การเป็นตัวแทนความรู้ใน AI อธิบายด้วยเงื่อนไขง่ายๆ

ปัญญาประดิษฐ์ (AI) เป็นเทคโนโลยีที่ได้รับความนิยมและเป็นนวัตกรรมที่นำปัญญาของมนุษย์ไปสู่อีกระดับ มันนำเสนอพลังของหน่วยสืบราชการลับที่แม่นยำซึ่งรวมเข้ากับเครื่องจักร

มนุษย์ได้รับการถ่ายทอดความคิดระดับสูง การให้เหตุผล การตีความ และความเข้าใจในความรู้ ความรู้ที่เราได้รับช่วยให้เราทำกิจกรรมต่าง ๆ ในโลกแห่งความเป็นจริง

ทุกวันนี้แม้แต่เครื่องจักรก็ยังสามารถทำสิ่งต่างๆ ได้มากมาย ด้วยเทคโนโลยี

เมื่อเร็ว ๆ นี้ การใช้งานระบบและอุปกรณ์ที่ขับเคลื่อนด้วย AI เพิ่มขึ้นเนื่องจากประสิทธิภาพและความแม่นยำในการทำงานที่ซับซ้อน

ตอนนี้ ปัญหาคือ ในขณะที่มนุษย์ได้รับความรู้หลายระดับและหลายประเภทในชีวิตของพวกเขา เครื่องจักรต้องเผชิญกับความยากลำบากในการตีความความรู้เดียวกัน

ดังนั้นจึงใช้การแสดงความรู้ สิ่งนี้จะช่วยแก้ปัญหาที่ซับซ้อนในโลกของเราที่ยากและใช้เวลานานสำหรับมนุษย์ในการจัดการ

ในบทความนี้ ฉันจะอธิบายการแทนความรู้ใน AI วิธีการทำงาน ประเภทและเทคนิค และอื่นๆ

เอาล่ะ!

การเป็นตัวแทนความรู้และการใช้เหตุผลคืออะไร?

การแสดงความรู้และการใช้เหตุผล (KR&R) เป็นส่วนหนึ่งของปัญญาประดิษฐ์ที่อุทิศให้กับการแสดงข้อมูลเกี่ยวกับโลกแห่งความเป็นจริงในรูปแบบที่คอมพิวเตอร์สามารถเข้าใจและดำเนินการตามนั้น สิ่งนี้นำไปสู่การแก้ปัญหาที่ซับซ้อน เช่น การคำนวณ การสนทนาในภาษาธรรมชาติ การวินิจฉัยโรคร้ายแรง ฯลฯ

การแสดงความรู้หาทางมาจากจิตวิทยาเกี่ยวกับวิธีการที่มนุษย์มีความสามารถในการแก้ปัญหาและเป็นตัวแทนของความรู้ในการออกแบบพิธีการ สิ่งนี้จะช่วยให้ AI เข้าใจว่ามนุษย์ทำให้ระบบที่ซับซ้อนง่ายขึ้นในขณะที่สร้างและออกแบบได้อย่างไร

งานแรกสุดเน้นที่ตัวแก้ไขปัญหาทั่วไป ซึ่งพัฒนาโดย Herbert A. Simon และ Allen Newell ในปี 1959 ระบบเหล่านี้ใช้โครงสร้างข้อมูลสำหรับการแยกส่วนและการวางแผน ระบบจะเริ่มต้นด้วยเป้าหมายก่อน จากนั้นจึงแยกย่อยเป้าหมายออกเป็นเป้าหมายย่อย หลังจากนั้น ระบบจะกำหนดกลยุทธ์การสร้างบางอย่างที่สามารถเข้าร่วมกับแต่ละเป้าหมายย่อยได้

ความพยายามเหล่านี้นำไปสู่การปฏิวัติความรู้ความเข้าใจในด้านจิตวิทยามนุษย์และขั้นตอนของ AI ที่มุ่งเน้นไปที่การเป็นตัวแทนความรู้ สิ่งนี้ส่งผลให้เกิดระบบผู้เชี่ยวชาญในปี 1970 และ 1980 ภาษาเฟรม ระบบการผลิต และอื่นๆ ต่อมา AI ได้เปลี่ยนจุดสนใจหลักไปสู่ระบบผู้เชี่ยวชาญที่สามารถเทียบเคียงกับความสามารถของมนุษย์ได้ เช่น การวินิจฉัยทางการแพทย์

นอกจากนี้ การแทนความรู้ยังช่วยให้ระบบคอมพิวเตอร์สามารถเข้าใจและใช้ความรู้ในการแก้ปัญหาในโลกแห่งความเป็นจริงได้ นอกจากนี้ยังกำหนดวิธีการที่คุณสามารถแสดงความรู้และเหตุผลใน AI

การแสดงความรู้ไม่ได้เป็นเพียงการจัดเก็บข้อมูลในฐานข้อมูลเท่านั้น แต่ช่วยให้เครื่องจักรอัจฉริยะสามารถเรียนรู้จากความรู้ของมนุษย์และมีประสบการณ์เดียวกัน เพื่อให้เครื่องจักรสามารถทำงานและปฏิบัติตัวได้เหมือนมนุษย์

มนุษย์มีความรู้ที่ต่างไปจากเครื่องจักร รวมถึงความรู้สึก ความตั้งใจ ความเชื่อ สามัญสำนึก การตัดสิน อคติ สัญชาตญาณ และอื่นๆ ความรู้บางอย่างก็ตรงไปตรงมาเช่นกัน เช่น รู้ข้อเท็จจริงบางอย่าง รู้ทั่วไปเกี่ยวกับเหตุการณ์ ผู้คน สิ่งของ ภาษา สาขาวิชาการ ฯลฯ

ด้วย KR&R คุณสามารถนำเสนอแนวคิดของมนุษย์ในรูปแบบที่เข้าใจได้สำหรับเครื่องจักร และทำให้ระบบที่ขับเคลื่อนด้วย AI มีความชาญฉลาดอย่างแท้จริง ในที่นี้ ความรู้หมายถึงการให้ข้อมูลเกี่ยวกับระบบนิเวศและจัดเก็บ ในขณะที่การให้เหตุผลหมายถึงการตัดสินใจและการดำเนินการจากข้อมูลที่เก็บไว้ตามความรู้

ความรู้ใดที่ควรแสดงในระบบ AI

ความรู้ที่ต้องนำเสนอในระบบปัญญาประดิษฐ์อาจรวมถึง:

• วัตถุ: วัตถุล้อมรอบมนุษย์อย่างต่อเนื่อง ดังนั้นข้อมูลเกี่ยวกับวัตถุเหล่านั้นจึงมีความจำเป็นและต้องได้รับการพิจารณาว่าเป็นประเภทความรู้ ตัวอย่างเช่น เปียโนมีปุ่มสีขาวและสีดำ รถยนต์มีล้อ รถเมล์ต้องการคนขับ เครื่องบินต้องการนักบิน ฯลฯ
• เหตุการณ์: เหตุการณ์มากมายที่เกิดขึ้นอย่างต่อเนื่องในโลกแห่งความเป็นจริง และการรับรู้ของมนุษย์ขึ้นอยู่กับเหตุการณ์ AI จำเป็นต้องมีความรู้ด้านเหตุการณ์เพื่อดำเนินการ เหตุการณ์บางอย่าง เช่น ความอดอยาก ความเจริญก้าวหน้าของสังคม สงคราม ภัยพิบัติ ความสำเร็จ และอื่นๆ
• ประสิทธิภาพ: ความรู้นี้เกี่ยวข้องกับการกระทำบางอย่างของมนุษย์ในสถานการณ์ต่างๆ มันแสดงถึงด้านพฤติกรรมของความรู้ซึ่งค่อนข้างจำเป็นสำหรับ AI ในการทำความเข้าใจ

• ความรู้เมตา: ตัวอย่างเช่น หากเรามองไปรอบโลกและสรุปความรู้ทั้งหมดที่นั่น เราจะเห็นว่าส่วนใหญ่แบ่งออกเป็นสามประเภท:
• สิ่งที่เรารู้แล้ว
• สิ่งที่เรารู้โดยพื้นฐานแล้วคือสิ่งที่เราไม่รู้ทั้งหมด
• สิ่งที่เรายังไม่รู้
• ความรู้เมตาเกี่ยวข้องกับสิ่งแรก นั่นคือ สิ่งที่เรารู้และให้ AI รับรู้สิ่งเดียวกัน

• ข้อเท็จจริง: ความรู้นี้ขึ้นอยู่กับคำอธิบายข้อเท็จจริงของโลกของเรา ตัวอย่างเช่น โลกไม่แบนแต่ก็ไม่กลม ดวงอาทิตย์ของเรามีความกระหายที่หิวกระหาย และอื่นๆ อีกมากมาย
• ฐานความรู้: ฐานความรู้เป็นองค์ประกอบหลักของสติปัญญาของมนุษย์ หมายถึงกลุ่มของข้อมูลที่เกี่ยวข้องหรือข้อมูลในฟิลด์ คำอธิบาย และอื่นๆ เช่นฐานความรู้ด้านการออกแบบโมเดลรถยนต์

การเป็นตัวแทนความรู้ทำงานอย่างไร

โดยปกติแล้ว งานที่ต้องทำ ปัญหาที่ต้องแก้ไข และการแก้ปัญหา จะได้รับอย่างไม่เป็นทางการ เช่น การส่งพัสดุเมื่อมาถึง หรือการแก้ไขปัญหาไฟฟ้าในบ้าน

ในการแก้ปัญหาจริง ผู้ออกแบบระบบต้อง:

• ดำเนินงานเพื่อกำหนดวิธีการแก้ปัญหาที่ดีกว่าที่สามารถให้ได้
• นำเสนอปัญหาในภาษาเพื่อให้คอมพิวเตอร์สามารถให้เหตุผลได้
• ใช้ระบบคอมพิวเตอร์เพื่อผลลัพธ์สุดท้าย ซึ่งเป็นโซลูชันสำหรับผู้ใช้หรือลำดับของกิจกรรมที่จำเป็นต้องทำในระบบนิเวศ
• ตีความผลลัพธ์สุดท้ายว่าเป็นวิธีแก้ปัญหาหลัก

ความรู้คือข้อมูลที่มนุษย์มีอยู่แล้ว แต่เครื่องจักรจำเป็นต้องเรียนรู้ เนื่องจากมีปัญหามากมายเครื่องจักรจึงต้องการความรู้ ในฐานะที่เป็นส่วนหนึ่งของระบบการออกแบบ คุณสามารถกำหนดความรู้ที่จะแสดง

การเชื่อมต่อระหว่างการแทนความรู้กับ AI

ความรู้มีบทบาทสำคัญในความฉลาด นอกจากนี้ยังรับผิดชอบในการสร้างปัญญาประดิษฐ์ เมื่อจำเป็นต้องแสดงพฤติกรรมที่ชาญฉลาดในตัวแทน AI ก็มีบทบาทที่จำเป็น ตัวแทนไม่สามารถทำงานได้อย่างถูกต้องเมื่อขาดประสบการณ์หรือความรู้ในข้อมูลบางอย่าง

ตัวอย่างเช่น หากคุณต้องการโต้ตอบกับบุคคลแต่ไม่สามารถเข้าใจภาษาได้ เห็นได้ชัดว่าคุณไม่สามารถโต้ตอบและดำเนินการใดๆ ได้ดี สิ่งนี้ใช้ได้เหมือนกันสำหรับพฤติกรรมที่ชาญฉลาดของเจ้าหน้าที่ AI จำเป็นต้องมีความรู้เพียงพอที่จะดำเนินการตามหน้าที่ที่ผู้มีอำนาจตัดสินใจค้นพบสภาพแวดล้อมและนำความรู้ที่จำเป็นไปใช้

อย่างไรก็ตาม AI ไม่สามารถแสดงพฤติกรรมทางปัญญาได้หากไม่มีส่วนประกอบของความรู้

ประเภทของความรู้ที่แสดงใน AI

ตอนนี้เราเข้าใจแล้วว่าเหตุใดเราจึงต้องมีการแสดงความรู้ในระบบ AI ต่อไป เรามาค้นหาประเภทของความรู้ที่แสดงในระบบ AI กัน

• ความรู้เชิงประกาศ: มันแสดงถึงวัตถุ แนวคิด และข้อเท็จจริงที่ช่วยให้คุณอธิบายโลกทั้งใบรอบตัวคุณ ดังนั้นจึงแบ่งปันคำอธิบายของบางสิ่งและแสดงประโยคที่เปิดเผย
• ความรู้เชิงขั้นตอน: ความรู้เชิงขั้นตอนนั้นน้อยกว่าเมื่อเปรียบเทียบกับความรู้เชิงประกาศ เป็นที่รู้จักกันว่าความรู้ที่จำเป็นซึ่งใช้โดยหุ่นยนต์เคลื่อนที่ เป็นการประกาศความสำเร็จของบางสิ่งบางอย่าง ตัวอย่างเช่น มีเพียงแผนที่ของอาคาร หุ่นยนต์เคลื่อนที่สามารถสร้างแผนของตนเองได้ หุ่นยนต์เคลื่อนที่สามารถวางแผนโจมตีหรือนำทางได้

ยิ่งกว่านั้น ความรู้เชิงขั้นตอนจะถูกนำไปใช้โดยตรงกับงาน ซึ่งรวมถึงกฎ ขั้นตอน ระเบียบวาระการประชุม กลยุทธ์ และอื่นๆ

• Meta Knowledge: ในด้านปัญญาประดิษฐ์ ความรู้ที่กำหนดไว้ล่วงหน้าเรียกว่า meta-knowledge ตัวอย่างเช่น การศึกษาเกี่ยวกับการแท็ก การเรียนรู้ การวางแผน ฯลฯ อยู่ภายใต้ความรู้ประเภทนี้

  โมเดลนี้เปลี่ยนลักษณะการทำงานตามเวลาและใช้ข้อกำหนดอื่นๆ วิศวกรระบบหรือวิศวกรความรู้ใช้รูปแบบต่างๆ ของความรู้เมตา เช่น ความถูกต้อง การประเมิน วัตถุประสงค์ แหล่งที่มา ช่วงชีวิต ความน่าเชื่อถือ การให้เหตุผล ความสมบูรณ์ ความสม่ำเสมอ การบังคับใช้ และการแก้ความกำกวม

• ความรู้แบบฮิวริสติก: ความรู้นี้ซึ่งเรียกอีกอย่างว่าความรู้แบบตื้น เป็นไปตามหลักกฎง่ายๆ จึงมีประสิทธิภาพสูงในกระบวนการให้เหตุผลเพราะสามารถแก้ปัญหาตามประวัติหรือปัญหาที่รวบรวมโดยผู้เชี่ยวชาญ แต่จะรวบรวมประสบการณ์ของปัญหาที่ผ่านมาและให้แนวทางความรู้ที่ดีกว่าในการระบุปัญหาและดำเนินการ
• ความรู้ด้านโครงสร้าง: ความรู้ด้านโครงสร้างเป็นความรู้พื้นฐานที่เรียบง่ายที่สุดที่ใช้และประยุกต์ใช้ในการแก้ปัญหาที่ซับซ้อน พยายามหาทางออกที่มีประสิทธิภาพโดยการค้นหาความสัมพันธ์ระหว่างวัตถุและแนวคิด นอกจากนี้ยังอธิบายความสัมพันธ์ระหว่างแนวคิดต่างๆ เช่น ส่วนหนึ่งของ ชนิดของ หรือการจัดกลุ่มของบางสิ่งบางอย่าง

ความรู้เชิงประกาศสามารถแสดงเป็นคำอธิบายในขณะที่ความรู้เชิงขั้นตอนคือการกระทำ นอกจากนี้ ความรู้เชิงประกาศถูกกำหนดให้ชัดเจน ในขณะที่ความรู้เชิงขั้นตอนเป็นแบบโดยปริยายหรือโดยปริยาย เป็นความรู้เชิงประกาศถ้าคุณสามารถอธิบายความรู้และความรู้เชิงขั้นตอนได้หากคุณไม่สามารถอธิบายได้

เทคนิคการแทนความรู้ใน AI

มีสี่เทคนิคหลักที่แสดงถึงความรู้ใน AI:

• การแสดงตรรกะ
• เครือข่ายความหมาย
• กฎการผลิต
• การแสดงกรอบ

การเป็นตัวแทนเชิงตรรกะ

การแสดงตรรกะเป็นรูปแบบพื้นฐานของการแสดงความรู้ไปยังเครื่องที่ใช้ไวยากรณ์ที่กำหนดด้วยกฎพื้นฐาน ไวยากรณ์นี้ไม่มีความคลุมเครือในความหมายและเกี่ยวข้องกับคำบุพบท อย่างไรก็ตาม รูปแบบตรรกะของการแสดงความรู้ทำหน้าที่เป็นกฎการสื่อสาร นี่คือเหตุผลที่สามารถใช้เพื่อแสดงข้อเท็จจริงให้กับเครื่องจักร

การแสดงตรรกะมีสองประเภท:

• ตรรกะเชิงประพจน์: ตรรกะเชิงประพจน์เรียกอีกอย่างว่าตรรกะของคำสั่งหรือแคลคูลัสเชิงประพจน์ที่ทำงานในบูลีนซึ่งหมายถึงวิธีการจริงหรือเท็จ
• First-order Logic: First-order Logic เป็นการแสดงความรู้เชิงตรรกะประเภทหนึ่งซึ่งคุณสามารถเรียก First Order Predicate Calculus Logic (FOPL) ได้ การเป็นตัวแทนของความรู้เชิงตรรกะนี้แสดงถึงภาคแสดงและวัตถุในปริมาณ มันเป็นรูปแบบขั้นสูงของตรรกะเชิงประพจน์

รูปแบบการแสดงความรู้นี้ดูเหมือนภาษาโปรแกรมส่วนใหญ่ที่คุณใช้ความหมายเพื่อส่งต่อข้อมูล เป็นวิธีการแก้ปัญหาที่สมเหตุสมผลอย่างยิ่ง อย่างไรก็ตาม ข้อเสียเปรียบหลักของวิธีนี้คือลักษณะที่เข้มงวดของการเป็นตัวแทน โดยทั่วไปแล้ว การดำเนินการนั้นทำได้ยากและบางครั้งก็ไม่มีประสิทธิภาพมากนัก

เครือข่ายความหมาย

การแสดงกราฟิก ในการแสดงความรู้ประเภทนี้ มีวัตถุเชื่อมต่อที่ใช้กับเครือข่ายข้อมูล เครือข่ายความหมายรวมถึงส่วนโค้ง/ขอบ (การเชื่อมต่อ) และโหนด/บล็อก (วัตถุ) ที่อธิบายการเชื่อมต่อระหว่างวัตถุ

นี่เป็นอีกทางเลือกหนึ่งสำหรับรูปแบบการแทนค่าแบบ First Order Predicate Calculus Logic (FOPL) ความสัมพันธ์ในเครือข่ายความหมายมีสองประเภท:

เป็นรูปแบบการนำเสนอที่เป็นธรรมชาติมากกว่าการใช้ตรรกะเนื่องจากความเข้าใจที่ง่าย ข้อเสียเปรียบหลักของการแสดงรูปแบบนี้คือมีราคาแพงในการคำนวณและไม่มีตัวระบุปริมาณที่เทียบเท่าซึ่งคุณจะพบในการแทนค่าเชิงตรรกะ

กฎการผลิต

กฎการผลิตเป็นรูปแบบการแสดงความรู้ทั่วไปในระบบ AI เป็นรูปแบบที่ง่ายที่สุดในการแทนระบบตามกฎ if-else ดังนั้นจึงสามารถเข้าใจได้ง่าย มันแสดงถึงวิธีการรวม FOPL และตรรกะเชิงประพจน์

เพื่อให้เข้าใจกฎการผลิตในทางเทคนิค คุณต้องเข้าใจองค์ประกอบของระบบการเป็นตัวแทนก่อน ระบบนี้ประกอบด้วยชุดของกฎ หน่วยความจำทำงาน ผู้บังคับใช้กฎ และวงจรการกระทำที่รู้จัก

สำหรับทุกอินพุต AI จะตรวจสอบเงื่อนไขจากกฎการผลิต และหลังจากพบกฎที่ดีกว่า ก็จะดำเนินการที่จำเป็นทันที วัฏจักรของการเลือกกฎตามเงื่อนไขและการดำเนินการเพื่อแก้ปัญหานั้นเรียกว่า วัฏจักรการรับรู้และการกระทำที่เกิดขึ้นในทุกอินพุต

อย่างไรก็ตาม วิธีนี้มีปัญหาบางประการ เช่น การดำเนินการที่ไม่มีประสิทธิภาพเนื่องจากกฎที่ใช้งานอยู่ และการขาดประสบการณ์เนื่องจากไม่มีการจัดเก็บผลลัพธ์ที่ผ่านมา เนื่องจากกฎแสดงเป็นภาษาธรรมชาติ ต้นทุนของข้อเสียจึงสามารถแลกได้ ที่นี่ กฎสามารถเปลี่ยนแปลงและยกเลิกได้อย่างง่ายดายหากจำเป็น

การเป็นตัวแทนเฟรม

เพื่อให้เข้าใจการแสดงเฟรมในระดับพื้นฐาน ลองนึกภาพตารางที่ประกอบด้วยชื่อในคอลัมน์และค่าในแถว ข้อมูลที่จำเป็นจะถูกส่งผ่านในโครงสร้างที่สมบูรณ์นี้ กล่าวง่ายๆ การแสดงเฟรมคือชุดของค่าและคุณลักษณะต่างๆ

นี่คือโครงสร้างข้อมูลเฉพาะของ AI ที่ใช้ตัวเติม (ค่าช่องที่สามารถเป็นประเภทข้อมูลและรูปร่างใดก็ได้) และช่อง กระบวนการนี้ค่อนข้างคล้ายกับระบบจัดการฐานข้อมูล (DBMS) ทั่วไป ฟิลเลอร์และช่องเหล่านี้ก่อตัวเป็นโครงสร้างที่เรียกว่าเฟรม

สล็อต ในรูปแบบของการแสดงความรู้นี้ มีชื่อหรือแอตทริบิวต์ และความรู้ที่เกี่ยวข้องกับแอตทริบิวต์จะถูกเก็บไว้ในส่วนเติม ข้อได้เปรียบหลักของการแสดงประเภทนี้คือสามารถรวมข้อมูลที่คล้ายคลึงกันเป็นกลุ่มเพื่อแบ่งความรู้ออกเป็นโครงสร้าง นอกจากนี้ยังแบ่งออกเป็นโครงสร้างย่อย

เช่นเดียวกับโครงสร้างข้อมูลทั่วไป ข้อมูลประเภทนี้สามารถเข้าใจ จัดการ และแสดงภาพได้อย่างง่ายดาย แนวคิดทั่วไป รวมถึงการลบ การลบ และเพิ่มสล็อต สามารถดำเนินการได้อย่างง่ายดาย

ข้อกำหนดสำหรับการเป็นตัวแทนความรู้ในระบบ AI

การแสดงความรู้ที่ดีมีคุณสมบัติบางประการ:

• ความถูกต้องในการเป็นตัวแทน: การแสดงความรู้จำเป็นต้องแสดงถึงความรู้ที่จำเป็นแต่ละประเภทอย่างถูกต้อง
• ประสิทธิภาพเชิงอนุมาน: เป็นความสามารถในการจัดการกับกลไกความรู้เชิงอนุมานได้อย่างง่ายดายในทิศทางที่มีประสิทธิผลโดยใช้คำแนะนำที่เหมาะสม
• ความเพียงพอในการอนุมาน: การแทนความรู้ควรมีความสามารถในการปรับเปลี่ยนโครงสร้างการแทนบางส่วนเพื่อแสดงถึงความรู้ใหม่ตามโครงสร้างที่มีอยู่
• ประสิทธิภาพการได้มา: ความสามารถในการรับความรู้ใหม่โดยใช้วิธีการอัตโนมัติ

วงจรความรู้ AI

ระบบ AI รวมองค์ประกอบหลักบางอย่างเพื่อแสดงพฤติกรรมที่ชาญฉลาดซึ่งทำให้การแสดงความรู้เป็นไปได้

• การรับรู้: ช่วยให้ระบบที่ใช้ AI รวบรวมข้อมูลเกี่ยวกับสภาพแวดล้อมโดยใช้เซ็นเซอร์ต่างๆ และทำให้คุ้นเคยกับระบบนิเวศเพื่อโต้ตอบกับปัญหาได้อย่างมีประสิทธิภาพ
• การเรียนรู้: ใช้เพื่อให้ระบบ AI เรียกใช้อัลกอริธึมการเรียนรู้เชิงลึกที่เขียนไว้แล้วเพื่อให้ระบบ AI ส่งข้อมูลที่จำเป็นจากองค์ประกอบการรับรู้ไปยังองค์ประกอบการเรียนรู้เพื่อการเรียนรู้และความเข้าใจที่ดีขึ้น
• การแทนความรู้และการใช้เหตุผล: มนุษย์ใช้ความรู้ในการตัดสินใจ ดังนั้นบล็อกนี้มีหน้าที่ให้บริการมนุษย์ผ่านข้อมูลความรู้ของระบบ AI และใช้ความรู้ที่เกี่ยวข้องเมื่อจำเป็น
• การวางแผนและการดำเนินการ: บล็อกนี้เป็นอิสระจากกัน ใช้เพื่อรับข้อมูลจากบล็อกความรู้และการใช้เหตุผลและดำเนินการที่เกี่ยวข้อง

บทสรุป

มนุษย์สามารถรับความรู้ได้หลายวิธี และเครื่องจักรที่ใช้ AI ก็เช่นกัน ในขณะที่ AI กำลังพัฒนา การแสดงความรู้ไปยังเครื่องจักรด้วยวิธีที่ดีขึ้นจะช่วยให้คุณแก้ปัญหาที่ซับซ้อนโดยมีข้อผิดพลาดน้อยที่สุด ดังนั้น การแสดงความรู้จึงเป็นคุณสมบัติที่จำเป็นสำหรับเครื่องจักร AI ในการทำงานอย่างชาญฉลาดและชาญฉลาด

คุณอาจดูความแตกต่างระหว่างปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก