Reprezentarea cunoștințelor și raționamentul

Reprezentarea cunoștințelor și raționamentul (Knowledge representation and reasoning, KRR, KR&R, KR²) este domeniul inteligenței artificiale (IA) dedicat reprezentării informațiilor despre lume într-o formă pe care un sistem informatic o poate folosi pentru a rezolva sarcini complexe, cum ar fi diagnosticarea unei afecțiuni medicale sau dialogul într-un limbaj natural. Reprezentarea cunoștințelor încorporează descoperiri din psihologie despre modul în care oamenii rezolvă problemele și reprezintă cunoștințele pentru a proiecta formalisme care vor face sisteme complexe mai ușor de proiectat și construit. Reprezentarea cunoștințelor și raționamentul încorporează, de asemenea, constatări din logică pentru a automatiza diverse tipuri de raționament, cum ar fi aplicarea regulilor sau relațiile dintre mulțimi și submulțimi.

Exemple de formalisme de reprezentare a cunoștințelor includ rețele semantice, arhitectura sistemelor, cadre, reguli și ontologii. Exemple de motoare de raționament automatizate includ motoarele de inferență, demonstratorii de teoreme și clasificatorii.

Istorie

Cele mai vechi lucrări în reprezentarea computerizată a cunoștințelor s-au concentrat pe soluții generale de probleme, cum ar fi sistemul General Problem Solver (GPS) dezvoltat de Allen Newell și Herbert A. Simon în 1959. Aceste sisteme prezentau structuri de date pentru planificare și descompunere. Sistemul ar începe cu un scop. Apoi ar descompune acel obiectiv în sub-obiective și apoi s-ar fi propus să construiască strategii care ar putea îndeplini fiecare sub-obiectiv.

În aceste zile de început ale IA, au fost dezvoltați și algoritmi generali de căutare, cum ar fi A*. Cu toate acestea, definițiile amorfe ale problemelor pentru sisteme precum GPS au însemnat că acestea au funcționat numai pentru domenii specifice foarte restrânse (de exemplu, „lumea blocurilor”). Pentru a aborda problemele non-specifice, cercetătorii IA, cum ar fi Ed Feigenbaum și Frederick Hayes-Roth, și-au dat seama că este necesar să concentreze sistemele pe probleme mai restrânse.

Aceste eforturi au condus la revoluția cognitivă în psihologie și la faza de IA axată pe reprezentarea cunoștințelor care a dus la sisteme expert în anii 1970 și 80, sisteme de producție, limbaje cadru etc. sisteme care ar putea corespunde competenței umane pentru o anumită sarcină, cum ar fi diagnosticul medical.

Sistemele experte ne-au oferit terminologia încă folosită astăzi, în care sistemele IA sunt împărțite într-o bază de cunoaștere, cu fapte despre lume și reguli, și un motor de inferență, care aplică regulile bazei de cunoaștere pentru a răspunde la întrebări și a rezolva probleme. În aceste sisteme timpurii baza de cunoștințe tindea să fie o structură destul de plată, în esență afirmații despre valorile variabilelor utilizate de reguli.

Pe lângă sistemele expert, alți cercetători au dezvoltat conceptul de limbaje bazate pe cadre la mijlocul anilor 1980. Un cadru este similar cu o clasă de obiecte: este o descriere abstractă a unei categorii care descrie lucruri din lume, probleme și soluții potențiale. Cadrele au fost utilizate inițial pe sisteme orientate spre interacțiunea umană, de ex. înțelegerea limbajului natural și a setărilor sociale în care diverse așteptări implicite, cum ar fi comanda de mâncare într-un restaurant, restrâng spațiul de căutare și permit sistemului să aleagă răspunsuri adecvate la situațiile dinamice.

Nu a trecut mult până când comunitățile-cadru și cercetătorii bazați pe reguli și-au dat seama că există o sinergie între abordările lor. Cadrele erau bune pentru a reprezenta lumea reală, descrise ca și clase, subclase, sloturi (valori de date) cu diverse constrângeri asupra valorilor posibile. Regulile erau bune pentru reprezentarea și utilizarea logicii complexe, cum ar fi procesul de a face un diagnostic medical. Au fost dezvoltate sisteme integrate care au combinat cadre și reguli. Unul dintre cele mai puternice și bine cunoscute a fost Knowledge Engineering Environment (KEE) din 1983 de la Intellicorp. KEE avea un motor de regulă complet cu înlănțuire înainte și înapoi. De asemenea, avea o bază completă de cunoștințe bazată pe cadre, cu declanșatoare, sloturi (valori de date), moștenire și transmitere de mesaje. Deși transmiterea mesajelor își are originea mai degrabă în comunitatea orientată pe obiecte decât în IA, a fost rapid acceptată de cercetătorii IA, precum și în medii precum KEE și în sistemele de operare pentru mașinile Lisp de la Symbolics, Xerox și Texas Instruments.

Integrarea cadrelor, regulilor și a programării orientate pe obiecte a fost condusă în mod semnificativ de întreprinderi comerciale precum KEE și Symbolics desprinse din diferite proiecte de cercetare. În același timp în care se întâmpla acest lucru, a existat o altă ramură de cercetare care a fost mai puțin concentrată comercial și a fost condusă de logica matematică și de demonstrarea automată a teoremei de la mijlocul anilor ’80. KL-ONE a fost un limbaj cadru care avea o semantică riguroasă, definiții formale pentru concepte precum o relație Is-A. KL-ONE și limbile care au fost influențate de acesta, cum ar fi Loom, aveau un motor de raționament automat bazat mai degrabă pe logica formală decât pe regulile IF-THEN. Acest raționator s-a numit clasificator. Un clasificator poate analiza un set de declarații și deduce noi afirmații, de exemplu, redefinirea unei clase pentru a fi o subclasă sau superclasă a unei alte clase care nu a fost specificată oficial. În acest fel, clasificatorul poate funcționa ca un motor de inferență, deducând fapte noi dintr-o bază de cunoștințe existentă. Clasificatorul poate oferi, de asemenea, verificarea coerenței pe o bază de cunoștințe (care, în cazul limbilor KL-ONE, este denumită și ontologie).

Un alt domeniu al cercetării reprezentării cunoștințelor a fost problema raționamentului de bun simț. Una dintre primele realizări învățate din încercarea de a realiza un software care să poată funcționa cu limbajul natural uman a fost că oamenii se bazează în mod regulat pe o bază extinsă de cunoștințe despre lumea reală, pe care pur și simplu o considerăm de la sine înțeles, dar care nu este deloc evident pentru un agent artificial. Principii de bază ale fizicii de bun-simț, cauzalitate, intenții etc. Un exemplu este problema cadrului, că într-o logică condusă de evenimente trebuie să existe axiome care să afirme lucrurile să mențină poziția de la un moment la altul, cu excepția cazului în care sunt mutate de o oarecare fortă exterioară. Pentru a face un adevărat agent de inteligență artificială care poate conversa cu oamenii folosind limbajul natural și poate procesa afirmații și întrebări de bază despre lume, este esențial să reprezentăm acest tip de cunoștințe. Unul dintre cele mai ambițioase programe pentru a rezolva această problemă a fost proiectul Cyc al lui Doug Lenat. Cyc și-a stabilit propriul limbaj Frame și a avut un număr mare de analiști care documentează diverse domenii ale raționamentului de bun simț în limba respectivă. Cunoștințele înregistrate în Cyc au inclus modele de bun simț ale timpului, cauzalității, fizicii, intențiilor și multe altele.

Punctul de plecare pentru reprezentarea cunoștințelor este ipoteza reprezentării cunoștințelor, formalizată pentru prima dată de Brian C. Smith în 1985:

”Orice proces inteligent încorporat mecanic va fi compus din ingrediente structurale pe care a) noi, ca observatori externi, le luăm în mod natural pentru a reprezenta o explicație propozițională a cunoștințelor pe care le prezintă procesul general și b) independent de o astfel de atribuire semantică externă, joacă un rol formal, dar cauzal și rol esenţial în generarea comportamentului care manifestă acea cunoaştere.”

În prezent, una dintre cele mai active domenii de cercetare a reprezentării cunoștințelor sunt proiectele asociate cu Web-ul semantic. În loc să indexeze site-uri web și pagini prin cuvinte cheie, Web-ul semantic creează ontologii mari de concepte. Căutarea unui concept va fi mai eficientă decât căutările tradiționale numai text. Limbajul cadru și clasificarea automată joacă un rol important în viziunea viitorului Web Semantic. Clasificarea automată oferă dezvoltatorilor tehnologie pentru a oferi ordine într-o rețea de cunoștințe în continuă evoluție. Definirea ontologiilor care sunt statice și incapabile să evolueze din mers ar fi foarte limitantă pentru sistemele bazate pe Internet. Tehnologia de clasificare oferă capacitatea de a face față mediului dinamic al Internetului.

Proiectele recente finanțate în principal de Agenția pentru Proiecte de Cercetare Avansată a Apărării (DARPA) au integrat limbaje cadru și clasificatoare cu limbaje de marcare bazate pe XML. Cadrul de descriere a resurselor (RDF) oferă capacitatea de bază de a defini clase, subclase și proprietăți ale obiectelor. Web Ontology Language (OWL) oferă niveluri suplimentare de semantică și permite integrarea cu motoarele de clasificare.

Prezentare generală

Reprezentarea cunoștințelor este un domeniu al inteligenței artificiale care se concentrează pe proiectarea reprezentărilor computerizate care captează informații despre lume care pot fi utilizate pentru rezolvarea unor probleme complexe.

Justificarea reprezentării cunoștințelor este că codul procedural convențional nu este cel mai bun formalism de utilizat pentru a rezolva probleme complexe. Reprezentarea cunoștințelor face software-ul complex mai ușor de definit și de întreținut decât codul procedural și poate fi utilizat în sisteme expert.

De exemplu, vorbirea cu experți în ceea ce privește regulile de afaceri, mai degrabă decât codul, reduce decalajul semantic dintre utilizatori și dezvoltatori și face dezvoltarea unor sisteme complexe mai practică.

Reprezentarea cunoștințelor merge mână în mână cu raționamentul automat, deoarece unul dintre scopurile principale ale reprezentării explicite a cunoștințelor este de a fi capabil să raționeze despre cunoștințele respective, de a face inferențe, de a afirma noi cunoștințe etc. Practic toate limbajele de reprezentare a cunoștințelor au un motor de raționament sau de inferență. ca parte a sistemului.

Un compromis cheie în proiectarea unui formalism de reprezentare a cunoștințelor este acela dintre expresivitate și caracter practic. Formalismul suprem de reprezentare a cunoștințelor în ceea ce privește puterea expresivă și compactitatea este logica de prim ordin ( First Order Logic, FOL). Nu există formalism mai puternic decât cel folosit de matematicieni pentru a defini propoziții generale despre lume. Cu toate acestea, FOL are două dezavantaje ca formalism de reprezentare a cunoștințelor, referitoa la: ușurința în utilizare și caracterul practic al implementării. Logica de primă ordine poate fi intimidantă chiar și pentru mulți dezvoltatori de software. Limbile care nu au puterea formală completă a FOL pot oferi în continuare aproape aceeași putere expresivă cu o interfață cu utilizatorul care este mai practică de înțeles pentru dezvoltatorul obișnuit. Problema caracterului practic al implementării este că FOL, în anumite privințe, este prea expresiv. Cu FOL este posibil să se creeze instrucțiuni (de exemplu, cuantificare pe seturi infinite) care ar face ca un sistem să nu se termine niciodată dacă ar încerca să le verifice.

Astfel, un subset de FOL poate fi atât mai ușor de utilizat, cât și mai practic de implementat. Aceasta a fost o motivație motrice din spatele sistemelor experte bazate pe reguli. Regulile IF-THEN oferă un subset de FOL, dar unul foarte util, care este, de asemenea, foarte intuitiv. Istoria majorității formalismelor timpurii de reprezentare a cunoștințelor IA; de la baze de date la rețele semantice, până la doveditorii de teoreme și sistemele de producție pot fi privite ca diverse decizii de proiectare cu privire la faptul dacă să accentueze puterea expresivă sau calculabilitatea și eficiența.

Într-o lucrare cheie din 1993 pe această temă, Randall Davis de la MIT a subliniat cinci roluri distincte pentru a analiza un cadru de reprezentare a cunoștințelor:

• „O reprezentare a cunoștințelor (KR) este în esență un surogat, un substitut pentru lucrul în sine, folosit pentru a permite unei entități să determine consecințe prin gândire, mai degrabă decât prin acțiune,”  adică „prin raționarea despre lume, mai degrabă decât prin acțiune în ea.”
• „Este un set de angajamente ontologice”, adică „un răspuns la întrebarea: În ce termeni ar trebui să mă gândesc despre lume?”
• „Este o teorie fragmentară a raționamentului inteligent, exprimată în termeni de trei componente: (i) concepția fundamentală a reprezentării despre raționamentul inteligent; (ii) setul de inferențe pe care le sancționează reprezentarea; și (iii) setul de inferențe pe care îl recomandă. „
• „Este un mediu pentru calcularea eficientă din punct de vedere pragmatic”, adică „mediul de calcul în care se realizează gândirea. O contribuție la această eficiență pragmatică este furnizată de îndrumarea pe care o reprezentare o oferă pentru organizarea informațiilor”  astfel încât „să se faciliteze realizarea deducțiilor recomandate.”
• „Este un mijloc de exprimare umană”, adică „o limbă în care spunem lucruri despre lume”.

Reprezentarea cunoștințelor și raționamentul sunt o tehnologie cheie pentru Web-ul semantic. Limbile bazate pe modelul Frame cu clasificare automată oferă un strat de semantică pe deasupra internetului existent. În loc să căutați prin șiruri de text, așa cum se întâmplă în prezent, va fi posibil să definiți interogări logice și să găsiți pagini care se mapează la acele interogări. Componenta de raționament automatizat din aceste sisteme este un motor cunoscut sub numele de clasificator. Clasificatorii se concentrează mai degrabă pe relațiile de subsumare dintr-o bază de cunoștințe decât pe reguli. Un clasificator poate deduce noi clase și poate schimba dinamic ontologia pe măsură ce noi informații devin disponibile. Această capacitate este ideală pentru spațiul informațional în continuă schimbare și evoluție al Internetului.

Web-ul semantic integrează concepte din reprezentarea cunoștințelor și raționamentul cu limbaje de marcare bazate pe XML. Cadrul de descriere a resurselor (RDF) oferă capabilitățile de bază pentru a defini obiecte bazate pe cunoștințe pe Internet cu caracteristici de bază, cum ar fi relațiile Is-A și proprietățile obiectului. Web Ontology Language (OWL) adaugă semantică suplimentară și se integrează cu raționorii de clasificare automată.

(Include texte traduse și adaptate din Wikipedia de Nicolae Sfetcu)