logo

O que é representação do conhecimento?

Os humanos são melhores em compreender, raciocinar e interpretar o conhecimento. O ser humano conhece as coisas, o que é conhecimento e de acordo com seu conhecimento realiza diversas ações no mundo real. Mas o modo como as máquinas fazem todas essas coisas está sujeito à representação e ao raciocínio do conhecimento. . Portanto, podemos descrever a representação do conhecimento da seguinte forma:

  • Representação e raciocínio do conhecimento (KR, KRR) é a parte da inteligência artificial que se preocupa com o pensamento dos agentes de IA e como o pensamento contribui para o comportamento inteligente dos agentes.
  • É responsável por representar informações sobre o mundo real para que um computador possa compreender e utilizar esse conhecimento para resolver problemas complexos do mundo real, como diagnosticar uma condição médica ou comunicar-se com humanos em linguagem natural.
  • É também uma forma que descreve como podemos representar o conhecimento em inteligência artificial. A representação do conhecimento não consiste apenas em armazenar dados em algum banco de dados, mas também permite que uma máquina inteligente aprenda com esse conhecimento e experiências para que possa se comportar de forma inteligente como um ser humano.

O que representar:

A seguir estão os tipos de conhecimento que precisam ser representados em sistemas de IA:

    Objeto:Todos os fatos sobre objetos em nosso domínio mundial. Por exemplo, guitarras contêm cordas, trombetas são instrumentos de sopro.Eventos:Eventos são as ações que ocorrem em nosso mundo.Desempenho:Descreve o comportamento que envolve conhecimento sobre como fazer as coisas.Metaconhecimento:É conhecimento sobre o que sabemos.Fatos:Os fatos são as verdades sobre o mundo real e o que representamos.Base de conhecimento:O componente central dos agentes baseados em conhecimento é a base de conhecimento. É representado como KB. A Base de Conhecimento é um grupo de Sentenças (aqui, as frases são usadas como um termo técnico e não idênticas ao idioma inglês).

Conhecimento: Conhecimento é consciência ou familiaridade adquirida por experiências de fatos, dados e situações. A seguir estão os tipos de conhecimento em inteligência artificial:

Tipos de conhecimento

A seguir estão os vários tipos de conhecimento:

Representação do Conhecimento em Inteligência Artificial

1. Conhecimento Declarativo:

  • Conhecimento declarativo é saber sobre algo.
  • Inclui conceitos, fatos e objetos.
  • Também é chamado de conhecimento descritivo e expresso em sentenças declarativas.
  • É mais simples que a linguagem processual.

2. Conhecimento Processual

  • Também é conhecido como conhecimento imperativo.
  • O conhecimento processual é um tipo de conhecimento responsável por saber fazer algo.
  • Pode ser aplicado diretamente a qualquer tarefa.
  • Inclui regras, estratégias, procedimentos, agendas, etc.
  • O conhecimento processual depende da tarefa na qual pode ser aplicado.

3. Metaconhecimento:

  • O conhecimento sobre os outros tipos de conhecimento é chamado de Metaconhecimento.

4. Conhecimento heurístico:

  • O conhecimento heurístico representa o conhecimento de alguns especialistas em um campo ou assunto.
  • O conhecimento heurístico são regras práticas baseadas em experiências anteriores, no conhecimento das abordagens e que são boas para trabalhar, mas não garantidas.

5. Conhecimento estrutural:

  • O conhecimento estrutural é o conhecimento básico para a resolução de problemas.
  • Descreve as relações entre vários conceitos, como tipo de, parte de e agrupamento de algo.
  • Descreve a relação que existe entre conceitos ou objetos.

A relação entre conhecimento e inteligência:

O conhecimento do mundo real desempenha um papel vital na inteligência e também na criação de inteligência artificial. O conhecimento desempenha um papel importante na demonstração do comportamento inteligente em agentes de IA. Um agente só é capaz de agir com precisão sobre alguma entrada quando possui algum conhecimento ou experiência sobre essa entrada.

Suponhamos que se você conhecesse uma pessoa que fala um idioma que você não conhece, então como você poderá agir em relação a isso. O mesmo se aplica ao comportamento inteligente dos agentes.

Como podemos ver no diagrama abaixo, existe um tomador de decisão que atua sentindo o ambiente e utilizando o conhecimento. Mas se a parte do conhecimento não estiver presente, não poderá exibir um comportamento inteligente.

Representação do Conhecimento em Inteligência Artificial

Ciclo de conhecimento de IA:

Um sistema de inteligência artificial possui os seguintes componentes para exibir comportamento inteligente:

  • Percepção
  • Aprendizado
  • Representação e raciocínio do conhecimento
  • Planejamento
  • Execução
Representação do Conhecimento em Inteligência Artificial

O diagrama acima mostra como um sistema de IA pode interagir com o mundo real e quais componentes o ajudam a mostrar inteligência. O sistema de IA possui um componente de Percepção pelo qual recupera informações de seu ambiente. Pode ser visual, sonoro ou outra forma de entrada sensorial. O componente de aprendizagem é responsável por aprender a partir dos dados capturados pelo comportamento Percepção. No ciclo completo, os principais componentes são a representação do conhecimento e o raciocínio. Esses dois componentes estão envolvidos na demonstração da inteligência em humanos semelhantes a máquinas. Esses dois componentes são independentes entre si, mas também acoplados. O planejamento e a execução dependem da análise da representação e do raciocínio do Conhecimento.

char para int

Abordagens para representação do conhecimento:

Existem basicamente quatro abordagens para representação do conhecimento, que são fornecidas abaixo:

1. Conhecimento relacional simples:

  • É a forma mais simples de armazenar fatos que utiliza o método relacional, e cada fato sobre um conjunto do objeto é disposto sistematicamente em colunas.
  • Esta abordagem de representação do conhecimento é famosa em sistemas de banco de dados onde o relacionamento entre diferentes entidades é representado.
  • Esta abordagem tem poucas oportunidades para inferência.

Exemplo: A seguir está a representação simples do conhecimento relacional.

Jogador Peso Idade
Jogador1 65 23
Jogador2 58 18
Jogador3 75 24

2. Conhecimento herdável:

  • Na abordagem do conhecimento herdável, todos os dados devem ser armazenados em uma hierarquia de classes.
  • Todas as classes devem ser organizadas de forma generalizada ou hierárquica.
  • Nesta abordagem, aplicamos propriedade de herança.
  • Os elementos herdam valores de outros membros de uma classe.
  • Esta abordagem contém conhecimento herdável que mostra uma relação entre instância e classe, e é chamada de relação de instância.
  • Cada quadro individual pode representar a coleção de atributos e seu valor.
  • Nesta abordagem, objetos e valores são representados em nós em caixa.
  • Usamos setas que apontam dos objetos para seus valores.
  • Exemplo:
Representação do Conhecimento em Inteligência Artificial

3. Conhecimento inferencial:

  • A abordagem do conhecimento inferencial representa o conhecimento na forma de lógica formal.
  • Esta abordagem pode ser usada para derivar mais fatos.
  • Garantiu a correção.
  • Exemplo:Suponhamos que existam duas afirmações:
    1. Marcus é um homem
    2. Todos os homens são mortais
      Então pode representar como;

      homem (Marco)
      ∀x = homem (x) ----------> mortal (x)s

4. Conhecimento processual:

  • A abordagem do conhecimento processual utiliza pequenos programas e códigos que descrevem como fazer coisas específicas e como proceder.
  • Nesta abordagem, uma regra importante é usada, que é Regra Se-Então .
  • Com esse conhecimento, podemos usar várias linguagens de codificação, como Linguagem LISP e Linguagem prólogo .
  • Podemos facilmente representar conhecimento heurístico ou específico de domínio usando esta abordagem.
  • Mas não é necessário que possamos representar todos os casos nesta abordagem.

Requisitos para sistema de representação de conhecimento:

Um bom sistema de representação do conhecimento deve possuir as seguintes propriedades.

    1. Precisão Representacional:
    O sistema KR deve ter a capacidade de representar todos os tipos de conhecimento necessário.2. Adequação Inferencial:
    O sistema KR deve ter capacidade de manipular as estruturas representacionais para produzir novo conhecimento correspondente à estrutura existente.3. Eficiência Inferencial:
    A capacidade de direcionar o mecanismo de conhecimento inferencial nas direções mais produtivas, armazenando guias apropriados.4. Eficiência de aquisição-A capacidade de adquirir novos conhecimentos facilmente usando métodos automáticos.