Representación del Conocimiento

¿Qué es la representación del conocimiento y el razonamiento?

La representación del conocimiento y el razonamiento (KR&R) es una parte de la inteligencia artificial que se dedica exclusivamente a representar información sobre el mundo real de forma que un ordenador pueda entenderla y actuar en consecuencia. Esto permite resolver problemas complejos, como la computación, mantener un diálogo en lenguaje natural, diagnosticar una afección médica crítica, etc.

Con KR&R, puede representar los conceptos de los humanos en un formato comprensible para las máquinas y hacer que los sistemas impulsados por IA sean realmente inteligentes. Aquí, conocimiento significa proporcionar información relativa al ecosistema y almacenarla, mientras que razonamiento significa tomar decisiones y acciones a partir de la información almacenada basándose en el conocimiento.

Tipos de conocimiento representados en la IA

Conocimiento declarativo

Representa los objetos, conceptos y hechos que le ayudan a describir todo el mundo que le rodea. Por lo tanto, comparte la descripción de algo y expresa oraciones declarativas.

Conocimiento procedimental

El conocimiento procedimental es menor en comparación con el conocimiento declarativo. También se conoce como conocimiento imperativo, que es el que utilizan los robots móviles. Sirve para declarar la realización de algo. Por ejemplo, con sólo un plano de un edificio, los robots móviles pueden elaborar su propio plan. Los robots móviles pueden planificar un ataque o realizar una navegación.

Metaconocimiento

En el campo de la inteligencia artificial, el conocimiento predefinido se conoce como metaconocimiento. Por ejemplo, el estudio del etiquetado, el aprendizaje, la planificación, etc., entran dentro de este tipo de conocimiento.

Este modelo cambia su comportamiento con el tiempo y utiliza otras especificaciones. Un ingeniero de sistemas o un ingeniero del conocimiento utiliza varias formas de metaconocimiento, como la precisión, la evaluación, el propósito, la fuente, la vida útil, la fiabilidad, la justificación, la exhaustividad, la coherencia, la aplicabilidad y la desambiguación.

Conocimiento heurístico

Este conocimiento, que también se conoce como conocimiento superficial, sigue el principio de la regla del pulgar. Por lo tanto, es muy eficaz en el proceso de razonamiento, ya que puede resolver cuestiones basándose en registros o problemas pasados recopilados por expertos. Sin embargo, recoge experiencias de problemas pasados y proporciona un mejor enfoque basado en el conocimiento para especificar los problemas y tomar medidas.

Conocimiento estructural

El conocimiento estructural es el conocimiento más simple y básico que se utiliza y aplica en la resolución de problemas complejos. Trata de hallar una solución eficaz encontrando la relación entre objetos y conceptos. Además, describe la relación entre varios conceptos, como parte de, tipo de o agrupación de algo.

                                                                                          

Técnicas de representación del conocimiento en la IA

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.

                                                                               

Ciclo del conocimiento de la IA

Percepción

Ayuda al sistema basado en IA a recopilar información sobre el entorno utilizando diferentes sensores y lo familiariza con el ecosistema para interactuar eficazmente con los problemas.

Aprendizaje

Se utiliza para permitir que los sistemas de IA ejecuten algoritmos de aprendizaje profundo que ya están escritos para hacer que los sistemas de IA entreguen la información necesaria del componente de percepción al componente de aprendizaje para un mejor aprendizaje y comprensión.

Representación del conocimiento y razonamiento

Los humanos utilizamos el conocimiento para tomar decisiones. Por lo tanto, este bloque se encarga de servir a los humanos a través de los datos de conocimiento de los sistemas de IA y de utilizar el conocimiento relevante siempre que sea necesario.

Planificación y ejecución

Este bloque es independiente. Se utiliza para tomar los datos de los bloques de conocimiento y razonamiento y ejecutar las acciones pertinentes.

                                                      

Obra publicada con Licencia Creative Commons Reconocimiento Compartir igual 4.0

Creado con eXeLearning (Ventana nueva)