Ugrás a tartalomhoz

knowledge representation and reasoning

A Wikiszótárból, a nyitott szótárból

Angol


Főnév

knowledge representation and reasoning (tsz. knowledge representation and reasonings)

  1. (informatika, mesterséges intelligencia) A tudásábrázolás és következtetés (Knowledge Representation and Reasoning, röviden KR&R) a mesterséges intelligencia egyik alapterülete, amely azt vizsgálja, hogyan lehet a világra vonatkozó tudást formálisan tárolni, majd ebből a tudásból logikai úton következtetéseket levonni. Célja, hogy a gépek ne csak adatokat kezeljenek, hanem „értelmesen” tudjanak gondolkodni, döntéseket hozni, problémákat megoldani, magyarázatot adni.


1. Mi a tudás?

A tudás lehet:

  • Faktikus: konkrét tények (pl. „Párizs Franciaország fővárosa”)
  • Procedurális: hogyan csinálunk valamit (pl. biciklizés)
  • Fogalmi: kategóriák, hierarchiák (pl. „a veréb egy madár”)
  • Meta-tudás: a tudásról való tudás („biztos vagyok benne”, „lehetséges, hogy…”)

KR-ben ezekre a típusokra formális modelleket kell alkotni.


2. A KR céljai

  • Kifejezőerő: képes legyen bonyolult fogalmak, szabályok, kapcsolatok reprezentálására.
  • Logikai következtetés: a rendszer képes legyen új ismereteket levonni meglévőkből.
  • Hatékonyság: legyen számítógépesen kezelhető, hatékonyan kereshető.
  • Robusztusság: képes legyen bizonytalan, hiányos vagy ellentmondásos információval dolgozni.


3. Reprezentációs módszerek

3.1 Formális logikák

  • Propozíciós logika: egyszerű kijelentések és logikai operátorok (ÉS, VAGY, NEM).

    Példa:

    • EsikEső → NedvesAzUtca

  • Predikátumlogika (elsőrendű logika, FOL): objektumokat, tulajdonságokat, kapcsolatok struktúráját írja le.

    Példa:

    • Ember(Szokrátész)
    • ∀x (Ember(x) → Halandó(x)) → Halandó(Szokrátész)

3.2 Ontológiák

  • Ontológia: formális fogalomrendszer, amely meghatározza az entitások típusait, tulajdonságait és kapcsolatait. Fontos szerepet játszik a szemantikus weben (pl. OWL, RDF).

3.3 Szabályalapú rendszerek

  • „Ha…akkor…” szabályokat tartalmaznak.
    • Példa: Ha az állat tojik és szárnya van, akkor madár.
  • Használatuk: szakértői rendszerek, szabálymotorok.

3.4 Keretek és szkriptek

  • Frame: objektumokhoz és kategóriákhoz kapcsolódó attribútumokkal rendelkező struktúra.
    • Példa: Autó = {kerekek: 4, hajtás: motoros}
  • Szkriptek: eseménysorozat modellek (pl. egy étterembe járás lépései).

3.5 Szemantikus hálók (Semantic networks)

  • Graf alapú struktúrák: csomópontok (fogalmak) és élek (kapcsolatok).

  • Példa:

    Madár ───is-a───> Állat
  │
 has-a
  ↓
Szárny

3.6 Bayes-hálók és valószínűségi modellek

  • A bizonytalan tudás kezelésére szolgálnak.
  • Bayes-háló: irányított gráf, ahol csomópontok változók, élek feltételes függőségek.


4. Következtetési módszerek (Reasoning)

A következtetés célja új információk, válaszok vagy döntések előállítása meglévő tudás alapján.

4.1 Deduktív következtetés

  • Általános szabályból egyedi esetet következtetünk.
    • Pl. ∀x (Macska(x) → Ragadozó(x)) + Macska(Cirmi) → Ragadozó(Cirmi)

4.2 Induktív következtetés

  • Konkrét esetekből általános szabályokat vonunk le.
    • Ha sok madár tud repülni → „A madarak általában tudnak repülni.”

4.3 Abduktív következtetés

  • A legvalószínűbb magyarázat keresése.
    • „Ha esik az eső, nedves az utca.” Az utca nedves → Talán esett az eső.

4.4 Nemmonoton következtetés

  • A következtetések megváltozhatnak új információ hatására.
    • Pl. „a madarak repülnek” → „a pingvinek madarak, de nem repülnek” → kivételkezelés.


5. Típusai

Modell Jellemző
Logikai Deklaratív szabályok, formális következtetés
Hierarchikus Osztályozás, kategóriák (ontológiák, szemantikus hálók)
Valószínűségi Bizonytalanság kezelése (Bayes-hálók)
Számítási Reaktív rendszerek, neurális hálók
Hibrid Többféle modell kombinálása


6. Alkalmazások

  • Szakértői rendszerek (pl. MYCIN – orvosi diagnózis)
  • Szemantikus web (OWL, RDF)
  • Természetes nyelv feldolgozás (NLP, jelentésalapú elemzés)
  • Robotika (környezeti tudás, mozgástervezés)
  • Kérdés-válasz rendszerek (pl. Watson)


7. Kihívások

  • Tudás megszerzése: Hogyan szerezzünk pontos tudást? (pl. kézi szabályalkotás vs. automatikus tanulás)
  • Skálázhatóság: Nagy ontológiák kezelése
  • Bizonytalanság: Hiányos vagy ellentmondásos adatok
  • Többértelműség: Természetes nyelv értelmezése
  • Nemmonoton logika: A következtetések visszavonhatósága


8. KR a gyakorlatban

A mai AI rendszerek (pl. ChatGPT, BERT, Watson) gyakran kombinálják a következőket:

  • Nyelvi modellek (statikus és kontextuális embeddingek)
  • Formális ontológiák (pl. UMLS, WordNet)
  • Szabálymotorok és logikai keretrendszerek
  • Hibrid tudásgráfok és neurális hálók


9. A KR jövője

  • Neuro-symbolic AI: szimbolikus logika + neurális hálók ötvözése
  • Automatikus tudáskivonás: weboldalakból, dokumentumokból
  • Explainable AI (XAI): ember által értelmezhető logikai magyarázatok generálása
  • Társalgó AI: jelentésmegőrző párbeszéd, kontextusfüggő válaszok


Összefoglaló táblázat

Fogalom Leírás
Tudásábrázolás Az ismeretek formális rögzítése
Következtetés Új ismeretek logikai úton való levezetése
Propozíciós logika Egyszerű kijelentések és logikai műveletek
Predikátumlogika Objektumok és kapcsolatok pontosabb leírása
Ontológia Fogalomrendszer és kapcsolatrendszer formalizálása
Bayes-háló Valószínűségi háló a bizonytalanság kezelésére
Deduktív következtetés Általános → konkrét
Abdukció Legjobb magyarázat keresése
Szabályalapú rendszer „Ha… akkor…” szabályok
Nemmonoton logika Kivételkezelés, következtetések módosítása


További információk

A lap eredeti címe: „https://hu.wiktionary.org/w/index.php?title=knowledge_representation_and_reasoning&oldid=3501884”