Kecerdasan buatan (AI) adalah teknologi populer dan inovatif yang membawa kecerdasan manusia ke tingkat berikutnya. Ini menawarkan kekuatan kecerdasan akurat yang terintegrasi dengan mesin.
Manusia dianugerahi pemikiran tingkat tinggi, penalaran, interpretasi, dan pemahaman pengetahuan. Pengetahuan yang kami peroleh membantu kami melakukan berbagai aktivitas di dunia nyata.
Saat ini, bahkan mesin menjadi mampu melakukan banyak hal, berkat teknologi.
Baru-baru ini, penggunaan sistem dan perangkat bertenaga AI meningkat karena efisiensi dan akurasinya dalam melakukan tugas-tugas kompleks.
Sekarang masalahnya adalah, sementara manusia telah memperoleh banyak tingkatan dan jenis pengetahuan dalam hidupnya, mesin menghadapi kesulitan dalam menafsirkan pengetahuan yang sama.
Oleh karena itu, representasi pengetahuan digunakan. Ini akan menyelesaikan masalah kompleks di dunia kita yang sulit dan memakan waktu untuk ditangani manusia.
Pada artikel ini, saya akan menjelaskan representasi pengetahuan dalam AI, cara kerjanya, jenis dan tekniknya, dan banyak lagi.
Mari kita mulai!
Apa itu Representasi dan Penalaran Pengetahuan?
Representasi dan penalaran pengetahuan (KR&R) adalah bagian dari kecerdasan buatan yang semata-mata didedikasikan untuk merepresentasikan informasi tentang dunia nyata dalam bentuk sedemikian rupa sehingga komputer dapat memahami dan mengambil tindakan yang sesuai. Ini mengarah pada pemecahan masalah yang kompleks, seperti perhitungan, dialog dalam bahasa alami, mendiagnosis kondisi medis kritis, dll.
Representasi pengetahuan menemukan jalannya dari psikologi tentang bagaimana manusia mampu memecahkan masalah dan merepresentasikan pengetahuan untuk merancang formalisme. Ini akan membuat AI memahami bagaimana manusia membuat sistem yang kompleks menjadi lebih sederhana saat membangun dan mendesain.
Pekerjaan paling awal difokuskan pada pemecah masalah umum, yang dikembangkan oleh Herbert A. Simon dan Allen Newell pada tahun 1959. Sistem ini menggunakan struktur data untuk dekomposisi dan perencanaan. Sistem pertama dimulai dengan tujuan dan kemudian menguraikan tujuan menjadi sub-tujuan. Setelah itu, sistem menetapkan beberapa strategi konstruk yang dapat hadir untuk setiap subtujuan.
Upaya ini kemudian mengarah pada revolusi kognitif dalam psikologi manusia dan fase AI yang berfokus pada representasi pengetahuan. Ini menghasilkan sistem pakar pada 1970-an dan 1980-an, bahasa bingkai, sistem produksi, dan banyak lagi. Belakangan, AI mengubah fokus utamanya menjadi sistem pakar yang mungkin bisa menyamai kompetensi manusia, seperti diagnosis medis.
Selain itu, representasi pengetahuan memungkinkan sistem komputer untuk memahami dan memanfaatkan pengetahuan untuk memecahkan masalah dunia nyata. Ini juga menentukan cara di mana Anda dapat merepresentasikan pengetahuan dan penalaran dalam AI.
Representasi pengetahuan bukan hanya tentang menyimpan data dalam database; melainkan memungkinkan mesin cerdas untuk belajar dari pengetahuan dan pengalaman manusia yang sama sehingga mesin dapat berperilaku dan bertindak seperti manusia.
Manusia memiliki pengetahuan yang asing bagi mesin, termasuk perasaan, niat, kepercayaan, akal sehat, penilaian, prasangka, intuisi, dan banyak lagi. Beberapa pengetahuan juga bersifat langsung, seperti mengetahui fakta tertentu, pengetahuan umum tentang peristiwa, orang, benda, bahasa, disiplin ilmu, dll.
Dengan KR&R, Anda dapat merepresentasikan konsep manusia dalam format yang dapat dimengerti untuk mesin dan membuat sistem bertenaga AI benar-benar cerdas. Di sini, pengetahuan berarti memberikan informasi mengenai ekosistem dan menyimpannya, sedangkan penalaran berarti mengambil keputusan dan tindakan dari informasi yang tersimpan berdasarkan pengetahuan.
Pengetahuan Apa yang Harus Diwakili dalam Sistem AI?
Pengetahuan yang perlu disajikan dalam sistem kecerdasan buatan dapat meliputi:
- Objek: Objek mengelilingi manusia terus-menerus. Oleh karena itu, informasi mengenai objek tersebut sangat penting dan harus dianggap sebagai tipe pengetahuan. Misalnya, piano memiliki tuts putih dan hitam, mobil memiliki roda, bus membutuhkan pengemudi, pesawat membutuhkan pilot, dll.
- Acara: Banyak acara terus berlangsung di dunia nyata. Dan persepsi manusia didasarkan pada peristiwa. AI perlu memiliki pengetahuan peristiwa untuk mengambil tindakan. Beberapa peristiwa adalah kelaparan, kemajuan masyarakat, perang, bencana, prestasi, dan banyak lagi.
- Kinerja: Pengetahuan ini berkaitan dengan tindakan tertentu manusia dalam berbagai situasi. Ini mewakili sisi perilaku pengetahuan yang cukup penting untuk dipahami oleh AI.
- Pengetahuan meta: Misalnya, jika kita melihat ke seluruh dunia dan menyimpulkan semua pengetahuan di luar sana, kita melihat sebagian besar dibagi menjadi tiga kategori:
- Apa yang sudah kita ketahui
- Apa yang kita ketahui pada dasarnya adalah hal-hal yang tidak kita ketahui sepenuhnya
- Apa yang belum kita ketahui
- Pengetahuan meta berurusan dengan yang pertama, yaitu apa yang kita ketahui dan membiarkan AI merasakan hal yang sama.
- Fakta: Pengetahuan ini didasarkan pada deskripsi faktual dunia kita. Misalnya, bumi tidak datar tetapi juga tidak bulat; matahari kita memiliki nafsu makan yang rakus, dan banyak lagi.
- Basis pengetahuan: Basis pengetahuan adalah komponen utama kecerdasan manusia. Ini mengacu pada sekelompok data atau informasi yang relevan di bidang apa pun, deskripsi, dan lainnya. Misalnya, basis pengetahuan dalam mendesain model mobil.
Bagaimana Cara Kerja Representasi Pengetahuan?
Biasanya, tugas yang harus dilakukan, masalah yang harus diselesaikan, dan mendapatkan solusi, diberikan secara informal, seperti mengantarkan parsel saat mereka tiba atau memperbaiki masalah listrik di rumah.
Untuk memecahkan masalah nyata, perancang sistem harus:
- Melaksanakan tugas untuk menentukan solusi apa yang lebih baik yang dapat diberikannya
- Mewakili masalah dalam bahasa sehingga komputer dapat menalarnya
- Gunakan sistem untuk komputer hasil akhir, yang merupakan solusi bagi pengguna atau urutan kegiatan yang perlu dilakukan dalam ekosistem.
- Menafsirkan hasil akhir sebagai solusi untuk masalah utama
Pengetahuan adalah informasi yang sudah dimiliki manusia, tetapi mesin perlu belajar. Karena banyak masalah, mesin membutuhkan pengetahuan. Sebagai bagian dari sistem desain, Anda dapat menentukan pengetahuan apa yang akan direpresentasikan.
Koneksi Antara Representasi Pengetahuan dan AI
Pengetahuan memainkan peran penting dalam kecerdasan. Itu juga bertanggung jawab atas penciptaan kecerdasan buatan. Ketika diperlukan untuk mengekspresikan perilaku cerdas di agen AI, itu memainkan peran yang diperlukan. Agen tidak dapat berfungsi secara akurat ketika tidak memiliki pengalaman atau pengetahuan tentang input tertentu.
Misalnya, jika Anda ingin berinteraksi dengan seseorang tetapi tidak dapat memahami bahasanya, jelas Anda tidak dapat merespons dengan baik dan melakukan tindakan apa pun. Ini bekerja sama untuk perilaku cerdas agen. AI perlu memiliki pengetahuan yang cukup untuk menjalankan fungsinya saat pembuat keputusan menemukan lingkungan dan menerapkan pengetahuan yang diperlukan.
Namun, AI tidak dapat menunjukkan perilaku intelektual tanpa komponen pengetahuan.
Jenis Pengetahuan Diwakili dalam AI
Sekarang kita sudah jelas tentang mengapa kita membutuhkan representasi pengetahuan dalam AI, mari cari tahu jenis-jenis pengetahuan yang direpresentasikan dalam sistem AI.
- Pengetahuan deklaratif: Ini mewakili objek, konsep, dan fakta yang membantu Anda menggambarkan seluruh dunia di sekitar Anda. Dengan demikian, itu berbagi deskripsi tentang sesuatu dan mengungkapkan kalimat deklaratif.
- Pengetahuan Prosedural: Pengetahuan prosedural lebih sedikit dibandingkan dengan pengetahuan deklaratif. Ini juga dikenal sebagai pengetahuan imperatif, yang digunakan oleh robot bergerak. Ini untuk menyatakan pencapaian sesuatu. Misalnya, hanya dengan peta bangunan, robot bergerak dapat membuat rencana sendiri. Robot bergerak dapat merencanakan untuk menyerang atau melakukan navigasi.
Selain itu, pengetahuan prosedural diterapkan langsung pada tugas yang mencakup aturan, prosedur, agenda, strategi, dan lainnya.
- Pengetahuan Meta: Di bidang kecerdasan buatan, pengetahuan yang telah ditentukan sebelumnya dikenal sebagai pengetahuan meta. Misalnya, studi tentang penandaan, pembelajaran, perencanaan, dll., termasuk dalam jenis pengetahuan ini.
Model ini mengubah perilakunya seiring waktu dan menggunakan spesifikasi lain. Seorang insinyur sistem atau insinyur pengetahuan menggunakan berbagai bentuk meta-pengetahuan, seperti akurasi, penilaian, tujuan, sumber, masa hidup, keandalan, pembenaran, kelengkapan, konsistensi, penerapan, dan disambiguasi.
- Pengetahuan Heuristik: Pengetahuan ini, yang juga dikenal sebagai pengetahuan dangkal, mengikuti prinsip aturan jempol. Oleh karena itu, sangat efisien dalam proses penalaran karena dapat menyelesaikan masalah berdasarkan catatan masa lalu atau masalah yang disusun oleh para ahli. Namun, mengumpulkan pengalaman masalah masa lalu dan memberikan pendekatan berbasis pengetahuan yang lebih baik untuk menentukan masalah dan mengambil tindakan.
- Pengetahuan Struktural: Pengetahuan Struktural adalah pengetahuan paling sederhana dan mendasar yang digunakan dan diterapkan dalam memecahkan masalah yang kompleks. Ia mencoba menemukan solusi yang efektif dengan menemukan hubungan antara objek dan konsep. Selain itu, ini menjelaskan hubungan antara beberapa konsep, seperti bagian dari, jenis, atau pengelompokan sesuatu.
Pengetahuan deklaratif dapat direpresentasikan sebagai yang menggambarkan, sedangkan pengetahuan prosedural adalah yang melakukan. Selain itu, pengetahuan deklaratif didefinisikan sebagai eksplisit, sedangkan pengetahuan prosedural adalah tacit atau implisit. Ini adalah pengetahuan deklaratif jika Anda dapat mengartikulasikan pengetahuan dan pengetahuan prosedural jika Anda tidak dapat mengartikulasikannya.
Teknik Representasi Pengetahuan dalam AI
Ada empat teknik utama di luar sana yang mewakili pengetahuan dalam AI:
- Representasi logis
- Jaringan semantik
- Aturan produksi
- Representasi bingkai
Representasi Logis
Representasi logis adalah bentuk dasar representasi pengetahuan ke mesin di mana sintaks yang ditentukan dengan aturan dasar digunakan. Sintaks ini tidak memiliki ambiguitas dalam arti dan berkaitan dengan preposisi. Namun, bentuk logis dari representasi pengetahuan bertindak sebagai aturan komunikasi. Inilah alasannya dapat digunakan untuk merepresentasikan fakta ke mesin.
Representasi logis terdiri dari dua jenis:
- Logika Proposisional: Logika proposisional juga dikenal sebagai logika pernyataan atau kalkulus proposisional yang bekerja dalam Boolean, yang berarti metode Benar atau Salah.
- Logika Orde Pertama: Logika orde pertama adalah jenis representasi pengetahuan logis yang juga dapat Anda istilahkan Logika Kalkulus Predikat Orde Pertama (FOPL). Representasi pengetahuan logis ini mewakili predikat dan objek dalam bilangan. Ini adalah model lanjutan dari logika proposisional.
Bentuk representasi pengetahuan ini terlihat seperti sebagian besar bahasa pemrograman tempat Anda menggunakan semantik untuk meneruskan informasi. Ini adalah cara yang sangat logis untuk memecahkan masalah. Namun, kelemahan utama dari metode ini adalah sifat representasi yang ketat. Secara umum, sulit untuk dieksekusi dan terkadang tidak terlalu efisien.
Jaringan semantik
Representasi grafis, dalam jenis representasi pengetahuan ini, membawa objek yang terhubung yang digunakan dengan jaringan data. Jaringan semantik meliputi busur/tepi (koneksi) dan node/blok (objek) yang menggambarkan koneksi antar objek.
Ini adalah alternatif dari bentuk representasi Logika Kalkulus Predikat Orde Pertama (FOPL). Hubungan dalam jaringan semantik ada dua jenis:
Ini adalah bentuk representasi yang lebih alami daripada logis karena kesederhanaan pemahamannya. Kelemahan utama dari bentuk representasi ini adalah mahal secara komputasi dan tidak menyertakan bilangan setara yang dapat Anda temukan dalam representasi logis.
Aturan Produksi
Aturan produksi adalah bentuk paling umum dari representasi pengetahuan dalam sistem AI. Ini adalah bentuk paling sederhana untuk mewakili sistem berbasis aturan if-else dan karenanya, dapat dipahami dengan mudah. Ini merupakan cara menggabungkan FOPL dan logika proposisional.
Untuk memahami aturan produksi secara teknis, Anda harus terlebih dahulu memahami konstituen sistem representasi. Sistem ini mencakup seperangkat aturan, memori kerja, penerapan aturan, dan siklus tindakan yang dikenali.
Untuk setiap input, AI memeriksa kondisi dari aturan produksi, dan setelah menemukan aturan yang lebih baik, AI segera mengambil tindakan yang diperlukan. Siklus pemilihan aturan berdasarkan kondisi dan tindakan untuk memecahkan masalah dikenal sebagai siklus pengakuan dan tindakan yang terjadi di setiap input.
Namun, metode ini memiliki beberapa masalah, seperti eksekusi yang tidak efisien karena aturan aktif dan kurangnya pengalaman karena tidak ada penyimpanan hasil sebelumnya. Karena aturan diungkapkan dalam bahasa alami, kerugian kerugian dapat ditebus. Di sini, aturan dapat diubah dan dibatalkan dengan mudah jika diperlukan.
Representasi Bingkai
Untuk memahami representasi bingkai pada level fundamental, bayangkan sebuah tabel yang terdiri dari nama dalam kolom dan nilai dalam baris; informasi yang dibutuhkan diteruskan dalam struktur lengkap ini. Dengan kata sederhana, representasi bingkai adalah kumpulan nilai dan atribut.
Ini adalah struktur data khusus AI yang menggunakan pengisi (nilai slot yang dapat berupa tipe dan bentuk data apa pun) dan slot. Prosesnya sangat mirip dengan Database Management System (DBMS) pada umumnya. Pengisi dan slot ini membentuk struktur yang disebut bingkai.
Slot, dalam bentuk representasi pengetahuan ini, memiliki nama atau atribut, dan pengetahuan yang terkait dengan atribut disimpan dalam pengisi. Keuntungan utama dari jenis representasi ini adalah bahwa data yang serupa dapat digabungkan menjadi beberapa kelompok untuk membagi pengetahuan menjadi struktur. Selanjutnya, itu dibagi menjadi sub-struktur.
Menjadi seperti struktur data yang khas, tipe ini dapat dipahami, dimanipulasi, dan divisualisasikan dengan mudah. Konsep umum, termasuk menghapus, menghapus, dan menambahkan slot, dapat dilakukan dengan mudah.
Persyaratan untuk Representasi Pengetahuan dalam sistem AI
Representasi pengetahuan yang baik berisi beberapa properti:
- Keakuratan representasi: Representasi pengetahuan perlu mewakili setiap jenis pengetahuan yang dibutuhkan secara akurat.
- Efisiensi inferensial: Ini adalah kemampuan untuk menangani mekanisme pengetahuan inferensial dengan mudah ke arah yang produktif dengan menggunakan panduan yang tepat.
- Kecukupan inferensial: Representasi pengetahuan harus memiliki kemampuan untuk memanipulasi beberapa struktur representasional untuk merepresentasikan pengetahuan baru berdasarkan struktur yang ada.
- Efisiensi akuisisi: Kemampuan untuk mendapatkan pengetahuan baru dengan menggunakan metode otomatis.
Siklus Pengetahuan AI
Sistem AI menyertakan beberapa komponen utama untuk menunjukkan perilaku cerdas yang memungkinkan representasi pengetahuan.
- Persepsi: Ini membantu sistem berbasis AI mengumpulkan informasi tentang lingkungan menggunakan sensor yang berbeda dan membuatnya terbiasa dengan ekosistem untuk berinteraksi secara efisien dengan masalah.
- Pembelajaran: Ini digunakan untuk memungkinkan sistem AI menjalankan algoritme pembelajaran mendalam yang telah ditulis untuk membuat sistem AI mengirimkan informasi yang diperlukan dari komponen persepsi ke komponen pembelajaran untuk pembelajaran dan pemahaman yang lebih baik.
- Representasi dan penalaran pengetahuan: Manusia menggunakan pengetahuan untuk membuat keputusan. Oleh karena itu, blok ini bertanggung jawab untuk melayani manusia melalui data pengetahuan sistem AI dan menggunakan pengetahuan yang relevan kapan pun diperlukan.
- Perencanaan dan pelaksanaan: Blok ini independen. Ini digunakan untuk mengambil data dari blok pengetahuan dan penalaran dan menjalankan tindakan yang relevan.
Kesimpulan
Manusia dapat memperoleh pengetahuan dengan berbagai cara, begitu pula mesin berbasis AI. Saat AI berkembang, merepresentasikan pengetahuan ke mesin dengan cara yang lebih baik membantu Anda memecahkan masalah kompleks dengan kesalahan minimal. Jadi, representasi pengetahuan adalah atribut penting bagi mesin AI untuk bekerja secara cerdas dan cerdas.
Anda juga dapat melihat perbedaan antara Artificial Intelligence, Machine Learning, dan Deep Learning.
