مفاهیم پیچیده ای مانند "تفکر" و "آگاهی" و حتی مفاهیمی که به راحتی تعریف می شوند، مانند "هوش" و "دانش"، در میان متخصصان با پروفایل های مختلف (به عنوان مثال، تجزیه و تحلیل سیستم، علوم کامپیوتر، روانشناسی عصبی). ، روانشناسی، فلسفه و غیره) می توانند به طور قابل توجهی متفاوت باشند.
نمایش کامل و کافی دانش، که هم توسط مردم و هم ماشین ها به طور مساوی درک می شود، مشکل اصلی تبادل اطلاعات مدرن است. چنین تبادل اطلاعاتی مبتنی بر سیستمی از مفاهیم و روابطی است که دانش را می سازد.
طبقه بندی دانش
آنها را می توان به چند دسته طبقه بندی کرد: مفهومی، سازنده، رویه ای، واقعی و فرادانش.
- دانش مفهومی مجموعه ای از مفاهیم خاص است که در حل مسائل استفاده می شود. آنها اغلب در علوم بنیادی و زمینه های نظری علم استفاده می شوند. در واقع، دانش مفهومی، دستگاه مفهومی علم را تشکیل می‌دهد.
- دانش سازنده - مجموعه‌ای از ساختارها، سیستم‌ها و زیرسیستم‌ها و همچنینتعاملات بین آنها به طور فعال در فناوری استفاده می شود.
- دانش رویه ای روش ها و الگوریتم هایی است که بیشتر در علوم کاربردی استفاده می شود.
- دانش واقعی ویژگی اشیاء و پدیده ها اعم از کمی و کیفی است. بیشتر در علوم تجربی استفاده می شود.
- فرادانش عبارت است از هرگونه دانش در مورد دانش، سیستم سازماندهی آن، مهندسی آن، و نظم و قوانین کاربرد آن.
سازمان دانش
سیستم سازمان دانش فرآیند ارائه اطلاعات در قالب پیام هایی است که می تواند آشنا (گفتار شفاهی و نوشتاری، تصاویر و غیره) و غیر معمول (فرمول ها، اشیاء نقشه، امواج رادیویی و غیره) باشد.
برای قابل درک و موفقیت یک سیستم سازماندهی دانش، باید از یک سیستم قواعد قابل فهم و سازنده استفاده کرد که براساس آن دانش ارائه و درک شود. برای این کار، شخص از زبان و نوشتن استفاده می کند.
زبان
زبان به این دلیل ظاهر و توسعه یافت که دانش انباشته شده توسط مردم دائماً نیاز به ارائه، بیان، ذخیره و مبادله دارد. فکری که با ساختار رسمی (زبان، تصویر) قابل بیان نباشد، فرصت تبدیل شدن به بخشی از تبادل اطلاعات را از دست می دهد. به همین دلیل است که در طول تاریخ بشر، زبان مؤثرترین شکل بازنمایی دانش بوده است.
هرچه زبان غنی تر باشد، به ترتیب دانش بیشتری را بیان می کند و فرهنگ مردم را غنی تر می کند، که به نوبه خود به شما امکان می دهد سیستم های سازماندهی دانش را بیشتر و مؤثرتر توسعه دهید.
زبانعلم
مشکل اصلی در استفاده از زبان به عنوان شکلی از بازنمایی دانش، معنای مبهم معنایی کلمات و جملات است. به همین دلیل است که زبان علم نقش ویژه ای در رسمیت بخشیدن به دانش دارد.
هدف اصلی زبان علم، نمونه سازی و استانداردسازی اشکال بیان، فشرده سازی و ذخیره دانش است. با کمک یک ارائه معمولی و استاندارد دانش، می توان از چندمعنی یا ابهام معنایی زبان خلاص شد.
آنچه در شرایط طبیعی تکامل زبان، زبان را غنی‌تر می‌کند (چند معنایی عبارات)، مانعی در روند تبادل دانش می‌شود و خطر سوء تفاهم، نویز معنایی و ادراک مبهم اطلاعات را افزایش می‌دهد.
طبقه بندی دانش
یکی از روش‌های اصلی رسمی‌سازی دانش، طبقه‌بندی است. این توزیع دانش به گروه ها مطابق با یک طبقه خاص است. به این معنا که تنها اطلاعاتی که معیارهای خاصی را مطابق با کلاس داشته باشند، در طبقه خاصی از دانش قرار می گیرند.
طبقه بندی یک روش بسیار مهم سیستماتیک علمی است که در مرحله اول شکل گیری دانش پایه یک جهت علمی ضروری است. به عنوان مثال، در علوم کامپیوتر بدون طبقه بندی، هیچ معادلی وجود ندارد که به شما اجازه دهد کارهای مهمی مانند مقایسه، جستجو و طبقه بندی را حل کنید. بدون طبقه بندی در علم، ما چنین سیستم های سازماندهی داده های منحصر به فرد و ارزشمندی مانند جدول تناوبی نخواهیم داشت.
مدل های بازنمایی دانش
جدول تناوبی، جدول رتبه‌ها، قانون جزا، شجره‌نامه‌ها و سایر سیستم‌های طبقه‌بندی مدلهای بازنمایی دانش هستند. اینها ساختارهای رسمی هستند که دانش خاصی را به هم مرتبط می کنند: حقایق، پدیده ها، مفاهیم، فرآیندها، اشیاء، روابط.
برای درک و پردازش دانش در مورد یک حوزه موضوعی خاص توسط رایانه، این دانش باید به شکل مشخص و رسمی ارائه شود. بسته به هدف، پردازش دانش توسط یک کامپیوتر مطابق با مدلی که بر اساس یک الگوریتم ساخته شده است انجام می شود. بر این اساس، دانش ارائه شده در مدل به الگوریتم پردازش آن بستگی دارد.
مدل های مختلفی برای بازنمایی دانش در سیستم های خبره وجود دارد. اصلی ترین آنها تولید، فریم، شبکه و منطقی هستند.
طبقه بندی مدل ها
مدلهای بازنمایی دانش ذکر شده در بالا، که نمونه‌هایی از آنها در ادامه آمده است، اگرچه گسترده هستند، اما از تنها نمونه‌ها فاصله دارند. امروزه مدل های زیادی وجود دارد که از نظر اعتبار، رویکردهای ایجاد و اصول سازماندهی با یکدیگر تفاوت دارند.
برای مثال، جدول زیر انواع مدلهای بازنمایی دانش، تقسیم‌بندی آنها به تجربی و نظری و همچنین تقسیم‌بندی بیشتر را نشان می‌دهد.
| مدلهای تجربی | مدل های نظری |
| مدل های تولیدی | مدل های منطقی |
| مدل های شبکه | گرامرهای رسمی |
| مدل قاب | مدل های ترکیبی |
| Lenemy | مدل های جبری |
| شبکه های عصبی | |
| الگوریتم های ژنتیک |
مدلسازی تجربی
مدلهای تجربی سازماندهی و بازنمایی دانش، شخص را مثال می زند و سعی می کند سازماندهی حافظه، آگاهی و مکانیسم های تصمیم گیری و حل مسئله او را تجسم بخشد. مدلسازی تجربی به هر نوع مدلی اشاره دارد که بر اساس مشاهدات تجربی ساخته شده باشد، نه روابطی که بتوان آنها را به صورت ریاضی توصیف و مدلسازی کرد.
مدلسازی تجربی یک اصطلاح کلی برای مدلهای بازنمایی دانش است که بر اساس مشاهدات و آزمایش‌ها ایجاد می‌شوند.
یک مدل تجربی بر اساس یک اصل معنایی ساده عمل می کند: خالق تعامل مدل و مرجع آن را مشاهده می کند. پردازش اطلاعات دریافتی می‌تواند از جهات مختلفی «تجربی» باشد، از فرمول‌های تحلیلی، روابط علّی گرفته تا آزمون و خطا.
مدل های تولید بازنمایی دانش
این مدل نمایش داده اغلب بر اساس روابط و علیت است. اگر بتوان اطلاعات را در قالب شرایط از نوع "If, Then" نشان داد، آنگاه مدل تولیدی است. اغلب در برنامه های کاربردی و مصنوعی ساده استفاده می شودهوش.
مدلهای تولید بازنمایی دانش اغلب برنامه‌های رایانه‌ای هستند که نوعی هوش مصنوعی را با مجموعه‌ای از قوانین رفتار و همچنین مکانیسم لازم برای پیروی از این قوانین تحت شرایط خاص ارائه می‌کنند.
تولید (مجموعه ای از قوانین) از دو بخش تشکیل شده است: یک پیش شرط ("اگر") و یک عمل ("پس"). اگر پیش شرط تولید با وضعیت فعلی جهان مطابقت داشته باشد، مدل اجرا می شود. مدل تولیدی همچنین حاوی یک پایگاه داده است که گاهی اوقات به آن حافظه کاری گفته می شود که حاوی دانش فعلی است.
معایب مدل تولید این است که اگر تعداد قوانین خیلی زیاد باشد، ممکن است اقدامات مدل با یکدیگر تناقض داشته باشند.
شبکه های معنایی
آنها بر اساس یکپارچگی تصویر هستند و بصری ترین مدل های بازنمایی دانش هستند. شبکه معنایی اغلب به عنوان یک نمودار یا یک ساختار گراف پیچیده نشان داده می شود، گره ها یا رئوس آن نشان دهنده اشیاء، مفاهیم، پدیده ها، و لبه ها نشان دهنده روابط بین اشیاء، مفاهیم و پدیده های خاص هستند.
ساده ترین شبکه معنایی را می توان به راحتی به صورت یک مثلث نشان داد که رئوس آن مفاهیمی مانند "سگ"، "پستاندار" و "ستون فقرات" هستند. در این حالت، رئوس اضلاع مثلث را به هم متصل می‌کنند که می‌توان آنها را با اتصالات و روابطی مانند "است"، "دارنده"، "دارا" نشان داد. به این ترتیب ما یک مدل بازنمایی دانش بدست می آوریم که از آن یاد می گیریم،که سگ یک پستاندار است، پستانداران دارای ستون فقرات هستند و سگ دارای ستون فقرات هستند.
چنین مدل هایی گویا هستند و با کمک آنها می توانید به بهترین شکل سیستم های پیچیده و روابط علی را نشان دهید. علاوه بر این، این شبکه های معنایی را می توان با گسترش یک شبکه موجود با دانش جدید تکمیل کرد، یعنی می توان یک مثلث را به یک مستطیل، سپس به شش ضلعی و سپس به شبکه پیچیده ای از اشکال متقاطع تبدیل کرد، که در آن می توان مشاهده کرد. به عنوان مثال، ارث بردن خواص.
مدل قاب
مدل قاب به این ترتیب از کلمه انگلیسی frame - frame یا frame نامگذاری شده است. فریم ساختاری است که داده های مورد استفاده برای نمایش یک مفهوم خاص را جمع آوری می کند.
همانطور که در جامعه‌شناسی، که در آن فریم‌ها نوعی داده کلیشه‌ای هستند که بر ادراک انسان از جهان و فرآیند تصمیم‌گیری تأثیر می‌گذارند، در علوم کامپیوتر و کار با هوش مصنوعی، از فریم‌ها برای ایجاد داده‌های ساختاریافته استفاده می‌شود که نشان‌دهنده آن است. موقعیت های کلیشه ای در واقع، این سیستم داده اولیه و اولیه است که درک جهان توسط هوش مصنوعی بر روی آن ساخته شده است.
فریم‌ها علاوه بر اینکه مدلهای مؤثری برای بازنمایی دانش هستند، نه تنها در علوم رایانه نیز فعال هستند. آنها در ابتدا گونه‌ای از شبکه‌های معنایی بودند.
یک قاب از یک یا چند شکاف تشکیل شده است. به نوبه خود، اسلات ها می توانند خود قاب باشند. بنابراین، مدل قاب قادر است اشیاء مفهومی پیچیده را نشان دهد و یک زنجیره سلسله مراتبی گسترده را تشکیل دهد.دانش.
مدل قاب بازنمایی دانش حاوی اطلاعاتی در مورد نحوه استفاده از یک قاب، آنچه در طول و بعد از استفاده از آن باید انتظار داشت، و در صورت برآورده نشدن انتظارات از استفاده از یک فریم چه کاری انجام داد.
انواع خاصی از داده ها در یک مدل قاب ثابت هستند، در حالی که سایر داده ها، که معمولاً در اسلات ترمینال ذخیره می شوند، می توانند تغییر کنند. اسلات ترمینال اغلب به عنوان متغیر در نظر گرفته می شود. اسلات‌ها و قاب‌های سطح بالا حاوی اطلاعاتی درباره وضعیت هستند که همیشه درست است، اما شکاف‌های ترمینال نباید درست باشند.
قاب های یک شبکه پیچیده می توانند اسلات فریم های دیگر همان شبکه را به اشتراک بگذارند.
پایگاه داده می تواند فریم های اولیه (غیرقابل تغییر) و فریم های نمونه ای را که به صورت موقعیتی برای نمایش یک موقعیت یا مفهوم خاص ایجاد می شوند، ذخیره کند.
مدل های چارچوب بازنمایی دانش یکی از همه کاره ترین و قادر به نمایش انواع مختلف دانش هستند:
- ساختارهای قاب برای نمایش مفاهیم و اشیاء استفاده می شود؛
- نقش‌های فریم نشان‌دهنده مسئولیت‌های نقش هستند؛
- اسکریپت های فریم رفتار را توصیف می کنند؛
- موقعیت های فریم برای نشان دادن وضعیت و فعالیت ها استفاده می شود.
شبکه های عصبی
این الگوریتم ها را نیز می توان به صورت مشروط به گروه مدل ها بر اساس رویکرد تجربی به دانش اضافه کرد. در واقع، شبکه های عصبی در تلاش برای کپی کردن فرآیندهایی هستند که در مغز انسان اتفاق می افتد. آنها مبتنی بر این نظریه هستند که یک سیستم هوش مصنوعی با ساختارهای مشابه وفرآیندها، مانند مغز انسان، در فرآیند تصمیم گیری، ارزیابی موقعیت ها و درک واقعیت می توانند نتایج مشابهی به دست آورند.
رویکرد نظری درست
مدل های ریاضی، اعتباری و منطقی بازنمایی دانش بر اساس این رویکرد است. این مدل‌ها تصمیمات صحیح را تضمین می‌کنند، زیرا مبتنی بر منطق رسمی هستند. آنها برای حل مسائل ساده از یک حوزه موضوعی محدود، که اغلب با منطق رسمی مرتبط هستند، مناسب هستند.
مدلهای منطقی بازنمایی دانش
این یکی از محبوب ترین مدل ها بر اساس رویکرد نظری است. مدل منطقی از جبر محمول، سیستم بدیهیات و قواعد استنتاج استفاده می کند. رایج‌ترین مدلهای منطقی از اصطلاحات استفاده می‌کنند - ثابت‌های منطقی، توابع و متغیرها، و همچنین محمول‌ها، یعنی عبارت‌های اعمال منطقی.
