Menschen sind am besten darin, Wissen zu verstehen, zu argumentieren und zu interpretieren. Der Mensch weiß Dinge, das ist Wissen, und aufgrund seines Wissens führt er verschiedene Aktionen in der realen Welt aus. Aber wie Maschinen all diese Dinge tun, fällt unter Wissensdarstellung und Argumentation . Daher können wir die Wissensdarstellung wie folgt beschreiben:

npm-Installationsbefehl

• Wissensrepräsentation und Argumentation (KR, KRR) ist der Teil der künstlichen Intelligenz, der sich mit dem Denken von KI-Agenten befasst und wie das Denken zum intelligenten Verhalten von Agenten beiträgt.
• Es ist für die Darstellung von Informationen über die reale Welt verantwortlich, sodass ein Computer dieses Wissen verstehen und nutzen kann, um komplexe Probleme der realen Welt zu lösen, z. B. die Diagnose eines medizinischen Zustands oder die Kommunikation mit Menschen in natürlicher Sprache.
• Es ist auch ein Weg, der beschreibt, wie wir Wissen in künstlicher Intelligenz darstellen können. Bei der Wissensrepräsentation werden nicht nur Daten in einer Datenbank gespeichert, sondern es ermöglicht einer intelligenten Maschine auch, aus diesem Wissen und diesen Erfahrungen zu lernen, sodass sie sich intelligent wie ein Mensch verhalten kann.

Was soll dargestellt werden:

Im Folgenden sind die Arten von Wissen aufgeführt, die in KI-Systemen dargestellt werden müssen:

Objekt:Alle Fakten über Objekte in unserem Weltbereich. Gitarren enthalten beispielsweise Streichinstrumente, Trompeten sind Blechblasinstrumente.Veranstaltungen:Ereignisse sind die Handlungen, die in unserer Welt stattfinden.Leistung:Es beschreibt Verhalten, das Wissen darüber beinhaltet, wie man Dinge tut.Metawissen:Es ist Wissen über das, was wir wissen.Fakten:Fakten sind die Wahrheiten über die reale Welt und das, was wir repräsentieren.Wissensbasis:Der zentrale Bestandteil der wissensbasierten Agenten ist die Wissensbasis. Es wird als KB dargestellt. Die Knowledgebase ist eine Gruppe der Sätze (hier werden Sätze als Fachbegriff verwendet und sind nicht identisch mit der englischen Sprache).

Wissen: Wissen ist Bewusstsein oder Vertrautheit, die durch Erfahrungen mit Fakten, Daten und Situationen gewonnen werden. Im Folgenden sind die Arten von Wissen in der künstlichen Intelligenz aufgeführt:

Arten von Wissen

Im Folgenden sind die verschiedenen Arten von Wissen aufgeführt:

1. Deklaratives Wissen:

Java-Konstanten

• Deklaratives Wissen bedeutet, etwas zu wissen.
• Es umfasst Konzepte, Fakten und Objekte.
• Es wird auch deskriptives Wissen genannt und in Aussagesätzen ausgedrückt.
• Es ist einfacher als prozedurale Sprache.

2. Verfahrenswissen

• Es wird auch als zwingendes Wissen bezeichnet.
• Verfahrenswissen ist eine Art Wissen, das dafür verantwortlich ist, zu wissen, wie man etwas macht.
• Es kann direkt auf jede Aufgabe angewendet werden.
• Es umfasst Regeln, Strategien, Verfahren, Tagesordnungen usw.
• Verfahrenswissen hängt von der Aufgabenstellung ab, auf die es angewendet werden kann.

3. Metawissen:

• Das Wissen über die anderen Arten von Wissen wird Metawissen genannt.

4. Heuristisches Wissen:

• Heuristisches Wissen repräsentiert das Wissen einiger Experten in einem Fachgebiet oder Fachgebiet.
• Bei heuristischem Wissen handelt es sich um Faustregeln, die auf früheren Erfahrungen und Kenntnis von Ansätzen basieren und gut anwendbar, aber nicht garantiert sind.

5. Strukturwissen:

• Strukturwissen ist Grundwissen zur Problemlösung.
• Es beschreibt Beziehungen zwischen verschiedenen Konzepten wie Art, Teil und Gruppierung von etwas.
• Es beschreibt die Beziehung, die zwischen Konzepten oder Objekten besteht.

Die Beziehung zwischen Wissen und Intelligenz:

Das Wissen über reale Welten spielt eine entscheidende Rolle für die Intelligenz und auch für die Schaffung künstlicher Intelligenz. Wissen spielt eine wichtige Rolle bei der Demonstration intelligenten Verhaltens von KI-Agenten. Ein Agent ist nur dann in der Lage, auf eine Eingabe genau zu reagieren, wenn er über gewisse Kenntnisse oder Erfahrungen mit dieser Eingabe verfügt.

if else-Anweisungen Java

Nehmen wir an, Sie treffen jemanden, der eine Sprache spricht, die Sie nicht kennen. Wie können Sie dann darauf reagieren? Gleiches gilt für das intelligente Verhalten der Agenten.

Wie wir im folgenden Diagramm sehen können, gibt es einen Entscheidungsträger, der durch die Wahrnehmung der Umgebung und die Nutzung von Wissen handelt. Wenn der Wissensanteil jedoch nicht vorhanden ist, kann er kein intelligentes Verhalten zeigen.

KI-Wissenszyklus:

Ein System der künstlichen Intelligenz verfügt über die folgenden Komponenten zur Darstellung intelligenten Verhaltens:

• Wahrnehmung
• Lernen
• Wissensrepräsentation und Argumentation
• Planung
• Ausführung

Das obige Diagramm zeigt, wie ein KI-System mit der realen Welt interagieren kann und welche Komponenten ihm helfen, Intelligenz zu zeigen. Das KI-System verfügt über eine Wahrnehmungskomponente, mit der es Informationen aus seiner Umgebung abruft. Dabei kann es sich um visuelle, akustische oder eine andere Form sensorischer Eingabe handeln. Die Lernkomponente ist für das Lernen aus den vom Perception Compartment erfassten Daten verantwortlich. Im gesamten Zyklus sind die Hauptkomponenten Wissensrepräsentation und Argumentation. Diese beiden Komponenten sind an der Darstellung der Intelligenz maschinenähnlicher Menschen beteiligt. Diese beiden Komponenten sind unabhängig voneinander, aber auch miteinander gekoppelt. Die Planung und Ausführung hängt von der Analyse der Wissensrepräsentation und Argumentation ab.

Ansätze zur Wissensrepräsentation:

Es gibt hauptsächlich vier Ansätze zur Wissensrepräsentation, die im Folgenden aufgeführt sind:

1. Einfaches relationales Wissen:

• Dies ist die einfachste Art, Fakten zu speichern, die die relationale Methode verwendet, und jede Tatsache über eine Menge des Objekts wird systematisch in Spalten aufgeführt.
• Dieser Ansatz der Wissensdarstellung ist in Datenbanksystemen bekannt, in denen die Beziehung zwischen verschiedenen Entitäten dargestellt wird.
• Dieser Ansatz bietet kaum Rückschlussmöglichkeiten.

Beispiel: Das Folgende ist die einfache relationale Wissensdarstellung.

Python generiert UUID

2. Vererbbares Wissen:

• Beim Ansatz des vererbbaren Wissens müssen alle Daten in einer Klassenhierarchie gespeichert werden.
• Alle Klassen sollten in allgemeiner Form oder hierarchisch angeordnet sein.
• Bei diesem Ansatz wenden wir Vererbungseigenschaften an.
• Elemente erben Werte von anderen Mitgliedern einer Klasse.
• Dieser Ansatz enthält vererbbares Wissen, das eine Beziehung zwischen Instanz und Klasse zeigt und als Instanzbeziehung bezeichnet wird.
• Jeder einzelne Frame kann die Sammlung von Attributen und ihren Wert darstellen.
• Bei diesem Ansatz werden Objekte und Werte in Boxed-Knoten dargestellt.
• Wir verwenden Pfeile, die von Objekten auf ihre Werte zeigen.
Beispiel:

3. Inferenzwissen:

• Der Ansatz des inferentiellen Wissens stellt Wissen in Form formaler Logiken dar.
• Mit diesem Ansatz lassen sich weitere Fakten ableiten.
• Es garantierte die Richtigkeit.
Beispiel:Nehmen wir an, es gibt zwei Aussagen:
1. Marcus ist ein Mann
2. Alle Menschen sind sterblich
   Dann kann es darstellen als;
   
   Mann (Marcus)
   ∀x = Mensch (x) ----------> Sterblicher (x)s

4. Verfahrenswissen:

• Der prozedurale Wissensansatz verwendet kleine Programme und Codes, die beschreiben, wie bestimmte Dinge zu tun sind und wie vorzugehen ist.
• Bei diesem Ansatz wird eine wichtige Regel verwendet: Wenn-Dann-Regel .
• In diesem Wissen können wir verschiedene Codierungssprachen verwenden, wie z LISP-Sprache Und Prolog-Sprache .
• Mit diesem Ansatz können wir heuristisches oder domänenspezifisches Wissen leicht darstellen.
• Es ist jedoch nicht notwendig, dass wir in diesem Ansatz alle Fälle abbilden können.

Anforderungen an das Wissensrepräsentationssystem:

Ein gutes Wissensrepräsentationssystem muss die folgenden Eigenschaften besitzen.

1. Darstellungsgenauigkeit:
Das KR-System sollte in der Lage sein, alle Arten des erforderlichen Wissens darzustellen.2. Inferentielle Angemessenheit:
Das KR-System sollte in der Lage sein, die Darstellungsstrukturen zu manipulieren, um neues Wissen zu erzeugen, das der bestehenden Struktur entspricht.3. Inferenzeffizienz:
Die Fähigkeit, den schlussfolgernden Wissensmechanismus durch die Speicherung geeigneter Leitfäden in die produktivsten Richtungen zu lenken.4. Akquisitionseffizienz –Die Fähigkeit, sich das neue Wissen einfach mithilfe automatischer Methoden anzueignen.