Подання знань (Представлення знань)

Подання знань — одна із функцій інтелектуальної системи.

Теорія подання знань — окрема область досліджень, щільно пов'язана з філософією формалізму та когнітивною психологією. Предмет дослідження в цій області — методи асоціативного збереження інформації, подібні тим, що існують в мозку людини.

Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении) и в искусственном интеллекте. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В Искусственном интеллекте (ИИ) основная цель — научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы как фреймы, правила и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.

Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:

• Как люди представляют знания?
• Какова природа знаний и как мы их представляем?
• Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой?
• Насколько выразительна данная схема представления?
• Должна ли быть схема декларативной или процедурной?

Было очень немного top-down обсуждения вопросов представления знаний и исследования в данной области is a well aged quiltwork. Есть хорошо известные проблемы, такие как "spreading activation, " (задача навигации в сети узлов) «категоризация» (это связано с выборочным наследованием; например вездеход можно считать специализацией (особым случаем) автомобиля, но он наследует только некоторые характеристики) и «классификация». Например помидор можно считать как фруктом, так и овощем.

В области искусственного интеллекта, решение задач может быть упрощено правильным выбором метода представления знаний. Определенный метод может сделать какую-либо область знаний легко представимой. Например диагностическая экспертная система Мицин использовала схему представления знаний основанную на правилах. Неправильный выбор метода представления затрудняет обработку. В качестве аналогии можно взять вычисления в индо-арабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми. Хранение и обработка

Одной из проблем в представлении знаний является как хранить и обрабатывать знания в информационных системах формальным способом так, чтобы механизмы могли использовать их для достижения поставленных задач. Примеры применения здесь экспертные системы, Машинный перевод, компьютеризированное техническое обслуживание и системы извлечения и поиска информации (включая пользовательские интерфейсы баз данных).

Для представления знаний можно использовать семантические сети. Каждый узел такой сети представляет концепцию, а дуги используются для определения отношений между концепциями. Одна из самых выразительных и детально описанных парадигм представления знаний основанных на семантических сетях это MultiNet (акроним для Многослойные Расширенные Семантические Сети англ. Multilayered Extended Semantic Networks).

Начиная с 1960-х годов, использовалось понятие фрейма знаний или просто фрейма. Каждый фрейм имеет своё собственное имя и набор атрибутов, или слотов которые содержат значения; например фрейм дом мог бы содержать слоты цвет, количество этажей и так далее.

Использование фреймов в экспертных системах является примером объектно-ориентированного программирования, с наследованием свойств, которое описывается связью «is-a». Однако, в использовании связи «is-a» существовало немало противоречий: Рональд Брахман написал работу озаглавленную «Чем является и не является IS-A», в которой были найдены 29 различных семантик связи «is-a» в проектах, чьи схемы представления знаний включали связь «is-a». Другие связи включают, например, «has-part».

Фреймовые структуры хорошо подходят для представления знаний, представленных в виде схем и стереотипных когнитивных паттернов. Элементы подобных паттернов обладают разными весами, приче м большие весы назначаютя тем элентам, которые соответствую текущей когнитивной схеме (schema). Паттерн активизируется при определённых условиях: Если человек видит большую птицу, при условии что сейчас активна его «морская схема», а «земная схема» — нет, он классифицирует ее скорее как морского орлана, а не сухопутного беркута.

Фреймовые представления объектно-центрированы в том же смысле что и Семантическая сеть: Все факты и свойства, связанные с одной концепцией, размещаются в одном месте, поэтому не требуется тратить ресурсы на поиск по базе данных.

Скрипт это тип фреймов, который описывает последовательность событий во времени; типичный пример описание похода в ресторан. События здесь включают ожидание места, прочитать меню, сделать заказ, и так далее.

Различные решения в зависимости от их семантической выразительности могут быть организованы в так называемый семантический спектр (англ. Semantic spectrum).

Язык и нотация

Некоторые люди считают, что лучше всего будет представлять знания также как они представлены в человеческом разуме, который является единственным известным на сегодняшний день работающим разумом, или же представлять знания в форме естественного языка. Доктор Ричард Баллард, например, разработал "семантическую систему, базирующуюся на теории", которая не зависит от языка, которая выводит цель и рассуждает теми же концепциями и теориями что и люди. Формула, лежащая в основе этой семантики: Знание=Теория+Информация. Большинство распространенных приложений и систем баз данных основаны на языках. К несчастью, мы не знаем как знания представляются в человеческом разуме, или как манипулировать естественными языками также как это делает человек. Одной из подсказок является то, что приматы знают как использовать интерфейсы пользователя point and click; таким образом интерфейс жестов похоже является частью нашего когнитивного аппарата, модальность которая не привязана к устному языку, и которая существует в других животных кроме человека.

Поэтому для представления знаний были предложены различные искусственные языки и нотации. Обычно они основаны на логике и математике, и имеют легко читаемую грамматику для облегчения машинной обработки. Обычно они попадают в широкую область онтологий.

Нотация

Последней модой в языках представления знаний является использование XML в качестве низкоуровневого синтаксиса. Это приводит к тому, что вывод этих языков представления знаний машины могут легко Синтаксический анализ, за счёт Удобочитаемости для человека.

Логика первого порядка широко используется в качестве математической основы для этих систем, чтобы избежать избыточной сложности. Однако даже простые системы основанные на этой простой логике можно использовать для представления данных которое значительно лучше возможностей обработки для нынешних компьютерных систем: причины раскрываются в теории вычислимости.

Примеры нотаций:

• DATR является примером представления лексических знаний
• RDF является простой Нотация для представления отношений между и среди объектов

Языки

Примеры искусственных языков которые используются преимущественно для представления знаний:

• CycL
• IKL
• KIF
• Loom
• OWL
• KM : Машина Знаний (англ. Knowledge Machine) (фреймовый язык, использовавшийся для задач представления знаний)

Методы и формализмы

Методы и формализмы представления знаний название раздела I.2.4 в Компьютерной классификации ACM.

Данная секция расположена под:

• Категорией самого верхнего уровня, I Вычислительные методологии, и
• Категорией второго уровня, I.2 Искусственный интеллект.

Она включает следующие темы:

• Фреймы и скрипты
• Модальная логика
• Логика первого порядка
• Реляционные системы
• Языки представления
• Представления (процедурные и основанные на правилах)
• Семантические сети