Så komplexa begrepp som "tänkande" och "medvetande", och ännu mer lättdefinierade sådana, som "intelligens" och "kunskap", bland specialister med olika profiler (till exempel systemanalys, datavetenskap, neuropsykologi, psykologi, filosofi, etc.) kan skilja sig avsevärt.
Fullständig, adekvat representation av kunskap, som uppfattas lika entydigt av både människor och maskiner, är huvudproblemet med modernt informationsutbyte. Sådant informationsutbyte bygger på ett system av begrepp och relationer som utgör kunskap.
Klassificering av kunskap
De kan klassificeras i flera kategorier: konceptuella, konstruktiva, procedurmässiga, faktamässiga och metakunskaper.
- Konceptuell kunskap är en uppsättning specifika begrepp som används för att lösa problem. De används ofta inom de grundläggande vetenskaperna och vetenskapsteoretiska områdena. Faktum är att konceptuell kunskap utgör vetenskapens begreppsapparat.
- Konstruktiv kunskap - uppsättningar av strukturer, system och delsystem, samtinteraktioner dem emellan. Används aktivt inom teknik.
- Procedurkunskap är de metoder och algoritmer som oftast används inom tillämpad vetenskap.
- Faktakunskap är egenskaperna hos objekt och fenomen, både kvantitativa och kvalitativa. Används oftast inom experimentella vetenskaper.
- Metaknowledge är all kunskap om kunskap, dess organisationssystem, dess konstruktion och ordningen och reglerna för dess tillämpning.
Kunskapsorganisation
Kunskapsorganisationssystem är processen att tillhandahålla information i form av meddelanden som kan vara bekanta (muntligt och skriftligt tal, bilder, etc.) och ovanliga (formler, kartobjekt, radiovågor, etc.).
För att ett kunskapsorganisationssystem ska vara begripligt och framgångsrikt är det nödvändigt att använda ett begripligt och konstruktivt regelsystem enligt vilka kunskap ska presenteras och uppfattas. För att göra detta använder en person språk och skrift.
Språk
Språket dök upp och utvecklades på grund av det faktum att den kunskap som människor samlat på sig hela tiden behöver presenteras, uttryckas, lagras och utbytas. En tanke som inte kan uttryckas genom en formell struktur (språk, bild) förlorar möjligheten att bli en del av informationsutbytet. Det är därför genom mänsklighetens historia har språk varit den mest effektiva formen av kunskapsrepresentation.
Ju rikare språket är, desto mer kunskap uttrycker det respektive, vilket gör folkets kultur rikare, vilket i sin tur gör att du kan utveckla mer och mer effektiva system för att organisera kunskap.
Språkvetenskap
Det största problemet med att använda språket som en form av kunskapsrepresentation är den tvetydiga semantiska betydelsen av ord och meningar. Det är därför vetenskapens språk spelar en speciell roll i formaliseringen av kunskap.
Huvudsyftet med vetenskapens språk är att typifiera och standardisera uttrycksformer, komprimering och lagring av kunskap. Med hjälp av en typisk standardpresentation av kunskap kan man bli av med polysemi eller semantisk tvetydighet i språket.
Det som under språkutvecklingens naturliga förhållanden gör ett språk rikare (polysemi av uttryck), blir ett hinder i kunskapsutbytet, vilket ökar risken för missförstånd, semantiskt brus och tvetydig uppfattning av information.
Klassificering av kunskap
En av de viktigaste metoderna för kunskapsformalisering är klassificering. Detta är fördelning av kunskap i grupper i enlighet med en viss klass. Det vill säga, endast information som uppfyller vissa kriterier som motsvarar klassen faller in i en viss kunskapsklass.
Klassificering är en särskilt viktig metod för vetenskaplig systematik, som är oumbärlig i det första skedet av bildandet av grundläggande kunskaper om en vetenskaplig riktning. Till exempel, inom datavetenskap utan klassificering, finns det ingen likvärdighet som gör att du kan lösa så viktiga uppgifter som jämförelse, sökning och kategorisering. Utan klassificering i vetenskap skulle vi inte ha så unika och ovärderliga dataorganisationssystem som det periodiska systemet.
Kunskapsrepresentationsmodeller
Det periodiska systemet, rangordningen, strafflagen, släktträd och andra klassificeringssystem är modeller för kunskapsrepresentation. Dessa är formella strukturer som länkar viss kunskap: fakta, fenomen, begrepp, processer, objekt, relationer.
För att förstå och bearbeta kunskap om ett visst ämnesområde med en dator måste denna kunskap presenteras i en viss, formaliserad form. Beroende på syftet sker bearbetningen av kunskap av en dator i enlighet med en modell byggd på en algoritm. Följaktligen beror kunskapen som presenteras i modellen på algoritmen för att bearbeta den.
Det finns flera modeller för kunskapsrepresentation i expertsystem. De viktigaste är produktion, ram, nätverk och logiskt.
Klassificering av modeller
Kunskapsrepresentationsmodellerna som listas ovan, exempel på vilka följer, även om de är utbredda, är långt ifrån de enda. Idag finns det många modeller som skiljer sig från varandra när det gäller giltighet, förhållningssätt till deras skapande och organisationsprinciper.
Till exempel, tabellen nedan visar typerna av kunskapsrepresentationsmodeller, deras indelning i empiriska och teoretiska, samt ytterligare underindelning.
| empiriska modeller | Teoretiska modeller |
| Produktionsmodeller | Logiska modeller |
| Nätverksmodeller | Formella grammatiker |
| Rammodeller | Kombinatoriska modeller |
| Lenemy | Algebraiska modeller |
| Neurala nätverk | |
| Genetiska algoritmer |
empirisk modellering
Empiriska modeller för organisation och representation av kunskap tar en person som exempel och försöker förkroppsliga organisationen av hans minne, medvetande och beslutsfattande och problemlösningsmekanismer. Empirisk modellering avser vilken typ av modell som helst som bygger på empiriska observationer, snarare än samband som kan beskrivas matematiskt och modelleras.
Empirisk modellering är en allmän term för kunskapsrepresentationsmodeller som skapas på basis av observationer och experiment.
En empirisk modell fungerar enligt en enkel semantisk princip: skaparen observerar interaktionen mellan modellen och dess referent. Behandlingen av mottagen information kan vara "empirisk" på många sätt, från analytiska formler, orsakssamband till försök och misstag.
Produktionsmodeller för kunskapsrepresentation
Denna datarepresentationsmodell är oftast baserad på samband och kausalitet. Om informationen kan representeras i form av villkor av typen "If, Then", så är modellen produktion. Det används oftast i applikationer och enkla konstgjordaintelligens.
Kunskapsrepresentationsproduktionsmodeller är oftast datorprogram som tillhandahåller någon form av artificiell intelligens med en uppsättning beteenderegler, såväl som den mekanism som krävs för att följa dessa regler under vissa förhållanden.
Produktion (en uppsättning regler) består av två delar: en förutsättning ("OM") och en handling ("DÅ"). Om produktionsförutsättningen stämmer överens med det aktuella tillståndet i världen, körs modellen. Produktionsmodellen innehåller även en databas, ibland kallad arbetsminne, som innehåller aktuell kunskap.
Nackdelarna med produktionsmodellen är att om antalet regler är för stort kan modellens handlingar motsäga varandra.
Semantiska nätverk
De är baserade på bildens integritet och är de mest visuella modellerna för kunskapsrepresentation. Det semantiska nätverket representeras oftast som en graf eller en komplex grafstruktur, vars noder eller hörn representerar objekt, begrepp, fenomen och kanterna representerar relationer mellan vissa objekt, begrepp och fenomen.
Det enklaste semantiska nätverket kan enkelt representeras som en triangel, vars hörn är sådana begrepp som till exempel "hund", "däggdjur" och "ryggrad". I det här fallet kommer hörnen att förbinda triangelns sidor, vilket kan betecknas med sådana anslutningar och relationer som "är", "besitter", "har". på så sätt får vi en kunskapsrepresentationsmodell som vi lär oss av,att en hund är ett däggdjur, däggdjur har en ryggrad och en hund har en ryggrad.
Sådana modeller är illustrativa och med deras hjälp kan du mest effektivt representera komplexa system och orsakssamband. Dessutom kan dessa semantiska nätverk kompletteras med ny kunskap genom att utöka ett befintligt nätverk, det vill säga en triangel kan förvandlas till en rektangel, sedan till en hexagon och sedan till ett komplext nätverk av korsande former, där man kan observera, till exempel arv av fastigheter.
Rammodell
Rammodellen heter så från det engelska ordet frame - frame eller frame. En ram är en struktur som samlar in data som används för att representera ett visst koncept.
Som i sociologi, där ramar är en sorts stereotyp data som påverkar människans uppfattning om världen och beslutsprocessen, inom datavetenskap och arbete med artificiell intelligens, används ramar för att skapa strukturerad data som representerar stereotypa situationer. Faktum är att detta är det ursprungliga, grundläggande datasystemet som uppfattningen av världen med artificiell intelligens bygger på.
Framöver att vara effektiva modeller för kunskapsrepresentation är ramar aktiva inte bara inom datavetenskap. De var ursprungligen en variant av semantiska nätverk.
En ram består av en eller flera platser. I sin tur kan slots själva vara ramar. Således kan rammodellen representera komplexa konceptuella objekt, som bildar en bred hierarkisk kedja.kunskap.
Kunskapsrepresentationsrammodellen innehåller information om hur man använder en ram, vad man kan förvänta sig under och efter användning, och vad man ska göra när förväntningarna från att använda en ram inte uppfylls.
Vissa typer av data i en rammodell är fasta, medan annan data, vanligtvis lagrad i terminalplatser, kan ändras. Terminalplatser behandlas oftast som variabler. Slots och ramar på toppnivå innehåller information om situationen, vilket alltid är sant, men terminalplatser behöver inte vara sanna.
Ramar i ett komplext nätverk kan dela slots för andra ramar i samma nätverk.
Databasen kan lagra prototypramar (oföränderliga) och instansramar som skapas situationsmässigt för att representera en viss situation eller koncept.
Rammodeller för kunskapsrepresentation är en av de mest mångsidiga och kapabla att visa olika typer av kunskap:
- ramstrukturer används för att representera koncept och objekt;
- ramroller betecknar rollansvar;
- ramskript beskriver beteende;
- ramsituationer används för att representera stat och aktiviteter.
Neurala nätverk
Dessa algoritmer kan också villkorligt läggas till gruppen av modeller baserat på ett empiriskt förhållningssätt till kunskap. Faktum är att neurala nätverk försöker kopiera de processer som sker i den mänskliga hjärnan. De bygger på teorin att ett artificiellt intelligenssystem med samma strukturer ochprocesser, som i den mänskliga hjärnan, kommer att kunna få liknande resultat i processen för beslutsfattande, utvärdering av situationer och verklighetsuppfattning.
Teoretiskt välgrundat tillvägagångssätt
Matematiska, predikativa och logiska modeller för kunskapsrepresentation är baserade på detta tillvägagångssätt. Dessa modeller garanterar korrekta beslut eftersom de bygger på formell logik. De är lämpliga för att lösa enkla problem från ett sm alt ämnesområde, ofta förknippat med formell logik.
Logiska modeller för kunskapsrepresentation
Detta är en av de mest populära modellerna baserad på ett teoretiskt tillvägagångssätt. Den logiska modellen använder predikatet algebra, dess system av axiom och slutledningsregler. De vanligaste logiska modellerna använder termer - logiska konstanter, funktioner och variabler, samt predikat, det vill säga uttryck för logiska handlingar.
