Bilgi temsili ve muhakeme (KRR, KR&R, KR²), dünya hakkındaki bilgileri bir bilgisayar sisteminin tıbbi bir durumu teşhis etmek veya diyalog kurmak gibi karmaşık görevleri çözmek için kullanabileceği bir biçimde temsil etmeye adanmış yapay zeka (AI) alanıdır. doğal bir dilde. Bilgi temsili, karmaşık sistemlerin tasarlanmasını ve inşa edilmesini kolaylaştıracak formaliteler tasarlamak için insanların sorunları nasıl çözdüğü ve bilgiyi nasıl temsil ettiği hakkında psikoloji[1] bulgularını birleştirir. Bilgi temsili ve muhakeme ayrıca, kuralların uygulanması veya kümeler ile alt kümelerin ilişkileri gibi çeşitli muhakeme türlerini otomatikleştirmek için mantıktan elde edilen bulguları da içerir.
Bilgi gösterim biçimciliğine örnek olarak semantik ağlar, sistem mimarisi, çerçeveler, kurallar ve ontolojiler verilebilir. Otomatik muhakeme motorlarına örnek olarak çıkarım motorları, teorem kanıtlayıcılar ve sınıflandırıcılar verilebilir.
Tarihi
Bilgisayarlı bilgi temsilindeki ilk çalışma, 1959’da Allen Newell ve Herbert A. Simon tarafından geliştirilen Genel Problem Çözücü (GPS) sistemi gibi genel problem çözücülere odaklanmıştı. Bu sistemler, planlama ve ayrıştırma için veri yapılarına sahipti. Sistem bir hedefle başlayacaktı. Daha sonra bu hedefi alt hedeflere ayırır ve ardından her bir alt hedefi gerçekleştirebilecek stratejiler oluşturmaya başlar.
Yapay zekanın bu ilk günlerinde, A* gibi genel arama algoritmaları da geliştirildi. Bununla birlikte, GPS gibi sistemler için şekilsiz problem tanımları, bunların yalnızca çok kısıtlı oyuncak alanlarında (örneğin, “bloklar dünyası”) çalıştıkları anlamına geliyordu. Oyuncak dışı sorunların üstesinden gelmek için Ed Feigenbaum ve Frederick Hayes-Roth gibi yapay zeka araştırmacıları, sistemleri daha kısıtlı sorunlara odaklamanın gerekli olduğunu fark ettiler.[kaynak belirtilmeli]
Bu çabalar, psikolojide bilişsel devrime ve 1970’ler ve 80’lerde uzman sistemler, üretim sistemleri, çerçeve dilleri vb. ile sonuçlanan bilgi temsiline odaklanan yapay zeka aşamasına yol açtı. tıbbi teşhis gibi belirli bir görevde insan yetkinliğiyle eşleşebilecek sistemler.[2]
Uzman sistemler bize, AI sistemlerinin dünya ve kurallar hakkındaki gerçekleri içeren bir bilgi tabanına ve soruları yanıtlamak ve sorunları çözmek için kuralları bilgi tabanına uygulayan bir çıkarım motoruna ayrıldığı, bugün hala kullanımda olan terminolojiyi verdi. Bu erken sistemlerde, bilgi tabanı oldukça düz bir yapı olma eğilimindeydi, esasen kurallar tarafından kullanılan değişkenlerin değerleri hakkında iddialar.[3]
Uzman sistemlere ek olarak, diğer araştırmacılar 1980’lerin ortalarında çerçeve tabanlı dil kavramını geliştirdiler. Çerçeve, nesne sınıfına benzer: Dünyadaki şeyleri, sorunları ve olası çözümleri tanımlayan bir kategorinin soyut bir açıklamasıdır. Çerçeveler başlangıçta insan etkileşimine yönelik sistemlerde kullanıldı, ör. bir restoranda yemek siparişi vermek gibi çeşitli varsayılan beklentilerin arama alanını daralttığı ve sistemin dinamik durumlara uygun tepkileri seçmesine izin verdiği doğal dili ve sosyal ortamları anlamak.
Çerçeve toplulukların ve kural temelli araştırmacıların yaklaşımları arasında bir sinerji olduğunu fark etmeleri çok uzun sürmedi. Sınıflar, alt sınıflar, yuvalar (veri değerleri) olarak tanımlanan çerçeveler, olası değerler üzerinde çeşitli kısıtlamalarla gerçek dünyayı temsil etmek için iyiydi. Kurallar, tıbbi teşhis koyma süreci gibi karmaşık mantığı temsil etmek ve kullanmak için iyiydi. Çerçeveleri ve kuralları birleştiren entegre sistemler geliştirildi. En güçlü ve iyi bilinenlerden biri, Intellicorp’un 1983 Bilgi Mühendisliği Ortamı (KEE) idi. KEE, ileri ve geri zincirleme ile eksiksiz bir kural motoruna sahipti. Ayrıca, tetikleyiciler, yuvalar (veri değerleri), kalıtım ve mesaj iletme ile eksiksiz bir çerçeve tabanlı bilgi tabanına sahipti. Mesaj iletimi yapay zeka yerine nesne yönelimli topluluktan kaynaklansa da yapay zeka araştırmacıları tarafından KEE gibi ortamlarda ve Symbolics, Xerox ve Texas Instruments’tan Lisp makinelerinin işletim sistemlerinde hızla benimsendi.[4]
Çerçevelerin, kuralların ve nesne yönelimli programlamanın entegrasyonu, önemli ölçüde çeşitli araştırma projelerinden ayrılan KEE ve Symbolics gibi ticari girişimler tarafından yönlendirildi. Bu gerçekleşirken aynı zamanda, daha az ticari odaklı ve matematiksel mantık ve otomatik teorem kanıtlama tarafından yürütülen başka bir araştırma türü vardı.[kaynak belirtilmeli] Bu araştırmadaki en etkili dillerden biri KL-ONE diliydi. 80’lerin ortalarından. KL-ONE, katı bir semantiği, Is-A ilişkisi gibi kavramlar için resmi tanımları olan bir çerçeve diliydi.[5] KL-ONE ve Loom gibi ondan etkilenen diller, IF-THEN kuralları yerine resmi mantığa dayanan otomatik bir muhakeme motoruna sahipti. Bu akıl yürütücüye sınıflandırıcı denir. Bir sınıflandırıcı, bir dizi bildirimi analiz edebilir ve yeni iddialar çıkarabilir; örneğin, bir sınıfı, resmi olarak belirtilmemiş başka bir sınıfın alt sınıfı veya üst sınıfı olarak yeniden tanımlayabilir. Bu şekilde, sınıflandırıcı, mevcut bir bilgi tabanından yeni gerçekler çıkaran bir çıkarım motoru olarak işlev görebilir. Sınıflandırıcı ayrıca bir bilgi tabanında tutarlılık kontrolü sağlayabilir (KL-ONE dillerinde buna Ontoloji de denir).[6]
Bilgi temsili araştırmasının bir başka alanı da sağduyulu muhakeme sorunuydu. İnsanın doğal diliyle çalışabilen bir yazılım yapmaya çalışırken öğrenilen ilk farkındalıklardan biri, insanların gerçek dünya hakkında basit bir kanıya vardığımız ama yapay bir etmen için hiç de açık olmayan kapsamlı bir bilgi temelinden düzenli olarak yararlandığıydı. . Sağduyu fiziğinin temel ilkeleri, nedensellik, niyetler, vs. Kuvvet. İnsanlarla doğal dili kullanarak sohbet edebilen ve dünyayla ilgili temel ifadeleri ve soruları işleyebilen gerçek bir yapay zeka ajanı yapmak için bu tür bilgileri temsil etmek çok önemlidir. Ele alınması gereken en iddialı programlardan biri bu sorun Doug Lenat’ın Cyc projesiydi. Cyc kendi Çerçeve dilini oluşturdu ve çok sayıda analistin bu dilde sağduyulu akıl yürütmenin çeşitli alanlarını belgelemesini sağladı. Cyc’de kaydedilen bilgi, zaman, nedensellik, fizik, niyetler ve diğerlerinin sağduyu modellerini içeriyordu.[7]
Bilgi temsili için başlangıç noktası, ilk olarak 1985’te Brian C. Smith tarafından formüle edilen bilgi temsili hipotezidir:[8]
Mekanik olarak somutlaşan herhangi bir akıllı süreç, a) biz dış gözlemciler olarak doğal olarak tüm sürecin sergilediği bilginin önermesel bir açıklamasını temsil etmek için aldığımız ve b) bu tür dış anlamsal atıflardan bağımsız olarak, biçimsel ama nedensel bir rol oynayan yapısal bileşenlerden oluşacaktır. bu bilgiyi ortaya koyan davranışın oluşmasında temel bir rol oynar.
Şu anda, bilgi temsili araştırmasının en aktif alanlarından biri, Semantik Web ile ilişkili projelerdir.[kaynak belirtilmeli] Semantik Web, mevcut İnternet’in üstüne bir anlambilim (anlam) katmanı eklemeyi amaçlamaktadır. Anlamsal Web, web sitelerini ve sayfaları anahtar sözcükler aracılığıyla dizine eklemek yerine, büyük kavram ontolojileri oluşturur. Bir kavram aramak, geleneksel yalnızca metin aramalarından daha etkili olacaktır. Çerçeve dilleri ve otomatik sınıflandırma, gelecekteki Semantik Web vizyonunda büyük bir rol oynamaktadır. Otomatik sınıflandırma, geliştiricilerin teknolojisine sürekli gelişen bir bilgi ağı üzerinde düzen sağlamasını sağlar. Durağan ve anında gelişemeyen ontolojileri tanımlamak, İnternet tabanlı sistemler için çok sınırlayıcı olacaktır. Sınıflandırıcı teknolojisi, internetin dinamik ortamıyla başa çıkma yeteneği sağlar.
Öncelikle Savunma İleri Araştırma Projeleri Ajansı (DARPA) tarafından finanse edilen son projeler, çerçeve dillerini ve sınıflandırıcıları XML tabanlı biçimlendirme dilleriyle entegre etti. Kaynak Açıklama Çerçevesi (RDF), nesnelerin sınıflarını, alt sınıflarını ve özelliklerini tanımlamaya yönelik temel yetenek sağlar. Web Ontology Language (OWL) ek semantik seviyeleri sağlar ve sınıflandırma motorlarıyla entegrasyon sağlar.[9][10]
Genel bakış
Bilgi temsili, karmaşık sorunları çözmek için kullanılabilecek dünya hakkında bilgi toplayan bilgisayar temsillerini tasarlamaya odaklanan bir yapay zeka alanıdır.
Bilgi temsilinin gerekçesi, geleneksel prosedürel kodun karmaşık sorunları çözmek için kullanılacak en iyi biçimcilik olmadığıdır. Bilgi temsili, karmaşık yazılımların tanımlanmasını ve bakımını prosedürel koddan daha kolay hale getirir ve uzman sistemlerde kullanılabilir.
Örneğin, uzmanlarla kod yerine iş kuralları açısından konuşmak, kullanıcılar ve geliştiriciler arasındaki anlamsal uçurumu azaltır ve karmaşık sistemlerin geliştirilmesini daha pratik hale getirir.
Bilgi temsili, otomatik muhakeme ile el ele gider çünkü bilgiyi açıkça temsil etmenin ana amaçlarından biri, bu bilgi hakkında muhakeme yapabilmek, çıkarımlarda bulunmak, yeni bilgiler ileri sürmek vb.dir. Neredeyse tüm bilgi temsil dillerinin bir muhakeme veya çıkarım motoru vardır. sistemin bir parçası olarak.[11]
Bir bilgi temsili formalizminin tasarımındaki önemli bir değiş tokuş, ifade ve pratiklik arasındadır. İfade gücü ve kompaktlık açısından nihai bilgi temsil biçimciliği Birinci Dereceden Mantıktır (FOL). Matematikçilerin dünya hakkında genel önermeleri tanımlamak için kullandıklarından daha güçlü bir biçimcilik yoktur. Bununla birlikte, FOL’un bir bilgi gösterimi biçimciliği olarak iki dezavantajı vardır: kullanım kolaylığı ve uygulamanın pratikliği. Birinci dereceden mantık, birçok yazılım geliştirici için bile göz korkutucu olabilir. FOL’un tam biçimsel gücüne sahip olmayan diller, ortalama bir geliştiricinin anlaması için daha pratik olan bir kullanıcı arabirimiyle aynı ifade gücüne yakın sağlayabilir. Uygulamanın pratikliği sorunu, FOL’un bazı açılardan çok anlamlı olmasıdır. FOL ile, bir sistemin onları doğrulamaya çalıştığında asla sona ermemesine neden olacak ifadeler (örneğin, sonsuz kümeler üzerinden niceleme) oluşturmak mümkündür.
Bu nedenle, bir FOL alt kümesinin kullanımı hem daha kolay hem de uygulanması daha pratik olabilir. Bu, kural tabanlı uzman sistemlerin arkasındaki itici motivasyondu. IF-THEN kuralları, FOL’un bir alt kümesini sağlar, ancak çok kullanışlı ve aynı zamanda çok sezgiseldir. İlk yapay zeka bilgi temsili biçimciliklerinin çoğunun tarihi; veritabanlarından semantik ağlara, teorem kanıtlayıcılara ve üretim sistemlerine, ifade gücünün mü yoksa hesaplanabilirlik ve verimliliğin mi vurgulanacağına ilişkin çeşitli tasarım kararları olarak görülebilir.[12]
Konuyla ilgili 1993 tarihli önemli bir makalede, MIT’den Randall Davis, bir bilgi temsili çerçevesini analiz etmek için beş farklı rolü özetledi:[13]
“Bir bilgi temsili (KR) en temelde bir vekildir, bir varlığın hareket etmek yerine düşünerek sonuçları belirlemesini sağlamak için kullanılan şeyin kendisinin yerine geçen bir şeydir” [13], yani “harekete geçmek yerine dünya hakkında muhakeme ederek” içinde.”[13]
“Bu, bir dizi ontolojik taahhüttür”,[13] yani, “dünya hakkında hangi terimlerle düşünmeliyim?” sorusunun yanıtıdır. [13]
“Üç bileşenle ifade edilen, parçalı bir akıllı akıl yürütme teorisidir: (i) temsilin akıllı akıl yürütmeye ilişkin temel kavramı; (ii) temsilin onayladığı çıkarımlar kümesi; ve (iii) önerdiği çıkarımlar kümesi. “[13]
“Pragmatik olarak verimli hesaplama için bir ortamdır”,[13] yani, “düşünmenin gerçekleştirildiği hesaplama ortamı. Bu pragmatik verimliliğe bir katkı, bir temsilin bilgileri organize etmek için sağladığı rehberlikle sağlanır” [13] yani ” önerilen çıkarımları yapmayı kolaylaştırmak için.”[13]
“Bir insan ifadesi aracıdır”,[13] yani, “dünya hakkında bir şeyler söylediğimiz bir dildir.”[13]
Bilgi temsili ve muhakeme, Semantik Web için kilit bir etkinleştirme teknolojisidir. Otomatik sınıflandırmalı Frame modeline dayalı diller, mevcut İnternet’in üzerinde bir anlambilim katmanı sağlar. Günümüzde alışılageldiği gibi metin dizileri üzerinden arama yapmak yerine, mantıksal sorgular tanımlamak ve bu sorgulara uyan sayfaları bulmak mümkün olacaktır.[9] Bu sistemlerdeki otomatik muhakeme bileşeni, sınıflandırıcı olarak bilinen bir motordur. Sınıflandırıcılar, kurallar yerine bir bilgi tabanındaki kapsama ilişkilerine odaklanır. Bir sınıflandırıcı, yeni sınıflar çıkarabilir ve yeni bilgiler mevcut oldukça ontolojiyi dinamik olarak değiştirebilir. Bu yetenek, İnternet’in sürekli değişen ve gelişen bilgi alanı için idealdir.[14]
Semantik Web, XML tabanlı biçimlendirme dilleri ile bilgi gösterimi ve muhakeme kavramlarını bütünleştirir. Kaynak Açıklama Çerçevesi (RDF), Is-A ilişkileri ve nesne özellikleri gibi temel özelliklerle Internet’te bilgiye dayalı nesneleri tanımlamaya yönelik temel yetenekler sağlar. Web Ontology Language (OWL) ek anlamlar ekler ve otomatik sınıflandırma akıl yürütmeleriyle bütünleşir.[15]
Özellikler
1985’te Ron Brachman, bilgi temsili için temel konuları şu şekilde kategorize etti:[16]
İlkeller. Bilgiyi temsil etmek için kullanılan temel çerçeve nedir? Semantik ağlar, ilk bilgi temsili ilkellerinden biriydi. Ayrıca, genel hızlı arama için veri yapıları ve algoritmalar. Bu alanda, bilgisayar bilimlerindeki veri yapıları ve algoritmalardaki araştırmalarla güçlü bir örtüşme vardır. İlk sistemlerde, lambda hesabından sonra modellenen Lisp programlama dili, genellikle işlevsel bilgi temsilinin bir biçimi olarak kullanılıyordu. Çerçeveler ve Kurallar bir sonraki tür ilkeldi. Çerçeve dilleri, çerçeve verileri üzerindeki kısıtlamaları ifade etmek ve uygulamak için çeşitli mekanizmalara sahipti. Çerçevelerdeki tüm veriler yuvalarda saklanır. Yuvalar, varlık-ilişki modellemesindeki ilişkilere ve nesne yönelimli modellemedeki nesne özelliklerine benzer. Primitifler için başka bir teknik, First Order Logic’e (FOL) göre modellenen dilleri tanımlamaktır. En iyi bilinen örnek Prolog’tur, ancak birçok özel amaçlı teorem kanıtlama ortamı da vardır. Bu ortamlar, mantıksal modelleri doğrulayabilir ve mevcut modellerden yeni teoriler çıkarabilir. Esasen, bir mantıkçının bir modeli analiz ederken geçireceği süreci otomatikleştirirler. Teorem kanıtlama teknolojisi, yazılım mühendisliği alanlarında bazı özel pratik uygulamalara sahipti. Örneğin, bir yazılım programının resmi bir mantıksal belirtime sıkı sıkıya bağlı olduğunu kanıtlamak mümkündür.
Meta-temsil. Bu aynı zamanda bilgisayar biliminde yansıma sorunu olarak da bilinir. Bir biçimciliğin kendi durumu hakkında bilgiye erişme kabiliyetini ifade eder. Bir örnek, Smalltalk ve CLOS’ta geliştiricilere sınıf nesnelerine çalışma süresi erişimi sağlayan ve çalışma zamanında bile bilgi tabanının yapısını dinamik olarak yeniden tanımlamalarına olanak tanıyan meta-nesne protokolü olabilir. Meta-temsil, bilgi temsil dilinin kendisinin o dilde ifade edildiği anlamına gelir. Örneğin, çoğu Çerçeve tabanlı ortamlarda, tüm çerçeveler bir çerçeve sınıfının örnekleri olacaktır. Bu sınıf nesnesi çalışma zamanında incelenebilir, böylece nesne kendi iç yapısını veya modelin diğer bölümlerinin yapısını anlayabilir ve hatta değiştirebilir. Kural tabanlı ortamlarda, kurallar genellikle kural sınıflarının örnekleriydi. Kurallar için meta protokolün bir kısmı, kural tetiklemeye öncelik veren meta kurallardı.
Eksiklik. Geleneksel mantık, matematik dünyasının aksine gerçek dünyayla başa çıkmak için ek aksiyomlar ve kısıtlamalar gerektirir. Ayrıca, güven derecelerini bir ifadeyle ilişkilendirmek genellikle yararlıdır. Yani, basitçe “Sokrates İnsandır” demeyin, bunun yerine “Sokrates %50 güvenle Sokrates İnsandır” deyin. Bu, belirlilik faktörlerini kurallar ve sonuçlarla ilişkilendirme yeteneği olan bazı ticari araçlara taşınan uzman sistem araştırmalarının ilk yeniliklerinden biriydi. Bu alanda daha sonra yapılan araştırmalar bulanık mantık olarak bilinir.[17]
Tanımlar ve evrenseller, gerçekler ve varsayılanlara karşı. Evrenseller, “Bütün insanlar ölümlüdür” gibi dünya hakkında genel ifadelerdir. Gerçekler, “Sokrates bir insandır ve bu nedenle ölümlüdür” gibi tümellerin belirli örnekleridir. Mantıksal terimlerle, tanımlar ve evrenseller evrensel niceleme ile ilgiliyken, gerçekler ve varsayılanlar varoluşsal niceleme ile ilgilidir. Bilgi temsilinin tüm biçimleri bu yönle ilgilenmelidir ve çoğu bunu, evrenselleri kümeler ve alt kümeler olarak modelleyerek ve tanımları bu kümelerdeki öğeler olarak modelleyerek küme teorisinin bazı varyantlarıyla yapar.
Monoton olmayan akıl yürütme. Monoton olmayan akıl yürütme, çeşitli varsayımsal akıl yürütme türlerine izin verir. Sistem, ileri sürülen gerçekleri, onları haklı çıkarmak için kullanılan kurallar ve gerçeklerle ilişkilendirir ve bu gerçekler değiştikçe, bağımlı bilgiyi de günceller. Kural tabanlı sistemlerde bu yetenek, bir doğruluk bakım sistemi olarak bilinir.[18]
İfade yeterliliği. Brachman ve çoğu AI araştırmacısının ifade yeterliliğini ölçmek için kullandığı standart genellikle Birinci Dereceden Mantık’tır (FOL). Teorik sınırlamalar, FOL’un tam olarak uygulanmasının pratik olmadığı anlamına gelir. Araştırmacılar, sunumlarının ne kadar ifade edici (tam FOL ifade gücünün ne kadarı) olması gerektiği konusunda net olmalıdır.[19]
Akıl yürütme verimliliği. Bu, sistemin çalışma süresi verimliliğini ifade eder. Bilgi tabanının güncellenebilmesi ve muhakemenin makul bir süre içinde yeni çıkarımlar geliştirebilmesi. Bazı yönlerden bu, ifade yeterliliğinin diğer yüzüdür. Genel olarak, bir temsil ne kadar güçlüyse, ifade yeterliliği o kadar fazladır, otomatik muhakeme motoru o kadar az verimli olacaktır. Verimlilik, özellikle bilgi temsili teknolojisinin ilk uygulamaları için genellikle bir sorundu. Genellikle, zamanın daha geleneksel platformlarına kıyasla yavaş olan Lisp gibi yorumlanmış ortamlarda uygulandılar.
Ontoloji mühendisliği
Bilgi tabanlı sistemlerin ilk yıllarında, bilgi tabanları oldukça küçüktü. Kavram kanıtlama gösterilerinden ziyade gerçek sorunları çözmesi amaçlanan bilgi tabanlarının iyi tanımlanmış sorunlara odaklanması gerekiyordu. Yani örneğin, bütün bir konu olarak sadece tıbbi teşhis değil, belirli hastalık türlerinin tıbbi teşhisi.
Bilgiye dayalı teknoloji ölçeklendikçe, daha büyük bilgi tabanlarına ve birbiriyle iletişim kurabilen ve entegre olabilen modüler bilgi tabanlarına olan ihtiyaç belirgin hale geldi. Bu, birden fazla proje tarafından kullanılabilecek büyük bilgi tabanları tasarlayan ve inşa eden ontoloji mühendisliği disiplininin doğmasına neden oldu. Bu alandaki önde gelen araştırma projelerinden biri Cyc projesiydi. Cyc, yalnızca uzman bilgisini değil sağduyu bilgisini de içerecek devasa bir ansiklopedik bilgi tabanı oluşturma girişimiydi. Bir yapay zeka ajanı tasarlarken, insanların doğal dili kullanarak insanlarla etkileşime girebilecek bir yapay zeka yapmak için sağduyu bilgisini, insanların basitçe kabul ettiği bilgiyi temsil etmenin gerekli olduğu kısa sürede anlaşıldı. Cyc, bu sorunu çözmeyi amaçlıyordu. Tanımladıkları dil CycL olarak biliniyordu.
CycL’den sonra, bir dizi ontoloji dili geliştirilmiştir. Çoğu bildirim dilleridir ve ya çerçeve dilleridir ya da birinci dereceden mantığa dayalıdır. Modülerlik -belirli alanlar ve sorun alanları etrafındaki sınırları tanımlama yeteneği- bu diller için esastır, çünkü Tom Gruber’in belirttiği gibi, “Her ontoloji bir anlaşmadır – paylaşımda ortak güdüye sahip insanlar arasındaki bir sosyal anlaşmadır.” Herhangi bir genel amaçlı ontolojiyi imkansız kılan, her zaman birçok rakip ve farklı görüş vardır. Genel amaçlı bir ontolojinin herhangi bir alanda uygulanabilir olması ve farklı bilgi alanlarının birleştirilmesi gerekir.[20]
Sıvılar için bir ontoloji[21], elektronik devreleri temsil etmede yaygın olarak kullanılan toplu eleman modeli (ör.[22]) ve ontolojiler gibi çeşitli görev alanları için ontolojiler oluşturmaya çalışan uzun bir çalışma geçmişi vardır. zaman, inanç ve hatta programlamanın kendisi için. Bunların her biri dünyanın bir bölümünü görmenin bir yolunu sunuyor.
Örneğin, toplu eleman modeli, devreleri, bağlantılar boyunca anında akan sinyallerle, aralarında bağlantıları olan bileşenler olarak düşündüğümüzü önerir. Bu yararlı bir görüş, ancak mümkün olan tek görüş değil. Cihazdaki elektrodinamiğe dikkat etmemiz gerekirse farklı bir ontoloji ortaya çıkar: Burada sinyaller sonlu hızda yayılır ve daha önce I/O davranışına sahip tek bir bileşen olarak görülen bir nesnenin (direnç gibi) artık düşünülmesi gerekebilir. içinden bir elektromanyetik dalganın aktığı genişletilmiş bir ortam olarak.
Ontolojiler elbette çok çeşitli dillerde ve notasyonlarda yazılabilir (örn. mantık, LISP, vb.); temel bilgi o dilin biçimi değil içeriğidir, yani dünya hakkında düşünmenin bir yolu olarak sunulan kavramlar kümesidir. Basitçe söylemek gerekirse, önemli olan bağlantılar ve bileşenler gibi kavramlardır, bunları yüklemler veya LISP yapıları olarak yazmak arasındaki seçim değil.
Bir veya başka bir ontolojiyi seçme taahhüdü, eldeki göreve ilişkin keskin bir şekilde farklı bir görüş üretebilir. Aynı cihazın elektrodinamik görünümü yerine bir devrenin toplu eleman görünümünün seçilmesinde ortaya çıkan farkı düşünün. İkinci bir örnek olarak, kurallar (örn. MYCIN) açısından görüntülenen tıbbi tanı, çerçeveler (ör. MYCIN’in tıp dünyasını semptomu hastalığa bağlayan ampirik ilişkilerden oluştuğunu düşündüğü yerde INTERNIST, eldeki vakayla eşleştirilecek bir dizi prototip, özellikle de prototipik hastalıklar görür.
———————————-
Kaynak:
https://en.wikipedia.org/wiki/Knowledge_representation_and_reasoning
Wiki Kaynaklar:
1)Roger Schank; Robert Abelson (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.
2)Nilsson, Nils (1995). “Eye on the Prize”. AI Magazine. 16: 2.
3)Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. ISBN 978-0-201-10686-2.
4)Mettrey, William (1987). “An Assessment of Tools for Building Large Knowledge-Based Systems”. AI Magazine. 8 (4). Archived from the original on 2013-11-10. Retrieved 2013-12-24.
5)Brachman, Ron (1978). “A Structural Paradigm for Representing Knowledge” (PDF). Bolt, Beranek, and Neumann Technical Report (3605). Archived (PDF) from the original on April 30, 2020.
6)MacGregor, Robert (June 1991). “Using a description classifier to enhance knowledge representation”. IEEE Expert. 6 (3): 41–46. doi:10.1109/64.87683. S2CID 29575443.
7)Lenat, Doug; R. V. Guha (January 1990). Building Large Knowledge-Based Systems: Representation and Inference in the Cyc Project. Addison-Wesley. ISBN 978-0201517521.
8)Smith, Brian C. (1985). “Prologue to Reflections and Semantics in a Procedural Language”. In Ronald Brachman and Hector J. Levesque (ed.). Readings in Knowledge Representation. Morgan Kaufmann. pp. 31–40. ISBN 978-0-934613-01-9.
9)Berners-Lee, Tim; James Hendler; Ora Lassila (May 17, 2001). “The Semantic Web – A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities”. Scientific American. 284 (5): 34–43. doi:10.1038/scientificamerican0501-34. Archived from the original on April 24, 2013.
10)Knublauch, Holger; Oberle, Daniel; Tetlow, Phil; Wallace, Evan (2006-03-09). “A Semantic Web Primer for Object-Oriented Software Developers”. W3C. Retrieved 2008-07-30.
11)Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. pp. 6–7. ISBN 978-0-201-10686-2.
12)Levesque, Hector; Ronald Brachman (1985). “A Fundamental Tradeoff in Knowledge Representation and Reasoning”. In Ronald Brachman and Hector J. Levesque (ed.). Readings in Knowledge Representation. Morgan Kaufmann. p. 49. ISBN 978-0-934613-01-9. “The good news in reducing KR service to theorem proving is that we now have a very clear, very specific notion of what the KR system should do; the bad new is that it is also clear that the services can not be provided… deciding whether or not a sentence in FOL is a theorem… is unsolvable.”
13)Davis, Randall; Howard Shrobe; Peter Szolovits (Spring 1993). “What Is a Knowledge Representation?”. AI Magazine. 14 (1): 17–33.
14)Macgregor, Robert (August 13, 1999). “Retrospective on Loom”. isi.edu. Information Sciences Institute. Archived from the original on 25 October 2013. Retrieved 10 December 2013.
15)Knublauch, Holger; Oberle, Daniel; Tetlow, Phil; Wallace, Evan (2006-03-09). “A Semantic Web Primer for Object-Oriented Software Developers”. W3C. Retrieved 2008-07-30.
16)Brachman, Ron (1985). “Introduction”. In Ronald Brachman and Hector J. Levesque (ed.). Readings in Knowledge Representation. Morgan Kaufmann. pp. XVI–XVII. ISBN 978-0-934613-01-9.
17)Bih, Joseph (2006). “Paradigm Shift: An Introduction to Fuzzy Logic” (PDF). IEEE Potentials. 25: 6–21. doi:10.1109/MP.2006.1635021. S2CID 15451765. Retrieved 24 December 2013.
18)Zlatarva, Nellie (1992). “Truth Maintenance Systems and their Application for Verifying Expert System Knowledge Bases”. Artificial Intelligence Review. 6: 67–110. doi:10.1007/bf00155580. S2CID 24696160.
19)Levesque, Hector; Ronald Brachman (1985). “A Fundamental Tradeoff in Knowledge Representation and Reasoning”. In Ronald Brachman and Hector J. Levesque (ed.). Readings in Knowledge Representation. Morgan Kaufmann. pp. 41–70. ISBN 978-0-934613-01-9.
20)Russell, Stuart J.; Norvig, Peter (2010), Artificial Intelligence: A Modern Approach (3rd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-604259-7, p. 437-439
21)Hayes P, Naive physics I: Ontology for liquids. University of Essex report, 1978, Essex, UK.
22)Davis R, Shrobe H E, Representing Structure and Behavior of Digital Hardware, IEEE Computer, Special Issue on Knowledge Representation, 16(10):75-82.
