1.1.1 Декларативне представлення знань.
Завдання KR полягає не лише в тому, щоб зберігати й упорядковувати інформацію, а й у тому, щоб наповнити її змістом та контекстом. Завдяки символічним представленням (symbolic representations), онтологіям (ontologies), семантичним мережам (semantic networks) і імовірнісним структурам (probabilistic frameworks) KBIA інтегрують предметно-специфічні знання, що дозволяє їм орієнтуватися в складних просторах рішень (decision spaces) із врахуванням основних концепцій предметної області (domain).
Символічне представлення знань. Логіка предикатів представляє знання за допомогою предикатів, змінних і логічних операторів. Прикладами є логіка першого порядку та логіки вищого порядку. Добре підходить для представлення структурованих і формальних знань. Представлення на основі фреймів організовує знання у вигляді фреймів або об’єктів із слотами та атрибутами. Використовується для представлення структурованої інформації та зв’язків успадкування. Семантичні мережі представляють знання у вигляді графів - вузлів (концептів), з’єднаних зв’язками (відношеннями). Корисно для фіксації зв’язків і асоціацій між поняттями.
Онтології, графи знань (knowledge graphs), дескриптивна логіка пропонують мови та моделі для відображення структурованих знань. Онтологія - формальне представлення понять, зв’язків і атрибутів у межах предметної області. Онтології визначають спільний словниковий запас і семантику, що дозволяє міркувати та взаємодіяти. Графи знань використовують графові структури для представлення понять і зв’язків, уможливлюючи семантичні висновки та міркування. Дескриптивна логіка це підмножина формальної логіки, яка використовується в онтологіях для вираження зв’язків, обмежень і аксіом.
Для імовірнісного представлення знань використовуються мережі Байєса та марківські моделі. Мережі Байєса представляють невизначені знання за допомогою імовірнісних залежностей між змінними та використовуються для моделювання ймовірнісних залежностей. Моделі Маркова відображають послідовні процеси з імовірнісними переходами. Використовуються для таких завдань, як розпізнавання мовлення, NLP та машинний переклад тощо.
Нечітка логіка та нечіткі множини. Нечітка логіка представляє невизначеність у знаннях за допомогою лінгвістичних термінів і функцій належності. Нечіткі множини відображають ступені приналежності до понять, дозволяючи поступовий перехід між категоріями.
Представлення знань в часі. Модальна (modal logic) та часова логіка (temporal logic) розширюють логіку предикатів на міркування про час і часові зв’язки. Корисна для моделювання подій, причинності та часових обмежень. Часові бази даних зберігають дані з мітками часу та дають змогу робити запити та міркування щодо часової інформації.
Коннекціоністське представлення знань це нейронні мережі, які пропонують підходи відображення знань та залежностей в даних за допомогою взаємопов’язаних вузлів (нейронів). Використовуються для завдань ML та розпізнавання образів.
Семантичні веб-технології та такі мови представлення знань як Resource Description Framework (RDF) і Web Ontology Language (OWL) використовуються для створення структурованих, машиночитаних веб-даних. Поєднують пов’язаність даних та семантичну сумісність.
Кожен метод декларативного представлення знань має свої переваги та обмеження. Вибір залежить від характеру представлених знань, необхідних можливостей міркування та конкретної області застосування. На практиці часто використовуються гібридні підходи, які поєднують різні методи, для подолання обмежень одних і використання переваг інших.
1.1.2 Процедурне представлення знань.
Процедурне представлення знань в KBIA відображає інформацію про процеси, процедури, дії та послідовності кроків, необхідних для досягнення конкретних цілей. Процедурні знання зазвичай представлені у спосіб, який дозволяє агентам виконувати дії та слідувати встановленим процедурам для виконання завдань.
Продукційні правила складаються з набору умовних операторів (правил «якщо-тоді»), що визначають дії, які необхідно виконати, коли виконуються певні умови. Добре підходять для представлення експертних знань і процедурної інформації. Вони використовуються в експертних системах на основі правил і системах підтримки прийняття рішень.
Сценарії це структуровані представлення типових послідовностей дій. Вони описують кроки, необхідні для виконання завдань або досягнення цілей. Сценарії використовуються для представлення процедурних знань у випадках, де завдання мають передбачувану послідовність дій, таких як NLP або планування.
Формалізми планування (planning formalisms) представляють формальні знання про дії та їхні зв’язки. Вони включають такі представлення, як STRIPS, ADL і PDDL. Формалізми планування використовуються для визначення дій, їхніх передумов, наслідків і зв’язків між діями. Вони забезпечують автоматизоване планування та міркування.
Моделі процесу використовують графічні позначення (наприклад, блок-схеми, мережі Петрі) для представлення потоку дій, рішень і взаємодій у процесі. Моделі процесів широко використовуються в управлінні бізнес-процесами, системах документообігу та промисловій автоматизації.
Діаграми переходів станів представляють стани системи та переходи між станами на основі конкретних подій або дій. Вони зазвичай використовуються для моделювання поведінки систем, які мають дискретні стани та переходи.
Гібридні підходи поєднують різні методи для представлення процедурних знань. Наприклад, поєднання продукційних правил з діаграмами переходів станів. Вони пропонують гнучкість у представленні складних процедур, які включають як логічне міркування, так і послідовні дії.
Когнітивні архітектури, такі як Soar або ACT-R, використовують продукційні правила та інші елементи для представлення процедурних знань разом з іншими типами знань.
Вибір методів представлення процедурних знань залежить від складності завдань, характеру процедур, необхідності формального обґрунтування та конкретних вимог застосування KBIA. У багатьох випадках для ефективного охоплення та представлення процедурних знань використовується комбінація методів.
1.1.3 Когнітивні процеси та міркування.
Процеси міркування KBIA охоплюють дедукцію (deduction), індукцію (induction), абдукцію (abduction) та міркування за аналогією (analogical reasoning). Агенти обробляють сховища даних, встановлюють кореляції та залежності, роблять висновки про причинно-наслідкові зв’язки та усувають прогалини в інформації, що дозволяє їм отримати логічні висновки про нюанси взаємозв’язків між сутностями та процесами предметної області.
Дедуктивне міркування забезпечує конкретні висновки із загальних принципів або посилок. KBIA використовує дедуктивне міркування для застосування правил, фактів і логічних зв’язків для отримання точних висновків. Наприклад, система медичної діагностики може використовувати дедуктивні міркування, щоб зробити висновок про конкретне захворювання на основі спостережуваних симптомів і медичних знань.
Індуктивне міркування передбачає отримання узагальнених висновків із конкретних спостережень або випадків, виявляє закономірності, тенденції і зв'язки у даних. Наприклад, система фінансового прогнозування може використовувати індуктивне міркування для прогнозування ринкових тенденцій на основі історичних даних.
Абдуктивне міркування виводить висновок, який дає найкраще пояснення спостережуваних явищ, навіть якщо пояснення не є гарантовано істинним. KBIA використовує абдуктивні міркування для створення гіпотез і обґрунтованих припущень щодо основних причин. Наприклад, діагностична система може використовувати абдуктивні міркування, щоб запропонувати потенційні причини набору симптомів. Часто використовується для створення обґрунтованих припущень або гіпотез щодо основних причин або механізмів, які могли призвести до спостережуваної ситуації. Абдуктивне міркування є ключовим аспектом вирішення проблем, створення гіпотез і наукових відкриттів.
Міркування за аналогією передбачає визнання подібності між різними ситуаціями чи випадками та використовує знання з однієї області для розуміння іншої. KBIA використовує аналогічні міркування для передачі знань і рішень з одного контексту в інший. Наприклад, KBIA, що надає допомогу в інженерному проектуванні, може спиратися на минулі успішні проекти для створення рішень для нових завдань. Міркування за аналогією покращує здатність KBIA переносити ідеї, рішення та знання зі знайомих контекстів у нові та незнайомі сценарії.
Міркування здорового глузду (common sense reasoning) узагальнює знання, які люди сприймають як належне. Докладаються зусилля для розробки KBIA, здатних робити виведення знань здорового глузду, щоб покращити розуміння природної мови та сценаріїв реального світу.
Контекстозалежне міркування враховує контекстну інформацію під час прийняття рішень. Воно дозволяє аналізувати навколишній контекст, включаючи історію користувача, уподобання та поточну ситуацію, щоб створити відповіді, які відповідають створеному контексту. Контекстозалежне обґрунтування підвищує релевантність та ефективність взаємодії KBIA та людини.
Ймовірнісне міркування забезпечує обробку невизначеності шляхом призначення ймовірностей різним гіпотезам або висновкам, використовує теорію ймовірностей для моделювання та кількісної оцінки невизначеної інформації. KBIA використовують ймовірнісні міркування для управління неповною або суперечливою інформацією. Вони зважують докази та генерують імовірнісні оцінки для прийняття рішень.
Мета-міркування, також відоме як «мислити про мислення», це міркування вищого рівня, яке допомагає KBIA вибирати найефективніші стратегії, евристики та алгоритми для досягнення своїх цілей. Передбачає рефлексію агента над власними процесами міркування. Це допомагає визначити найбільш ефективний підхід до вирішення конкретної проблеми, враховуючи власні сильні сторони та обмеження.
KBIA поєднує ці різні форми міркувань, щоб орієнтуватися в складних просторах рішень, адаптуватися до мінливих контекстів і доходити до обґрунтованих висновків. Інтегруючи ці когнітивні процеси у свою діяльність, агент симулює людський інтелект і сприяє вирішенню складних проблем у таких областях, як охорона здоров’я, фінанси, інженерія тощо.