Reprezentacja wiedzy i rozumowanie

Reprezentacja wiedzy (ang. knowledge representation, KR) i reprezentacja wiedzy i rozumowanie (ang. knowledge representation and reasoning, KRR, KR&R lub KR²) – określa ogół modelowania informacji w sposób strukturalny, aby formalnie przedstawić ją jako wiedzę w systemach opartych na wiedzy wraz z późniejszym zrozumieniem, rozumowaniem i interpretacją wiedzy. KRR jest powszechnie stosowana w dziedzinie sztucznej inteligencji^[1] w celu przedstawienia informacji o świecie w formie, która umożliwia systemowi komputerowemu rozwiązywanie złożonych zadań, takich jak diagnozowanie stanu medycznego lub prowadzenie dialogu w języku naturalnym. KR wykorzystuje ustalenia psychologii^[2] dotyczące sposobu rozwiązywania problemów i reprezentacji wiedzy przez ludzi, w celu zaprojektowania formalizmów, które ułatwiają projektowanie i budowę złożonych systemów. KRR wykorzystuje również ustalenia logiki do automatyzacji różnych rodzajów rozumowania.

Tradycyjny KRR koncentruje się na deklaratywnej reprezentacji wiedzy. Powiązane formalizmy reprezentacji wiedzy obejmują głównie słowniki, tezaurusy, sieci semantyczne, systemy aksjomatów, system reguł, programy logiczne i ontologie. Do przykładów silników automatycznego wnioskowania zalicza się silnik inferencyjny(inne języki), system wspomagający dowodzenie twierdzeń, generatory modeli i klasyfikatory.

W szerszym ujęciu mechanizmy reprezentacji wiedzy — obejmujące architektury sieci neuronowych^[3], takie jak sieci konwolucyjne i transformery — można również uznać za rodzinę formalizmów reprezentacji wiedzy. Pytanie, który formalizm jest najbardziej odpowiedni dla systemów opartych na wiedzy od dawna jest przedmiotem debaty^[4]^[5].

Zobacz też

zarządzanie wiedzą

Linki zewnętrzne

What is a Knowledge Representation?, Randall Davis i inni
Introduction to Knowledge Modeling , Pejman Makhfi
Introduction to Description Logics course , Enrico Franconi
DATR Lexical knowledge representation language
Principles of Knowledge Representation and Reasoning Incorporated
Description Logic in Practice: A CLASSIC Application
The Rule Markup Initiative

Przypisy

↑ AleksanderA. Waloszek AleksanderA., Hierarchiczna kontekstualizacja baz wiedzy, „BG PD 307003-00-00/01”, 2010 [dostęp 2025-04-24] .
↑ Roger C.R.C. Schank Roger C.R.C., Reading and understanding : teaching from the perspective of artificial intelligence, Hillsdale, N.J. : L. Erlbaum Associates, 1982, ISBN 978-0-89859-169-9 [dostęp 2025-04-24] .
↑ WiesławW. Babik WiesławW., Sztuczne sieci neuronowe jako instrument kształtowania reprezentacji wiedzy w systemach informacyjno-wyszukiwawczych [online], 2002 [dostęp 2025-04-24] .
↑ BruceB. Porter BruceB., VladimirV. Lifschitz VladimirV., Frank VanF.V. Harmelen Frank VanF.V., Handbook of knowledge representation. Foundations of artificial intelligence, 2008, ISBN 978-0-444-52211-5 .
↑ PaulP. Smolensky PaulP., On the proper treatment of connectionism, „Behavioral and Brain Sciences”, 11 (1), 1988, s. 1–23, DOI: 10.1017/S0140525X00052432, ISSN 1469-1825 [dostęp 2025-04-24] (ang.).

[1] AleksanderA. Waloszek AleksanderA., Hierarchiczna kontekstualizacja baz wiedzy, „BG PD 307003-00-00/01”, 2010 [dostęp 2025-04-24] .

[2] Roger C.R.C. Schank Roger C.R.C., Reading and understanding : teaching from the perspective of artificial intelligence, Hillsdale, N.J. : L. Erlbaum Associates, 1982, ISBN 978-0-89859-169-9 [dostęp 2025-04-24] .

[3] WiesławW. Babik WiesławW., Sztuczne sieci neuronowe jako instrument kształtowania reprezentacji wiedzy w systemach informacyjno-wyszukiwawczych [online], 2002 [dostęp 2025-04-24] .

[4] BruceB. Porter BruceB., VladimirV. Lifschitz VladimirV., Frank VanF.V. Harmelen Frank VanF.V., Handbook of knowledge representation. Foundations of artificial intelligence, 2008, ISBN 978-0-444-52211-5 .

[5] PaulP. Smolensky PaulP., On the proper treatment of connectionism, „Behavioral and Brain Sciences”, 11 (1), 1988, s. 1–23, DOI: 10.1017/S0140525X00052432, ISSN 1469-1825 [dostęp 2025-04-24] (ang.).

[1]

[2]

[3]

[4]

[5]