Գիտելիքի ներկայացում և դատողություն

Գիտելիքի ներկայացումը (ԳՆ) և դատողությունը արհեստական բանականության միջուկն է։ Գիտելիքի ներկայացումը նպատակ ունի տեղեկատվությունը մոդելավորել կառուցվածքային ձևով՝ գիտելիքահենք համակարգերում ֆորմալ ձևով, միևնույն ժամանակ գիտելիքի ներկայացումը և դատողությունը նպատակ ունի գիտելիքը հասկանալու, դատողություններ անելու և մեկնաբանելու: ԳՆ-ն լայնորեն կիրառվում է արհեստական բանականության (ԱԲ) ոլորտում՝ աշխարհի մասին տեղեկատվությունը ներկայացնելու այնպիսի ձևով, որ համակարգչային ծրագիրը այն կարողանա օգտագործել բարդ խնդիրներ լուծելու համար, ինչպիսիք են հիվանդության ախտորոշումը կամ բնական լեզվով երկխոսություն ունենալը: ԳՆ-ն ներառում է հոգեբանության հետազոտության^[1] տվյալներ, թե ինչպես են մարդիկ լուծում խնդիրներ և ներկայացնում գիտելիք՝ ֆորմալացնելու, որպեսզի հեշտացնեն բարդ համակարգերի նախագծելն ու կառուցելը: ԳՆ-ն նաև ներառում է տրամաբանության հետազոտություններ՝ տարբեր տեսակի դատողություններ ավտոմատացնելու համար:

Ավանդական Գիտելիքի ներկայացում և դատողությունը ()ԳՆԴ ավելի շատ կենտրոնանում է գիտելիքի դեկլարատիվ ներկայացման վրա: Գիտելիքի ներկայացմանը առնչվող ֆորմալիզմները հիմնականում ներառում են բառապաշարներ, թեզաուրուսներ, սեմանտիկ ցանցեր, աքսիոմատիկ համակարգեր, ֆրեյմեր, կանոններ, տրամաբանական ծրագրեր և օնտոլոգիաներ: Ավտոմատացված դատողության գործիքների օրինակներից են եզրակացության գործիքները, թեորեմների ապացուցման գործիքները, մոդելի գեներատորները և դասակարգիչները։

Ավելի լայն իմաստով, մեքենայական ուսուցման պարամետրացված մոդելները, ներառյալ նեյրոնային ցանցերի ճարտարապետությունները, ինչպիսիք են կոնվոլյուցիոն նեյրոնային ցանցերը և տրանսֆորմերները, նույնպես կարող են դիտարկվել որպես գիտելիքի ներկայացման ֆորմալիզմների ընտանիք: Հարցը, թե որ ֆորմալիզմն է առավել հարմար գիտելիքահեն համակարգերի համար, երկար ժամանակ լայնածավալ քննարկման առարկա էր: Օրինակ, Ֆրանկ վան Հարմելենը և այլք քննարկել են տրամաբանության պիտանիությունը որպես գիտելիքի ներկայացման ֆորմալիզմ և վերանայել են հակալոգիստների կողմից ներկայացված փաստարկները:^[2] Պոլ Սմոլենսկին քննադատել է խորհրդանշական ֆորմալիզմների սահմանափակումները և ուսումնասիրել է այն կոնեկցիոնիստական մոտեցումների հետ ինտեգրելու հնարավորությունները:[^[3]

Պատմություն

Համակարգիչներում գիտելիքների ներկայացման ամենավաղ աշխատանքները կենտրոնացած էին ունիվերսալ խնդիր լուծողների վրա, ինչպիսիք են Ալեն Նյուելի և Հերբերտ Սայմոնի կողմից 1959 թվականին մշակված Ընդհանուր խնդիրների լուծող (GPS) համակարգը և Ջոն Մաքքարթիի՝ «Advice Taker»-ը: GPS-ը ներառում էր տվյալների կառուցվածքներ պլանավորման և տարալուծման համար: Համակարգը աշխատանքը սկսում էր նպատակից: Այնուհետև այն նպատակը տարալուծում էր ենթանպատակների և այնուհետև անցնում էր ռազմավարություններին, որոնք կարող էին իրականացնել յուրաքանչյուր ենթանպատակը: Մյուս կողմից, «Advisor Taker»-ը առաջարկեց օգտագործել պրեդիկատային հաշիվը՝ դատողությունը առողջ բանականության վրա իրականացնելու համար։

Արհեստական բանականության (ԱԲ) մեջ գիտելիքների ներկայացման վաղ մոտեցումներից շատերը օգտագործում էին գրաֆային ներկայացումներ և սեմանտիկ ցանցեր, նման այսօրվա գիտելիքների գրաֆներին: Նման մոտեցումներում խնդիրների լուծումը գրաֆի վրայով անցման^[4] կամ ուղու որոնման մի ձև էր, ինչպես Ա* որոնման ալգորիթմում: Տիպիկ կիրառությունները ներառում էին ռոբոտի պլանի կազմումը և խաղերի անցկացումը:

Այլ հետազոտողներ կենտրոնացան առաջին կարգի տրամաբանությամբ թեորեմների ավտոմատացված ապացուցումների մշակման վրա՝ մաթեմատիկական տրամաբանության օգտագործմամբ՝ մաթեմատիկան ֆորմալացնելու և մաթեմատիկական թեորեմների ապացույցը ավտոմատացնելու համար: Այս ուղղությամբ կարևոր քայլ էր Ջոն Ալան Ռոբինսոնի կողմից լուծման մեթոդի մշակումը։

Միևնույն ժամանակ, Ջոն Մաքքարթին և Փեթ Հեյսը մշակեցին իրավիճակային հաշիվ՝ որպես պատճառահետևանքային կապերի վերաբերյալ առողջ բանականության տրամաբանական ներկայացում: Իր հերթին, Քորդել Գրինը ցույց տվեց, թե ինչպես կարելի է, իրավիճակային հաշվարկի վրա վճիռ կայացնելով, ռոբոտի գործողությունների պլանավորում կատարել: Նա նաև ցույց տվեց, թե ինչպես հարց ու պատասխանի և ավտոմատ ծրագրավորման համար վճիռ կայացնել:^[5]

Դրան հակառակ, Մասաչուսեթսի տեխնոլոգիական ինստիտուտի (MIT) հետազոտողները մերժեցին ապացույցի միատեսակ ընթացակարգի մոդելը, փոխարենը՝ պաշտպանեցին գիտելիքների ընթացակարգային ներդրումը:^[6] Տրամաբանական և ընթացակարգային ներկայացումների օգտագործման միջև առաջացած հակասությունը լուծվեց 1970-ականների սկզբին՝ տրամաբանական ծրագրավորման և Prolog-ի մշակմամբ։

Տրամաբանական ծրագրավորման վաղ զարգացումը հիմնականում եվրոպական երևույթ էր: Հյուսիսային Ամերիկայում արհեստական բանականության հետազոտողները, ինչպիսիք են Էդ Ֆեյգենբաումը և Ֆրեդերիկ Հեյս-Ռոթը, պաշտպանում էին ոլորտին բնորոշ գիտելիքների ներկայացումը, այլ ոչ թե ընդհանրացված դատողությունները:^[7]

Այս ջանքերը հանգեցրին հոգեբանության ճանաչողական հեղափոխության և գիտելիքների ներկայացման վրա կենտրոնացած արհեստական բանականության փուլի, որը հանգեցրեց 1970-ական և 80-ական թվականներին էքսպերտ համակարգերի, արտադրական համակարգերի, լեզուների ֆրեյմերի և այլնի ստեղծմանը: Խնդիրների լուծման փոխարեն, արհեստական բանականությունը ընդհանուր համակարգի փոխարեն, ուշադրությունը շեղեց դեպի էքսպերտ համակարգեր, որոնք, որոշակի խնդրի դեպքում, կարող էին համապատասխանել մարդկային կարողություններին, օրինակ՝ բժշկական ախտորոշման հարցում։^[8]

Էքսպերտ համակարգերը մեզ տվեցին այսօր էլ օգտագործվող տերմինաբանությունը, որտեղ արհեստական բանականության համակարգերը բաժանված են գիտելիքների բազայի, որը ներառում է խնդրի ոլորտի վերաբերյալ փաստեր և կանոններ, և եզրակացության մեխանիզմի, որը հարցերին պատասխանելու և խնդիրները լուծելու համար կիրառում է գիտելիքների բազայի գիտելիքները։^[9]

Մինչդեռ, Մարվին Մինսկին 1970-ականների կեսերին մշակեց ֆրեյմի հասկացությունը։^[10] Ֆրեյմը նման է օբյեկտային դասի. այն կատեգորիայի վերացական նկարագրություն է, որը նկարագրում է աշխարհում առկա իրերը, խնդիրները և հնարավոր լուծումները: Ֆրեյմերը սկզբնապես օգտագործվել են մարդկային փոխազդեցությանը կողմնորոշված համակարգերում, օրինակ՝ բնական լեզվի և սոցիալական միջավայրի ընկալման մեջ, որտեղ տարբեր լռելյայն սպասումներ, ինչպիսիք են ռեստորանում սնունդ պատվիրելը, նեղացնում են որոնման տարածքը և թույլ են տալիս համակարգին ընտրել համապատասխան արձագանքներ դինամիկ իրավիճակներին:

Շատ չանցավ, մինչև ֆրեյմի կողմնակիցները և կանոնների վրա հիմնված հետազոտողները հասկացան, որ իրենց մոտեցումների միջև կա սիներգիա: Շրջանակները լավ էին իրական աշխարհը ներկայացնելու համար, նկարագրվում էին որպես դասեր, ենթադասեր, slots (տվյալների արժեքներ)՝ հնարավոր արժեքների տարբեր սահմանափակումներով: Կանոնները լավ էին բարդ տրամաբանությունը ներկայացնելու և օգտագործելու համար, ինչպիսին է բժշկական ախտորոշում կատարելու գործընթացը: Մշակվեցին ինտեգրված համակարգեր, որոնք համատեղում էին ֆրեյմներն ու կանոնները: Ամենահզոր և հայտնիներից մեկը Intellicorp-ի 1983 թվականի գիտելիքների ճարտարագիտական միջավայրն էր (KEE): KEE-ն ուներ ամբողջական կանոնների շարժիչ՝ առաջ և հետ շղթայական կապով: Այն նաև ուներ ամբողջական ֆրեյմային գիտելիքների բազա՝ ակտիվացուցիչներով, սլոտերով (տվյալների արժեքներ), ժառանգմամբ և հաղորդագրությունների փոխանցմամբ: Չնայած հաղորդագրությունների փոխանցումը ծագել է օբյեկտ-կողմնորոշված ծրագրավորմանհամայնքում, այլ ոչ թե արհեստական բանականության, այն արագորեն ընդունվեց նաև արհեստական բանականության հետազոտողների կողմից այնպիսի միջավայրերում, ինչպիսին է KEE-ն, և Symbolics, Xerox և Texas Instruments ընկերությունների Lisp մեքենաների օպերացիոն համակարգերում:^[11]

Գիտելիքի ներկայացման հետազոտության մեկ այլ ոլորտ էր առողջ բանականության վրա հիմնված դատողության խնդիրը: Մարդկային բնական լեզվի հետ գործելու համար նախատեսված ծրագրային ապահովում ստեղծելու փորձերից առաջին եզրակացություններից մեկն այն էր, որ մարդիկ պարբերաբար հիմնվում են իրական աշխարհի մասին գիտելիքների լայնածավալ հիմքի վրա, որը մենք պարզապես ընդունում ենք որպես ինքնին տրված, որը արհեստական գործակալի համար ակնհայտ չէ, ինչպիսիք են առողջ բանականության ֆիզիկայի հիմնական սկզբունքները, պատճառահետևանքային կապը, մտադրությունները և այլն:^[12]

Գիտելիքի ներկայացման հետազոտության ամենաակտիվ ոլորտներից մեկը Սեմանտիկ ցանցն է։ Սեմանտիկ ցանցը ձգտում է ներկայիս ինտերնետի վրա ավելացնել իմաստաբանական (իմաստի) շերտ։ Բանալի բառերի միջոցով կայքերն ու էջերը ինդեքսավորելու փոխարեն, Սեմանտիկ ցանցը ստեղծում է հասկացությունների մեծ օնտոլոգիաներ։ Հասկացության որոնումն ավելի արդյունավետ կլինի, քան ավանդական տեքստային որոնումները։ Ֆրեյմերի լեզուները և ավտոմատ դասակարգումը մեծ դեր են խաղում ապագա Սեմանտիկ ցանցի տեսլականում։ Ավտոմատ դասակարգումը մշակողներին, անընդհատ զարգացող գիտելիքների ցանցում, կարգուկանոն ապահովելու տեխնոլոգիա է տալիս։

Ակնարկ

Գիտելիքի ներկայացումը արհեստական բանականության ոլորտ է, որը կենտրոնանում է աշխարհի մասին տեղեկատվության համակարգչային ներկայացումների նախագծման վրա։

Գիտելիքի ներկայացումը իմաստավորվում է նրանով, որ բարդ խնդիրներ լուծելու համար ավանդական ընթացակարգային կոդը լավագույն ֆորմալիզմը չէ: Գիտելիքի ներկայացումը բարդ ծրագրային ապահովումը դարձնում է ավելի հեշտ սահմանվող և պահպանվող, քան ընթացակարգային կոդը, և կարող է օգտագործվել էքսպերտ համակարգերում:

Օրինակ, փորձագետների հետ բիզնես կանոնների մակարդակով խոսելը, այլ ոչ թե կոդի՝ նվազեցնում է օգտատերերի և մշակողների միջև իմասցության բացը և բարդ համակարգերի մշակումն ավելի գործնական է դարձնում:

Գիտելիքի ներկայացումը սերտ կապված է ավտոմատացված դատողությանը, քանի որ գիտելիքի բացահայտ ներկայացման հիմնական նպատակներից մեկը այդ գիտելիքի վերաբերյալ դատողություններ անելն է, եզրակացություններ անելը, նոր գիտելիքներ հաստատելը և այլն: Գիտելիքի ներկայացման գրեթե բոլոր լեզուների համակարգի մաս են կազմում դատողության կամ եզրակացության մեխանիզմը:^[13]

Գիտելիքի ներկայացման ֆորմալիզմների նախագծման մեջ հիմնական փոխզիջումը արտահայտչականության և հեշտ կիրառելիության միջև փոխզիջումն է:A key trade-off in the design of knowledge representation formalisms is that between expressivity and tractability.^[14] First Order Logic (FOL), with its high expressive power and ability to formalise much of mathematics, is a standard for comparing the expressibility of knowledge representation languages.

Ծանոթագրություններ

↑ Schank, Roger; Abelson, Robert (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.
↑ Porter, Bruce; Lifschitz, Vladimir; Van Harmelen, Frank (2008). Handbook of knowledge representation. Foundations of artificial intelligence (1st ed.). Amsterdam Boston: Elsevier. ISBN 978-0-444-52211-5.
↑ Smolensky, Paul (1988 թ․ մարտ). «On the proper treatment of connectionism». Behavioral and Brain Sciences (անգլերեն). 11 (1): 1–23. doi:10.1017/S0140525X00052432. ISSN 0140-525X.
↑ Doran, J. E.; Michie, D. (1966-09-20). «Experiments with the Graph Traverser program». Proc. R. Soc. Lond. A. 294 (1437): 235–259. Bibcode:1966RSPSA.294..235D. doi:10.1098/rspa.1966.0205. S2CID 21698093.
↑ Green, Cordell. Application of Theorem Proving to Problem Solving (PDF). IJCAI 1969.
↑ Hewitt, C., 2009. Inconsistency robustness in logic programs. arXiv preprint arXiv:0904.3036.
↑ Kowalski, Robert (1986). «The limitation of logic». Proceedings of the 1986 ACM fourteenth annual conference on Computer science - CSC '86. էջեր 7–13. doi:10.1145/324634.325168. ISBN 0-89791-177-6. S2CID 17211581.
↑ Nilsson, Nils (1995). «Eye on the Prize». AI Magazine. 16: 2.
↑ Hayes-Roth, Frederick; Waterman, Donald; Lenat, Douglas (1983). Building Expert Systems. Addison-Wesley. ISBN 978-0-201-10686-2.
↑ Marvin Minsky, A Framework for Representing Knowledge Արխիվացված 2021-01-07 Wayback Machine, MIT-AI Laboratory Memo 306, June, 1974
↑ Mettrey, William (1987). «An Assessment of Tools for Building Large Knowledge-Based Systems». AI Magazine. 8 (4). Արխիվացված է օրիգինալից 2013-11-10-ին. Վերցված է 2013-12-24-ին.
↑ McCarthy, J., and Hayes, P. J. 1969. «Some philosophical problems from the standpoint of artificial intelligence» (PDF). Արխիվացված օրիգինալից 2013 թ․ օգոստոսի 25. Վերցված է 2024 թ․ հունվարի 18-ին.{{cite web}}: CS1 սպաս․ bot: original URL status unknown (link). In Meltzer, B., and Michie, D., eds., Machine Intelligence 4. Edinburgh: Edinburgh University Press. 463–502.
↑ Hayes-Roth, Frederick; Waterman, Donald; Lenat, Douglas (1983). Building Expert Systems. Addison-Wesley. էջեր 6–7. ISBN 978-0-201-10686-2.
↑ Levesque, H.J. and Brachman, R.J., 1987. Expressiveness and tractability in knowledge representation and reasoning 1. Computational intelligence, 3(1), pp.78-93.

[1] Schank, Roger; Abelson, Robert (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.

[2] Porter, Bruce; Lifschitz, Vladimir; Van Harmelen, Frank (2008). Handbook of knowledge representation. Foundations of artificial intelligence (1st ed.). Amsterdam Boston: Elsevier. ISBN 978-0-444-52211-5.

[3] Smolensky, Paul (1988 թ․ մարտ). «On the proper treatment of connectionism». Behavioral and Brain Sciences (անգլերեն). 11 (1): 1–23. doi:10.1017/S0140525X00052432. ISSN 0140-525X.

[4] Doran, J. E.; Michie, D. (1966-09-20). «Experiments with the Graph Traverser program». Proc. R. Soc. Lond. A. 294 (1437): 235–259. Bibcode:1966RSPSA.294..235D. doi:10.1098/rspa.1966.0205. S2CID 21698093.

[5] Green, Cordell. Application of Theorem Proving to Problem Solving (PDF). IJCAI 1969.

[6] Hewitt, C., 2009. Inconsistency robustness in logic programs. arXiv preprint arXiv:0904.3036.

[7] Kowalski, Robert (1986). «The limitation of logic». Proceedings of the 1986 ACM fourteenth annual conference on Computer science - CSC '86. էջեր 7–13. doi:10.1145/324634.325168. ISBN 0-89791-177-6. S2CID 17211581.

[8] Nilsson, Nils (1995). «Eye on the Prize». AI Magazine. 16: 2.

[9] Hayes-Roth, Frederick; Waterman, Donald; Lenat, Douglas (1983). Building Expert Systems. Addison-Wesley. ISBN 978-0-201-10686-2.

[10] Marvin Minsky, A Framework for Representing Knowledge Արխիվացված 2021-01-07 Wayback Machine, MIT-AI Laboratory Memo 306, June, 1974

[11] Mettrey, William (1987). «An Assessment of Tools for Building Large Knowledge-Based Systems». AI Magazine. 8 (4). Արխիվացված է օրիգինալից 2013-11-10-ին. Վերցված է 2013-12-24-ին.

[12] McCarthy, J., and Hayes, P. J. 1969. «Some philosophical problems from the standpoint of artificial intelligence» (PDF). Արխիվացված օրիգինալից 2013 թ․ օգոստոսի 25. Վերցված է 2024 թ․ հունվարի 18-ին.{{cite web}}: CS1 սպաս․ bot: original URL status unknown (link). In Meltzer, B., and Michie, D., eds., Machine Intelligence 4. Edinburgh: Edinburgh University Press. 463–502.

[13] Hayes-Roth, Frederick; Waterman, Donald; Lenat, Douglas (1983). Building Expert Systems. Addison-Wesley. էջեր 6–7. ISBN 978-0-201-10686-2.

[14] Levesque, H.J. and Brachman, R.J., 1987. Expressiveness and tractability in knowledge representation and reasoning 1. Computational intelligence, 3(1), pp.78-93.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]