Representación lógica
La representación lógica es la forma básica de representación del conocimiento para las máquinas en la que se utiliza una sintaxis definida con reglas básicas. Esta sintaxis no tiene ambigüedad en el significado y se ocupa de las preposiciones. Sin embargo, la forma lógica de representación del conocimiento actúa como las reglas de comunicación. Esta es la razón por la que puede utilizarse para representar hechos a las máquinas.
Lógica proposicional
La lógica proposicional también se conoce como lógica de enunciados o cálculo proposicional que funciona de forma booleana, lo que significa un método de Verdadero o Falso.
Lógica de primer orden
La lógica de primer orden es un tipo de representación del conocimiento lógico que también se puede denominar lógica de cálculo de predicados de primer orden (LCPO). Esta representación del conocimiento lógico representa los predicados y los objetos en cuantificadores. Es un modelo avanzado de la lógica proposicional.
Redes semánticas
Una representación gráfica, en este tipo de representación del conocimiento, lleva los objetos conectados que se utilizan con la red de datos. Las redes semánticas incluyen arcos/borde (conexiones) y nodos/bloques (objetos) que describen la conexión entre los objetos.
Se trata de una alternativa a la forma de representación Lógica de Cálculo Predicado de Primer Orden (FOPL). Las relaciones en las redes semánticas son de dos tipos:
IS-A
TIPO
Es una forma de representación más natural que la lógica debido a su sencillez de comprensión. El principal inconveniente de esta forma de representación es que es computacionalmente costosa y no incluye cuantificadores equivalentes que sí se pueden encontrar en la representación lógica.
Reglas de producción
Las reglas de producción son la forma más común de representación del conocimiento en los sistemas de IA. Es la forma más sencilla de representar sistemas basados en reglas if-else y, por tanto, puede entenderse fácilmente. Representa una forma de combinar la FOPL y la lógica proposicional.
Para cada entrada, la IA comprueba las condiciones de las reglas de producción y, tras encontrar una regla mejor, realiza inmediatamente la acción necesaria. El ciclo de selección de reglas basado en las condiciones y de actuación para resolver el problema se conoce como ciclo de reconocimiento y actuación que tiene lugar en cada entrada.
Sin embargo, este método tiene algunos problemas, como la ejecución ineficaz debido a las reglas activas y la falta de adquisición de experiencia por no almacenar los resultados anteriores. Dado que las reglas se expresan en lenguaje natural, el coste de los inconvenientes puede amortizarse. En este caso, las reglas pueden modificarse y eliminarse fácilmente si es necesario.
Representación del marco
Para entender la representación de tramas a un nivel fundamental, imagine una tabla formada por nombres en columnas y valores en filas; la información necesaria se pasa en esta estructura completa. En palabras sencillas, la representación de cuadros es una colección de valores y atributos.
Las ranuras, en esta forma de representación del conocimiento, tienen nombres o atributos, y el conocimiento relacionado con los atributos se almacena en los rellenos. La principal ventaja de este tipo de representación es que los datos similares pueden agruparse para dividir el conocimiento en estructuras. Además, se divide en subestructuras.
Al ser como una estructura de datos típica, este tipo puede entenderse, manipularse y visualizarse fácilmente. Los conceptos típicos, como eliminar, borrar y añadir ranuras, pueden llevarse a cabo sin esfuerzo.
