L’intelligence artificielle (IA) est une technologie populaire et innovante qui fait passer l’intelligence humaine au niveau supérieur. Il offre la puissance d’une intelligence précise intégrée aux machines.
Les humains sont dotés d’une réflexion, d’un raisonnement, d’une interprétation et d’une compréhension de haut niveau des connaissances. Les connaissances que nous acquérons nous aident à effectuer différentes activités dans le monde réel.
De nos jours, même les machines deviennent capables de faire tant de choses, grâce à la technologie.
Récemment, l’utilisation de systèmes et d’appareils alimentés par l’IA est en augmentation en raison de leur efficacité et de leur précision dans l’exécution de tâches complexes.
Maintenant, le problème est que, alors que les humains ont acquis de nombreux niveaux et types de connaissances dans leur vie, les machines ont du mal à interpréter les mêmes connaissances.
Par conséquent, la représentation des connaissances est utilisée. Cela résoudra des problèmes complexes dans notre monde qui sont difficiles et chronophages à résoudre pour les humains.
Dans cet article, j’expliquerai la représentation des connaissances dans l’IA, son fonctionnement, ses types et techniques, et plus encore.
Commençons!
Table des matières
Qu’est-ce que la représentation des connaissances et le raisonnement ?
La représentation et le raisonnement des connaissances (KR&R) font partie de l’intelligence artificielle qui se consacre uniquement à représenter des informations sur le monde réel sous une forme telle qu’un ordinateur puisse comprendre et agir en conséquence. Cela conduit à résoudre des problèmes complexes, tels que le calcul, avoir un dialogue en langage naturel, diagnostiquer une condition médicale critique, etc.
La représentation des connaissances trouve son chemin à partir de la psychologie sur la façon dont un humain est capable de résoudre des problèmes et de représenter des connaissances pour concevoir des formalismes. Cela permettra à l’IA de comprendre comment un humain simplifie les systèmes complexes lors de la construction et de la conception.
Les premiers travaux se sont concentrés sur les solutions de résolution de problèmes généraux, qui ont été développés par Herbert A. Simon et Allen Newell en 1959. Ces systèmes utilisaient la structure de données pour la décomposition et la planification. Le système commence par un objectif, puis décompose l’objectif en sous-objectifs. Ensuite, le système définit certaines stratégies de construction qui peuvent répondre à chaque sous-objectif.
Ces efforts ont ensuite conduit à une révolution cognitive dans la psychologie humaine et à une phase de l’IA axée sur la représentation des connaissances. Cela a abouti aux systèmes experts dans les années 1970 et 1980, aux langages de cadres, aux systèmes de production, etc. Plus tard, l’IA a changé son objectif principal pour les systèmes experts qui pourraient éventuellement correspondre à la compétence humaine, comme le diagnostic médical.
De plus, la représentation des connaissances permet aux systèmes informatiques de comprendre et d’utiliser les connaissances pour résoudre des problèmes du monde réel. Il définit également un moyen par lequel vous pouvez représenter les connaissances et le raisonnement dans l’IA.
La représentation des connaissances ne consiste pas seulement à stocker des données dans des bases de données ; au contraire, il permet aux machines intelligentes d’apprendre des connaissances humaines et d’expérimenter la même chose afin qu’une machine puisse se comporter et agir comme un humain.
Les humains ont des connaissances étrangères aux machines, notamment les sentiments, les intentions, les croyances, le bon sens, les jugements, les préjugés, l’intuition, etc. Certaines connaissances sont également simples, comme la connaissance de certains faits, la connaissance générale des événements, des personnes, des objets, de la langue, des disciplines académiques, etc.
Avec KR&R, vous pouvez représenter les concepts humains dans un format compréhensible pour les machines et rendre les systèmes alimentés par l’IA vraiment intelligents. Ici, la connaissance signifie fournir des informations concernant l’écosystème et les stocker, tandis que le raisonnement signifie prendre des décisions et des actions à partir des informations stockées sur la base des connaissances.
Quelles connaissances doivent être représentées dans les systèmes d’IA ?
Les connaissances qui doivent être présentées dans les systèmes d’intelligence artificielle peuvent inclure :
- Objet : Les objets entourent constamment les humains. Par conséquent, l’information concernant ces objets est essentielle et doit être considérée comme un type de connaissance. Par exemple, les pianos ont des touches blanches et noires, les voitures ont des roues, les bus ont besoin de chauffeurs, les avions ont besoin de pilotes, etc.
- Événements : De nombreux événements se déroulent constamment dans le monde réel. Et la perception humaine est basée sur les événements. L’IA doit avoir une connaissance des événements pour agir. Certains événements sont des famines, l’avancement des sociétés, des guerres, des catastrophes, des réalisations, etc.
- Performance : Cette connaissance traite de certaines actions humaines dans diverses situations. Il représente le côté comportement de la connaissance qui est tout à fait essentiel pour que l’IA comprenne.
- Méta-connaissances : par exemple, si nous regardons autour du monde et résumons toutes les connaissances disponibles, nous constatons qu’elles sont principalement divisées en trois catégories :
- Ce que nous savons déjà
- Ce que nous savons, ce sont essentiellement des choses que nous ne connaissons pas complètement
- Ce que nous ne savons pas encore
- La méta-connaissance traite de la première, c’est-à-dire ce que nous savons et permet à l’IA de percevoir la même chose.
- Faits : Cette connaissance est basée sur la description factuelle de notre monde. Par exemple, la terre n’est pas plate mais pas ronde non plus ; notre soleil a un appétit vorace, et plus encore.
- Base de connaissances : La base de connaissances est la principale composante de l’intelligence humaine. Il s’agit d’un groupe de données ou d’informations pertinentes sur n’importe quel champ, description, etc. Par exemple, une base de connaissances sur la conception d’un modèle de voiture.
Comment fonctionne la représentation des connaissances ?
En règle générale, une tâche à accomplir, un problème à résoudre et l’obtention d’une solution sont donnés de manière informelle, comme la livraison de colis à leur arrivée ou la résolution de problèmes électriques dans la maison.
Pour résoudre un problème réel, le concepteur du système doit :
- Effectuez la tâche pour déterminer quelle meilleure solution elle peut fournir
- Représenter le problème dans une langue afin qu’un ordinateur puisse le raisonner
- Utilisez le système pour informatiser un résultat final, qui est la solution pour les utilisateurs ou une séquence d’activités à effectuer dans l’écosystème.
- Interpréter le résultat final comme une solution au problème principal
La connaissance est l’information qu’un humain possède déjà, mais les machines doivent apprendre. Comme il y a beaucoup de problèmes, la machine a besoin de connaissances. Dans le cadre du système de conception, vous pouvez définir quelles connaissances doivent être représentées.
Connexion entre la représentation des connaissances et l’IA
La connaissance joue un rôle essentiel dans l’intelligence. Il est également responsable de la création de l’intelligence artificielle. Lorsqu’il est nécessaire d’exprimer un comportement intelligent chez les agents IA, il joue un rôle nécessaire. Un agent est incapable de fonctionner avec précision lorsqu’il manque d’expérience ou de connaissance de certaines entrées.
Par exemple, si vous souhaitez interagir avec une personne mais que vous ne comprenez pas la langue, il est évident que vous ne pouvez pas bien répondre et effectuer la moindre action. Cela fonctionne de la même manière pour le comportement intelligent des agents. L’IA doit avoir suffisamment de connaissances pour exécuter la fonctionnalité car un décideur découvre l’environnement et applique les connaissances requises.
Cependant, l’IA ne peut pas présenter de comportement intellectuel sans les composants de la connaissance.
Types de connaissances représentées dans l’IA
Maintenant que nous savons clairement pourquoi nous avons besoin d’une représentation des connaissances dans l’IA, découvrons les types de connaissances représentées dans un système d’IA.
- Connaissance déclarative : elle représente les objets, les concepts et les faits qui vous aident à décrire le monde entier qui vous entoure. Ainsi, il partage la description de quelque chose et exprime des phrases déclaratives.
- Connaissance procédurale: La connaissance procédurale est inférieure à la connaissance déclarative. Elle est également connue sous le nom de connaissance impérative, qui est utilisée par les robots mobiles. C’est pour déclarer l’accomplissement de quelque chose. Par exemple, avec juste une carte d’un bâtiment, les robots mobiles peuvent faire leur propre plan. Les robots mobiles peuvent planifier une attaque ou effectuer une navigation.
De plus, les connaissances procédurales sont directement appliquées à la tâche qui comprend des règles, des procédures, des agendas, des stratégies, etc.
- Méta-connaissance : Dans le domaine de l’intelligence artificielle, les connaissances prédéfinies sont appelées méta-connaissances. Par exemple, l’étude du marquage, de l’apprentissage, de la planification, etc., relève de ce type de connaissances.
Ce modèle change de comportement avec le temps et utilise d’autres spécifications. Un ingénieur système ou un ingénieur des connaissances utilise diverses formes de méta-connaissances, telles que l’exactitude, l’évaluation, le but, la source, la durée de vie, la fiabilité, la justification, l’exhaustivité, la cohérence, l’applicabilité et la désambiguïsation.
- Connaissance heuristique : Cette connaissance, également connue sous le nom de connaissance superficielle, suit le principe de la règle du pouce. Par conséquent, il est très efficace dans le processus de raisonnement car il peut résoudre des problèmes basés sur des enregistrements antérieurs ou des problèmes compilés par des experts. Cependant, il rassemble les expériences des problèmes passés et fournit une meilleure approche basée sur les connaissances pour spécifier les problèmes et prendre des mesures.
- Connaissances structurelles : les connaissances structurelles sont les connaissances les plus simples et les plus fondamentales utilisées et appliquées pour résoudre des problèmes complexes. Il essaie de trouver une solution efficace en trouvant la relation entre les objets et les concepts. De plus, il décrit la relation entre plusieurs concepts, comme une partie de, une sorte de ou un regroupement de quelque chose.
La connaissance déclarative peut être représentée comme celle qui décrit, tandis que la connaissance procédurale est celle qui fait. De plus, les connaissances déclaratives sont définies comme explicites, tandis que les connaissances procédurales sont tacites ou implicites. C’est une connaissance déclarative si vous pouvez articuler la connaissance et une connaissance procédurale si vous ne pouvez pas l’articuler.
Techniques de représentation des connaissances en IA
Il existe quatre techniques principales qui représentent les connaissances en IA :
- Représentation logique
- Réseaux sémantiques
- Règles de fabrication
- Représentation du cadre
Représentation logique
La représentation logique est la forme de base de la représentation des connaissances aux machines où une syntaxe définie avec des règles de base est utilisée. Cette syntaxe n’a pas d’ambiguïté dans le sens et traite des prépositions. Cependant, la forme logique de la représentation des connaissances agit comme les règles de communication. C’est la raison pour laquelle il peut être utilisé pour représenter des faits aux machines.
La représentation logique est de deux types :
- Logique propositionnelle: La logique propositionnelle est également connue sous le nom de logique d’énoncé ou de calcul propositionnel qui fonctionne dans un booléen, ce qui signifie une méthode de Vrai ou Faux.
- Logique du premier ordre : la logique du premier ordre est un type de représentation logique des connaissances que vous pouvez également appeler logique de calcul des prédicats du premier ordre (FOPL). Cette représentation de la connaissance logique représente les prédicats et les objets dans les quantificateurs. C’est un modèle avancé de logique propositionnelle.
Cette forme de représentation des connaissances ressemble à la plupart des langages de programmation où vous utilisez la sémantique pour transmettre des informations. C’est une façon très logique de résoudre les problèmes. Cependant, le principal inconvénient de cette méthode est le caractère strict de la représentation. En général, il est difficile à exécuter et parfois peu efficace.
Réseaux sémantiques
Une représentation graphique, dans ce type de représentation des connaissances, porte les objets connectés qui sont utilisés avec le réseau de données. Les réseaux sémantiques comprennent des arcs/arêtes (connexions) et des nœuds/blocs (objets) qui décrivent la connexion entre les objets.
Il s’agit d’une alternative à la forme de représentation FOPL (First Order Predicate Calculus Logic). Les relations dans les réseaux sémantiques sont de deux types :
C’est une forme de représentation plus naturelle que logique en raison de sa simplicité de compréhension. Le principal inconvénient de cette forme de représentation est qu’elle est coûteuse en calcul et qu’elle n’inclut pas les quantificateurs équivalents que vous pouvez trouver dans la représentation logique.
Règles de fabrication
Les règles de production sont la forme la plus courante de représentation des connaissances dans les systèmes d’IA. C’est la forme la plus simple de représentation des systèmes basés sur des règles if-else et, par conséquent, elle peut être comprise facilement. Il représente une manière de combiner FOPL et logique propositionnelle.
Afin de comprendre techniquement les règles de production, vous devez d’abord comprendre les constituants du système de représentation. Ce système comprend un ensemble de règles, une mémoire de travail, un applicateur de règles et un cycle d’action reconnu.
Pour chaque entrée, l’IA vérifie les conditions à partir des règles de production, et après avoir trouvé une meilleure règle, elle prend immédiatement l’action nécessaire. Le cycle de sélection des règles en fonction des conditions et d’action pour résoudre le problème est connu sous le nom de cycle de reconnaissance et d’action qui se déroule dans chaque entrée.
Cependant, cette méthode présente certains problèmes, tels qu’une exécution inefficace en raison des règles actives et un manque d’expérience en raison de l’absence de stockage des résultats passés. Puisque les règles sont exprimées en langage naturel, le coût des inconvénients peut être compensé. Ici, les règles peuvent être modifiées et supprimées facilement si nécessaire.
Représentation du cadre
Pour comprendre la représentation du cadre à un niveau fondamental, imaginez un tableau composé de noms dans des colonnes et de valeurs dans des lignes ; les informations nécessaires sont transmises dans cette structure complète. En termes simples, la représentation de cadre est une collection de valeurs et d’attributs.
Il s’agit d’une structure de données spécifique à l’IA qui utilise des charges (valeurs d’emplacement pouvant être de n’importe quel type et forme de données) et des emplacements. Le processus est assez similaire au système de gestion de base de données (SGBD) typique. Ces charges et fentes forment une structure appelée cadre.
Les emplacements, dans cette forme de représentation des connaissances, ont des noms ou des attributs, et les connaissances liées aux attributs sont stockées dans des charges. Le principal avantage de ce type de représentation est que des données similaires peuvent être fusionnées en groupes pour diviser les connaissances en structures. De plus, il est divisé en sous-structures.
Comme une structure de données typique, ce type peut être compris, manipulé et visualisé facilement. Les concepts typiques, y compris la suppression, la suppression et l’ajout d’emplacements, peuvent être exécutés sans effort.
Exigences pour la représentation des connaissances dans le système d’IA
Une bonne représentation des connaissances contient certaines propriétés :
- Exactitude de la représentation : la représentation des connaissances doit représenter avec précision chaque type de connaissances requises.
- Efficacité inférentielle : C’est la capacité de gérer facilement les mécanismes de connaissances inférentielles dans des directions productives en utilisant des guides appropriés.
- Adéquation inférentielle : la représentation des connaissances doit avoir la capacité de manipuler certaines structures de représentation pour représenter de nouvelles connaissances basées sur les structures existantes.
- Efficacité d’acquisition : La capacité d’acquérir de nouvelles connaissances en utilisant des méthodes automatiques.
Cycle de connaissance de l’IA
Les systèmes d’IA incluent certains composants majeurs pour montrer un comportement intelligent qui rend possible la représentation des connaissances.
- Perception : il aide le système basé sur l’IA à collecter des informations sur l’environnement à l’aide de différents capteurs et le familiarise avec l’écosystème pour interagir efficacement avec les problèmes.
- Apprentissage : Il est utilisé pour permettre aux systèmes d’IA d’exécuter des algorithmes d’apprentissage en profondeur qui sont déjà écrits pour que les systèmes d’IA fournissent les informations nécessaires du composant de perception au composant d’apprentissage pour un meilleur apprentissage et une meilleure compréhension.
- Représentation des connaissances et raisonnement : les humains utilisent les connaissances pour prendre des décisions. Par conséquent, ce bloc est chargé de servir les humains à travers les données de connaissance des systèmes d’IA et d’utiliser les connaissances pertinentes chaque fois que nécessaire.
- Planification et exécution : Ce bloc est indépendant. Il est utilisé pour prendre des données à partir de blocs de connaissances et de raisonnement et exécuter des actions pertinentes.
Conclusion
Les humains peuvent acquérir des connaissances de différentes manières, tout comme les machines basées sur l’IA. À mesure que l’IA évolue, une meilleure représentation des connaissances aux machines vous aide à résoudre des problèmes complexes avec un minimum d’erreurs. Ainsi, la représentation des connaissances est un attribut essentiel pour que les machines d’IA fonctionnent intelligemment et intelligemment.
Vous pouvez également examiner la différence entre l’intelligence artificielle, l’apprentissage automatique et l’apprentissage en profondeur.