지식 표현 및 추론

Knowledge representation and reasoning
시리즈의 일부
인공지능
Anatomy-1751201 1280.png
주요 목표
접근
철학
역사
테크놀로지
용어집

지식표현과 추론(KRR, KR&R, KR²)은 컴퓨터 시스템이 의학상태 진단이나 자연어 대화 등 복잡한 작업을 해결하기 위해 사용할 수 있는 형태로 세상에 대한 정보를 표현하는 데 전념하는 인공지능(AI) 분야입니다.지식 표현은 복잡한 시스템을 설계하고 구축하기 쉽게 하는 형식주의를 설계하기 위해 인간이 문제를 해결하고 지식을 표현하는 방법에 대한 심리학[1] 연구 결과를 통합합니다.지식 표현과 추론은 또한 규칙이나 집합과 하위 집합의 관계와 같은 다양한 종류의 추론을 자동화하기 위해 논리로부터의 발견을 포함한다.

지식 표현 형식주의의 예로는 의미망, 시스템 아키텍처, 프레임, 규칙 및 온톨로지 등이 있습니다.자동 추론 엔진의 예로는 추론 엔진, 정리 프로버 및 분류기가 있습니다.

역사

컴퓨터 지식 표현에 대한 최초의 연구는 앨런 뉴웰과 허버트 A에 의해 개발된 GPS(General Problem Solver) 시스템과 같은 일반적인 문제 해결사에 초점을 맞췄다. 1959년 사이먼.이러한 시스템은 계획 및 분해를 위한 데이터 구조를 특징으로 했습니다.그 시스템은 목표로부터 시작될 것이다.그런 다음 이 목표를 하위 목표로 분해하고 각 하위 목표를 달성할 수 있는 전략을 수립하기 시작합니다.

AI 초기에는 A*와 같은 일반 검색 알고리즘도 개발되었습니다.그러나 GPS와 같은 시스템에 대한 비정질적인 문제 정의는 매우 제한된 장난감 영역(예: "블록 세계")에서만 작동한다는 것을 의미했다.Ed Feigenbaum과 Frederick Hayes-Roth와 같은 AI 연구원들은 장난감이 아닌 문제를 해결하기 위해 시스템을 보다 제한된 문제에[citation needed] 초점을 맞추는 것이 필요하다는 것을 깨달았다.

이러한 노력은 심리학의 인지혁명과 1970년대와 80년대에 전문가 시스템, 생산 시스템, 프레임 언어 등을 만들어낸 지식 표현에 초점을 맞춘 AI의 단계로 이어졌다.AI는 일반적인 문제 해결사보다는 의료 [2]진단과 같은 특정 업무에서 인간의 역량에 부합할 수 있는 전문가 시스템으로 초점을 바꿨다.

전문가 시스템은 AI 시스템이 세계와 규칙에 대한 사실과 함께 지식 기반과 질문에 답하고 문제를 해결하기 위해 지식 기반에 규칙을 적용하는 추론 엔진으로 나뉘는 오늘날에도 여전히 사용되고 있는 용어를 우리에게 제공했습니다.이러한 초기 시스템에서 지식 기반은 규칙에 [3]의해 사용되는 변수의 값에 대한 주장인 상당히 평평한 구조인 경향이 있었다.

전문가 시스템 외에도 1980년대 중반에 다른 연구자들이 프레임 기반 언어의 개념을 개발했습니다.프레임은 오브젝트클래스와 비슷합니다.이것은 세상의 사물, 문제, 그리고 잠재적인 해결책을 설명하는 카테고리의 추상적인 설명입니다.프레임은 원래 인간의 상호작용에 맞춰진 시스템, 예를 들어 식당에서 음식을 주문하는 것과 같은 다양한 기본 기대치가 검색 공간을 좁히고 시스템이 역동적인 상황에 대한 적절한 대응을 선택할 수 있도록 하는 사회적 설정 및 자연 언어를 이해하는데 사용되었다.

얼마 지나지 않아 프레임 커뮤니티와 규칙 기반 연구자들이 접근 방식 사이에 시너지가 있다는 것을 깨달았습니다.프레임은 클래스, 서브클래스, 슬롯(데이터 값)으로 설명되며 가능한 값에 대한 다양한 제약이 있는 실제 세계를 나타내는 데 적합합니다.규칙은 의료진단을 하는 과정과 같은 복잡한 논리를 표현하고 활용하는데 좋았다.프레임과 규칙을 결합한 통합 시스템이 개발되었습니다.가장 강력하고 잘 알려진 것 중 하나는 인텔리코프사의 1983년 지식 엔지니어링 환경(KE)입니다.KEE는 순방향과 역방향 체인을 갖춘 완전한 규칙 엔진을 가지고 있었다.또한 트리거, 슬롯(데이터 값), 상속 및 메시지 전달을 포함한 완전한 프레임 기반 기술 자료도 제공되었습니다.메시지 전달은 AI가 아닌 객체 지향 커뮤니티에서 시작되었지만, KEE와 같은 환경과 심볼릭스, 제록스,[4] 텍사스 인스트루먼트의 리스프 기계용 운영 체제에서도 빠르게 채택되었습니다.

프레임, 규칙 및 객체 지향 프로그래밍의 통합은 다양한 연구 프로젝트에서 분리된 KEI 및 심볼릭스와 같은 상업적인 벤처에 의해 크게 추진되었습니다.이것이 일어나는 동시에, 상업적으로 덜 초점을 맞추고 수학 논리와 자동화된 정리 [citation needed]증명에 의해 추진된 또 다른 종류의 연구가 있었다.이 연구에서 가장 영향력 있는 언어 중 하나는 80년대 중반의 KL-ONE 언어입니다. KL-ONE은 Is-A [5]관계와 같은 개념에 엄격한 의미론, 형식적 정의를 가진 프레임 언어였습니다.KL-ONE과 Loom과 같이 영향을 받은 언어들은 IF-THEN 규칙이 아닌 형식 논리에 기반한 자동화된 추론 엔진을 가지고 있었다.이 이유자를 분류자라고 합니다.분류자는 선언 집합을 분석하고 새로운 어설션을 추론할 수 있습니다. 예를 들어 클래스를 공식적으로 지정되지 않은 다른 클래스의 하위 클래스 또는 슈퍼 클래스로 재정의할 수 있습니다.이러한 방식으로 분류자는 기존 지식 기반에서 새로운 사실을 추론하는 추론 엔진으로 기능할 수 있다.분류자는 KL-ONE 언어의 경우 [6]온톨로지라고도 하는 지식 기반에 대한 일관성 검사를 제공할 수도 있습니다.

지식 표현 연구의 또 다른 영역은 상식적인 추론의 문제였다.인간의 자연어로 기능할 수 있는 소프트웨어를 만들기 위해 노력하면서 깨달은 첫 번째 깨달음 중 하나는 인간은 우리가 당연하게 여기지만 인위적인 행위자에게는 전혀 분명하지 않은 현실 세계에 대한 지식의 광범위한 기반을 정기적으로 이용한다는 것이다.상식물리, 인과관계, 의도 등의 기본원칙예를 들어, 사건 중심 논리에서는 어떤 외부 힘에 의해 움직이지 않는 한 사물이 한 순간에서 다음 순간까지 위치를 유지한다는 공리가 있어야 한다는 프레임 문제가 있습니다.자연어로 인간과 대화할 수 있고 세상에 대한 기본적인 진술과 질문을 처리할 수 있는 진정한 인공지능 에이전트를 만들기 위해서는 이러한 지식을[citation needed] 대변하는 것이 필수적이다.이 문제를 해결하기 위한 가장 야심찬 프로그램 중 하나는 Doug Lenat의 Cyc 프로젝트였습니다.Cyc는 독자적인 프레임 언어를 확립하고 다수의 분석가에게 그 언어로 상식적인 추론의 다양한 영역을 문서화하도록 했습니다.Cyc에 기록된 지식은 시간, 인과관계, 물리학, 의도, 그리고 많은 다른 [7]상식적인 모델들을 포함했다.

지식 표현의 출발점은 브라이언 C에 의해 최초로 공식화된 지식 표현 가설이다. 1985년 [8]Smith:

기계적으로 구현된 지능형 프로세스는 a) 외부 관찰자로서 우리가 자연스럽게 취하는 전체 프로세스가 보여주는 지식의 제안적 설명을 나타내기 위해 취하는 구조적 요소로 구성될 것이다. 그리고 b) 그러한 외부 의미 속성과는 무관하며, b) 이러한 과정을 발생시키는 데 형식적이지만 인과적, 필수적인 역할을 한다.그 지식을 증명할 수 있는 존재입니다.

현재 지식 표현 연구의 가장 활발한 영역 중 하나는 시맨틱[citation needed] 웹과 관련된 프로젝트입니다.시멘틱 웹은 현재 인터넷 위에 의미(의미) 계층을 추가하는 것을 추구한다.시맨틱 웹은 키워드를 통해 웹 사이트와 페이지를 인덱싱하는 대신 개념의 대규모 온톨로지를 생성합니다.기존 텍스트 검색보다 개념을 검색하는 것이 더 효과적입니다.프레임 언어와 자동 분류는 미래의 시맨틱 웹에 대한 비전에 큰 역할을 합니다.자동 분류는 끊임없이 진화하는 지식 네트워크에서 순서를 제공하는 개발자에게 기술을 제공합니다.정적이고 즉석에서 진화할 수 없는 온톨로지를 정의하는 것은 인터넷 기반 시스템에서 매우 제한적일 것입니다.분류기 기술은 인터넷의 역동적인 환경에 대처할 수 있는 능력을 제공합니다.

Defense Advanced Research Projects Agency(DARPA; 국방고급연구프로젝트국)가 주로 출자한 최신 프로젝트에서는 프레임 언어와 분류자를 XML 기반의 마크업 언어로 통합하고 있습니다.RDF(Resource Description Framework)는 객체의 클래스, 서브클래스 및 속성을 정의하는 기본 기능을 제공합니다.Web Ontology Language(OWL)는 추가 수준의 의미론을 제공하며 분류 [9][10]엔진과의 통합을 가능하게 합니다.

개요

지식 표현은 복잡한 문제를 해결하는 데 사용될 수 있는 세계의 정보를 포착하는 컴퓨터 표현을 설계하는 데 초점을 맞춘 인공지능 분야이다.

지식 표현의 정당성은 기존의 절차 코드가 복잡한 문제를 해결하기 위해 사용하는 최고의 형식주의가 아니라는 것입니다.지식 표현은 절차 코드보다 복잡한 소프트웨어를 쉽게 정의 및 유지 관리할 수 있도록 하며 전문가 시스템에서 사용할 수 있습니다.

예를 들어 코드보다는 비즈니스 규칙 측면에서 전문가와 대화함으로써 사용자와 개발자 간의 의미적 차이를 줄이고 복잡한 시스템 개발을 보다 실용적으로 할 수 있습니다.

지식 표현은 자동 추론과 연계됩니다.왜냐하면 지식을 명시적으로 표현하는 주요 목적 중 하나는 지식을 추론하고 추론하고 새로운 지식을 주장할 수 있도록 하는 것이기 때문입니다.사실상 모든 지식 표현 언어에는 [11]시스템의 일부로 추론 또는 추론 엔진이 있습니다.

지식 표현 형식주의 설계의 중요한 균형은 표현성과 실용성 사이의 균형이다.표현력과 콤팩트성의 관점에서 궁극적인 지식 표현 형식주의는 First Order Logic(FOL; 퍼스트 순서 논리)입니다.수학자들이 세상에 대한 일반적인 명제를 정의하는 데 사용한 것보다 더 강력한 형식주의는 없다.그러나 FOL은 지식 표현 형식주의로서 사용 편의성과 구현의 실용성이라는 두 가지 단점을 가지고 있습니다.1차 논리는 많은 소프트웨어 개발자에게도 위협적일 수 있습니다.FOL의 완전한 정식 파워를 가지지 않는 언어에서도, 유저 인터페이스로 같은 표현 파워를 얻을 수 있어 일반 개발자가 이해하기 쉬워집니다.실행의 실용성에 대한 문제는 어떤 면에서 FOL이 너무 표현적이라는 것이다.FOL을 사용하면 검증이 시도될 경우 시스템이 종료되지 않도록 하는 문(예를 들어 무한 집합에 대한 정량화)을 생성할 수 있습니다.

따라서, FOL의 서브셋은 사용하기 쉽고 구현하기 더 실용적일 수 있습니다.이는 규칙 기반의 전문가 시스템을 뒷받침하는 원동력이었습니다.IF-THEN 규칙은 FOL의 서브셋을 제공하지만 매우 직관적인 규칙이기도 합니다.데이터베이스, 의미망, 정리프로버 및 생산시스템에 이르기까지 대부분의 초기 AI 지식 표현 형식주의 역사는 표현력 또는 계산성과 효율성을 [12]강조할지 여부에 대한 다양한 설계 결정으로 볼 수 있다.

MIT의 Randall Davis는 이 주제에 관한 1993년 주요 논문에서 지식 표현 [13]프레임워크를 분석하기 위한 5가지 역할을 개략적으로 설명했습니다.

  • "지식 표현(KR)은 가장 근본적으로 그 자체를 대체하는 것으로, 기업이 행동하기보다는 생각함으로써 결과를 결정할 수 있도록 하는 데 사용된다." 즉,[13] "세계에서 행동을 취하기보다는 추리함으로써"
  • "이것은 존재론적 약속의 집합입니다."[13] 즉, "질문에 대한 답변:세상을 어떻게 생각해야 할까요?[13]
  • "이것은 지적 추론의 단편적인 이론으로, 세 가지 요소로 표현된다: (i) 지적 추론의 기본 개념, (ii) 표현 제재의 추론 세트, 그리고 (ii)[13] 그것이 권장하는 추론 세트.
  • "실용적으로 효율적인 계산을 위한 매체" [13]즉, "생각이 이루어지는 계산 환경"이다.이러한 실용적 효율성에 대한 한 가지 기여는 "권장된 [13]추론을 용이하게 하기 위해" 대표자가 정보를 정리하기 위해 제공하는 지침에 의해 제공된다.
  • "이것은 인간 표현의 매체"[13] 즉,[13] "세상에 대해 말하는 언어"입니다.

지식 표현과 추론은 시맨틱 웹을 가능하게 하는 핵심 기술입니다.프레임 모델에 기반한 자동 분류 언어에서는 기존 인터넷 위에 의미 체계를 제공합니다.오늘날 일반적인 텍스트 문자열을 통해 검색하는 것이 아니라 논리 쿼리를 정의하고 해당 [9]쿼리에 매핑되는 페이지를 찾을 수 있습니다.이러한 시스템의 자동 추론 컴포넌트는 분류기로 알려진 엔진입니다.분류자는 규칙보다는 기술 기반에서 가정 관계에 초점을 맞춥니다.분류자는 새로운 정보를 이용할 수 있게 되면 새로운 클래스를 추론하고 온톨로지를 동적으로 변경할 수 있습니다.이 기능은 끊임없이 변화하는 인터넷의 [14]정보 공간에 이상적입니다.

시멘틱 웹은 지식 표현 및 추론의 개념을 XML 기반의 마크업 언어와 통합합니다.Resource Description Framework(RDF)는 인터넷에서 지식 기반 개체를 정의하는 기본 기능을 제공합니다.예를 들어 Is-A 관계나 객체 속성 등의 기본 기능을 제공합니다.Web Ontology Language(OWL)는 의미론을 추가하고 자동 분류 이유와 통합합니다.[15]

특성.

1985년에 Ron Brachman은 지식 표현의 핵심 이슈를 [16]다음과 같이 분류했습니다.

  • 원초적인 것.지식을 나타내기 위해 사용되는 기본 프레임워크는 무엇입니까?시맨틱 네트워크는 최초의 지식 표현 원시 요소 중 하나였다.또한 일반적인 고속 검색을 위한 데이터 구조 및 알고리즘입니다.이 분야에서는, 컴퓨터 사이언스의 데이터 구조나 알고리즘에 관한 연구와의 중복이 강하다.초기 시스템에서는 람다 미적분을 본떠 만든 리스프 프로그래밍 언어가 기능적 지식 표현의 한 형태로 종종 사용되었다.프레임과 규칙은 그 다음 종류의 원시였다.프레임 언어에는 프레임 데이터에 대한 제약을 표현하고 적용하기 위한 다양한 메커니즘이 있었습니다.프레임 내의 모든 데이터는 슬롯에 저장됩니다.슬롯은 엔티티 관계 모델링의 관계 및 객체 지향 모델링의 객체 속성과 유사합니다.또 다른 프리미티브 기술은 First Order Logic(FOL; 퍼스트 순서 논리)을 본뜬 언어를 정의하는 것입니다.가장 잘 알려진 예는 프롤로그이지만, 많은 특수 목적의 정리 증명 환경도 있습니다.이러한 환경은 논리 모델을 검증하고 기존 모델에서 새로운 이론을 추론할 수 있습니다.기본적으로 논리학자가 모델을 분석할 때 거쳐야 하는 프로세스를 자동화합니다.정리 증명 기술은 소프트웨어 공학 분야에서 몇 가지 특정한 실용적 응용을 가지고 있었다.예를 들어 소프트웨어 프로그램이 형식적인 논리 사양을 엄격하게 준수하고 있음을 증명할 수 있다.
  • 메타 표현.이것은 컴퓨터 공학에서 성찰의 문제로도 알려져 있다.그것은 형식주의가 자신의 상태에 대한 정보에 접근할 수 있는 능력을 말한다.예를 들어 Smalltalk 및 CLOS의 메타 오브젝트 프로토콜은 개발자가 클래스 오브젝트에 대한 런타임 액세스를 제공하고 런타임에도 동적으로 지식 기반 구조를 재정의할 수 있도록 합니다.메타 표현이란 지식 표현 언어 자체가 그 언어로 표현된다는 것을 의미합니다.예를 들어 대부분의 프레임 기반 환경에서는 모든 프레임이 프레임클래스의 인스턴스가 됩니다.이 클래스 객체는 런타임에 검사되므로 객체가 내부 구조 또는 모델의 다른 부분의 구조를 이해하고 변경할 수 있습니다.규칙 기반 환경에서 규칙은 일반적으로 규칙 클래스의 인스턴스이기도 했습니다.규칙에 대한 메타 프로토콜의 일부는 규칙 발생의 우선 순위를 지정하는 메타 규칙이었습니다.
  • 불완전.전통적인 논리는 수학의 세계와는 반대로 현실 세계를 다루기 위해 추가적인 공리와 제약을 필요로 한다.또한 신뢰도를 진술과 연관시키는 것이 종종 유용합니다.즉, 단순히 "소크라테스는 인간이다"가 아니라 "소크라테스는 인간이며 50%의 자신감을 가지고 있다"라고 말합니다.이는 일부 상용 도구로 이행한 전문가 시스템 연구의 초기 혁신 중 하나로, 확실성 요소를 규칙 및 결론과 연관시킬 수 있는 능력입니다.나중에 이 분야에 대한 연구는 퍼지 [17]논리로 알려져 있다.
  • 정의와 일반 vs. 사실과 기본값.보편은 "모든 인간은 죽는다"와 같은 세상에 대한 일반적인 표현이다.사실들은 "소크라테스는 인간이고, 따라서 필멸적"과 같은 보편성의 구체적인 예이다.논리적으로 정의와 보편은 보편적 수량화에 관한 것이고 사실과 디폴트는 실존적 수량화에 관한 것이다.모든 형태의 지식 표현은 이러한 측면을 다루어야 하며, 대부분은 집합과 하위 집합으로 보편을 모델링하고 집합의 요소로 정의를 모델링하는 집합 이론의 변형을 다루어야 한다.
  • 비단조적 추론.비단조적 추론은 다양한 종류의 가상 추론을 가능하게 한다.이 시스템은 사실을 정당화하기 위해 사용된 규칙 및 사실과 연관시키고 이러한 사실이 변화함에 따라 종속 지식도 업데이트한다.규칙 기반 시스템에서는 이 기능을 진실 유지 관리 [18]시스템이라고 합니다.
  • 표현적 타당성.Brachman과 대부분의 AI 연구자들이 표현적 적정성을 측정하기 위해 사용하는 표준은 보통 First Order Logic(FOL; 퍼스트 오더 로직)이다.이론적 제한은 FOL의 완전한 구현이 실용적이지 않음을 의미합니다.연구자는 자신이 표현하고자 하는 표현력([19]전체 FOL 표현력의 어느 정도)을 명확히 해야 한다.
  • 추리 효율이는 시스템의 런타임 효율성을 나타냅니다.놀리지 베이스를 갱신할 수 있는 능력과 합리적인 기간 내에 새로운 추론을 전개할 수 있는 논거.어떤 면에서는, 이것은 표현적 타당성의 이면이다.일반적으로 표현력이 강할수록 표현적 타당성이 높아지며 자동화된 추론 엔진의 효율성은 떨어집니다.특히 지식 표현 기술의 초기 적용에서 효율성은 종종 문제가 되었습니다.일반적으로 Lisp와 같은 인터프리터 환경에서 구현되어 당시의 기존 플랫폼에 비해 속도가 느렸습니다.

온톨로지 엔지니어링

주요 기사:온톨로지 엔지니어링 및 온톨로지 언어

지식 기반 시스템의 초기 몇 년 동안은 지식 기반이 매우 작았습니다.개념 실증이 아닌 실제 문제를 실제로 해결하기 위한 지식 기반은 잘 정의된 문제에 초점을 맞춰야 했습니다.예를 들어 의학적인 진단뿐만 아니라 특정 질병에 대한 의학적인 진단입니다.

지식 기반 기술이 확장됨에 따라, 더 큰 지식 기반과 서로 통신하고 통합할 수 있는 모듈러 지식 기반에 대한 필요성이 분명해졌습니다.이로 인해 온톨로지 엔지니어링, 설계 및 여러 프로젝트에서 사용할 수 있는 대규모 지식 기반 구축이 이루어졌습니다.이 분야의 주요 연구 프로젝트 중 하나는 Cyc 프로젝트였습니다.Cyc는 전문 지식뿐만 아니라 상식적인 지식을 포함하는 거대한 백과사전 지식 기반을 구축하려는 시도였습니다.인공지능 에이전트를 설계하는데 있어서, 인간이 당연하게 여기는 상식적인 지식, 즉 지식을 표현하는 것이 자연 언어를 사용하여 인간과 상호작용할 수 있는 AI를 만드는데 필수적이라는 것을 곧 깨달았다.Cyc는 이 문제를 해결하기 위한 것이었다.그들이 정의한 언어는 CycL로 알려져 있었다.

CycL 이후 많은 온톨로지 언어가 개발되었습니다.대부분은 선언형 언어이며 프레임 언어이거나 1차 논리에 기반합니다.모듈성(특정 영역과 문제 공간 주변의 경계를 정의하는 기능)은 이러한 언어에서 필수적입니다. Tom Gruber가 말했듯이, "모든 온톨로지는 조약입니다. 공유에 공통된 동기를 가진 사람들 간의 사회적 합의입니다."범용 온톨로지를 불가능하게 만드는 경쟁적이고 다른 관점이 항상 존재합니다.범용 온톨로지는 모든 영역에 적용 가능해야 하며 다양한 분야의 지식을 [20]통합해야 합니다.

액체에 대한 온톨로지,[21] 전자 회로(예:[22] 시간, 신념, 프로그래밍 자체에 대한 온톨로지)를 표현하는 데 널리 사용되는 일괄 요소 모델 등 다양한 작업 영역을 위한 온톨로지 구축을 시도한 오랜 역사가 있다.이것들 각각은 세계의 일부를 볼 수 있는 방법을 제공한다.

예를 들어, 일괄 소자 모델에서는 회로 사이에 접속이 있는 컴포넌트, 즉 접속을 따라 신호가 순간적으로 흐르는 컴포넌트의 관점에서 회로를 생각할 것을 제안합니다.이 뷰는 유용하지만 유일한 뷰는 아닙니다.디바이스의 전기역학에 주의를 기울여야 하는 경우에는 다음과 같은 다른 온톨로지가 발생합니다.여기서 신호는 유한 속도로 전파되며 이전에는 I/O 동작을 가진 단일 구성요소로 간주되었던 물체(저항기 등)는 이제 전자파가 흐르는 확장된 매체로 간주되어야 할 수 있습니다.

물론 온톨로지는 다양한 언어 및 표기법(논리, LISP 등)으로 기술할 수 있습니다.; 본질적인 정보는 그 언어의 형태가 아니라 내용, 즉 세계에 대한 사고방식으로 제공되는 개념 세트이다.간단히 말해서 중요한 부분은 연결이나 컴포넌트와 같은 개념이지 술어 또는 LISP 구성 중 하나를 선택하는 것이 아닙니다.

하나 또는 다른 온톨로지를 선택함으로써 당면한 태스크에 대해 확연히 다른 견해를 제시할 수 있습니다.동일 디바이스의 전기동적 뷰가 아니라 회로의 일괄 소자 뷰를 선택할 때 발생하는 차이를 고려합니다.두 번째 예로서 규칙(예: MYCIN) 측면에서 본 의료 진단은 프레임(예: INTERNIST) 측면에서 본 동일한 작업과는 상당히 다르게 보인다.MYCIN은 의료계가 증상과 질병을 연결하는 경험적 연관성으로 구성되어 있다고 보는 반면, INTERNIST는 일련의 프로토타입, 특히 프로토타입 질병이 눈앞의 사례와 일치한다고 봅니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ Roger Schank; Robert Abelson (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.
  2. ^ Nilsson, Nils (1995). "Eye on the Prize". AI Magazine. 16: 2.
  3. ^ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. ISBN 978-0-201-10686-2.
  4. ^ 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.
  5. ^ Brachman, Ron (1978). "A Structural Paradigm for Representing Knowledge" (PDF). Bolt, Beranek, and Neumann Technical Report (3605). Archived (PDF) from the original on April 30, 2020.
  6. ^ MacGregor, Robert (June 1991). "Using a description classifier to enhance knowledge representation". IEEE Expert. 6 (3): 41–46. doi:10.1109/64.87683. S2CID 29575443.
  7. ^ Lenat, Doug; R. V. Guha (January 1990). Building Large Knowledge-Based Systems: Representation and Inference in the Cyc Project. Addison-Wesley. ISBN 978-0201517521.
  8. ^ 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.
  9. ^ a b 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.
  10. ^ 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.
  11. ^ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. pp. 6–7. ISBN 978-0-201-10686-2.
  12. ^ 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.
  13. ^ a b c d e f g h i j k Davis, Randall; Howard Shrobe; Peter Szolovits (Spring 1993). "What Is a Knowledge Representation?". AI Magazine. 14 (1): 17–33.
  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. S2CID 15451765. 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. S2CID 24696160.
  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), 인공지능: 어퍼 새들리버, 뉴저지 주: 프렌티스 홀, ISBN 0-13-604259-7, 페이지 437-439
  21. ^ 헤이스 P, 순진한 물리학 I: 액체의 존재론.에식스 대학 보고서, 1978년, 영국 에식스.
  22. ^ 데이비스 R, 쇼브 HE, 디지털 하드웨어의 구조와 동작을 나타내는 IEEE 컴퓨터, 지식 표현에 관한 특별호, 16(10):75-82.

추가 정보

외부 링크

Wikimedia Commons에는 지식 표현과 관련된 미디어가 있습니다.