A inteligência artificial (IA) é uma tecnologia popular e inovadora que leva a inteligência humana para o próximo nível. Oferece o poder da inteligência precisa integrada às máquinas.
Os seres humanos são agraciados com alto nível de pensamento, raciocínio, interpretação e compreensão do conhecimento. O conhecimento que adquirimos nos ajuda a realizar diferentes atividades no mundo real.
Hoje em dia, até as máquinas estão se tornando capazes de fazer tantas coisas, graças à tecnologia.
Recentemente, o uso de sistemas e dispositivos com IA está aumentando devido à sua eficiência e precisão na execução de tarefas complexas.
Agora, o problema é que, enquanto os humanos adquiriram muitos níveis e tipos de conhecimento em suas vidas, as máquinas enfrentam dificuldade em interpretar o mesmo conhecimento.
Portanto, a representação do conhecimento é usada. Isso resolverá problemas complexos em nosso mundo que são difíceis e demorados para os humanos resolverem.
Neste artigo, explicarei a representação do conhecimento na IA, como funciona, seus tipos e técnicas e muito mais.
Vamos começar!
O que é representação e raciocínio do conhecimento?
A representação e raciocínio do conhecimento (KR&R) é uma parte da inteligência artificial que se dedica exclusivamente a representar informações sobre o mundo real de tal forma que um computador possa entender e agir de acordo. Isso leva à resolução de problemas complexos, como computação, diálogo em linguagem natural, diagnóstico de uma condição médica crítica, etc.
A representação do conhecimento encontra seu caminho na psicologia sobre como um ser humano é capaz de resolver problemas e representar o conhecimento para projetar formalismos. Isso permitirá que a IA entenda como um ser humano simplifica sistemas complexos durante a construção e o design.
O trabalho mais antigo foi focado em solucionadores de problemas gerais, que foi desenvolvido por Herbert A. Simon e Allen Newell em 1959. Esses sistemas usavam estrutura de dados para decomposição e planejamento. O sistema começa primeiro com um objetivo e depois decompõe o objetivo em sub-objetivos. Em seguida, o sistema estabelece algumas estratégias construtivas que podem atender a cada subobjetivo.
Esses esforços levaram a uma revolução cognitiva na psicologia humana e a uma fase da IA que se concentrou na representação do conhecimento. Isso resultou em sistemas especialistas nas décadas de 1970 e 1980, linguagens de quadro, sistemas de produção e muito mais. Mais tarde, a IA mudou seu foco principal para sistemas especializados que poderiam corresponder à competência humana, como o diagnóstico médico.
Além disso, a representação do conhecimento permite que os sistemas de computador compreendam e utilizem o conhecimento para resolver problemas do mundo real. Também define uma maneira pela qual você pode representar conhecimento e raciocínio em IA.
A representação do conhecimento não é apenas armazenar dados em bancos de dados; em vez disso, permite que máquinas inteligentes aprendam com o conhecimento humano e experimentem o mesmo para que uma máquina possa se comportar e agir como um ser humano.
Os humanos têm conhecimento que é estranho às máquinas, incluindo sentimentos, intenções, crenças, bom senso, julgamentos, preconceitos, intuição e muito mais. Alguns conhecimentos também são diretos, como saber certos fatos, conhecimento geral de eventos, pessoas, objetos, linguagem, disciplinas acadêmicas, etc.
Com KR&R, você pode representar os conceitos de humanos em um formato compreensível para máquinas e tornar os sistemas baseados em IA realmente inteligentes. Aqui, conhecimento significa fornecer informações sobre o ecossistema e armazená-las, enquanto raciocínio significa tomar decisões e ações a partir das informações armazenadas com base no conhecimento.
Que conhecimento deve ser representado em sistemas de IA?
O conhecimento que precisa ser apresentado em sistemas de inteligência artificial pode incluir:
- Objeto: Os objetos cercam os humanos constantemente. Assim, as informações sobre esses objetos são essenciais e devem ser consideradas como um tipo de conhecimento. Por exemplo, pianos têm teclas brancas e pretas, carros têm rodas, ônibus precisam de motoristas, aviões precisam de pilotos, etc.
- Eventos: Numerosos eventos estão ocorrendo constantemente no mundo real. E a percepção humana é baseada em eventos. A IA precisa ter conhecimento de eventos para agir. Alguns eventos são fomes, o avanço das sociedades, guerras, desastres, conquistas e muito mais.
- Performance: Este conhecimento lida com certas ações dos humanos em várias situações. Ele representa o lado comportamental do conhecimento, que é essencial para a IA entender.
- Meta conhecimento: Por exemplo, se olharmos ao redor do mundo e somarmos todo o conhecimento existente, veremos que ele está dividido principalmente em três categorias:
- O que já sabemos
- O que sabemos são basicamente coisas que não sabemos completamente
- O que ainda não sabemos
- O meta conhecimento trata do primeiro, ou seja, o que sabemos e deixa a IA perceber o mesmo.
- Fatos: Este conhecimento é baseado na descrição factual do nosso mundo. Por exemplo, a Terra não é plana, mas também não é redonda; nosso sol tem um apetite voraz e muito mais.
- Base de conhecimento: A base de conhecimento é o principal componente da inteligência humana. Isso se refere a um grupo de dados ou informações relevantes sobre qualquer campo, descrição e muito mais. Por exemplo, uma base de conhecimento sobre como projetar um modelo de carro.
Como funciona a representação do conhecimento?
Normalmente, uma tarefa a realizar, um problema a resolver e obter uma solução é dado informalmente, como entregar as encomendas quando chegam ou resolver problemas elétricos na casa.
Para resolver um problema real, o projetista do sistema deve:
- Execute a tarefa para determinar qual a melhor solução que ela pode fornecer
- Represente o problema em um idioma para que um computador possa raciocinar
- Use o sistema para computar uma saída final, que é a solução para os usuários ou uma sequência de atividades necessárias a serem realizadas no ecossistema.
- Interprete o resultado final como uma solução para o problema principal
Conhecimento é a informação que um ser humano já possui, mas as máquinas precisam aprender. Como há muitos problemas, a máquina precisa de conhecimento. Como parte do sistema de design, você pode definir qual conhecimento deve ser representado.
Conexão entre representação do conhecimento e IA
O conhecimento desempenha um papel essencial na inteligência. Também é responsável pela criação da inteligência artificial. Quando é necessário expressar comportamento inteligente nos agentes de IA, ela desempenha um papel necessário. Um agente é incapaz de funcionar com precisão quando lhe falta experiência ou conhecimento de certas entradas.
Por exemplo, se você deseja interagir com uma pessoa, mas não consegue entender o idioma, é óbvio que não consegue responder bem e realizar nenhuma ação. Isso funciona da mesma forma para o comportamento inteligente dos agentes. A IA precisa ter conhecimento suficiente para realizar a funcionalidade à medida que um tomador de decisão descobre o ambiente e aplica o conhecimento necessário.
No entanto, a IA não pode exibir comportamento intelectual sem os componentes do conhecimento.
Tipos de conhecimento representados na IA
Agora que sabemos por que precisamos da representação do conhecimento na IA, vamos descobrir os tipos de conhecimento representados em um sistema de IA.
- Conhecimento declarativo: representa os objetos, conceitos e fatos que o ajudam a descrever o mundo inteiro ao seu redor. Assim, compartilha a descrição de algo e expressa sentenças declarativas.
- Conhecimento procedimental: O conhecimento procedimental é menor em comparação com o conhecimento declarativo. Também é conhecido como conhecimento imperativo, que é utilizado por robôs móveis. É para declarar a realização de algo. Por exemplo, com apenas um mapa de um prédio, os robôs móveis podem fazer seu próprio plano. Os robôs móveis podem planejar ataques ou realizar navegação.
Além disso, o conhecimento processual é aplicado diretamente à tarefa que inclui regras, procedimentos, agendas, estratégias e muito mais.
- Meta Conhecimento: No campo da inteligência artificial, o conhecimento pré-definido é conhecido como metaconhecimento. Por exemplo, o estudo de marcação, aprendizado, planejamento, etc., se enquadra nesse tipo de conhecimento.
Este modelo muda seu comportamento com o tempo e utiliza outras especificações. Um engenheiro de sistema ou engenheiro de conhecimento utiliza várias formas de meta-conhecimento, como precisão, avaliação, propósito, fonte, tempo de vida, confiabilidade, justificação, integridade, consistência, aplicabilidade e desambiguação.
- Conhecimento Heurístico: Esse conhecimento, também conhecido como conhecimento superficial, segue o princípio da regra do polegar. Portanto, é altamente eficiente no processo de raciocínio, pois pode resolver questões com base em registros anteriores ou problemas compilados por especialistas. No entanto, reúne experiências de problemas passados e fornece uma melhor abordagem baseada em conhecimento para especificar problemas e agir.
- Conhecimento Estrutural: O conhecimento estrutural é o conhecimento mais simples e básico que é usado e aplicado na solução de problemas complexos. Ele tenta encontrar uma solução eficaz encontrando a relação entre objetos e conceitos. Além disso, descreve a relação entre múltiplos conceitos, como parte de, espécie de ou agrupamento de algo.
O conhecimento declarativo pode ser representado como aquele que descreve, enquanto o conhecimento procedimental é aquele que faz. Além disso, o conhecimento declarativo é definido como explícito, enquanto o conhecimento procedimental é tácito ou implícito. É conhecimento declarativo se você pode articular o conhecimento e conhecimento procedimental se você não pode articulá-lo.
Técnicas de Representação do Conhecimento em IA
Existem quatro técnicas principais que representam o conhecimento em IA:
- representação lógica
- redes semânticas
- regras de produção
- Representação do quadro
Representação Lógica
A representação lógica é a forma básica de representação do conhecimento para as máquinas onde é utilizada uma sintaxe definida com regras básicas. Essa sintaxe não tem ambiguidade no significado e lida com preposições. No entanto, a forma lógica de representação do conhecimento atua como as regras de comunicação. Esta é a razão pela qual pode ser usado para representar fatos para as máquinas.
A representação lógica é de dois tipos:
- Lógica proposicional: A lógica proposicional também é conhecida como lógica de declaração ou cálculo proposicional que funciona em um booleano, o que significa um método de Verdadeiro ou Falso.
- Lógica de primeira ordem: A lógica de primeira ordem é um tipo de representação de conhecimento lógico que você também pode chamar de Lógica de cálculo de predicados de primeira ordem (FOPL). Essa representação do conhecimento lógico representa os predicados e objetos em quantificadores. É um modelo avançado de lógica proposicional.
Essa forma de representação de conhecimento se parece com a maioria das linguagens de programação nas quais você usa semântica para encaminhar informações. É uma maneira altamente lógica de resolver problemas. No entanto, a principal desvantagem desse método é a natureza estrita da representação. Em geral, é difícil de executar e às vezes não muito eficiente.
Redes Semânticas
Uma representação gráfica, neste tipo de representação do conhecimento, carrega os objetos conectados que são utilizados com a rede de dados. As redes semânticas incluem arcos/bordas (conexões) e nós/blocos (objetos) que descrevem a conexão entre os objetos.
Esta é uma alternativa para a forma de representação Lógica de Cálculo de Predicados de Primeira Ordem (FOPL). As relações nas redes semânticas são de dois tipos:
É uma forma de representação mais natural do que lógica devido à sua simplicidade de compreensão. A principal desvantagem dessa forma de representação é que ela é computacionalmente cara e não inclui quantificadores equivalentes que você pode encontrar na representação lógica.
Regras de produção
As regras de produção são a forma mais comum de representação do conhecimento em sistemas de IA. É a forma mais simples de representar sistemas baseados em regras if-else e, portanto, pode ser facilmente compreendido. Representa uma forma de combinar FOPL e lógica proposicional.
Para entender tecnicamente as regras de produção, você precisa primeiro entender os constituintes do sistema de representação. Este sistema inclui um conjunto de regras, memória de trabalho, aplicador de regras e um ciclo de ação reconhecido.
Para cada entrada, a IA verifica as condições das regras de produção e, após encontrar uma regra melhor, executa a ação necessária imediatamente. O ciclo de selecionar regras com base nas condições e agir para resolver o problema é conhecido como o ciclo de reconhecimento e ação que ocorre em cada entrada.
No entanto, esse método apresenta alguns problemas, como execução ineficiente devido às regras ativas e falta de ganho de experiência devido ao não armazenamento de resultados anteriores. Como as regras são expressas em linguagem natural, o custo das desvantagens pode ser resgatado. Aqui, as regras podem ser alteradas e descartadas facilmente, se necessário.
Representação de quadro
Para entender a representação do quadro em um nível fundamental, imagine uma tabela composta por nomes em colunas e valores em linhas; as informações necessárias são passadas nesta estrutura completa. Em palavras simples, a representação de quadro é uma coleção de valores e atributos.
Esta é uma estrutura de dados específica da IA que usa preenchimentos (valores de slot que podem ser de qualquer tipo e forma de dados) e slots. O processo é bastante semelhante ao típico sistema de gerenciamento de banco de dados (DBMS). Esses preenchimentos e slots formam uma estrutura chamada quadro.
Os slots, nessa forma de representação do conhecimento, possuem nomes ou atributos, e o conhecimento relacionado aos atributos é armazenado em fillers. A principal vantagem desse tipo de representação é que dados semelhantes podem ser mesclados em grupos para dividir o conhecimento em estruturas. Além disso, é dividido em subestruturas.
Sendo como uma estrutura de dados típica, esse tipo pode ser entendido, manipulado e visualizado facilmente. Conceitos típicos, incluindo remoção, exclusão e adição de slots, podem ser executados sem esforço.
Requisitos para Representação do Conhecimento no sistema de IA
Uma boa representação de conhecimento contém algumas propriedades:
- Precisão representacional: a representação do conhecimento precisa representar cada tipo de conhecimento necessário com precisão.
- Eficiência inferencial: É a capacidade de lidar facilmente com mecanismos de conhecimento inferencial em direções produtivas usando guias apropriados.
- Adequação inferencial: a representação do conhecimento deve ter a capacidade de manipular algumas estruturas representacionais para representar o novo conhecimento com base nas estruturas existentes.
- Eficiência de aquisição: A capacidade de obter novos conhecimentos usando métodos automáticos.
Ciclo de conhecimento de IA
Os sistemas de IA incluem alguns componentes importantes para mostrar um comportamento inteligente que torna possível a representação do conhecimento.
- Percepção: ajuda o sistema baseado em IA a coletar informações sobre o ambiente usando diferentes sensores e familiarizá-lo com o ecossistema para interagir com eficiência com os problemas.
- Aprendizado: é usado para permitir que os sistemas de IA executem algoritmos de aprendizado profundo que já foram escritos para fazer com que os sistemas de IA forneçam as informações necessárias do componente de percepção ao componente de aprendizado para melhor aprendizado e compreensão.
- Representação do conhecimento e raciocínio: os seres humanos usam o conhecimento para tomar decisões. Portanto, esse bloco é responsável por servir os humanos por meio dos dados de conhecimento dos sistemas de IA e usar o conhecimento relevante sempre que necessário.
- Planejamento e execução: Este bloco é independente. Ele é usado para obter dados de blocos de conhecimento e raciocínio e executar ações relevantes.
Conclusão
Os humanos podem obter conhecimento de maneiras diferentes, assim como as máquinas baseadas em IA. À medida que a IA está evoluindo, representar o conhecimento para as máquinas de uma maneira melhor ajuda a resolver problemas complexos com o mínimo de erros. Portanto, a representação do conhecimento é um atributo essencial para que as máquinas de IA funcionem de maneira inteligente e inteligente.
Você também pode observar a diferença entre Inteligência Artificial, Machine Learning e Deep Learning.
