人工智能中的知识表示问题

引言

人工智能 (AI) 依赖于知识表示的思想，该思想试图对知识进行建模和结构化。它涉及存储数据并与 AI 共享，以便 AI 可以根据信息进行训练、思考和行动。

什么是人工智能中的知识表示？

将信息转换为 AI 系统更易理解和使用的格式的方法称为人工智能中的知识表示。它涉及将物理世界的细节和概念翻译成计算机可以分析并做出决策的格式。正是这种表示，使得 AI 系统能够模仿人类的认知过程，例如感知、推理、决策，甚至语言理解。

人工智能中的知识类型

因此，我们可以谈论人工智能中的知识类型，这些类型对应于整个知识表示过程中的特定功能。

陈述性知识

陈述性知识是以信息、事实和命题的形式存储的关于周围现实的思想的档案。与按获取或使用方法对知识进行分类不同，它只关注某事是否为真或假。陈述性知识通常通过知识描述的逻辑工具来表示，同时也是其他类型知识的基础。

程序性知识

操作性知识，也称为结构性知识，表示执行任务或给定动作所需的内容。它具有推荐的程序、步骤和策略，使 AI 系统能够执行特定操作。除了观察性知识之外，AI 系统还需要程序性知识来执行复杂任务和解决问题。

元知识

具体来说，元知识被定义为关于知识的结构、组织和性质的知识。它有助于 AI 系统，特别是调节和解释它们所拥有的信息，通过这些信息，它们可以进化、学习和进一步改进。

人工智能中的知识周期

在信息学中，AI 系统中知识的维护是一个连续的获取、建模、推理、修改的过程，称为“知识周期”。

以下阶段构成了这个过程

知识获取

它可以从数据库、文档、专家甚至从另一个人工智能系统中获取信息。在此阶段，目的是获取相关信息并将其转换为合适的格式。

知识表示

知识表示是获取的信息被结构化并以 AI 系统可理解的术语呈现的主要阶段。所选的表示方法对知识处理的效率和性能有积极影响。

知识推理

在此阶段，这些系统利用永久知识来执行其他相关的熟练任务，例如推理、演绎或归纳。它们还可以根据可用信息进行推导，从现有知识中获得新知识并做出合理的决策。

知识更新

当出现新信息，或者某条知识被更正或不再适用时，最后一条知识总是已知的并且需要更新。此阶段确保所应用的 AI 系统是最新的，并且足够通用，能够应对不断变化的环境。

人工智能中的知识表示方法

AI 采用多种知识表示方法，但每种方法都有其优点和缺点。几种常用的知识表示方法包括：

基于逻辑的方法

在基于逻辑的技术中，知识由形式逻辑表示，包括命题逻辑、一阶逻辑或模糊逻辑。这些方法能够展现精度，并进行恰当而彻底的建模，从而使人工智能能够进行推理和良好的思考。

语义网络

语义网络是基于带标签边与节点的交互来表示和分类知识的方法。通过这种方法，AI 系统可以遍历和搜索知识图，从而也可以强调概念之间的关系。

框架或脚本

框架和脚本使用行为分类法，因为它们保留了事物或情况的特征、特质和行为的样本，并以成帧样本或模板的形式传递信息。这种方法有助于思维过程，该过程更频繁地利用案例，并能够有效地共享复杂信息。

本体

本体规定了特定领域内的含义、相关性和限制，以提供知识的正式规范。它们使 AI 系统能够根据特定领域的特定信息进行推断和决策，从而提高决策的准确性以及决策所处的背景知识。

人工智能中的知识表示问题

知识表示主要旨在实现推理能力，即得出结论。

在使用 KR 技术时发现了一些问题。以下是一些解释如下的原因。

属性之间的关系

我们应用于对象的描述符本身已成为被表示的实体。

对象属性之间的关系，独立于它们编码的特定知识，可能具有以下属性：

反向：这与一致性检查有关，其中一个值被添加到其中一个属性。实体以多种方式相互作用，使得描述它们的关系变得困难。

ISA 层级结构生成：这与泛化-特化有关。例如，在对象类别和类别的特定子类别中，存在特征和特征的子类型。例如，属性“高度”是“物理尺寸”这一通用属性的实例，而“物理尺寸”是“物理属性”的实例。这些泛化-特化关系对于属性很重要，因为它们是继承的基础。

值论证方法：它与属性值以非给定形式的论证有关。推理中使用多种信息，例如年龄和身高。一个人的年龄不能大于其父母的年龄，身高必须以长度单位表示。这些值通常在知识库设计时定义。

单值属性：这是指一个属性具有无法重复的特定值。例如，一名棒球运动员有时只能有一个身高，并且只能属于一支球队。KR 系统以不同的方式处理支持单值属性的问题。

寻找正确的结构

这与描述特定场景的适当结构的可用性有关。

这涉及到选择第一个结构，然后更改该选择。

在执行此操作时，有必要解决以下问题：

如何从当前情况中获取适当的详细信息？

如果先前的结构不合适，如何获得更适用的结构？

当现有的任何结构都不适合组织结构时该怎么办？

何时应该创建和召回新结构？

没有一种通用的有效技术可以解决所有这些问题。特定的知识表示方法可以解决某些问题。

不同知识表示技术的优点和局限性

基于逻辑的方法

优点

• 在表示方面提供识别度和准确性。
• 支持分析方法和批判性思维。

局限性

• 无法处理不确定性和信息不足。
• 这种方法的缺点是，对于大量知识集，其可扩展性相对较小。

语义网络

优点

• 强调思想和概念之间的关系和联系。
• 实现持续的知识图遍历。

局限性

• 构建复杂知识表示所面临的挑战。
• 缺乏明确定义的语义和推理过程的应用。

脚本和框架

优点

• 记录事物或对象的特定属性和行为。
• 支持大多数人熟悉的例子进行论证。

局限性

• 它需要说明所有可能的情况。
• 与原始脚本或情境化模式的微小偏差。

本体

优点

• 为信息域内包含的推理和推断过程提供支持。
• 它呈现了一个捕获某个领域相关知识的 LF。

局限性

• 本体的构建需要领域专家。
• 从这个意义上说，它的应用带来了关于如何更新和维护它们以便随着知识的进步而保持最新状态的挑战。

人工智能中知识表示的挑战和未来方向

需要指出的是，尽管在知识表示方面取得了重大进展，但仍有许多挑战和方向有待探索。主要困难包括：

• 可扩展性
  由于这种属性而产生的主要挑战之一是可扩展性，因为知识的数量和密度不断增加。随着知识库数量的增加，必须使用复杂的技术和分布式计算来自然地表示和处理大量的知识。
• 不确定或不完整的信息
  AI 组件通常处理模糊或不完整的数据。发展的主要方向之一是增强知识表示方法以处理不确定性并应对信息不足。
• 知识融合与整合
  合并和协调来自不同领域以及其他类别的知识并非易事。因此，在未来的研究中，人们希望开发能够整合不同知识的技术，从而为机器提供更好的性能。
• 可解释性与可理解性
  AI 系统应该能够解释其决策过程。这就是为什么创建透明的知识表示方法至关重要，这关系到信任、AI 伦理以及满足所有可预见的法律要求。

人工智能中的知识表示技术

除了不同的方法之外，还有其他知识表示技术。

• 基于规则的系统
  基于一系列产生式或产生式规则，基于规则的系统包含知识。这些基于规则的系统由条件和操作组成；因此，由于这些规则，它们可以根据特定条件做出判断。
• 语义网技术
  语义网中的 RDF 和 OWL 等技术为 Web 上的知识表示和传输提供了便利的结构。这些工具允许 AI 系统从许多来源收集数据，甚至将其整合到其决策中。
• 神经网络
  在训练过程中，由多层感知器组成的神经网络可以隐式地学习和表示知识。这些模型在模式和链接发现方面表现最佳，特别是在非结构化数据中，如对话语音、文本和照片。
• 统计模型
  统计知识通过统计模型（如贝叶斯网络或马尔可夫模型）来表达，这些模型利用概率联系和统计推断。

结论

在人工智能 (AI) 的背景下，知识表示的过程存在几个固有的问题，即歧义性、不完整性和可扩展性。歧义的主要原因是自然语言的性质及其运行的上下文；其次，信息不足会限制 AI 做出理想选择的能力。此外，最终用户默认值的问题，即表示大量信息，也是一个可扩展性问题。AI 需要知识表示和组织来进行推理、学习和适应性系统，而这些又对 AI 的进步至关重要。现在，充分解决这些问题变得至关重要，以便能够实现符号技术和子符号技术的协同作用，其中包括逻辑方法与神经网络计算机方法等方法。