Wissensrepräsentation und Argumentation

Wissensrepräsentation und Argumentation (Krr, Kr & r, Kr²) ist das Feld von künstliche Intelligenz (AI), die sich der Darstellung von Informationen über die Welt in einem Formular verschrieben haben, mit dem ein Computersystem komplexe Aufgaben wie z. Diagnose einer Krankheit oder einen Dialog in einer natürlichen Sprache haben. Wissensrepräsentation beinhaltet Erkenntnisse aus der Psychologie[1] darüber, wie Menschen Probleme lösen und Wissen darstellen, um zu entwerfen Formalismen Dies erleichtert komplexe Systeme zu entwerfen und zu bauen. Wissensrepräsentation und Argumentation beinhalten auch Ergebnisse von Logik zu automatisieren verschiedene Arten von Argumentation, wie die Anwendung von Regeln oder die Beziehungen von Sets und Untergruppen.

Beispiele für Formalismen für Wissensrepräsentation umfassen Semantische Netze, Systemarchitektur, Rahmen, Regeln und Ontologien. Beispiele von automatisierte Argumentation Motoren umfassen Inferenzmotoren, Theoremproverund Klassifikatoren.

Geschichte

Die früheste Arbeit in der computergestützten Wissensrepräsentation konzentrierte sich auf allgemeine Problemlöser wie die Allgemeiner Problemlöser (GPS) -System entwickelt von durch Allen Newell und Herbert A. Simon 1959 enthielt diese Systeme Datenstrukturen für Planung und Zersetzung. Das System würde mit einem Ziel beginnen. Es würde dann dieses Ziel in Untergürte zerlegen und dann Strategien konstruieren, die jedes Subziel erreichen könnten.

In diesen frühen Tagen der KI, allgemeine Suchalgorithmen wie z. EIN* wurden auch entwickelt. Die amorphen Problemdefinitionen für Systeme wie GPS bedeuteten jedoch, dass sie nur für sehr eingeschränkte Spielzeugdomänen (z. B. das "arbeiteten"Blöcke Welt"). Um nicht-toy-Probleme anzugehen, wie KI-Forscher wie Ed Feigenbaum und Frederick Hayes-Roth erkannte, dass es notwendig war, Systeme auf eingeschränktere Probleme zu konzentrieren.

Diese Bemühungen führten zur Kognitive Revolution in der Psychologie und in der Phase der KI konzentrierte Expertensysteme In den 1970er und 80er Jahren, Produktionssysteme, Rahmensprachenusw. und nicht allgemeine Problemlöser, änderte KI ihren Fokus auf Expertensysteme, die die menschliche Kompetenz für eine bestimmte Aufgabe wie die medizinische Diagnose entsprechen könnten.[2]

Expertensysteme haben uns die bis heute verwendete Terminologie gegeben, bei der KI -Systeme in a unterteilt sind Wissensbasis, mit Fakten über die Welt und Regeln und eine Inferenzmotor, was die Regeln auf die anwendet Wissensbasis Um Fragen zu beantworten und Probleme zu lösen. In diesen frühen Systemen war die Wissensbasis tendenziell eine ziemlich flache Struktur, im Wesentlichen Behauptungen über die Werte der von den Regeln verwendeten Variablen.[3]

Neben Expertensystemen entwickelten andere Forscher das Konzept von Frame-basierte Sprachen Mitte der 1980er Jahre. Ein Rahmen ähnelt einer Objektklasse: Es handelt sich um eine abstrakte Beschreibung einer Kategorie, die Dinge in der Welt, in den Problemen und potenziellen Lösungen beschreibt. Frames wurden ursprünglich auf Systemen verwendet, die auf die menschliche Wechselwirkung ausgerichtet sind, z. natürliche Sprache verstehen und die sozialen Einstellungen, in denen verschiedene Standarderwartungen wie die Bestellung von Lebensmitteln in einem Restaurant den Suchraum eingrenzen und das System ermöglichen, geeignete Antworten auf dynamische Situationen auszuwählen.

Es dauerte nicht lange, bis die Rahmengemeinschaften und die regelbasierten Forscher erkannten, dass es eine Synergie zwischen ihren Ansätzen gab. Frames waren gut, um die reale Welt zu repräsentieren, die als Klassen, Unterklassen, Slots (Datenwerte) mit verschiedenen Einschränkungen für mögliche Werte beschrieben wird. Regeln waren gut, um komplexe Logik darzustellen und zu verwenden, wie z. B. den Prozess, um eine medizinische Diagnose zu stellen. Es wurden integrierte Systeme entwickelt, die Frames und Regeln kombinierten. Eine der mächtigsten und bekanntesten war die 1983 Wissenstechnikumgebung (Kee) von Intellikorp. Kee hatte eine vollständige Regelmotor mit nach vorne und Rückwärtskettung. Es hatte auch eine vollständige rahmenbasierte Wissensbasis mit Triggern, Slots (Datenwerten), Vererbung und Nachrichtenübergabe. Obwohl die Botschaftüberwachung eher in der objektorientierten Gemeinschaft als in der AI entstand Symbolik, Xerox, und Texas Instrumente.[4]

Die Integration von Frames, Regeln und objektorientierten Programmierungen wurde erheblich von kommerziellen Unternehmen wie Kee und Symbolik aus verschiedenen Forschungsprojekten abgetrieben. Zur gleichen Zeit, als dies auftrat, gab es einen weiteren Forschungsstamm, der weniger kommerziell fokussiert war und von mathematischer Logik und automatisiertem Theorem bewirtschaftet wurde. Eine der einflussreichsten Sprachen in dieser Forschung war die Kl-eins Sprache der Mitte der 80er Jahre. KL-One war a Rahmensprache das hatte eine strenge Semantik, formale Definitionen für Konzepte wie eine IS-A-Relation.[5] KL-One und Sprachen, die von ihm beeinflusst wurden, wie z. Dieser Vernunft wird als Klassifikator bezeichnet. Ein Klassifikator kann eine Reihe von Erklärungen analysieren und neue Behauptungen abschließen, beispielsweise eine Klasse als Unterklasse oder Superklasse einer anderen Klasse neu definieren, die nicht formell angegeben wurde. Auf diese Weise kann der Klassifizierer als Inferenzmotor fungieren und neue Fakten von einer vorhandenen Wissensbasis abgeben. Der Klassifizierer kann auch eine Konsistenzprüfung auf eine Wissensbasis liefern (die im Fall von KL-One-Sprachen auch als Ontologie bezeichnet wird).[6]

Ein weiterer Bereich der Forschung zur Repräsentation von Wissen war das Problem von Argumentation am gesunden Menschenverstand. Eine der ersten Erkenntnisse, die aus dem Versuch gelernt wurden, Software zu erstellen, die mit menschlicher natürlicher Sprache funktionieren können . Grundprinzipien der gesunden Menschenverstanden Physik, Kausalität, Absichten usw. Ein Beispiel ist das Rahmenproblem, dass es in einer ereignisgesteuerten Logik Axiome geben muss, die angeben, dass die Dinge von einem Moment zum nächsten die Position behalten, es sei denn, sie werden von einer externen Kraft bewegt. Um einen echten Agenten für künstliche Intelligenz zu machen, das kann unter Verwendung natürlicher Sprache mit Menschen unterhalten und können grundlegende Aussagen und Fragen zur Welt verarbeiten, es ist wichtig, diese Art von Wissen darzustellen. Eines der ehrgeizigsten Programme zur Bewältigung dieses Problems war Doug Lenat's Cyc Projekt. CYC hat eine eigene Rahmensprache eingerichtet und eine große Anzahl von Analysten dokumentieren verschiedene Bereiche mit gesunden Menschenverstand in dieser Sprache. Das in CYC aufgezeichnete Wissen umfasste Common-Sense-Modelle für Zeit, Kausalität, Physik, Absichten und viele andere.[7]

Der Ausgangspunkt für die Wissensrepräsentation ist der Hypothese der Wissensrepräsentation zuerst formalisiert von Brian C. Smith 1985:[8]

Jeder mechanisch verkörperte intelligente Prozess wird aus strukturellen Inhaltsstoffen bestehen, die a) wir als externe Beobachter auf natürliche Weise zur Darstellung einer Aussage Darstellung des Wissens, das der Gesamtprozess zeigt, und b) unabhängig von einer solchen externen semantischen Zuschreibung darstellen, spielen eine formelle, aber kausale Wesentliche Rolle bei der Erzeugung des Verhaltens, das dieses Wissen manifestiert.

Derzeit sind eine der aktivsten Bereiche der Wissensrepräsentationsforschung Projekte, die mit dem verbunden sind Semantisches Web. Das semantische Web versucht, über das aktuelle Internet eine Semantikschicht (was bedeutet) hinzuzufügen. Anstatt Websites und Seiten über Keywords zu indizieren, erstellt das semantische Web groß Ontologien von Konzepten. Die Suche nach einem Konzept wird effektiver sein als herkömmliche Suchanfragen. Rahmen Sprachen und automatische Klassifizierung spielen eine große Rolle in der Vision für das zukünftige semantische Web. Die automatische Klassifizierung bietet Entwicklern die Technologie, um ein ständig weiterentwickelnes Wissensnetzwerk zu bieten. Die Definition von Ontologien, die statisch und nicht in der Lage sind, sich im laufenden Fliegen zu entwickeln, wäre für internetbasierte Systeme sehr einschränkend. Die Klassifikator -Technologie bietet die Möglichkeit, die dynamische Umgebung des Internets zu bewältigen.

Jüngste Projekte, die hauptsächlich von der finanziert werden Verteidigung Advanced Research Projects Agency (DARPA) haben integrierte Rahmensprachen und Klassifizierer mit Markup -Sprachen basierend auf XML. Das Ressourcenbeschreibung Framework (RDF) bietet die grundlegende Fähigkeit, Klassen, Unterklassen und Eigenschaften von Objekten zu definieren. Das Web -Ontologie -Sprache (OWL) bietet zusätzliche Semantikniveaus und ermöglicht die Integration in Klassifizierungsmotoren.[9][10]

Überblick

Wissensrepräsentation ist ein Bereich der künstlichen Intelligenz, das sich auf die Gestaltung von Computerdarstellungen konzentriert, die Informationen über die Welt erfassen, die zur Lösung komplexer Probleme verwendet werden können.

Die Begründung für die Wissensrepräsentation ist das konventionelle Verfahrenskodex ist nicht der beste Formalismus, um komplexe Probleme zu lösen. Die Wissensdarstellung erleichtert eine komplexe Software leichter zu definieren und zu warten als prozeduraler Code und kann in verwendet werden Expertensysteme.

Zum Beispiel verringern Sie die semantische Lücke zwischen Benutzern und Entwicklern und gestalten die Entwicklung komplexer Systeme praktischer mit Experten in Bezug auf die Geschäftsregeln und nicht in Bezug auf Code.

Wissensdarstellung geht Hand in Hand mit automatisierte Argumentation Weil einer der Hauptziele, um das Wissen explizit darzustellen Wissensrepräsentationssprachen eine Argumentations- oder Inferenzmotor als Teil des Systems haben.[11]

Ein wesentlicher Kompromiss bei der Gestaltung eines Formalismus der Wissensrepräsentation ist der zwischen Ausdruck und Praktikabilität. Der ultimative Formalismus der Wissensrepräsentation in Bezug auf ausdrucksstarke Macht und Kompaktheit ist Logik erster Ordnung (Fol). Es gibt keinen mächtigeren Formalismus als der von Mathematikern, um allgemeine Aussagen über die Welt zu definieren. FOL hat jedoch zwei Nachteile als Wissensrepräsentation Formalismus: Benutzerfreundlichkeit und Praktikabilität der Umsetzung. Die Logik erster Ordnung kann auch für viele Softwareentwickler einschüchternd sein. Sprachen, die nicht über die vollständige formale Kraft von FOL verfügen, können immer noch nahezu gleich ausdrucksstark mit einer Benutzeroberfläche liefern, die für den durchschnittlichen Entwickler praktischer ist. Das Problem der Praktikabilität der Implementierung ist, dass Folgendes in gewisser Weise zu ausdrucksstark ist. Mit fol ist es möglich, Aussagen (z. B. Quantifizierung über unendliche Mengen) zu erstellen, die dazu führen, dass ein System niemals endet, wenn es versucht würde, sie zu überprüfen.

Somit kann eine Untergruppe von FU sowohl einfacher als auch praktischer zu implementieren sein. Dies war eine treibende Motivation für regelbasierte Expertensysteme. If-then-Regeln liefern eine Untergruppe von FOL, aber eine sehr nützliche, die ebenfalls sehr intuitiv ist. Die Geschichte der meisten Formalismen der frühen KI -Wissensrepräsentation; Von Datenbanken über semantische Netze bis hin zu Theorem -Provers und Produktionssystemen können verschiedene Entwurfsentscheidungen angesehen werden, ob die Ausdruckskraft oder Berechnung und Effizienz hervorgehoben werden soll.[12]

In einem Schlüssel zu diesem Thema von 1993 zu diesem Thema, Randall Davis von 1993 MIT skizzierte fünf verschiedene Rollen zur Analyse eines Wissensrepräsentationsrahmens:[13]

  • "Eine Wissensrepräsentation (KR) ist im Grunde genommen ein Ersatz, ein Ersatz für das Ding selbst, mit dem ein Unternehmen Konsequenzen durch das Denken als das Handeln ermitteln kann." [13] d.h.[13]
  • "Es ist eine Reihe ontologischer Verpflichtungen", "[13] d.h. "Eine Antwort auf die Frage: In welcher Begriff sollte ich über die Welt nachdenken?" [13]
  • "Es handelt sich um eine fragmentarische Theorie des intelligenten Denkens, das in drei Komponenten ausgedrückt wird: (i) die grundlegende Konzeption des intelligenten Denkens durch die Repräsentation; (ii) die Reihe von Schlussfolgerungen, die die Repräsentationssanktionen und (iii) die empfohlene Schlussfolgerung. "[13]
  • "Es ist ein Medium für pragmatisch effiziente Berechnungen",[13] d.h. "die rechnerische Umgebung, in der das Denken erreicht wird. Ein Beitrag zu dieser pragmatischen Effizienz wird durch die Leitlinien geliefert, die eine Darstellung für die Organisation von Informationen bietet" [13] So "um die empfohlenen Schlussfolgerungen zu erleichtern".[13]
  • "Es ist ein Medium des menschlichen Ausdrucks",[13] d.h. "eine Sprache, in der wir Dinge über die Welt sagen".[13]

Wissensdarstellung und Argumentation sind eine wichtige Technologie für die Semantisches Web. Sprachen basierend auf dem Rahmenmodell mit automatischer Klassifizierung bieten eine Semantikschicht neben dem vorhandenen Internet. Anstatt über Textzeichenfolgen zu suchen, wie es heute typisch ist, ist es möglich, logische Abfragen zu definieren und Seiten zu finden, die diesen Abfragen zuordnen.[9] Die automatisierte Argumentationskomponente in diesen Systemen ist eine Engine, die als Klassifizierer bekannt ist. Klassifizierer konzentrieren sich auf die Abonnement Beziehungen in einer Wissensbasis und nicht in Regeln. Ein Klassifikator kann neue Klassen abschließen und die Ontologie dynamisch verändern, wenn neue Informationen verfügbar sind. Diese Fähigkeit ist ideal für den sich ständig verändernden und sich entwickelnden Informationsraum des Internets.[14]

Das semantische Web integriert Konzepte aus Wissensdarstellung und Argumentation mit Markup -Sprachen basierend auf XML. Das Ressourcenbeschreibung Framework (RDF) bietet die grundlegenden Funktionen, um wissensbasierte Objekte im Internet mit grundlegenden Funktionen wie IS-A-Beziehungen und Objekteigenschaften zu definieren. Das Web -Ontologie -Sprache (OWL) fügt zusätzliche Semantik hinzu und integriert sich in die automatischen Klassifizierungsgründer.[15]

Eigenschaften

1985 kategorisierte Ron Brachman die Kernprobleme für die Wissensrepräsentation wie folgt:[16]

  • Primitive. Was ist der zugrunde liegende Rahmen, mit dem Wissen dargestellt wird? Semantische Netzwerke waren eine der ersten Primitiven der Wissensrepräsentation. Auch Datenstrukturen und Algorithmen für die allgemeine schnelle Suche. In diesem Bereich gibt es eine starke Überschneidung mit der Forschung in Datenstrukturen und Algorithmen in der Informatik. In frühen Systemen die Lisp -Programmiersprache, die nach dem modelliert wurde Lambda -Kalkül, wurde oft als Form der funktionalen Wissensrepräsentation verwendet. Frames und Regeln waren die nächste Art von Primitiv. Rahmensprachen hatten verschiedene Mechanismen zum Ausdruck und Durchsetzen von Einschränkungen für Rahmendaten. Alle Daten in Frames werden in Slots gespeichert. Slots sind analog zu Beziehungen in der Entitätsbeziehungsmodellierung und zu Objekteigenschaften in der objektorientierten Modellierung. Eine andere Technik für Primitiven besteht darin, Sprachen zu definieren, nach denen modelliert wird Logik erster Ordnung (Fol). Das bekannteste Beispiel ist Prolog, aber es gibt auch viele spezielle Theorem-Probierumgebungen. Diese Umgebungen können logische Modelle validieren und neue Theorien aus vorhandenen Modellen ableiten. Im Wesentlichen automatisieren sie den Prozess, den ein Logiker bei der Analyse eines Modells durchlaufen würde. Die Theorem-Proving-Technologie hatte einige spezifische praktische Anwendungen in den Bereichen Softwareentwicklung. Zum Beispiel ist es möglich zu beweisen, dass ein Softwareprogramm streng an eine formale logische Spezifikation hält.
  • Meta-Repräsentation. Dies ist auch als das Thema bekannt Betrachtung in Informatik. Es bezieht sich auf die Fähigkeit eines Formalismus, Zugang zu Informationen über seinen eigenen Staat zu haben. Ein Beispiel wäre das Meta-Objekt-Protokoll in Smalltalk und Schloss Dies gibt Entwicklern den Laufzeitzugriff auf die Klassenobjekte und ermöglicht es ihnen, die Struktur der Wissensbasis auch in der Laufzeit dynamisch neu zu definieren. Meta-Repräsentation bedeutet, dass die Sprache der Wissensrepräsentation in dieser Sprache selbst ausgedrückt wird. In den meisten rahmenbasierten Umgebungen wären beispielsweise alle Frames Instanzen einer Rahmenklasse. Dieses Klassenobjekt kann zur Laufzeit inspiziert werden, damit das Objekt seine interne Struktur oder die Struktur anderer Teile des Modells verstehen und sogar ändern kann. In regelbasierten Umgebungen waren die Regeln in der Regel auch Fälle von Regelklassen. Ein Teil des Meta -Protokolls für Regeln waren die Meta -Regeln, die die Regelung der Regel priorisierten.
  • Unvollständigkeit. Die traditionelle Logik erfordert zusätzliche Axiome und Einschränkungen, um mit der realen Welt im Gegensatz zur Welt der Mathematik umzugehen. Außerdem ist es oft nützlich, Vertrauensgrade mit einer Aussage zu verbinden. D.h. nicht einfach "Sokrates ist menschlich" sagen, sondern "Sokrates ist menschlich mit zuversicht zu 50%". Dies war eine der frühen Innovationen von Expertensysteme Untersuchungen, die zu einigen kommerziellen Instrumenten wandern, die Fähigkeit, Sicherheitskräfte mit Regeln und Schlussfolgerungen in Verbindung zu bringen. Spätere Forschungen in diesem Bereich sind als bekannt als als Fuzzy Logic.[17]
  • Definitionen und Universalien vs. Fakten und Standardeinstellungen. Universalien sind allgemeine Aussagen über die Welt wie "Alle Menschen sind sterblich". Fakten sind spezifische Beispiele von Universalien wie "Sokrates ist ein Mensch und daher sterblich". In logischen Begriffen geht es um Definitionen und Universalien Universelle Quantifizierung Während Fakten und Standardeinstellungen umgehen Existenzielle Quantifizierungen. Alle Formen der Wissensrepräsentation müssen sich mit diesem Aspekt befassen, und die meisten tun dies mit einer Variante der festgelegten Theorie, die Universalien als Sets und Untergruppen und Definitionen als Elemente in diesen Sets modellieren.
  • Nicht-monotones Denken. Das nicht monotonische Denken ermöglicht verschiedene Arten von hypothetischem Denken. Das System assoziiert Fakten, die mit den Regeln und Fakten geltend gemacht wurden, um sie zu rechtfertigen, und wie diese Fakten ändern, aktualisiert auch das abhängige Wissen. In regelbasierten Systemen wird diese Fähigkeit als als bezeichnet Wahrheitswartungssystem.[18]
  • Ausdrucksstarke Angemessenheit. Der Standard, den Brachman und die meisten KI -Forscher verwenden, um die ausdrucksstarke Angemessenheit zu messen, ist in der Regel Logik der ersten Ordnung (fol). Theoretische Einschränkungen bedeuten, dass eine vollständige Umsetzung von FOL nicht praktisch ist. Die Forscher sollten sich darüber im Klaren sein, wie ausdrucksstark (wie viel von der vollständigen Ausdruckskraft) ihre Repräsentation beabsichtigen.[19]
  • Argumentationseffizienz. Dies bezieht sich auf die Laufzeiteffizienz des Systems. Die Fähigkeit der Wissensbasis, aktualisiert zu werden, und der Vernunft, neue Schlussfolgerungen in einem angemessenen Zeitraum zu entwickeln. In gewisser Weise ist dies die Kehrseite der ausdrucksstarken Angemessenheit. Je leistungsfähiger eine Repräsentation ist, desto mehr ist es ausdrucksvoller Angemessenheit, desto weniger effizient ist es automatisierte Argumentation Motor wird sein. Effizienz war häufig ein Problem, insbesondere für frühe Anwendungen der Wissensrepräsentationstechnologie. Sie wurden normalerweise in interpretierten Umgebungen wie LISP implementiert, die im Vergleich zu traditionelleren Zeitplattformen der Zeit langsam waren.

Ontology Engineering

Hauptartikel: Ontology Engineering und Ontologiesprache

In den frühen Jahren von Wissensbasierte Systeme Die Wissensbasen waren ziemlich klein. Die Wissensbasen, die tatsächlich echte Probleme lösen sollten, anstatt den Demonstrationen von Beweisen von Konzepten zu erstellen, um sich auf gut definierte Probleme zu konzentrieren. Zum Beispiel nicht nur die medizinische Diagnose als Ganzes, sondern auch die medizinische Diagnose bestimmter Arten von Krankheiten.

Als wissensbasierte Technologie vergrößerte, wurde die Notwendigkeit größerer Wissensbasen und modulare Wissensbasen, die kommunizieren und ineinander integrieren konnten, deutlich. Dies führte zu der Disziplin von Ontology Engineering, Gestaltung und Aufbau großer Wissensbasis, die von mehreren Projekten verwendet werden könnten. Eines der führenden Forschungsprojekte in diesem Bereich war die Cyc Projekt. CYC war ein Versuch, eine riesige enzyklopädische Wissensbasis aufzubauen, die nicht nur fachkundes Wissen, sondern auch das Wissen des gesunden Menschenverstandes enthält. Bei der Gestaltung eines Agents für künstliche Intelligenz wurde bald erkannt, dass die Darstellung des Wissens, das das Wissen, das Menschen einfach für selbstverständlich halten, eine KI darstellen konnte, die mit Menschen mit natürlicher Sprache interagieren könnte. CYC sollte dieses Problem angehen. Die Sprache, die sie definierten Cycl.

Nach Cycl, eine Reihe von Ontologiesprachen wurden entwickelt. Die meisten sind deklarative Sprachen, und sind entweder Rahmensprachen, oder basieren auf Logik erster Ordnung. Modularität - die Fähigkeit, Grenzen um bestimmte Domänen und Problemräume zu definieren - ist für diese Sprachen unerlässlich, weil Tom Gruber"Jede Ontologie ist ein Vertrag- ein soziales Abkommen unter Menschen mit gemeinsamem Motiv beim Teilen." Es gibt immer viele konkurrierende und unterschiedliche Ansichten, die eine allgemeine Ontologie unmöglich machen. Eine allgemeine Ontologie müsste in jedem Bereich anwendbar sein und verschiedene Wissensbereiche müssen einheitlich sein.[20]

Es gibt eine lange Geschichte der Arbeit, die versucht, Ontologien für eine Vielzahl von Aufgabenbereiche zu erstellen, z. B. eine Ontologie für Flüssigkeiten,[21] das Modell mit zusammengefasstem Element weit verbreitet bei der Darstellung elektronischer Schaltungen (z. B.,,[22]) sowie Ontologien für Zeit, Glaube und sogar Programmierung selbst. Jedes von diesen bietet eine Möglichkeit, einen Teil der Welt zu sehen.

Das Modell mit zusammengefasstem Element legt beispielsweise nahe, dass wir an Schaltungen in Bezug auf Komponenten mit Verbindungen zwischen ihnen denken, wobei die Signale sofort entlang der Verbindungen fließen. Dies ist eine nützliche Ansicht, aber nicht die einzig mögliche. Eine andere Ontologie entsteht, wenn wir uns um die Elektrodynamik im Gerät kümmern müssen von als erweitertes Medium, durch das eine elektromagnetische Welle fließt.

Ontologien können natürlich in einer Vielzahl von Sprachen und Notationen (z. B. Logik, Lisp usw.) niedergeschrieben werden; Die wesentlichen Informationen sind nicht die Form dieser Sprache, sondern der Inhalt, d. H. Die Konzepte, die als Denkweise über die Welt angeboten werden. Einfach ausgedrückt, der wichtige Teil sind Vorstellungen wie Verbindungen und Komponenten, nicht die Wahl zwischen dem Schreiben von Prädikaten oder Lisp -Konstrukten.

Durch die Auswahl der einen oder anderen Ontologie können Sie eine stark unterschiedliche Sicht auf die jeweilige Aufgabe ergeben. Berücksichtigen Sie den Unterschied, der bei der Auswahl der Klumpenansicht einer Schaltung und nicht der elektrodynamischen Ansicht desselben Geräts entsteht. Als zweites Beispiel wird die medizinische Diagnose als Regeln betrachtet (z. B.,, Mycin) Sieht wesentlich von derselben Aufgabe aus, die in Bezug auf Frames (z. B. Internist) betrachtet wird. Wo Mycin die medizinische Welt als aus empirischen Assoziationen ansieht, die Symptome mit einer Krankheit verbinden, sieht der Internist eine Reihe von Prototypen, insbesondere prototypische Erkrankungen, gegen den Fall, der gegen den Fall ist.

Siehe auch

Verweise

  1. ^ Roger Schank; Robert Abelson (1977). Skripte, Pläne, Ziele und Verständnis: Eine Untersuchung der menschlichen Wissensstrukturen. Lawrence Erlbaum Associates, Inc.
  2. ^ Nilsson, Nils (1995). "Auge auf den Preis". AI Magazine. 16: 2.
  3. ^ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Bauen von Expertensystemen. Addison-Wesley. ISBN 978-0-201-10686-2.
  4. ^ Mettrey, William (1987). "Eine Bewertung von Tools zum Aufbau großer wissensbasierter Systeme". AI Magazine. 8 (4). Archiviert von das Original Am 2013-11-10. Abgerufen 2013-12-24.
  5. ^ Brachman, Ron (1978). "Ein strukturelles Paradigma zur Darstellung von Wissen" (PDF). Bolt, Beranek und Neumann Technischer Bericht (3605). Archiviert (PDF) vom Original am 30. April 2020.
  6. ^ MacGregor, Robert (Juni 1991). "Verwenden eines Beschreibung Klassifizierer zur Verbesserung der Wissensrepräsentation". IEEE -Experte. 6 (3): 41–46. doi:10.1109/64.87683. S2CID 29575443.
  7. ^ Lenat, Doug; R. V. Guha (Januar 1990). Aufbau großer wissensbasierter Systeme: Darstellung und Inferenz im CYC-Projekt. Addison-Wesley. ISBN 978-0201517521.
  8. ^ Smith, Brian C. (1985). "Prolog zu Reflexionen und Semantik in einer prozeduralen Sprache". In Ronald Brachman und Hector J. Levesque (Hrsg.). Lesungen in der Wissensrepräsentation. Morgan Kaufmann. pp.31–40. ISBN 978-0-934613-01-9.
  9. ^ a b Berners-Lee, Tim; James Hendler; Ora Lassila (17. Mai 2001). "Das semantische Web - Eine neue Form von Webinhalten, die für Computer von Bedeutung ist, wird eine Revolution neuer Möglichkeiten auslösen". Wissenschaftlicher Amerikaner. 284 (5): 34–43. doi:10.1038/ScientificAmerican0501-34. Archiviert von das Original am 24. April 2013.
  10. ^ Knublauch, Holger; Oberle, Daniel; Tetlow, Phil; Wallace, Evan (2006-03-09). "Ein semantischer Web-Primer für objektorientierte Softwareentwickler". W3c. Abgerufen 2008-07-30.
  11. ^ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Bauen von Expertensystemen. Addison-Wesley. pp.6–7. ISBN 978-0-201-10686-2.
  12. ^ Levesque, Hector; Ronald Brachman (1985). "Ein grundlegender Kompromiss bei Wissensrepräsentation und Argumentation". In Ronald Brachman und Hector J. Levesque (Hrsg.). Lesungen in der Wissensrepräsentation. Morgan Kaufmann. p.49. ISBN 978-0-934613-01-9. Die gute Nachricht bei der Reduzierung des KR -Dienstes auf den Satz beweist, dass wir jetzt eine sehr klare, sehr spezifische Vorstellung davon haben, was das KR -System tun sollte. Das schlechte Neue ist, dass es auch klar ist, dass die Dienste nicht erbracht werden können ... Die Entscheidung, ob ein Satz in FOL ein Satz ist oder nicht ... ist unlösbar.
  13. ^ a b c d e f g h i j k Davis, Randall; Howard Shrobe; Peter Szolovits (Frühjahr 1993). "Was ist eine Wissensrepräsentation?". AI Magazine. 14 (1): 17–33.
  14. ^ MacGregor, Robert (13. August 1999). "Retrospektive auf Webstuhl". isi.edu. Information Sciences Institute. Archiviert von das Original am 25. Oktober 2013. Abgerufen 10. Dezember 2013.
  15. ^ Knublauch, Holger; Oberle, Daniel; Tetlow, Phil; Wallace, Evan (2006-03-09). "Ein semantischer Web-Primer für objektorientierte Softwareentwickler". W3c. Abgerufen 2008-07-30.
  16. ^ Brachman, Ron (1985). "Einführung". In Ronald Brachman und Hector J. Levesque (Hrsg.). Lesungen in der Wissensrepräsentation. Morgan Kaufmann. S. xvi - xvii. ISBN 978-0-934613-01-9.
  17. ^ Bih, Joseph (2006). "Paradigmenverschiebung: Eine Einführung in die Fuzzy -Logik" (PDF). IEEE -Potentiale. 25: 6–21. doi:10.1109/MP.2006.1635021. S2CID 15451765. Abgerufen 24. Dezember 2013.
  18. ^ Zlatarva, Nellie (1992). "Wahrheitswartungssysteme und ihre Anwendung zur Überprüfung von Expertensystemkenntnissen". Künstliche Intelligenzbewertung. 6: 67–110. doi:10.1007/bf00155580. S2CID 24696160.
  19. ^ Levesque, Hector; Ronald Brachman (1985). "Ein grundlegender Kompromiss bei Wissensrepräsentation und Argumentation". In Ronald Brachman und Hector J. Levesque (Hrsg.). Lesungen in der Wissensrepräsentation. Morgan Kaufmann. pp.41–70. ISBN 978-0-934613-01-9.
  20. ^ Russell, Stuart J.; Norvig, Peter (2010), Künstliche Intelligenz: ein moderner Ansatz (3. Aufl.), Upper Saddle River, New Jersey: Prentice Hall, ISBN0-13-604259-7, p. 437-439
  21. ^ Hayes P, Naive Physik I: Ontologie für Flüssigkeiten. Bericht der Universität von Essex, 1978, Essex, Großbritannien.
  22. ^ Davis R, Shrobe H E, Repräsentation von Struktur und Verhalten von digitaler Hardware, IEEE-Computer, Sonderausgabe in Bezug auf Wissensdarstellung, 16 (10): 75-82.

Weitere Lektüre

Externe Links