfor viser hvordan et AI-system kan samhandle med den virkelige verden og hvilke komponenter som hjelper det med å vise intelligens. AI-systemet har Perception-komponent som det henter informasjon fra miljøet. Det kan være visuell, lyd eller annen form for sanseinndata. Læringskomponenten er ansvarlig for å lære av data som er fanget opp av Perception comportment. I hele syklusen er hovedkomponentene kunnskapsrepresentasjon og resonnement. Disse to komponentene er involvert i å vise intelligensen hos maskinlignende mennesker. Disse to komponentene er uavhengige av hverandre, men også koblet sammen. Planleggingen og gjennomføringen avhenger av analyse av kunnskapsrepresentasjon og resonnement.

Tilnærminger til kunnskapsrepresentasjon:

Det er hovedsakelig fire tilnærminger til kunnskapsrepresentasjon, som er gitt nedenfor:

1. Enkel relasjonskunnskap:

• Det er den enkleste måten å lagre fakta på som bruker relasjonsmetoden, og hvert faktum om et sett av objektet er satt opp systematisk i kolonner.
• Denne tilnærmingen til kunnskapsrepresentasjon er kjent i databasesystemer der forholdet mellom ulike enheter er representert.
• Denne tilnærmingen har liten mulighet for slutninger.

Eksempel: Følgende er den enkle relasjonelle kunnskapsrepresentasjonen.

2. Arvelig kunnskap:

• I den arvelige kunnskapstilnærmingen må alle data lagres i et hierarki av klasser.
• Alle klasser bør arrangeres i en generalisert form eller en hierarkisk måte.
• I denne tilnærmingen bruker vi arvegods.
• Elementer arver verdier fra andre medlemmer av en klasse.
• Denne tilnærmingen inneholder arvelig kunnskap som viser en relasjon mellom instans og klasse, og den kalles instansrelasjon.
• Hver enkelt ramme kan representere samlingen av attributter og dens verdi.
• I denne tilnærmingen er objekter og verdier representert i innrammede noder.
• Vi bruker piler som peker fra objekter til deres verdier.
Eksempel:

3. Inferensiell kunnskap:

• Inferensiell kunnskapstilnærming representerer kunnskap i form av formelle logikker.
• Denne tilnærmingen kan brukes til å utlede flere fakta.
• Det garanterte riktighet.
Eksempel:La oss anta at det er to utsagn:
1. Marcus er en mann
2. Alle menn er dødelige
   Da kan det representere som;
   
   mann (Marcus)
   ∀x = mann (x) ----------> dødelig (x)s

4. Prosedyrekunnskap:

• Prosedyrekunnskapstilnærming bruker små programmer og koder som beskriver hvordan man gjør spesifikke ting, og hvordan man går frem.
• I denne tilnærmingen brukes en viktig regel som er Hvis-da-regjer .
• I denne kunnskapen kan vi bruke ulike kodespråk som f.eks LISP språk og Prolog-språk .
• Vi kan enkelt representere heuristisk eller domenespesifikk kunnskap ved å bruke denne tilnærmingen.
• Men det er ikke nødvendig at vi kan representere alle saker i denne tilnærmingen.

Krav til kunnskap Representasjonssystem:

Et godt kunnskapsrepresentasjonssystem må ha følgende egenskaper.

1. Representasjonsnøyaktighet:
KR-systemet skal ha evnen til å representere all slags nødvendig kunnskap.2. Inferensiell tilstrekkelighet:
KR-systemet bør ha evne til å manipulere representasjonsstrukturene for å produsere ny kunnskap tilsvarende eksisterende struktur.3. Inferensiell effektivitet:
Evnen til å lede den inferensielle kunnskapsmekanismen inn i de mest produktive retningene ved å lagre passende guider.4. Oppkjøpseffektivitet-Evnen til å tilegne seg den nye kunnskapen enkelt ved hjelp av automatiske metoder.