Sketchnote av Tomomi Imura
Jakten på kunstig intelligens bygger på et søk etter kunnskap, for å forstå verden på en måte som ligner hvordan mennesker gjør det. Men hvordan kan man gå fram for å gjøre dette?
I de tidlige dagene av KI var top-down-tilnærmingen til å lage intelligente systemer (diskutert i forrige leksjon) populær. Ideen var å trekke ut kunnskap fra mennesker til en form som maskiner kan lese, og så bruke denne til å automatisk løse problemer. Denne tilnærmingen baserte seg på to store ideer:
- Kunnskapsrepresentasjon
- Resonnering
Et av de viktige konseptene i symbolsk KI er kunnskap. Det er viktig å skille kunnskap fra informasjon eller data. For eksempel kan man si at bøker inneholder kunnskap, fordi man kan studere bøker og bli ekspert. Men det bøkene faktisk inneholder kalles data, og ved å lese bøker og integrere disse dataene i vår verdensmodell konverterer vi data til kunnskap.
✅ Kunnskap er noe som finnes i hodet vårt og representerer vår forståelse av verden. Det oppnås gjennom en aktiv læringsprosess, som integrerer informasjon vi mottar i vår aktive modell av verden.
Ofte definerer vi ikke kunnskap strengt, men vi plasserer den i forhold til andre beslektede konsepter ved hjelp av DIKW-pyramiden. Den inneholder følgende konsepter:
- Data er noe som er representert i fysisk medium, som skrevet tekst eller talte ord. Data eksisterer uavhengig av mennesker og kan overføres mellom folk.
- Informasjon er hvordan vi tolker data i hodet vårt. For eksempel, når vi hører ordet datamaskin, har vi en viss forståelse av hva det er.
- Kunnskap er informasjon som integreres i vår verdensmodell. For eksempel, når vi lærer hva en datamaskin er, begynner vi å få ideer om hvordan den fungerer, hvor mye den koster, og hva den kan brukes til. Dette nettverket av sammenhengende konsepter utgjør vår kunnskap.
- Visdom er enda et nivå av vår forståelse av verden, og representerer meta-kunnskap, f.eks. en oppfatning av hvordan og når kunnskap bør brukes.
Bilde fra Wikipedia, av Longlivetheux - Eget arbeid, CC BY-SA 4.0
Dermed er problemet med kunnskapsrepresentasjon å finne en effektiv måte å representere kunnskap inne i en datamaskin i form av data, slik at den kan brukes automatisk. Dette kan sees som et spektrum:
Bilde av Dmitry Soshnikov
- Til venstre finnes svært enkle typer kunnskapsrepresentasjoner som effektivt kan brukes av datamaskiner. Den enkleste er algoritmisk, hvor kunnskapen representeres av et dataprogram. Dette er imidlertid ikke den beste måten å representere kunnskap på, fordi det ikke er fleksibelt. Kunnskap i hodet vårt er ofte ikke-algoritmisk.
- Til høyre finnes representasjoner som naturlig tekst. Det er den mest kraftfulle, men kan ikke brukes til automatisk resonnement.
✅ Tenk et øyeblikk over hvordan du representerer kunnskap i hodet ditt og konverterer det til notater. Er det et spesielt format som fungerer godt for deg i forhold til å huske?
Vi kan klassifisere forskjellige metoder for kunnskapsrepresentasjon i datamaskiner i følgende kategorier:
- Nettverksrepresentasjoner baseres på at vi har et nettverk av relaterte konsepter i hodet. Vi kan forsøke å gjenskape de samme nettverkene som en graf inne i datamaskinen – et såkalt semantisk nettverk.
- Objekt-Attributt-Verdi-tripletter eller attributt-verdi-par. Siden en graf kan representeres i en datamaskin som en liste over noder og kanter, kan vi representere et semantisk nettverk som en liste over tripletter som inneholder objekter, attributter og verdier. For eksempel kan vi lage følgende tripletter om programmeringsspråk:
| Objekt | Attributt | Verdi |
|---|---|---|
| Python | er | Utypet-språk |
| Python | oppfunnet-av | Guido van Rossum |
| Python | blokk-syntaks | innrykk |
| Utypet-språk | har-ikke | typedefinisjoner |
✅ Tenk på hvordan tripletter kan brukes til å representere andre typer kunnskap.
-
Hierarkiske representasjoner understreker at vi ofte skaper et hierarki av objekter i hodet vårt. For eksempel vet vi at kanarifugl er en fugl, og alle fugler har vinger. Vi har også en idé om hvilken farge en kanarifugl vanligvis har, og hva flygehastigheten deres er.
- Ramme-representasjon baserer seg på å representere hvert objekt eller klasse av objekter som en ramme som inneholder felt. Feltene kan ha mulige standardverdier, verdi-restriksjoner, eller lagrede prosedyrer som kan kalles for å hente verdien av et felt. Alle rammene danner et hierarki lik et objekthierarki i objektorienterte programmeringsspråk.
- Scenarier er en spesiell type rammer som representerer komplekse situasjoner som kan utfolde seg over tid.
Python
| Felt | Verdi | Standardverdi | Intervall |
|---|---|---|---|
| Navn | Python | ||
| Er-En | Utypet-språk | ||
| Variabelskriving | CamelCase | ||
| Programlengde | 5-5000 linjer | ||
| Blokk-syntaks | Innrykk |
-
Prosedyremessige representasjoner bygger på å representere kunnskap som en liste over handlinger som kan utføres når en viss betingelse inntreffer.
- Produksjonsregler er hvis-da-setninger som lar oss trekke konklusjoner. For eksempel kan en lege ha en regel som sier at HVIS en pasient har høy feber ELLER høyt nivå av C-reaktivt protein i blodprøve SÅ har han en inflamasjon. Når vi møter en av betingelsene, kan vi trekke en konklusjon om betennelse og bruke dette i videre resonnement.
- Algoritmer kan betraktes som en annen form for prosedyremessig representasjon, selv om de nesten aldri brukes direkte i kunnskapsbaserte systemer.
-
Logikk ble opprinnelig foreslått av Aristoteles som en måte å representere allmenn menneskelig kunnskap på.
- Predikatlogikk som en matematisk teori er for rik til å være beregnbar, derfor brukes vanligvis et delsett, som Horn-klausuler brukt i Prolog.
- Beskrivende logikk er en familie av logiske systemer brukt til å representere og resonnere om hierarkier av objekter i distribuerte kunnskapsrepresentasjoner som semantisk web.
En av de tidlige suksessene innen symbolsk KI var såkalte ekspertsystemer – datasystemer som var designet for å opptre som eksperter i et begrenset problemområde. De baserte seg på en kunnskapsbase hentet fra en eller flere menneskelige eksperter, og de inneholdt en begrunnelsesmotor som utførte resonnering på toppen av dette.
 |
 |
|---|---|
| Forenklet struktur av menneskelig nervesystem | Arkitektur for et kunnskapsbasert system |
Ekspertsystemer er bygd som det menneskelige resonnementssystemet, som inneholder korttidshukommelse og langtidshukommelse. På samme måte skiller vi i kunnskapsbaserte systemer mellom følgende komponenter:
- Problemhukommelse: inneholder kunnskapen om problemet som løses for øyeblikket, f.eks. temperaturen eller blodtrykket til en pasient, om han har betennelse eller ikke, osv. Denne kunnskapen kalles også statisk kunnskap, fordi den inneholder et øyeblikksbilde av hva vi for øyeblikket vet om problemet – den såkalte problemtilstanden.
- Kunnskapsbase: representerer langtidshukommelsen om et problemområde. Den trekkes ut manuelt fra menneskelige eksperter, og endres ikke fra konsultasjon til konsultasjon. Fordi den lar oss navigere fra ett problemtilstand til et annet, kalles den også dynamisk kunnskap.
- Begrunnelsesmotor: orkestrerer hele prosessen med å søke i problemtilstandsrommet, stiller spørsmål til brukeren når det trengs. Den er også ansvarlig for å finne rette regler som skal anvendes i hver tilstand.
Som eksempel kan vi se på følgende ekspertsystem for å bestemme et dyr basert på dets fysiske egenskaper:
Bilde av Dmitry Soshnikov
Dette diagrammet kalles et AND-OR-tre, og det er en grafisk representasjon av et sett produksjonsregler. Å tegne et tre er nyttig i begynnelsen av kunnskapsekstraksjon fra eksperten. For å representere kunnskapen i datamaskinen er det mer praktisk å bruke regler:
IF the animal eats meat
OR (animal has sharp teeth
AND animal has claws
AND animal has forward-looking eyes
)
THEN the animal is a carnivore
Du kan legge merke til at hver betingelse på venstre side og handlingen i regelen egentlig er objekt-attribute-verdi (OAV) tripletter. Arbeidshukommelsen inneholder settet av OAV-tripletter som tilsvarer det problemet som løses for øyeblikket. En regelmotor søker etter regler hvor en betingelse er oppfylt og anvender dem, legger til en ny triplet i arbeidshukommelsen.
✅ Skriv ditt eget AND-OR-tre om et emne du liker!
Prosessen beskrevet ovenfor kalles fremoverresonnering. Den starter med noen innledende data om problemet som finnes i arbeidshukommelsen, og utfører deretter følgende resonnementsløkke:
- Hvis målattributtet finnes i arbeidshukommelsen – stopp og gi resultat
- Se etter alle regler hvor betingelsen er oppfylt nå – opprett konfliktsett av regler.
- Utfør konfliktløsning – velg én regel som skal kjøres i dette steget. Det kan være forskjellige strategier for konfliktløsning:
- Velg den første anvendelige regelen i kunnskapsbasen
- Velg en tilfeldig regel
- Velg en mer spesifikk regel, dvs. den som møter flest betingelser på venstresiden (LHS)
- Utfør valgt regel og sett inn ny kunnskap i problemtilstanden
- Gjenta fra steg 1.
I noen tilfeller ønsker vi imidlertid å starte med tom kunnskap om problemet, og stille spørsmål som hjelper oss å komme fram til konklusjonen. For eksempel ved medisinsk diagnostikk utfører man vanligvis ikke alle medisinske analyser på forhånd før man begynner å diagnostisere pasienten. Vi ønsker heller å utføre analyser når en beslutning må tas.
Denne prosessen kan modelleres med bakoverresonnering. Den styres av målet – attributtverdien vi prøver å finne:
- Velg alle regler som kan gi oss verdien til et mål (dvs. med målet på høyresiden (RHS)) – konfliktsett
- Hvis det ikke finnes regler for dette attributtet, eller det finnes en regel som sier at vi skal spørre brukeren om verdien – spør om den, ellers:
- Bruk konfliktløsningsstrategi for å velge en regel som vi bruker som hypotese – vi prøver å bevise den
- Gjenta prosessen rekursivt for alle attributter på LHS av regelen, prøv å bevise dem som mål
- Hvis prosessen feiler når som helst – bruk en annen regel på steg 3.
✅ I hvilke situasjoner er fremoverresonnering mer hensiktsmessig? Hva med bakoverresonnering?
Ekspertsystemer kan implementeres med ulike verktøy:
- Programmering direkte i et høynivå programmeringsspråk. Dette er ikke den beste ideen, fordi hovedfordelen med et kunnskapsbasert system er at kunnskapen er separert fra resonnementet, og potensielt bør en ekspert innen problemdomenet kunne skrive regler uten å forstå detaljene i resonnementprosessen.
- Bruke en ekspertsystem-skall, dvs. et system spesielt designet for å fylles med kunnskap ved bruk av et kunnskapsrepresentasjonsspråk.
Se Animals.ipynb for et eksempel på implementering av fremover- og bakoverresonnerende ekspertsystem.
Merk: Dette eksempelet er ganske enkelt, og gir bare en idé om hvordan et ekspertsystem ser ut. Når du starter å lage slike systemer, merker du først intelligent oppførsel når antall regler når et visst nivå, rundt 200+. På et tidspunkt blir regler for komplekse til å holde oversikt over alle i hodet, og da kan du begynne å lure på hvorfor systemet tar visse beslutninger. Den viktige egenskapen ved kunnskapsbaserte systemer er at du alltid kan forklare akkurat hvordan enhver beslutning ble tatt.
På slutten av 1900-tallet var det et initiativ for å bruke kunnskapsrepresentasjon for å annotere internettressurser, slik at det ble mulig å finne ressurser som svarer til svært spesifikke spørsmål. Dette initiativet ble kalt Semantisk Web, og det bygde på flere konsepter:
- En spesiell kunnskapsrepresentasjon basert på beskrivende logikker (DL). Den ligner på rammebasert kunnskapsrepresentasjon, fordi den bygger et hierarki av objekter med egenskaper, men har formell logisk semantikk og resonnement. Det finnes en hel familie av DL-er som balanserer mellom uttrykksevne og algoritmisk kompleksitet ved resonnement.
- Distribuert kunnskapsrepresentasjon, der alle konsepter representeres av en global URI-identifikator, som gjør det mulig å skape kunnskapshierarkier som spenner over internett.
- En familie av XML-baserte språk for kunnskapsbeskrivelse: RDF (Resource Description Framework), RDFS (RDF Schema), OWL (Ontology Web Language).
Et kjernebegrep i det semantiske nett er et begrep om ontologi. Det refererer til en eksplisitt spesifikasjon av et problemområde ved bruk av en formell kunnskapsrepresentasjon. Den enkleste ontologien kan bare være en hierarki av objekter i et problemområde, men mer komplekse ontologier inkluderer regler som kan brukes til slutning.
I det semantiske nettet er alle representasjoner basert på tripletter. Hvert objekt og hver relasjon identifiseres entydig med URI. For eksempel, hvis vi ønsker å angi fakta at dette AI-læreplanen har blitt utviklet av Dmitry Soshnikov 1. januar 2022 – her er triplettene vi kan bruke:
http://github.com/microsoft/ai-for-beginners http://www.example.com/terms/creation-date “Jan 1, 2022”
http://github.com/microsoft/ai-for-beginners http://purl.org/dc/elements/1.1/creator http://soshnikov.com
✅ Her
http://www.example.com/terms/creation-dateoghttp://purl.org/dc/elements/1.1/creatorer noen kjente og universelt aksepterte URI-er for å uttrykke begrepene skaper og opprettelsesdato.
I et mer komplekst tilfelle, hvis vi ønsker å definere en liste over skapere, kan vi bruke noen datastrukturer definert i RDF.
Diagrammene over av Dmitry Soshnikov
Fremgangen med å bygge det semantiske nettet ble på en måte bremset av suksessen til søkemotorer og naturlige språkprosesseringsteknikker, som tillater utvinning av strukturert data fra tekst. Imidlertid er det fortsatt betydelige innsatsområder for å opprettholde ontologier og kunnskapsbaser. Noen få prosjekter verdt å nevne:
- WikiData er en samling av maskinlesbare kunnskapsbaser tilknyttet Wikipedia. Mesteparten av dataene blir hentet fra Wikipedia InfoBoxes, biter av strukturert innhold inne i Wikipedia-sider. Du kan spørrer wikidata i SPARQL, et spesielt spørringsspråk for det semantiske nettet. Her er et eksempel på en spørring som viser de mest populære øyenfargene blant mennesker:
#defaultView:BubbleChart
SELECT ?eyeColorLabel (COUNT(?human) AS ?count)
WHERE
{
?human wdt:P31 wd:Q5. # human instance-of homo sapiens
?human wdt:P1340 ?eyeColor. # human eye-color ?eyeColor
SERVICE wikibase:label { bd:serviceParam wikibase:language "en". }
}
GROUP BY ?eyeColorLabel- DBpedia er en annen innsats lik WikiData.
✅ Hvis du ønsker å eksperimentere med å bygge dine egne ontologier, eller åpne eksisterende, finnes det en flott visuell ontologiredigerer kalt Protégé. Last det ned, eller bruk det på nett.
Web Protégé-redigering åpnet med Romanov-familiens ontologi. Skjermbilde av Dmitry Soshnikov
Se FamilyOntology.ipynb for et eksempel på bruk av teknikker fra det semantiske nettet for å slutte om familierelasjoner. Vi tar et familietre representert i vanlig GEDCOM-format og en ontologi av familierelasjoner, og bygger en graf av alle familierelasjoner for en gitt gruppe individer.
I de fleste tilfeller blir ontologier nøye laget for hånd. Det er imidlertid også mulig å utvinne ontologier fra ustrukturerte data, for eksempel fra naturlige språktekster.
Et slikt forsøk ble gjort av Microsoft Research, og resulterte i Microsoft Concept Graph.
Det er en stor samling entiteter gruppert sammen ved hjelp av is-a arverelasjon. Det muliggjør svar på spørsmål som "Hva er Microsoft?" - svaret kan være noe slikt som "et selskap med sannsynlighet 0,87, og et merke med sannsynlighet 0,75".
Grafen er tilgjengelig enten som REST API, eller som en stor nedlastbar tekstfil som lister alle entitetsparet.
Prøv MSConceptGraph.ipynb notatboken for å se hvordan vi kan bruke Microsoft Concept Graph til å gruppere nyhetsartikler i flere kategorier.
I dag blir AI ofte ansett som synonymt med maskinlæring eller nevrale nettverk. Imidlertid utviser også et menneske eksplisitt resonnement, noe som for øyeblikket ikke håndteres av nevrale nettverk. I virkelige prosjekter brukes eksplisitt resonnement fortsatt for å utføre oppgaver som krever forklaringer, eller å kunne modifisere oppførselen til systemet på en kontrollert måte.
I Familieontologi-notatboken tilknyttet denne leksjonen, finnes det mulighet til å eksperimentere med andre familierelasjoner. Prøv å oppdage nye forbindelser mellom mennesker i familietreet.
Gjør noen undersøkelser på internett for å oppdage områder hvor mennesker har forsøkt å kvantifisere og kodifisere kunnskap. Ta en titt på Blooms taksonomi, og gå tilbake i historien for å lære hvordan mennesker prøvde å forstå verden de levde i. Utforsk arbeidet til Linnaeus for å lage en taksonomi av organismer, og observer måten Dmitri Mendeleev skapte en metode for at kjemiske elementer skulle kunne beskrives og grupperes. Hvilke andre interessante eksempler kan du finne?
Oppgave: Bygg en ontologi
Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på det opprinnelige språket skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som følge av bruk av denne oversettelsen.