knowledge representation and reasoning

part of a series on
artificial intelligence (ai)
major goals artificial general intelligence intelligent agent recursive self-improvement planning computer vision general game playing knowledge representation natural language processing robotics ai safety
approaches machine learning symbolic deep learning Bayesian networks evolutionary algorithms hybrid intelligent systems systems integration
philosophy artificial consciousness chinese room friendly ai control problem/takeover ethics existential risk turing test uncanny valley
v t e

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.

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.

• 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.

• 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)

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

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

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

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

• Példa:

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

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

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

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

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

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

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

• 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)

• 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

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

• 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

• knowledge representation and reasoning - Szótár.net (en-hu)
• knowledge representation and reasoning - Sztaki (en-hu)
• knowledge representation and reasoning - Merriam–Webster
• knowledge representation and reasoning - Cambridge
• knowledge representation and reasoning - WordNet
• knowledge representation and reasoning - Яндекс (en-ru)
• knowledge representation and reasoning - Google (en-hu)
• knowledge representation and reasoning - Wikidata
• knowledge representation and reasoning - Wikipédia (angol)