شرح تمثيل المعرفة في الذكاء الاصطناعي بعبارات بسيطة
الذكاء الاصطناعي (AI) هو تقنية شائعة ومبتكرة تنقل الذكاء البشري إلى المستوى التالي. يوفر قوة ذكاء دقيق مدمج مع الآلات.
يُمنح البشر بمستوى عالٍ من التفكير والتفكير والتفسير وفهم المعرفة. تساعدنا المعرفة التي نكتسبها على أداء أنشطة مختلفة في العالم الحقيقي.
في الوقت الحاضر ، حتى الآلات أصبحت قادرة على القيام بأشياء كثيرة بفضل التكنولوجيا.
في الآونة الأخيرة ، يتزايد استخدام الأنظمة والأجهزة التي تعمل بالذكاء الاصطناعي بسبب كفاءتها ودقتها في أداء المهام المعقدة.
الآن ، المشكلة هي أنه بينما اكتسب البشر مستويات وأنواع عديدة من المعرفة في حياتهم ، تواجه الآلات صعوبة في تفسير نفس المعرفة.
ومن ثم ، يتم استخدام تمثيل المعرفة. سيؤدي هذا إلى حل المشكلات المعقدة في عالمنا والتي يصعب على البشر معالجتها وتستغرق وقتًا طويلاً.
في هذه المقالة ، سأشرح تمثيل المعرفة في الذكاء الاصطناعي ، وكيف يعمل ، وأنواعه وتقنياته ، والمزيد.
هيا نبدأ!
ما هو تمثيل المعرفة والتفكير؟
يمثل تمثيل المعرفة والاستدلال (KR&R) جزءًا من الذكاء الاصطناعي المخصص فقط لتمثيل المعلومات حول العالم الحقيقي في مثل هذا الشكل الذي يمكن للكمبيوتر فهمه واتخاذ الإجراءات وفقًا لذلك. يؤدي هذا إلى حل المشكلات المعقدة ، مثل الحساب ، وإجراء حوار بلغة طبيعية ، وتشخيص حالة طبية حرجة ، وما إلى ذلك.
يجد تمثيل المعرفة طريقه من علم النفس حول كيفية قدرة الإنسان على حل المشكلات وتمثيل المعرفة لتصميم الشكليات. سيسمح هذا للذكاء الاصطناعي بفهم كيف يجعل الإنسان الأنظمة المعقدة أبسط أثناء البناء والتصميم.
ركز العمل الأول على حل المشكلات العامة ، والذي تم تطويره بواسطة هربرت أ. سايمون وألين نيويل في عام 1959. استخدمت هذه الأنظمة بنية البيانات للتحلل والتخطيط. يبدأ النظام أولاً بهدف ثم يقسم الهدف إلى أهداف فرعية. بعد ذلك ، يحدد النظام بعض استراتيجيات البناء التي يمكن أن تراعي كل هدف فرعي.
أدت هذه الجهود بعد ذلك إلى ثورة معرفية في علم النفس البشري ومرحلة من الذكاء الاصطناعي ركزت على تمثيل المعرفة. نتج عن ذلك وجود أنظمة خبيرة في السبعينيات والثمانينيات ، ولغات الإطار ، وأنظمة الإنتاج ، والمزيد. في وقت لاحق ، غيّر الذكاء الاصطناعي تركيزه الأساسي إلى أنظمة خبيرة يمكن أن تتطابق مع الكفاءة البشرية ، مثل التشخيص الطبي.
علاوة على ذلك ، يسمح تمثيل المعرفة لأنظمة الكمبيوتر بفهم واستخدام المعرفة لحل مشاكل العالم الحقيقي. كما أنه يحدد طريقة يمكنك من خلالها تمثيل المعرفة والتفكير في الذكاء الاصطناعي.
تمثيل المعرفة لا يقتصر فقط على تخزين البيانات في قواعد البيانات ؛ بدلاً من ذلك ، فهو يمكّن الآلات الذكية من التعلم من المعرفة البشرية وتجربة الشيء نفسه بحيث يمكن للآلة أن تتصرف وتتصرف كإنسان.
يمتلك البشر معرفة غريبة عن الآلات ، بما في ذلك المشاعر والنوايا والمعتقدات والفطرة السليمة والأحكام والأحكام المسبقة والحدس وغير ذلك. بعض المعرفة واضحة أيضًا ، مثل معرفة بعض الحقائق ، والمعرفة العامة بالأحداث ، والأشخاص ، والأشياء ، واللغة ، والتخصصات الأكاديمية ، وما إلى ذلك.
باستخدام KR&R ، يمكنك تمثيل مفاهيم البشر بتنسيق مفهوم للآلات وجعل الأنظمة التي تعمل بالذكاء الاصطناعي ذكية حقًا. هنا ، المعرفة تعني توفير المعلومات المتعلقة بالنظام البيئي وتخزينها ، في حين أن المنطق يعني اتخاذ القرارات والإجراءات من المعلومات المخزنة بناءً على المعرفة.
ما هي المعرفة التي يجب تمثيلها في أنظمة الذكاء الاصطناعي؟
يمكن أن تشمل المعرفة التي يجب تقديمها في أنظمة الذكاء الاصطناعي ما يلي:
- الكائن: الكائنات تحيط بالبشر باستمرار. ومن ثم ، فإن المعلومات المتعلقة بهذه الأشياء ضرورية ويجب اعتبارها نوعًا من المعرفة. على سبيل المثال ، تحتوي آلات البيانو على مفاتيح بيضاء وسوداء ، والسيارات بها عجلات ، والحافلات بحاجة إلى سائقين ، والطائرات بحاجة إلى طيارين ، وما إلى ذلك.
- الأحداث: تجري أحداث عديدة باستمرار في العالم الحقيقي. والتصور البشري قائم على الأحداث. يحتاج الذكاء الاصطناعي إلى معرفة الأحداث لاتخاذ الإجراءات اللازمة. بعض الأحداث هي المجاعات ، وتقدم المجتمعات ، والحروب ، والكوارث ، والإنجازات ، وأكثر من ذلك.
- الأداء: تتعامل هذه المعرفة مع تصرفات معينة للبشر في مواقف مختلفة. إنه يمثل الجانب السلوكي للمعرفة وهو أمر ضروري جدًا لفهم الذكاء الاصطناعي.
- المعرفة الفوقية: على سبيل المثال ، إذا نظرنا حول العالم ولخصنا كل المعرفة الموجودة هناك ، فإننا نرى أنها مقسمة في الغالب إلى ثلاث فئات:
- ما نعرفه بالفعل
- ما نعرفه هو في الأساس أشياء لا نعرفها تمامًا
- ما لا نعرفه بعد
- تتعامل المعرفة الوصفية مع العنصر الأول ، أي ما نعرفه ونسمح للذكاء الاصطناعي بإدراك الشيء نفسه.
- حقائق: تستند هذه المعرفة إلى الوصف الواقعي لعالمنا. على سبيل المثال ، الأرض ليست مسطحة ولكنها ليست مستديرة أيضًا ؛ تتمتع شمسنا بشهية شرهة ، وأكثر من ذلك.
- قاعدة المعرفة: قاعدة المعرفة هي المكون الرئيسي للذكاء البشري. يشير هذا إلى مجموعة من البيانات أو المعلومات ذات الصلة في أي مجال ووصف وغير ذلك. على سبيل المثال ، قاعدة معرفية حول تصميم طراز سيارة.
كيف يعمل تمثيل المعرفة؟
عادةً ما يتم تقديم مهمة يجب تنفيذها ومشكلة يجب حلها والحصول على حل بشكل غير رسمي ، مثل تسليم الطرود عند وصولها أو إصلاح المشكلات الكهربائية في المنزل.
لحل مشكلة حقيقية ، يجب على مصمم النظام:
- نفذ المهمة لتحديد الحل الأفضل الذي يمكن أن تقدمه
- قم بتمثيل المشكلة بلغة حتى يتمكن الكمبيوتر من تفسيرها
- استخدم النظام في الكمبيوتر الناتج النهائي ، وهو الحل للمستخدمين أو سلسلة من الأنشطة التي يجب القيام بها في النظام البيئي.
- تفسير النتيجة النهائية كحل للقضية الأساسية
المعرفة هي المعلومات التي يمتلكها الإنسان بالفعل ، لكن الآلات بحاجة إلى التعلم. نظرًا لوجود الكثير من المشكلات ، تحتاج الآلة إلى المعرفة. كجزء من نظام التصميم ، يمكنك تحديد المعرفة التي سيتم تمثيلها.
العلاقة بين تمثيل المعرفة والذكاء الاصطناعي
تلعب المعرفة دورًا أساسيًا في الذكاء. كما أنها مسؤولة عن إنشاء الذكاء الاصطناعي. عندما تكون هناك حاجة للتعبير عن السلوك الذكي في وكلاء الذكاء الاصطناعي ، فإنه يلعب دورًا ضروريًا. الوكيل غير قادر على العمل بدقة عندما يفتقر إلى الخبرة أو المعرفة بمدخلات معينة.
على سبيل المثال ، إذا كنت تريد التفاعل مع شخص ما ولكنك غير قادر على فهم اللغة ، فمن الواضح أنك لا تستطيع الاستجابة بشكل جيد وتقديم أي إجراء. يعمل هذا بنفس الطريقة مع السلوك الذكي للوكيل. يحتاج الذكاء الاصطناعي إلى معرفة كافية لتنفيذ الوظيفة حيث يكتشف صانع القرار البيئة ويطبق المعرفة المطلوبة.
ومع ذلك ، لا يمكن للذكاء الاصطناعي إظهار السلوك الفكري بدون مكونات المعرفة.
أنواع المعرفة التي يمثلها الذكاء الاصطناعي
الآن بعد أن أصبحنا واضحين بشأن سبب حاجتنا إلى تمثيل المعرفة في الذكاء الاصطناعي ، فلنكتشف أنواع المعرفة الممثلة في نظام الذكاء الاصطناعي.
- المعرفة التصريحية: وهي تمثل الأشياء والمفاهيم والحقائق التي تساعدك على وصف العالم بأسره من حولك. وبالتالي ، فهو يشترك في وصف شيء ما ويعبر عن جمل توضيحية.
- المعرفة الإجرائية: المعرفة الإجرائية أقل مقارنة بالمعرفة التصريحية. تُعرف أيضًا باسم المعرفة الحتمية ، والتي تستخدمها الروبوتات المتنقلة. إنها للإعلان عن إنجاز شيء ما. على سبيل المثال ، باستخدام خريطة المبنى فقط ، يمكن للروبوتات المتنقلة وضع خطتها الخاصة. يمكن أن تخطط الروبوتات المحمولة للهجوم أو أداء التنقل.
علاوة على ذلك ، يتم تطبيق المعرفة الإجرائية مباشرة على المهمة التي تشمل القواعد والإجراءات وجداول الأعمال والاستراتيجيات والمزيد.
- المعرفة الفوقية: في مجال الذكاء الاصطناعي ، تُعرف المعرفة المحددة مسبقًا باسم المعرفة الفوقية. على سبيل المثال ، تندرج دراسة العلامات والتعلم والتخطيط وما إلى ذلك تحت هذا النوع من المعرفة.
يغير هذا النموذج سلوكه بمرور الوقت ويستخدم مواصفات أخرى. يستخدم مهندس النظام أو مهندس المعرفة أشكالًا مختلفة من المعرفة الوصفية ، مثل الدقة ، والتقييم ، والغرض ، والمصدر ، والعمر الافتراضي ، والموثوقية ، والتبرير ، والاكتمال ، والاتساق ، والتطبيق ، والتوضيح.
- المعرفة الإرشادية: هذه المعرفة ، والتي تُعرف أيضًا باسم المعرفة الضحلة ، تتبع مبدأ قاعدة الإبهام. ومن ثم ، فهي ذات كفاءة عالية في عملية التفكير حيث يمكنها حل المشكلات بناءً على السجلات أو المشكلات السابقة التي تم تجميعها من قبل الخبراء. ومع ذلك ، فإنه يجمع تجارب المشاكل السابقة ويوفر نهجًا أفضل قائمًا على المعرفة لتحديد المشكلات واتخاذ الإجراءات.
- المعرفة الهيكلية: المعرفة الهيكلية هي المعرفة الأساسية والأبسط التي يتم استخدامها وتطبيقها في حل المشكلات المعقدة. يحاول إيجاد حل فعال من خلال إيجاد العلاقة بين الأشياء والمفاهيم. بالإضافة إلى ذلك ، فهو يصف العلاقة بين مفاهيم متعددة ، مثل جزء من شيء ما أو نوع منه أو تجميعه.
يمكن تمثيل المعرفة التصريحية على أنها الموصوفة ، في حين أن المعرفة الإجرائية هي المعرفة. بالإضافة إلى ذلك ، يتم تعريف المعرفة التصريحية على أنها صريحة ، في حين أن المعرفة الإجرائية ضمنية أو ضمنية. إنها معرفة تصريحية إذا كان بإمكانك التعبير عن المعرفة والمعرفة الإجرائية إذا لم تتمكن من التعبير عنها.
تقنيات تمثيل المعرفة في الذكاء الاصطناعي
هناك أربع تقنيات رئيسية تمثل المعرفة في الذكاء الاصطناعي:
- التمثيل المنطقي
- الشبكات الدلالية
- قواعد الإنتاج
- تمثيل الإطار
التمثيل المنطقي
التمثيل المنطقي هو الشكل الأساسي لتمثيل المعرفة للآلات حيث يتم استخدام بناء جملة محدد مع القواعد الأساسية. هذا التركيب ليس له غموض في المعنى ويتعامل مع حروف الجر. ومع ذلك ، فإن الشكل المنطقي لتمثيل المعرفة يعمل كقواعد الاتصال. هذا هو السبب في أنه يمكن استخدامها لتمثيل الحقائق للآلات.
التمثيل المنطقي من نوعين:
- المنطق الإقتراحي: يُعرف المنطق الإقتراضي أيضًا بمنطق البيان أو حساب التفاضل والتكامل الذي يعمل في منطقية ، مما يعني طريقة صواب أو خطأ.
- منطق الدرجة الأولى: منطق الدرجة الأولى هو نوع من تمثيل المعرفة المنطقية التي يمكنك أيضًا تسميتها منطق حساب التفاضل والتكامل من الدرجة الأولى (FOPL). يمثل هذا التمثيل للمعرفة المنطقية المسندات والأشياء في المحددات الكمية. إنه نموذج متقدم لمنطق الاقتراح.
يشبه هذا النوع من تمثيل المعرفة معظم لغات البرمجة حيث تستخدم الدلالات لإعادة توجيه المعلومات. إنها طريقة منطقية للغاية لحل المشكلات. ومع ذلك ، فإن العيب الرئيسي لهذه الطريقة هو الطبيعة الصارمة للتمثيل. بشكل عام ، من الصعب التنفيذ وغير فعال في بعض الأحيان.
الشبكات الدلالية
التمثيل الرسومي ، في هذا النوع من تمثيل المعرفة ، يحمل الكائنات المتصلة التي يتم استخدامها مع شبكة البيانات. تتضمن الشبكات الدلالية الأقواس / الحواف (الوصلات) والعقد / الكتل (الكائنات) التي تصف الاتصال بين الكائنات.
هذا بديل لنموذج التمثيل المنطقي لحساب التفاضل والتكامل من الدرجة الأولى (FOPL). العلاقات في الشبكات الدلالية نوعان:
إنه شكل طبيعي للتمثيل أكثر من كونه منطقيًا بسبب بساطته في الفهم. الجانب السلبي الرئيسي لهذا الشكل من التمثيل هو أنه مكلف من الناحية الحسابية ولا يتضمن محددات كمية مكافئة يمكن أن تجدها في التمثيل المنطقي.
قواعد الإنتاج
قواعد الإنتاج هي الشكل الأكثر شيوعًا لتمثيل المعرفة في أنظمة الذكاء الاصطناعي. إنه أبسط شكل من أشكال تمثيل الأنظمة القائمة على القواعد إذا كان آخر ، وبالتالي يمكن فهمه بسهولة. إنه يمثل طريقة للجمع بين FOPL والمنطق الإفتراضي.
من أجل فهم قواعد الإنتاج تقنيًا ، عليك أولاً فهم مكونات نظام التمثيل. يتضمن هذا النظام مجموعة من القواعد والذاكرة العاملة وتطبيق القواعد ودورة فعل معترف بها.
لكل إدخال ، يتحقق الذكاء الاصطناعي من الشروط من قواعد الإنتاج ، وبعد العثور على قاعدة أفضل ، يتخذ الإجراء المطلوب على الفور. تُعرف دورة اختيار القواعد بناءً على الشروط والعمل على حل المشكلة باسم دورة الاعتراف والتنفيذ التي تحدث في كل إدخال.
ومع ذلك ، فإن هذه الطريقة بها بعض المشكلات ، مثل التنفيذ غير الفعال بسبب القواعد النشطة ونقص اكتساب الخبرة بسبب عدم تخزين النتائج السابقة. نظرًا لأن القواعد يتم التعبير عنها بلغة طبيعية ، يمكن استرداد تكلفة العيوب. هنا ، يمكن تغيير القواعد وإسقاطها بسهولة إذا لزم الأمر.
تمثيل الإطار
لفهم تمثيل الإطار على المستوى الأساسي ، تخيل جدولًا يتكون من أسماء في أعمدة وقيم في صفوف ؛ يتم تمرير المعلومات المطلوبة في هذا الهيكل الكامل. بكلمات بسيطة ، تمثيل الإطار هو مجموعة من القيم والسمات.
هذه بنية بيانات خاصة بالذكاء الاصطناعي تستخدم مواد مالئة (قيم الفتحات التي يمكن أن تكون من أي نوع وشكل بيانات) وفتحات. تشبه هذه العملية تمامًا نظام إدارة قواعد البيانات النموذجي (DBMS). تشكل هذه الحشوات والفتحات بنية تسمى الإطار.
تحتوي الفتحات ، في هذا الشكل من تمثيل المعرفة ، على أسماء أو سمات ، ويتم تخزين المعرفة المتعلقة بالسمات في مواد مالئة. الميزة الرئيسية لهذا النوع من التمثيل هي أنه يمكن دمج البيانات المماثلة في مجموعات لتقسيم المعرفة إلى هياكل. علاوة على ذلك ، يتم تقسيمها إلى هياكل فرعية.
نظرًا لكونه بنية بيانات نموذجية ، يمكن فهم هذا النوع ومعالجته وتصوره بسهولة. يمكن تنفيذ المفاهيم النموذجية ، بما في ذلك إزالة الفتحات وحذفها وإضافتها ، دون عناء.
متطلبات تمثيل المعرفة في نظام الذكاء الاصطناعي
يحتوي تمثيل المعرفة الجيد على بعض الخصائص:
- الدقة التمثيلية: يحتاج تمثيل المعرفة إلى تمثيل كل نوع من المعرفة المطلوبة بدقة.
- الكفاءة الاستدلالية: هي القدرة على التعامل مع آليات المعرفة الاستنتاجية بسهولة في اتجاهات إنتاجية باستخدام الأدلة المناسبة.
- الكفاية الاستنتاجية: يجب أن يتمتع تمثيل المعرفة بالقدرة على التعامل مع بعض الهياكل التمثيلية لتمثيل معرفة جديدة بناءً على الهياكل القائمة.
- الكفاءة في الاكتساب: القدرة على اكتساب معرفة جديدة باستخدام الأساليب الآلية.
دورة المعرفة بالذكاء الاصطناعي
تتضمن أنظمة الذكاء الاصطناعي بعض المكونات الرئيسية لإظهار السلوك الذكي الذي يجعل تمثيل المعرفة ممكنًا.
- الإدراك: يساعد النظام القائم على الذكاء الاصطناعي في جمع المعلومات حول البيئة باستخدام مستشعرات مختلفة ويجعلها على دراية بالنظام البيئي للتفاعل بكفاءة مع المشكلات.
- التعلم: يتم استخدامه للسماح لأنظمة الذكاء الاصطناعي بتشغيل خوارزميات التعلم العميق التي تمت كتابتها بالفعل لجعل أنظمة الذكاء الاصطناعي تقدم المعلومات المطلوبة من مكون الإدراك إلى مكون التعلم من أجل التعلم والفهم بشكل أفضل.
- تمثيل المعرفة والاستدلال: يستخدم البشر المعرفة لاتخاذ القرارات. ومن ثم ، فإن هذه الكتلة مسؤولة عن خدمة البشر من خلال البيانات المعرفية لأنظمة الذكاء الاصطناعي واستخدام المعرفة ذات الصلة كلما لزم الأمر.
- التخطيط والتنفيذ: هذه الكتلة مستقلة. يتم استخدامه لأخذ البيانات من كتل المعرفة والاستدلال وتنفيذ الإجراءات ذات الصلة.
خاتمة
يمكن للبشر اكتساب المعرفة بطرق مختلفة ، وكذلك الآلات القائمة على الذكاء الاصطناعي. مع تطور الذكاء الاصطناعي ، فإن تقديم المعرفة للآلات بطريقة أفضل يساعدك على حل المشكلات المعقدة بأقل قدر من الأخطاء. لذلك ، يعد تمثيل المعرفة سمة أساسية لأجهزة الذكاء الاصطناعي للعمل بذكاء وذكاء.
يمكنك أيضًا إلقاء نظرة على الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق.
