A Representação do Conhecimento

...

fundamental da representação de raciocínio inteligente

2. O conjunto de inferências as sanções de representação;

3. O conjunto de inferências que recomenda

É um médium para computação pragmaticamente eficiente. Uma contribuição para esta eficiência pragmática fornece para organizar informação para que facilite a construção de inferências recomendadas.

É um médium de expressões humanas

A representação do conhecimento é a chave que permite tecnologia para a rede semântica. Linguagens baseadas no modelo de Frame com classificação automática fornece uma camada de semânticas em cima da internet existente. Em vez de pesquisar via strings de texto como é típico hoje em dia, ele vai possibilitar a definição de filas lógicas e encontrar páginas que mapeiam essas filas. O componente de logica automatizada nesses sistemas é um mecanismo conhecido como o classificador. Classificadores podem inferir novas classes e mudar dinamicamente a ontologia quando novas informações estiverem disponíveis. Esta capacidade é ideal para trocar e desenvolver espaços de informação da internet.

A rede semântica integra conceitos da representação do conhecimento com linguagens de marcação baseadas em XML. O Framework de Descrição de recursos (FDR). Fornece as capacidades básicas de definir objetos baseados em conhecimento na internet com características básicas como É-uma relações e propriedades de objeto. A Linguagem de Ontologia da rede (LOR) inclui semânticas adicionais e integra com raciocinadores de classificação automáticos.

Características

Em 1985, Ron Branchman categorizou as questões principais da representação do conhecimento:

Primitivas. Qual é a estrutura subjacente usada para representar conhecimento? Redes semânticas forma uma das primeiras primitivas da representação do conhecimento. Além disso, estruturas de dados e algoritmos para pesquisa rápida. Nesta área há uma forte sobreposição com pesquisa em estrutura de dados e algoritmos em ciência da computação. Nos primeiros sistemas a linguagem de programação LISP que foi modelada a partir do cálculo lambda foi frequentemente usada como uma forma de representação do conhecimento funcional. Frames e Regras foram o próximo tipo de primitiva. Linguagens Frame tinham vários mecanismos para expressar e aplicar restrições em dados de frame. Todos os dados em frames estão armazenados em slots. Slots são análogos a relações em modelagem de relações de entidade a para propriedades de objeto em modelagem orientada a objetos. Outra técnica para primitivas é definir linguagens que são modeladas baseando-se em Lógica de Primeira Ordem (LPO). O exemplo mais conhecido é o Prolog, mas também existem ambientes de prova de teoremas de propósitos especiais. Esses ambientes podem validar modelos lógicos e pode deduzir novas teorias de modelos existentes. Tecnologia de prova de teoria já teve algumas aplicações práticas especificas em áreas da engenharia de software.

Meta-Representação. Esta também é conhecida como questão de reflexão na ciência da computação. Se refere a capacidade de um formalismo para obter acesso à informação sobre seu próprio estado. Meta representação significa que a linguagem da representação do conhecimento é auto expressada naquela linguagem.

Incompletude. Lógica tradicional requer axiomas adicionais e restrições para lidar com o mundo real como oposto do mundo matemático. Também, é frequentemente útil para associar graus de confiança com uma declaração.

Definições e universais contra fatos e padrões. Universais são declarações gerais sobre o mundo, como “Todos humanos são mortais”. Fatos são exemplos específicos de universais como “Sócrates é um humano e assim, mortal”. Em termos lógicos definições e universais são sobre a quantificação universal enquanto fatos e padrões são sobre quantificações existenciais. Todas as formas de representação do conhecimento devem lidar com este aspecto e a maioria consegue com alguma variante de teoria dos conjuntos, modelando universais como conjuntos e subconjuntos e definições como elementos nesses conjuntos.

Raciocínio não-monotônico. Raciocínio não-monotônico permite vários tipos de raciocínio hipotético. O sistema associa fatos afirmados com as regras e fatos acostumados a justifica-los e como esses fatos mudam atualizações o conhecimento dependente também. Em sistemas baseados em regras esta capacidade é conhecida como sistema de manutenção de verdade.

Adequação Expressiva. O padrão que Branchman e a maioria dos pesquisadores de IA usam para medir adequação expressiva é geralmente a Lógica de Primeira Ordem. Limitações teóricas significa que uma implementação completa da Logica de primeira ordem não é prática. Pesquisadores deveriam estar claros sobre quão expressivo (quanto do poder da LPO) eles querem que sua representação seja.

Eficiência do raciocínio. Isto refere-se da eficiência do tempo de execução do sistema. A habilidade da base de conhecimento de ser atualizada e que raciocinador de desenvolver novas inferências em um período de tempo aceitável. De algumas formas este é o outro lado da adequação expressiva. Em geral quanto mais poderosa a representação, mais ela tem adequação expressiva, menos eficiente será seu mecanismo de raciocínio automatizado. Eficiência já foi um problema, especialmente para aplicações antigas de tecnologia da representação do conhecimento. Eles foram geralmente implementados em ambientes interpretados como o Lisp que foi lento comparado a outras plataformas tradicionais daquela época.

Referências:

Ronald J. Brachman, Hector J. Levesque Knowledge Representation and Reasoning, Morgan Kaufmann, 2004