تمثيل المعرفة والاستنتاج

(تم التحويل من Knowledge representation and reasoning)

تمثيل المعرفة والاستنتاج (Knowledge representation and reasoning وتُختصر KR² أو KR&R‏) هي مجال الذكاء الاصطناعي (AI) المخصص لتمثيل المعلومات حول العالم بشكل يمكن لنظام الحاسب استخدامه لحل المهام المعقدة مثل تشخيص حالة طبية أو وجود حوار بلغة طبيعية. يتضمن تمثيل المعرفة النتائج من علم النفس[1] حول كيفية حل البشر للمشكلات وتمثيل المعرفة من أجل تصميم الشكليات التي تجعل الأنظمة المعقدة أسهل في التصميم والبناء. يتضمن تمثيل المعرفة والاستدلال أيضًا النتائج من منطق لأتمتة أنواع مختلفة من التفكير، مثل تطبيق القواعد أو علاقات المجموعات و المجموعات الفرعية.

تتضمن أمثلة أشكال تمثيل المعرفة الشبكات الدلالية، هندسة النظم، الأطر (الهياكل)، القواعد، و الأنطولوجية. تتضمن أمثلة محركات الاستدلال الآلي محرك الاستدلال و مبرهنات النظرية والمصنِّفات.

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

التاريخ

ركز العمل الأول في تمثيل المعرفة المحوسبة على حلول المشكلات العامة مثل نظام حلول المشكلات العامة (GPS) الذي طوره آلِن نيووِل و هربرت أ. سيمن في عام 1959. تميزت هذه الأنظمة بهياكل البيانات للتخطيط والتحليل. سيبدأ النظام بهدف. بعد ذلك، سيحلَّل هذا الهدف إلى أهداف فرعية ثم تبدأ في بناء استراتيجيات يمكن أن تحقق كل الأهداف الفرعية.

في هذه الأيام الأولى للذكاء الاصطناعي، تم أيضًا تطوير خوارزميات البحث العامة مثل A*. ومع ذلك، فإن تعريفات المشكلة غير المتبلورة لأنظمة مثل نظام تحديد المواقع العالمي (GPS) تعني أنها تعمل فقط مع نطاقات صغيرة محدودة للغاية (على سبيل المثال "عالم الكتل"). من أجل معالجة المسائل الغير صغيرة، أدرك باحثو الذكاء الاصطناعي مثل إد فيجنباوم و فريدريك هايز روث أنه من الضروري تركيز الأنظمة على مسائل أكثر تقييدًا.

أدت هذه الجهود إلى الثورة المعرفية في علم النفس وإلى مرحلة الذكاء الاصطناعي التي تركز على تمثيل المعرفة التي أدت إلى الأنظمة الخبيرة في السبعينيات والثمانينيات، أنظمة الإنتاج، اللغات الهيكلية، إلخ. وبدلاً من حل المسائل العامة، غيّر الذكاء الاصطناعي تركيزه إلى أنظمة خبيرة يمكن أن تضاهي الكفاءة البشرية في مهمة محددة، مثل التشخيص الطبي.

أعطتنا الأنظمة الخبيرة المصطلحات التي لا تزال قيد الاستخدام حتى اليوم حيث يتم تقسيم أنظمة الذكاء الاصطناعي إلى قاعدة معرفية مع حقائق حول العالم والقواعد ومحرك استدلال يطبق القواعد على قاعدة المعرفة من أجل الإجابة على الأسئلة وحل المشكلات. في هذه الأنظمة الأولية، كانت قاعدة المعرفة تميل إلى أن تكون هيكلًا مسطحًا إلى حد ما ، وهي تأكيدات أساسية حول قيم المتغيرات التي تستخدمها القواعد.[2]

بالإضافة إلى الأنظمة الخبيرة، طور باحثون آخرون مفهوم اللغات القائمة على الهياكل في منتصف الثمانينيات. الإطار مشابه لفئة الموضوع: إنه وصف تجريدي لفئة تصف الأشياء في العالم والمشاكل والحلول المحتملة. تم استخدام الإطارات في الأصل على الأنظمة الموجهة نحو التفاعل البشري، على سبيل المثال فهم اللغة الطبيعية والإعدادات الاجتماعية التي تؤدي فيها التوقعات الافتراضية المختلفة مثل طلب الطعام في مطعم إلى تضييق مساحة البحث والسماح للنظام باختيار الاستجابات المناسبة للمواقف الديناميكية.

لم يمض وقت طويل قبل أن تدرك مجموعات الأطر والباحثون القائمون على القواعد أن هناك تآزرًا بين مناهجهم. كانت الهياكل جيدة لتمثيل العالم الحقيقي، ووصفت بالفئات، والفئات الفرعية، والفواصل الزمنية (قيم البيانات) مع قيود مختلفة على القيم الممكنة. كانت القواعد جيدة لتمثيل واستخدام المنطق المعقد مثل عملية إجراء التشخيص الطبي. تم تطوير أنظمة متكاملة تجمع بين الأطر والقواعد. واحدة من أقوى وأشهرها كانت 1983 بيئة هندسة المعرفة (KEE) من إنتلي كورپ Intellicorp. كان لدى KEE محرك قاعدة كامل مع التسلسل للأمام و التسلسل العكسي. كما أن لديها قاعدة معرفة كاملة قائمة على الهياكل مع المشغلات، والفتحات (قيم البيانات)، والتوصيات، وتمرير الرسائل. على الرغم من أن تمرير الرسائل نشأ في المجتمع الموجه للمواضيع بدلاً من الذكاء الاصطناعي، إلا أنه سرعان ما تبناه باحثو الذكاء الاصطناعي وكذلك في بيئات مثل KEE وفي أنظمة التشغيل لأجهزة ليزپ Lisp من سيبمولكس Symbolics و زيروكس Xerox و شركة تكساس إنسترمنتس Texas Instruments.[3]

كان تكامل الإطارات والقواعد والبرمجة الموجهة للأشياء مدفوعًا بشكل كبير بالمشاريع التجارية مثل كي KEE و سيمبولكس Symbolics التي انبثقت عن مشاريع بحثية مختلفة. في نفس الوقت الذي كان يحدث فيه هذا، كان هناك نزعة أخرى من البحث كانت أقل تركيزًا من الناحية التجارية وكانت مدفوعة بالمنطق الرياضي وإثبات النظرية الآلية. كانت لغة KL-ONE من أكثر اللغات تأثيرًا في هذا البحث في منتصف الثمانينيات. كانت ل KL-ONE اللغة الهيكلية دلالات دقيقة، وتعريفات رسمية لمفاهيم مثل Is-A.[4] كان لدى KL-ONE واللغات التي تأثرت بها مثل لوم Loom محرك تفكير آلي يستند إلى المنطق الاصطلاحي بدلاً من قواعد إذا-عندها IF-THEN. هذا المسبب يسمى المصنِّف. يمكن للمصنِّف تحليل مجموعة من التصريحات واستنتاج تأكيدات جديدة، على سبيل المثال، إعادة تعريف فئة لتكون فئة فرعية أو فئة فائقة من فئة أخرى لم يتم تحديدها اصطلاحياً. بهذه الطريقة يمكن للمصنِّف أن يعمل كمحرك للاستدلال، ويستنتج حقائق جديدة من قاعدة معرفية موجودة. يمكن للمصنف أيضًا توفير التحقق من التناسق على قاعدة المعرفة (والتي يشار إليها أيضًا في حالة لغة KL-ONE باسم علم الوجود).[5]

مجال آخر لبحوث تمثيل المعرفة كان مشكلة الاستدلال المنطقي. من بين الإنجازات الأولى التي تم تعلمها من محاولة صنع برمجيات يمكن أن تعمل مع اللغة البشرية الطبيعية أن البشر يعتمدون بانتظام على أساس واسع من المعرفة حول العالم الحقيقي الذي نعتبره ببساطة أمرًا مفروغًا منه ولكن هذا ليس واضحًا على الإطلاق بالنسبة للعامل الاصطناعي. . المبادئ الأساسية لفيزياء الفطرة السليمة، والسببية، والنوايا، وما إلى ذلك. ومن الأمثلة على ذلك مشكلة الهيكل، أنه في المنطق المدفوع بالحدث يجب أن تكون هناك بديهيات تنص على أن الأشياء تحافظ على موقعها من لحظة إلى أخرى ما لم يتم نقلها ببعض القوى الخارجية. من أجل صنع عميل ذكاء اصطناعي حقيقي يمكنه التحدث مع البشر باستخدام لغة طبيعية ويمكنه معالجة البيانات والأسئلة الأساسية حول العالم، من الضروري تمثيل هذا النوع من المعرفة. كان أحد أكثر البرامج طموحًا لمعالجة هذه المشكلة هو مشروع دوج لينات Cyc. أنشأت Cyc اللغة الهيكلية الخاصة بها وكان لديها عدد كبير من المحللين يقومون بتوثيق مجالات مختلفة من التفكير المنطقي في تلك اللغة. تضمنت المعرفة المسجلة في Cyc نماذج الفطرة السليمة للزمن، والسببية، والفيزياء (الماديات)، والنوايا، وغيرها الكثير.[6]

نقطة البداية لتمثيل المعرفة هي فرضية تمثيل المعرفة التي تمت صياغتها لأول مرة بواسطة براين سي. سميث في عام 1985:[7]

ستتكون أي عملية ذكية مجسدة ميكانيكيًا من المكونات الهيكلية التي أ) نأخذها كمراقبين خارجيين بشكل طبيعي لتمثيل حساب مقترح للمعرفة التي تظهرها العملية الكلية، و ب) مستقلة عن مثل هذا الإسناد الدلالي الخارجي، تلعب دورًا رسميًا ولكن سببيًا و دور أساسي في توليد السلوك الذي يتجلى في تلك المعرفة.

تعد المشروعات المرتبطة بـ الويب الدلالي من أكثر المجالات نشاطًا في أبحاث تمثيل المعرفة. يسعى الويب الدلالي إلى إضافة طبقة من الدلالات (المعنى) أعلى الإنترنت الحالي. بدلاً من فهرسة مواقع الويب والصفحات عبر الكلمات الرئيسية، يخلق الويب الدلالي علم الوجود مفاهيم كبيرة. سيكون البحث عن مفهوم أكثر فعالية من عمليات البحث التقليدية عن النص فقط. تلعب اللغات الهيكلية والتصنيف التلقائي دورًا كبيرًا في رؤية الويب الدلالي المستقبلي. يمنح التصنيف التلقائي للمطورين تقنية لتوفير الطلب على شبكة معرفة دائمة التطور. إن تحديد الأنطولوجيا الثابتة وغير القادرة على التطور أثناء التنقل سيكون مقيدًا جدًا للأنظمة القائمة على الإنترنت. توفر تقنية المصنف القدرة على التعامل مع البيئة الديناميكية للإنترنت.

دمجت المشاريع الأخيرة التي تم تمويلها بشكل أساسي من قبل وكالة مشاريع الأبحاث الدفاعية المتقدمة (DARPA) اللغات الهيكلية والمصنِّفات مع لغات الترميز القائمة على XML. يوفر إطار وصف الموارد (RDF) القدرة الأساسية لتحديد الفئات والفئات الفرعية وخصائص الأشياء. توفر لغة أنطولوجيا الويب (OWL) مستويات إضافية من الدلالات وتتيح التكامل مع محركات التصنيف.[8][9]


استعراض عام

يمثل تمثيل المعرفة كأحد مجالات الذكاء الاصطناعي التي تركز على تصميم تمثيلات الحاسب التي تلتقط معلومات حول العالم يمكن استخدامها لحل المسائل المعقدة.

مبرر تمثيل المعرفة هو أن التعليمات البرمجية الإجرائية التقليدية ليست أفضل شكلية لاستخدامها في حل المسائل المعقدة. يجعل تمثيل المعرفة من البرامج المعقدة أسهل في التعريف والصيانة من التعليمات البرمجية الإجرائية ويمكن استخدامها في الأنظمة الخبيرة.

على سبيل المثال ، التحدث إلى الخبراء من حيث قواعد العمل بدلاً من التعليمات البرمجية يقلل الفجوة الدلالية بين المستخدمين والمطورين ويجعل تطوير الأنظمة المعقدة أكثر عملية.

يسير تمثيل المعرفة جنبًا إلى جنب مع الاستدلال الآلي لأن أحد الأغراض الرئيسية لتمثيل المعرفة بشكل صريح هو القدرة على التفكير في تلك المعرفة، وعمل استنتاجات، وتأكيد معرفة جديدة، وما إلى ذلك تقريبًا كل لغة تمثيل المعرفة لديها منطق أو محرك استنتاج كجزء من النظام.[10]

الموازنة الرئيسية في تصميم شكليات تمثيل المعرفة هي تلك بين التعبيرية والتطبيق العملي. الشكلية النهائية لتمثيل المعرفة من حيث القوة التعبيرية والاكتناز هي منطق الدرجة الأولى (FOL). لا توجد شكليات أقوى من تلك المستخدمة من قبل علماء الرياضيات لتحديد الافتراضات العامة حول العالم. ومع ذلك، فإن FOL لها عيبان مثل شكليات تمثيل المعرفة: سهولة الاستخدام والتطبيق العملي. يمكن أن يكون منطق الترتيب الأول مريباً حتى بالنسبة للعديد من مطوري البرامج. لا يزال بإمكان اللغات التي لا تتمتع بالقوة الرسمية الكاملة لـ FOL توفير ما يقرب من نفس القوة التعبيرية بواجهة مستخدم تكون أكثر عملية للمطور العادي لفهمها. مسألة التطبيق العملي هو أن FOL في بعض النواحي معبرة للغاية. باستخدام FOL، من الممكن إنشاء عبارات (مثل القياس الكمي على مجموعات لا نهائية) من شأنها أن تتسبب في عدم إنهاء النظام أبدًا إذا حاول التحقق منها.

وبالتالي، يمكن أن تكون مجموعة فرعية من FOL أسهل في الاستخدام وأكثر عملية في التنفيذ. كان هذا هو الدافع وراء الأنظمة الخبيرة القائمة على القواعد. توفر قواعد IF-THEN مجموعة فرعية من FOL ولكنها مفيدة جدًا وهي أيضًا بديهية جدًا. يمكن اعتبار تاريخ معظم أشكال تمثيل المعرفة المبكرة للذكاء الاصطناعي؛ من قواعد البيانات إلى الشبكات الدلالية إلى محرِّكات النظرية وأنظمة الإنتاج قرارات تصميم مختلفة حول ما إذا كان يجب التأكيد على القوة التعبيرية أو القدرة على الحوسبة والكفاءة.[11]

في ورقة بحثية رئيسية عام 1993 حول هذا الموضوع، حدد راندال ديڤس من MIT خمسة أدوار متميزة لتحليل إطار عمل تمثيل المعرفة:[12]

  • تمثيل المعرفة (KR) هو في الأساس بديل، بديل عن الشيء نفسه، يستخدم لتمكين الكيان من تحديد النتائج من خلال التفكير بدلاً من التصرف، أي عن طريق التفكير في العالم المحيط بدلاً من اتخاذ إجراء فيه.
  • هي مجموعة من الالتزامات الوجودية (الأنطولوجية)، أي إجابة على السؤال: بأي مصطلحات يجب أن أفكر في العالم المحيط؟
  • إنها نظرية مجزأة للتفكير الذكي، معبراً عنها بمصطلحات ثلاثة مكونات: (1) المفهوم الأساسي لتمثيل للتفكير الذكي؛ (2) مجموعة الاستدلالات على عواقب التمثيل؛ و (3) مجموعة الاستدلالات التي توصي بها.
  • هي وسيلة للحساب الفعال عمليًا، أي البيئة الحسابية التي يتم فيها التفكير. يتم توفير مساهمة واحدة في هذه الكفاءة العملية من خلال التوجيه الذي يوفره التمثيل لتنظيم المعلومات من أجل تسهيل إجراء الاستنتاجات الموصى بها.
  • هي وسيلة تعبير بشري، بمعنى آخر تُمثَّل بلغة نقول بها أشياء عن العالم المحيط.

يمثل تمثيل المعرفة والتفكير المنطقي تقنية تمكين رئيسية لـ الويب الدلالي. توفر اللغات التي تستند إلى نموذج الإطار مع التصنيف التلقائي طبقة من الدلالات أعلى للإنترنت الحالي. بدلاً من البحث عبر سلاسل نصية كما هو معتاد اليوم، سيكون من الممكن تحديد الاستعلامات المنطقية والعثور على الصفحات التي ترتبط بهذه الاستعلامات.[13]مكون الاستدلال الآلي في هذه الأنظمة هو محرك يعرف باسم المصنِّف. تركز المصنِّفات على علاقات الاشتراك في قاعدة المعرفة بدلاً من القونين. يمكن للمصنِّف استنتاج فئات جديدة وتغيير الأنطولوجيا ديناميكيًا عند توفر معلومات جديدة. تعتبر هذه القدرة مثالية لمساحة المعلومات المتغيرة والمتطورة للإنترنت.[14]

تدمج الويب الدلالي المفاهيم من تمثيل المعرفة والتفكير مع لغات الترميز القائمة على XML. يوفر إطار وصف الموارد (RDF) القدرات الأساسية لتحديد الأشياء القائمة على المعرفة على الإنترنت مع الميزات الأساسية مثل علاقات Is-A وخصائص الموضوع. تضيف لغة أنطولوجيا الويب (OWL) دلالات إضافية وتتكامل مع أسباب التصنيف التلقائي.[15]

المميزات

في عام 1985، صنف رون براكمان القضايا الأساسية لتمثيل المعرفة على النحو التالي:[16]

  • بدائيات. ما هو الإطار الأساسي المستخدم لتمثيل المعرفة؟ كانت الشبكة الدلالية واحدة من أولى بدائل تمثيل المعرفة. أيضاً، هياكل البيانات والخوارزميات للبحث العام السريع. في هذا المجال، هناك تداخل قوي مع البحث في هياكل البيانات والخوارزميات في علوم الحاسب. في الأنظمة الأولية، كانت لغة برمجة ليسپ Lisp، التي تم تصميمها على غرار جساب لامدا، تُستخدم غالبًا كشكل من أشكال تمثيل المعرفة الوظيفية. كانت الأطر والقواعد هي النوع التالي من البدائية. كان للغات الإطار آليات مختلفة للتعبير عن القيود وفرضها على بيانات الإطار. يتم تخزين جميع البيانات في الإطارات في فتحات. تشبه الفتحات العلاقات في نمذجة علاقة الكيان وخصائص الموضوع في النمذجة الموجهة للأشياء. أسلوب آخر للأوليات هو تعريف اللغات التي تم تشكيلها بعد منطق الترتيب الأول (FOL). المثال الأكثر شهرة هو پرولوگ Prolog، ولكن هناك أيضًا العديد من بيئات إثبات نظرية الغرض الخاص. يمكن لهذه البيئات التحقق من صحة النماذج المنطقية ويمكنها استنتاج نظريات جديدة من النماذج الحالية. هم في الأساس يقومون بأتمتة العملية التي يمر بها المنطق في تحليل النموذج. كان لتكنولوجيا إثبات النظرية بعض التطبيقات العملية المحددة في مجالات هندسة البرمجيات. على سبيل المثال، من الممكن إثبات أن البرنامج يلتزم بشكل صارم بمواصفات منطقية رسمية.
  • التمثيل الفائق. يُعرف هذا أيضًا بمسألة الانعكاس في علوم الحاسب. يشير إلى قدرة الشكلية على الوصول إلى المعلومات حول حالتها. مثال على ذلك هو پروتوكول موضوع التعريف في سمول توك و CLOS الذي يمنح المطورين إمكانية الوصول إلى مواضيع الفئة ويمكّنهم من إعادة تعريف بنية قاعدة المعرفة ديناميكيًا حتى في وقت التشغيل. التمثيل الفائق يعني أن لغة تمثيل المعرفة يتم التعبير عنها بتلك اللغة. على سبيل المثال، في معظم البيئات القائمة على الإطار، تكون جميع الإطارات عبارة عن نسخ من فئة الإطار. يمكن فحص موضوع الفئة هذا في وقت التشغيل، بحيث يمكن للموضوع فهم هيكله الداخلي أو هيكل أجزاء أخرى من النموذج وحتى تغييره. في البيئات المستندة إلى القونين، كانت القواعد أيضًا عادةً حالات لفئات القونين. وكانت قواعد التعريف التي أعطت الأولوية لإطلاق القاعدة جزءًا من پروتوكول التعريف للقونين.
  • عدم الاكتمال. يتطلب المنطق التقليدي بديهيات وقيوداً إضافية للتعامل مع العالم الحقيقي بدلاً من عالم الرياضيات. أيضًا، من المفيد غالبًا ربط درجات الثقة ببيان. أي، لا تقل ببساطة "سقراط إنسان" ولكن "سقراط إنسان بثقة 50٪". كان هذا أحد الابتكارات المبكرة من أبحاث الأنظمة الخبيرة التي انتقلت إلى بعض الأدوات التجارية، وهي القدرة على ربط عوامل اليقين بالقواعد والاستنتاجات. يُعرف البحث اللاحق في هذا المجال باسم المنطق الضبابي.[17]
  • التعريفات و المسلَّمات مقابل الحقائق والافتراضات. المسلَّمات هي عبارات عامة عن العالم مثل "كل البشر بشر". الحقائق هي أمثلة محددة على المسلَّمات مثل "سقراط إنسان وبالتالي فاني". في المصطلحات المنطقية، تدور التعريفات والإصدارات العامة حول التقدير الكمي العالمي بينما تدور الحقائق والافتراضات حول التحديد الكمي الوجودي. يجب أن تتعامل جميع أشكال تمثيل المعرفة مع هذا الجانب ومعظمها يفعل ذلك مع بعض المتغيرات من نظرية المجموعات، ونمذجة المسلَّمات كمجموعات ومجموعات فرعية وتعريفات كعناصر في تلك المجموعات.
  • التفكير الغير رتيب. يسمح التفكير الغير رتيب بأنواع مختلفة من التفكير الافتراضي. يربط النظام الحقائق المؤكدة بالقواعد والحقائق المستخدمة لتبريرها، ومع تغير هذه الحقائق، يتم تحديث المعرفة التابعة أيضًا. في الأنظمة القائمة على القواعد، تُعرف هذه الإمكانية باسم نظام صيانة الحقيقة.[18]
  • الكفاية التعبيرية. المعيار الذي يستخدمه براكمان ومعظم باحثي الذكاء الاصطناعي لقياس مدى كفاية التعبير هو عادةً منطق الدرجة الأولى (FOL). تعني القيود النظرية أن التنفيذ الكامل لـ FOL ليس عملياً. يجب أن يكون الباحثون واضحين بشأن مدى تعبيرهم (مقدار القوة التعبيرية الكاملة FOL) التي ينوون التمثيل بها.[19]
  • كفاءة الاستدلال. يشير هذا إلى كفاءة زمن تشغيل النظام. قدرة قاعدة المعرفة على التحديث والمبرر لتطوير استنتاجات جديدة في فترة زمنية معقولة. من بعض النواحي، هذا هو الجانب الآخر من كفاية التعبير. بشكل عام، كلما كان التمثيل أكثر قوةً، كلما زادت كفاءته التعبيرية، وقلت كفاءة محرك الاستدلال الآلي. كانت الكفاءة في كثير من الأحيان مشكلة، خاصة بالنسبة للتطبيقات الأولية لتكنولوجيا تمثيل المعرفة. تم تنفيذها عادةً في بيئات مفسرة ومترجمة مثل ليسپ Lisp، والتي كانت بطيئةً مقارنة بالمنصات الأكثر تقليدية في ذلك الوقت.

هندسة الأنطولوجيا

في السنوات الأولى من الأنظمة القائمة على المعرفة كانت قواعد المعرفة صغيرة نسبيًا. كانت قواعد المعرفة التي كان من المفترض أن تحل المشكلات الحقيقية فعليًا بدلاً من تقديم دليل على شرح المفاهيم اللازمة للتركيز على المشكلات المحددة جيدًا. على سبيل المثال، ليس مجرد التشخيص الطبي كموضوع كامل، ولكن التشخيص الطبي لأنواع معينة من الأمراض.

مع تطور التكنولوجيا القائمة على المعرفة ، أصبحت الحاجة إلى قواعد معرفة أكبر وقواعد معرفة معيارية يمكن أن تتواصل وتتكامل مع بعضها البعض واضحة. أدى ذلك إلى ظهور تخصص هندسة الأنطولوجيا وتصميم وبناء قواعد معرفية كبيرة يمكن استخدامها في مشاريع متعددة. كان أحد المشاريع البحثية الرائدة في هذا المجال هو مشروع Cyc. كانت Cyc محاولة لبناء قاعدة معرفية موسوعية ضخمة لا تحتوي فقط على معرفة الخبراء ولكن معرفة الفطرة السليمة. عند تصميم عامل ذكاء اصطناعي، سرعان ما تم إدراك أن تمثيل المعرفة بالفطرة السليمة، والمعرفة التي يعتبرها البشر أمرًا مفروغًا منه، كانت ضرورية لصنع ذكاء اصطناعي يمكنه التفاعل مع البشر باستخدام لغة طبيعية. كان المقصود من Cyc معالجة هذه المشكلة. اللغة التي قامو بتعريفها كانت تُعرف بـ CycL.

بعد CycL، تم تطوير عدد من لغة الأنطولوجيا. معظمها لغة تعريفية، وهي إما لغة هيكلية، أو تستند إلى منطق من الدرجة الأولى. نمطية - القدرة على تحديد الحدود حول مجالات محددة ومساحات المشكلة - أمر ضروري لهذه اللغات لأنه كما ذكر توم گروبر، "كل أنطولوجيا هي ميثاق - اتفاق اجتماعي بين الناس الذين لديهم دافع مشترك في المشاركة." هناك دائمًا العديد من الآراء المتنافسة والمختلفة التي تجعل أي علم الوجود للأغراض العامة مستحيلًا. يجب أن يكون علم الوجود للأغراض العامة قابلاً للتطبيق في أي مجال ويجب توحيد مجالات المعرفة المختلفة.[20]

هناك تاريخ طويل من العمل الذي يحاول بناء أنطولوجيا لمجموعة متنوعة من مجالات المهام، على سبيل المثال، أنطولوجيا للسوائل،[21] نموذج العناصر المجمَّعة المستخدم على نطاق واسع في تمثيل الدوائر الإلكترونية (على سبيل المثال،[22])، بالإضافة إلى أنطولوجيا للزمن والمعتقدات وحتى البرمجة نفسها. كل واحد من هؤلاء يقدم طريقة لرؤية جزء من العالم.

نموذج العناصر المجمَّعة، على سبيل المثال، يشير إلى أننا نفكر في الدوائر من حيث المكونات التي لها وصلات فيما بينها، مع تدفق الإشارات بشكل فوري على طول التوصيلات. هذه وجهة نظر مفيدة ولكنها ليست الوحيدة الممكنة. تنشأ نظرية وجودية مختلفة إذا احتجنا إلى الاهتمام بالديناميكا الكهربية في الجهاز: هنا تنتشر الإشارات بسرعة محدودة، وقد يتعين الآن التفكير في أداة (مثل المقاومة) فقد كان يُنظر إليها سابقًا على أنها عنصر فردي لها سلوك إدخال / إخراج كوسيلة ممتدة تتدفق من خلالها الموجة الكهرومغناطيسية.

يمكن بالطبع تدوين الأنطولوجيا في مجموعة متنوعة من اللغات والرموز (على سبيل المثال، المنطق، LISP، إلخ)؛ المعلومات الأساسية ليست شكل تلك اللغة ولكن المحتوى، أي مجموعة المفاهيم المقدمة كطريقة للتفكير في العالم. ببساطة، الجزء المهم هو مفاهيم مثل الوصلات والمكونات، وليس الاختيار بين كتابتها كمسندات أو بنيات LISP.

يمكن أن ينتج عن الالتزام باختيار واحد أو آخر من الأنطولوجيا رؤية مختلفة تمامًا للمهمة المطروحة. ضع في اعتبارك الاختلاف الذي ينشأ في اختيار عرض العناصر المجمعة للدائرة بدلاً من العرض الديناميكي الكهربائي لنفس الجهاز. كمثال ثانٍ، يبدو التشخيص الطبي من منظور القواعد (على سبيل المثال، MYCIN) مختلفًا بشكل كبير عن نفس المهمة التي يُنظر إليها من حيث الإطارات (على سبيل المثال، INTERNIST). حيث يرى MYCIN أن العالم الطبي يتكون من ارتباطات تجريبية تربط الأعراض بالمرض، يرى INTERNIST مجموعة من النماذج الأولية، ولا سيما الأمراض النموذجية، التي يجب مطابقتها مع الحالة المطروحة.

انظر أيضاً

الهامش

  1. ^ Roger Schank; Robert Abelson (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.
  2. ^ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. ISBN 978-0-201-10686-2.
  3. ^ 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.
  4. ^ Brachman, Ron (1978). "A Structural Paradigm for Representing Knowledge" (PDF). Bolt, Beranek, and Neumann Technical Report (3605).
  5. ^ MacGregor, Robert (June 1991). "Using a description classifier to enhance knowledge representation". IEEE Expert. 6 (3): 41–46. doi:10.1109/64.87683.
  6. ^ Lenat, Doug; R. V. Guha (January 1990). Building Large Knowledge-Based Systems: Representation and Inference in the Cyc Project. Addison-Wesley. ISBN 978-0201517521.
  7. ^ 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.
  8. ^ 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.
  9. ^ 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.
  10. ^ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. pp. 6–7. ISBN 978-0-201-10686-2.
  11. ^ 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.
  12. ^ Davis, Randall; Howard Shrobe; Peter Szolovits (Spring 1993). "What Is a Knowledge Representation?". AI Magazine. 14 (1): 17–33.
  13. ^ 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.
  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. 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.
  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.

للاستزادة


. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

وصلات خارجية