ज्ञान प्रतिनिधित्व और तर्क (केआर, केआर², केआर एंड आर) कृत्रिम बुद्धि (एआई) का क्षेत्र है जो इस बारे में दुनिया के बारे में जानकारी का प्रतिनिधित्व करने के लिए समर्पित है कि एक कंप्यूटर सिस्टम जटिल कार्यों को हल करने के लिए उपयोग कर सकता है जैसे चिकित्सा स्थिति का निदान करना या संवाद करना एक प्राकृतिक भाषा में। ज्ञान का प्रतिनिधित्व मनोविज्ञान से निष्कर्षों को शामिल करता है कि मानव कैसे समस्याओं को हल करते हैं और औपचारिकताओं को डिजाइन करने के लिए ज्ञान का प्रतिनिधित्व करते हैं जो जटिल प्रणालियों को डिजाइन और निर्माण के लिए आसान बनाते हैं। ज्ञान प्रतिनिधित्व और तर्क तर्क के निष्कर्षों को स्वचालित रूप से विभिन्न प्रकार के तर्कों को स्वचालित करने के लिए भी शामिल करता है, जैसे नियमों का उपयोग या सेट और सबसेट के संबंध।

ज्ञान प्रतिनिधित्व औपचारिकताओं के उदाहरणों में अर्थपूर्ण जाल, सिस्टम आर्किटेक्चर, फ्रेम, नियम, और औपचारिकता शामिल हैं। स्वचालित तर्क इंजन के उदाहरणों में अनुमान इंजन, प्रमेय प्रोवर्स और क्लासिफायर शामिल हैं।

इस चुनौतीपूर्ण क्षेत्र पर विचारों और प्रगति को साझा करने के लिए केआर सम्मेलन श्रृंखला की स्थापना की गई थी।

इतिहास
कंप्यूटरीकृत ज्ञान प्रस्तुति में सबसे शुरुआती काम सामान्य समस्या हलकों पर केंद्रित था जैसे कि जनरल प्रॉब्लम सॉल्वर (जीपीएस) प्रणाली एलन न्यूवेल और हरबर्ट ए साइमन द्वारा विकसित 1 9 5 9 में। इन प्रणालियों में योजना और अपघटन के लिए डेटा संरचनाएं शामिल थीं। प्रणाली एक लक्ष्य के साथ शुरू होगी। इसके बाद वह उस लक्ष्य को उप-लक्ष्यों में विघटित कर देगा और फिर रणनीतियों का निर्माण करने के लिए तैयार होगा जो प्रत्येक उपगोष को पूरा कर सके।

एआई के शुरुआती दिनों में, ए * जैसे सामान्य खोज एल्गोरिदम भी विकसित किए गए थे। हालांकि, जीपीएस जैसे सिस्टम के लिए असंगत समस्या परिभाषा का मतलब था कि उन्होंने केवल बहुत ही सीमित खिलौने डोमेन (जैसे “ब्लॉक विश्व”) के लिए काम किया था। गैर-खिलौनों की समस्याओं से निपटने के लिए, एडी शोधकर्ताओं जैसे एड फीगेनबाम और फ्रेडरिक हेस-रोथ को एहसास हुआ कि सिस्टम को अधिक बाधित समस्याओं पर ध्यान देना आवश्यक था।

इन प्रयासों की विफलता ने मनोविज्ञान में और एआई के चरण में संज्ञानात्मक क्रांति को ज्ञान प्रतिनिधित्व पर केंद्रित किया जिसके परिणामस्वरूप 1 9 70 और 80 के दशक में विशेषज्ञ प्रणालियों, उत्पादन प्रणालियों, फ्रेम भाषाओं आदि के परिणामस्वरूप सामान्य समस्या हलकों की बजाय, एआई ने अपने फोकस को विशेषज्ञ प्रणालियों में बदल दिया जो चिकित्सा निदान जैसे विशिष्ट कार्य पर मानव क्षमता से मेल खा सकता है।

विशेषज्ञ प्रणालियों ने हमें आज भी उपयोग में शब्दावली दी है, जहां एआई सिस्टम को दुनिया के नियमों और नियमों और अनुमान इंजन के बारे में तथ्यों के साथ ज्ञान आधार में बांटा गया है जो सवालों के जवाब देने और समस्याओं को हल करने के लिए ज्ञान आधार पर नियम लागू करता है। इन शुरुआती प्रणालियों में ज्ञान आधार नियमों द्वारा उपयोग किए जाने वाले चर के मूल्यों के बारे में अनिवार्य रूप से दावा करता है, जो कि काफी सपाट संरचना है।

विशेषज्ञ प्रणालियों के अलावा, अन्य शोधकर्ताओं ने 1 9 80 के दशक के मध्य में फ्रेम आधारित भाषाओं की अवधारणा विकसित की। एक फ्रेम एक ऑब्जेक्ट क्लास के समान होता है: यह दुनिया, चीजों और संभावित समाधानों में वर्णित एक श्रेणी का एक सार वर्णन है। फ्रेम्स का मूल रूप से मानव संपर्क की दिशा में तैयार प्रणालियों पर उपयोग किया जाता था, उदाहरण के लिए प्राकृतिक भाषा और सामाजिक सेटिंग्स को समझना, जिसमें रेस्तरां में भोजन का ऑर्डर करने जैसी विभिन्न डिफ़ॉल्ट उम्मीदें खोज स्थान को संकीर्ण करती हैं और सिस्टम को गतिशील स्थितियों के लिए उचित प्रतिक्रिया चुनने की अनुमति देती है।

फ्रेम समुदायों और नियम-आधारित शोधकर्ताओं ने महसूस किया कि यह उनके दृष्टिकोणों के बीच तालमेल था। फ्रेम्स वास्तविक मूल्यों का प्रतिनिधित्व करने के लिए अच्छे थे, जिन्हें संभव मूल्यों पर विभिन्न बाधाओं के साथ कक्षाओं, उप-वर्गों, स्लॉट (डेटा मान) के रूप में वर्णित किया गया था। नियम जटिल तर्क का प्रतिनिधित्व और उपयोग करने के लिए अच्छे थे जैसे चिकित्सा निदान करने की प्रक्रिया। एकीकृत सिस्टम विकसित किए गए थे जो फ्रेम्स और नियम संयुक्त थे। Intellicorp से 1983 ज्ञान इंजीनियरिंग पर्यावरण (केईई) सबसे शक्तिशाली और प्रसिद्ध में से एक था। केईई के पास आगे और पिछड़े श्रृंखला के साथ एक पूर्ण नियम इंजन था। इसमें ट्रिगर्स, स्लॉट (डेटा वैल्यू), विरासत और संदेश पासिंग के साथ एक पूर्ण फ्रेम आधारित ज्ञान आधार भी था। हालांकि एआई के बजाए ऑब्जेक्ट उन्मुख समुदाय में संदेश गुजरने के बाद इसे एआई शोधकर्ताओं ने केईईई और सिंबलिक्स, जेरोक्स और टेक्सास इंस्ट्रूमेंट्स से लिस्प मशीनों के लिए ऑपरेटिंग सिस्टम में तेजी से गले लगा लिया था।

फ्रेम्स, नियमों, और ऑब्जेक्ट उन्मुख प्रोग्रामिंग का एकीकरण विभिन्न व्यावसायिक परियोजनाओं से दूर केईई और सिंबलिक्स जैसे व्यावसायिक उद्यमों द्वारा महत्वपूर्ण रूप से प्रेरित किया गया था। साथ ही यह होने पर, अनुसंधान का एक और तनाव था जो कम व्यावसायिक रूप से केंद्रित था और गणितीय तर्क और स्वचालित प्रमेय सिद्ध करने से प्रेरित था। इस शोध में सबसे प्रभावशाली भाषाओं में से एक 80 के दशक की केएल-वन भाषा थी। केएल-वन एक फ्रेम भाषा थी जिसमें कठोर अर्थशास्त्र, एक-ए संबंध जैसे अवधारणाओं के लिए औपचारिक परिभाषाएं थीं। केएल-वन और भाषाओं से प्रभावित थे जैसे कि लूम के पास एक स्वचालित तर्क इंजन था जो आईएफ-थेन नियमों के बजाय औपचारिक तर्क पर आधारित था। इस तर्ककर्ता को वर्गीकृत कहा जाता है। एक वर्गीकृत घोषणाओं के एक सेट का विश्लेषण कर सकते हैं और नए दावों का अनुमान लगा सकते हैं, उदाहरण के लिए, किसी वर्ग को उप-वर्ग या किसी अन्य वर्ग के सुपरक्लास को फिर से परिभाषित करें जिसे औपचारिक रूप से निर्दिष्ट नहीं किया गया था। इस तरह क्लासिफायर एक अनुमान इंजन के रूप में कार्य कर सकता है, जो मौजूदा ज्ञान आधार से नए तथ्यों को कम करता है। वर्गीकृत ज्ञान आधार पर स्थिरता जांच भी प्रदान कर सकता है (जो कि केएल-वन भाषाओं के मामले में भी एक Ontology के रूप में जाना जाता है)।

ज्ञान प्रतिनिधित्व अनुसंधान का एक और क्षेत्र सामान्य ज्ञान तर्क की समस्या थी। मानव प्राकृतिक भाषा के साथ काम कर सकने वाले सॉफ़्टवेयर बनाने की कोशिश करने से सीखने वाली पहली प्राप्तियों में से एक यह था कि मनुष्य नियमित रूप से वास्तविक दुनिया के बारे में ज्ञान की व्यापक नींव पर आते हैं जिसे हम केवल मंजूर करते हैं लेकिन यह कृत्रिम एजेंट के लिए बिल्कुल स्पष्ट नहीं है । सामान्य ज्ञान भौतिकी, कारणता, इरादों, आदि के बुनियादी सिद्धांत एक उदाहरण फ्रेम समस्या है, कि एक घटना संचालित तर्क में वहां सिद्धांतों की आवश्यकता होती है जो राज्य की चीजें एक पल से अगले तक स्थिति बनाए रखती हैं जब तक कि वे कुछ बाहरी बल द्वारा स्थानांतरित नहीं हो जाते । एक वास्तविक कृत्रिम बुद्धिमान एजेंट बनाने के लिए जो प्राकृतिक भाषा का उपयोग करके मनुष्यों के साथ बातचीत कर सकता है और दुनिया के बारे में बुनियादी बयानों और प्रश्नों को संसाधित कर सकता है, इस तरह के ज्ञान का प्रतिनिधित्व करना आवश्यक है। इस समस्या से निपटने के लिए सबसे महत्वाकांक्षी कार्यक्रमों में से एक डौग लेनैट की सीईसी परियोजना थी। सीईसी ने अपनी खुद की फ़्रेम भाषा स्थापित की और बड़ी संख्या में विश्लेषकों ने उस भाषा में सामान्य ज्ञान तर्क के विभिन्न क्षेत्रों को दस्तावेज किया। सीईसी में दर्ज ज्ञान में समय, कारणता, भौतिकी, इरादों और कई अन्य लोगों के सामान्य ज्ञान मॉडल शामिल थे।

ज्ञान प्रतिनिधित्व के लिए शुरुआती बिंदु ज्ञान प्रतिनिधित्व परिकल्पना है जिसे पहली बार ब्रायन सी स्मिथ द्वारा 1 9 85 में औपचारिक रूप दिया गया था:

किसी भी यांत्रिक रूप से अवशोषित बुद्धिमान प्रक्रिया में संरचनात्मक अवयव शामिल होंगे जो ए) हम बाहरी पर्यवेक्षकों के रूप में स्वाभाविक रूप से ज्ञान के एक प्रस्तावक खाते का प्रतिनिधित्व करने के लिए लेते हैं जो समग्र प्रक्रिया प्रदर्शित करता है, और बी) इस तरह के बाहरी अर्थपूर्ण एट्रिब्यूशन से स्वतंत्र, औपचारिक लेकिन कारक और उस ज्ञान को प्रकट करने वाले व्यवहार को बढ़ाने में आवश्यक भूमिका।

वर्तमान में ज्ञान प्रतिनिधित्व अनुसंधान के सबसे सक्रिय क्षेत्रों में से एक अर्थात् वेब से जुड़े परियोजनाएं हैं। अर्थात् वेब वर्तमान इंटरनेट के शीर्ष पर अर्थशास्त्र (अर्थ) की एक परत जोड़ना चाहता है। कीवर्ड के माध्यम से वेब साइटों और पृष्ठों को अनुक्रमणित करने के बजाय, अर्थात् वेब अवधारणाओं के बड़े सिद्धांतों को बनाता है। एक अवधारणा की खोज पारंपरिक पाठ की तुलना में अधिक प्रभावी होगी। फ़्रेम भाषाएं और स्वचालित वर्गीकरण भविष्य के अर्थपूर्ण वेब के लिए दृष्टि में एक बड़ा हिस्सा खेलते हैं। स्वचालित वर्गीकरण डेवलपर्स प्रौद्योगिकी को ज्ञान के निरंतर विकसित नेटवर्क पर आदेश प्रदान करने देता है। फ्लाई पर विकसित होने वाले स्थैतिक और अक्षम करने वाले औपचारिकताओं को परिभाषित करना इंटरनेट-आधारित सिस्टम के लिए बहुत सीमित होगा। वर्गीकृत प्रौद्योगिकी इंटरनेट के गतिशील वातावरण से निपटने की क्षमता प्रदान करती है।

मुख्य रूप से रक्षा उन्नत अनुसंधान परियोजना एजेंसी (डीएआरपीए) द्वारा वित्त पोषित हालिया परियोजनाओं ने एक्सएमएल के आधार पर मार्कअप भाषाओं के साथ फ्रेम भाषा और क्लासिफायर एकीकृत किए हैं। संसाधन विवरण फ्रेमवर्क (आरडीएफ) कक्षाओं, उप-वर्गों और वस्तुओं के गुणों को परिभाषित करने की मूल क्षमता प्रदान करता है। वेब Ontology भाषा (ओडब्लूएल) अर्थशास्त्र के अतिरिक्त स्तर प्रदान करता है और वर्गीकरण इंजन के साथ एकीकरण को सक्षम बनाता है।

अवलोकन
ज्ञान-प्रतिनिधित्व कृत्रिम बुद्धि का क्षेत्र है जो कंप्यूटर प्रतिनिधित्वों को डिजाइन करने पर केंद्रित है जो जटिल समस्याओं को हल करने के लिए उपयोग किए जा सकने वाले दुनिया के बारे में जानकारी प्राप्त कर सकते हैं।

ज्ञान प्रतिनिधित्व के लिए औचित्य यह है कि पारंपरिक प्रक्रियात्मक कोड जटिल समस्याओं को हल करने के लिए उपयोग करने के लिए सबसे अच्छा औपचारिकता नहीं है। ज्ञान प्रतिनिधित्व जटिल सॉफ्टवेयर को प्रक्रियात्मक कोड से परिभाषित और बनाए रखने में आसान बनाता है और विशेषज्ञ प्रणालियों में इसका उपयोग किया जा सकता है।

उदाहरण के लिए, कोड के बजाए व्यावसायिक नियमों के संदर्भ में विशेषज्ञों से बात करना उपयोगकर्ताओं और डेवलपर्स के बीच अर्थपूर्ण अंतर को कम करता है और जटिल प्रणालियों के विकास को और अधिक व्यावहारिक बनाता है।

ज्ञान का प्रतिनिधित्व स्वचालित तर्क के साथ हाथ में आता है क्योंकि ज्ञान का स्पष्ट रूप से प्रतिनिधित्व करने के मुख्य उद्देश्यों में से एक यह है कि वह ज्ञान, सम्मेलन बनाने, नए ज्ञान का दावा करने आदि के कारणों का कारण बनने में सक्षम होना चाहिए। लगभग सभी ज्ञान प्रतिनिधित्व भाषाओं में तर्क या अनुमान इंजन है सिस्टम के हिस्से के रूप में।

ज्ञान प्रतिनिधित्व औपचारिकता के डिजाइन में एक प्रमुख व्यापार-बंद यह है कि व्यक्तित्व और व्यावहारिकता के बीच। अभिव्यक्तिशील शक्ति और कॉम्पैक्टनेस के मामले में अंतिम ज्ञान प्रतिनिधित्व औपचारिकता प्रथम आदेश तर्क (एफओएल) है। गणितज्ञों द्वारा दुनिया के सामान्य प्रस्तावों को परिभाषित करने के लिए उपयोग किए जाने से कहीं अधिक शक्तिशाली औपचारिकता नहीं है। हालांकि, एफओएल में ज्ञान प्रतिनिधित्व औपचारिकता के रूप में दो दोष हैं: उपयोग की आसानी और कार्यान्वयन की व्यावहारिकता। पहला सॉफ़्टवेयर डेवलपर्स कई सॉफ्टवेयर डेवलपर्स के लिए भी डरा सकता है। जिन भाषाओं में एफओएल की पूर्ण औपचारिक शक्ति नहीं है, वे अभी भी एक उपयोगकर्ता इंटरफ़ेस के साथ एक ही अभिव्यक्तित्मक शक्ति के करीब प्रदान कर सकते हैं जो औसत डेवलपर को समझने के लिए अधिक व्यावहारिक है। कार्यान्वयन की व्यावहारिकता का मुद्दा यह है कि कुछ तरीकों से एफओएल बहुत अभिव्यक्तिपूर्ण है। एफओएल के साथ बयान बनाना संभव है (उदाहरण के लिए अनंत सेट पर मात्रा) जिससे सिस्टम को कभी भी समाप्त नहीं किया जा सकता है अगर इसे सत्यापित करने का प्रयास किया जाता है।

इस प्रकार, एफओएल का एक सबसेट उपयोग करने में आसान और लागू करने के लिए और अधिक व्यावहारिक दोनों हो सकता है। यह नियम-आधारित विशेषज्ञ प्रणालियों के पीछे एक ड्राइविंग प्रेरणा थी। अगर-फिर नियम एफओएल का सबसेट प्रदान करते हैं लेकिन एक बहुत ही उपयोगी व्यक्ति जो बहुत सहज है। प्रारंभिक एआई ज्ञान प्रतिनिधित्व औपचारिकताओं के अधिकांश इतिहास; डाटाबेस से अर्थात् जाल से प्रमेय समर्थकों और उत्पादन प्रणालियों को अभिव्यक्तिशील शक्ति या संगणनीयता और दक्षता पर जोर देने के लिए विभिन्न डिजाइन निर्णयों के रूप में देखा जा सकता है।

इस विषय पर 1 99 3 के एक पेपर में, एमआईटी के रैंडल डेविस ने ज्ञान प्रतिनिधित्व ढांचे का विश्लेषण करने के लिए पांच अलग-अलग भूमिकाओं को रेखांकित किया:

एक ज्ञान प्रतिनिधित्व (केआर) सबसे मौलिक रूप से एक सरोगेट है, जो चीज के लिए एक विकल्प है, जिसका उपयोग किसी इकाई को अभिनय के बजाय सोचने के परिणामों को निर्धारित करने के लिए किया जाता है, यानी, इसमें कार्रवाई करने के बजाए दुनिया के बारे में तर्क देकर।
यह ऑटोलॉजिकल प्रतिबद्धताओं का एक सेट है, यानी, प्रश्न का उत्तर: दुनिया के बारे में मुझे किस नियम में सोचना चाहिए?
यह बुद्धिमान तर्क का एक खंडित सिद्धांत है, जो तीन घटकों के संदर्भ में व्यक्त किया गया है: (i) बुद्धिमान तर्क के प्रतिनिधित्व की मौलिक अवधारणा; (ii) प्रतिनिधित्व प्रतिबंधों की पहचान; और (iii) संदर्भों का सेट यह अनुशंसा करता है।
यह व्यावहारिक रूप से कुशल गणना के लिए एक माध्यम है, यानि, कम्प्यूटेशनल वातावरण जिसमें सोच पूरी हो जाती है। इस व्यावहारिक दक्षता में एक योगदान मार्गदर्शन द्वारा प्रदान किया जाता है जो प्रतिनिधित्व प्रस्तुत करने के लिए एक प्रतिनिधित्व प्रदान करता है ताकि अनुशंसित संदर्भ बनाने में सहायता मिल सके।
यह मानव अभिव्यक्ति का माध्यम है, यानी, एक ऐसी भाषा जिसमें हम दुनिया के बारे में बातें कहते हैं।

अर्थ प्रतिनिधित्व और तर्क अर्थपूर्ण वेब के लिए एक महत्वपूर्ण सक्षम प्रौद्योगिकी है। स्वत: वर्गीकरण के साथ फ्रेम मॉडल के आधार पर भाषाएं मौजूदा इंटरनेट के शीर्ष पर अर्थशास्त्र की एक परत प्रदान करती हैं। सामान्य रूप से टेक्स्ट स्ट्रिंग्स के माध्यम से खोज करने की बजाय, तार्किक प्रश्नों को परिभाषित करना और उन प्रश्नों को मानचित्रित करने वाले पृष्ठों को ढूंढना संभव होगा। इन प्रणालियों में स्वचालित तर्क घटक एक इंजन है जिसे वर्गीकृत कहा जाता है। क्लासिफायर नियमों के बजाय ज्ञान आधार में सबमिशन संबंधों पर ध्यान केंद्रित करते हैं। एक वर्गीकृत नई कक्षाओं का अनुमान लगा सकता है और गतिशील रूप से ऑटोलॉजी को बदल सकता है क्योंकि नई जानकारी उपलब्ध हो जाती है। यह क्षमता इंटरनेट की हमेशा-बदलने वाली और विकसित जानकारी स्थान के लिए आदर्श है।

अर्थात् वेब एक्सएमएल के आधार पर मार्कअप भाषाओं के साथ ज्ञान प्रतिनिधित्व और तर्क से अवधारणाओं को एकीकृत करता है। संसाधन विवरण फ्रेमवर्क (आरडीएफ) आईएस-ए संबंधों और ऑब्जेक्ट गुणों जैसे मूलभूत सुविधाओं के साथ इंटरनेट पर ज्ञान-आधारित वस्तुओं को परिभाषित करने के लिए मूल क्षमताओं को प्रदान करता है। वेब Ontology भाषा (ओडब्लूएल) अतिरिक्त semantics जोड़ता है और स्वचालित वर्गीकरण कारणों के साथ एकीकृत करता है।

लक्षण
1 9 85 में, रॉन ब्रैचमैन ने ज्ञान प्रतिनिधित्व के लिए मुख्य मुद्दों को निम्नानुसार वर्गीकृत किया:

पुरातन। ज्ञान का प्रतिनिधित्व करने के लिए अंतर्निहित अंतर्निहित ढांचा क्या है? अर्थपूर्ण नेटवर्क पहले ज्ञान प्रतिनिधित्व प्राइमेटिव्स में से एक थे। इसके अलावा, सामान्य तेज़ खोज के लिए डेटा संरचनाएं और एल्गोरिदम। इस क्षेत्र में, कंप्यूटर विज्ञान में डेटा संरचनाओं और एल्गोरिदम में अनुसंधान के साथ एक मजबूत ओवरलैप है। प्रारंभिक प्रणालियों में, लिस्प प्रोग्रामिंग भाषा, जिसे लैम्ब्डा कैलकुस के बाद मॉडलिंग किया गया था, को अक्सर कार्यात्मक ज्ञान प्रतिनिधित्व के रूप में उपयोग किया जाता था। फ्रेम्स और नियम अगली तरह के आदिम थे। फ्रेम डेटा पर बाधाओं को व्यक्त करने और लागू करने के लिए फ़्रेम भाषाओं में विभिन्न तंत्र थे। फ्रेम में सभी डेटा स्लॉट में संग्रहीत हैं। स्लॉट इकाई-संबंध मॉडलिंग में संबंधों के समान हैं और ऑब्जेक्ट उन्मुख मॉडलिंग में गुणों को ऑब्जेक्ट करने के लिए हैं। प्राइमेटिव्स के लिए एक और तकनीक उन भाषाओं को परिभाषित करना है जिन्हें फर्स्ट ऑर्डर लॉजिक (एफओएल) के बाद मॉडलिंग किया गया है। सबसे प्रसिद्ध उदाहरण प्रोलॉग है, लेकिन कई विशेष उद्देश्य प्रमेय साबित वातावरण भी हैं। ये वातावरण तार्किक मॉडल को मान्य कर सकते हैं और मौजूदा मॉडलों से नए सिद्धांतों को कम कर सकते हैं। अनिवार्य रूप से वे एक मॉडल का विश्लेषण करने के लिए एक तर्कज्ञ के माध्यम से प्रक्रिया को स्वचालित करते हैं। प्रमेय सिद्ध प्रौद्योगिकी के पास सॉफ्टवेयर इंजीनियरिंग के क्षेत्रों में कुछ विशिष्ट व्यावहारिक अनुप्रयोग थे। उदाहरण के लिए, यह साबित करना संभव है कि एक सॉफ्टवेयर प्रोग्राम औपचारिक तार्किक विनिर्देश का कठोर पालन करता है।

मेटा प्रतिनिधित्व। इसे कंप्यूटर विज्ञान में प्रतिबिंब के मुद्दे के रूप में भी जाना जाता है। यह औपचारिकता की क्षमता को अपने राज्य के बारे में जानकारी तक पहुंचने के लिए संदर्भित करता है। एक उदाहरण स्मॉलटाक और सीएलओएस में मेटा-ऑब्जेक्ट प्रोटोकॉल होगा जो डेवलपर्स को क्लास ऑब्जेक्ट्स तक समय तक पहुंच प्रदान करता है और उन्हें रन टाइम पर भी ज्ञान आधार की संरचना को गतिशील रूप से परिभाषित करने में सक्षम बनाता है। मेटा-प्रतिनिधित्व का अर्थ है कि ज्ञान प्रतिनिधित्व भाषा स्वयं ही उस भाषा में व्यक्त की जाती है। उदाहरण के लिए, अधिकांश फ़्रेम आधारित वातावरण में सभी फ़्रेम फ़्रेम क्लास के उदाहरण होंगे। उस वर्ग वस्तु का निरीक्षण समय पर किया जा सकता है, ताकि वस्तु समझ सके और मॉडल की अन्य संरचनाओं की संरचना को आंतरिक संरचना या यहां तक ​​कि बदल सके। नियम-आधारित वातावरण में, नियम आमतौर पर नियम वर्गों के उदाहरण भी होते थे। नियमों के लिए मेटा प्रोटोकॉल का हिस्सा मेटा नियम थे जो नियम फायरिंग को प्राथमिकता देते थे।

अपूर्णता। पारंपरिक तर्क के लिए गणित की दुनिया के विपरीत वास्तविक दुनिया से निपटने के लिए अतिरिक्त सिद्धांत और बाधाओं की आवश्यकता होती है। साथ ही, एक बयान के साथ आत्मविश्वास की डिग्री को जोड़ना अक्सर उपयोगी होता है। हां, बस इतना नहीं कहें कि “सॉक्रेटीस मानव है” बल्कि “सॉक्रेटीस आत्मविश्वास वाला मानव 50%” है। यह विशेषज्ञ सिस्टम शोध से शुरुआती नवाचारों में से एक था जो कुछ वाणिज्यिक उपकरणों में स्थानांतरित हो गया था, नियमों और निष्कर्षों के साथ निश्चित कारकों को जोड़ने की क्षमता। बाद में इस क्षेत्र में शोध को अस्पष्ट तर्क के रूप में जाना जाता है।

परिभाषाएं और सार्वभौमिक बनाम तथ्यों और डिफ़ॉल्ट। यूनिवर्सल दुनिया के बारे में सामान्य बयान हैं जैसे कि “सभी इंसान मर्त्य हैं”। तथ्यों सार्वभौमिक के विशिष्ट उदाहरण हैं जैसे “सॉक्रेटीस एक मानव है और इसलिए प्राणघातक” है। तार्किक शब्दों में परिभाषाएं और सार्वभौमिक सार्वभौमिक मात्रा के बारे में हैं जबकि तथ्यों और चूक मौजूदा अस्तित्व के बारे में हैं। ज्ञान प्रस्तुति के सभी रूपों को इस पहलू से निपटना होगा और अधिकांश सेट सिद्धांत के कुछ प्रकार के साथ ऐसा करते हैं, जो सार्वभौमिकों को सेट और सबसेट के रूप में मॉडलिंग करते हैं और उन सेटों में तत्वों के रूप में परिभाषाएं करते हैं।

गैर-monotonic तर्क। गैर-मोनोटोनिक तर्क विभिन्न प्रकार के काल्पनिक तर्क की अनुमति देता है। यह प्रणाली उन नियमों और तथ्यों के साथ तथ्यों को जोड़ती है जो उन्हें उचित ठहराने के लिए उपयोग की जाती हैं और जैसे ही तथ्यों में निर्भर ज्ञान भी बदल जाता है। नियम आधारित प्रणालियों में इस क्षमता को सच्चे रखरखाव प्रणाली के रूप में जाना जाता है।

अभिव्यक्ति पर्याप्तता मानक जो ब्रैचमैन और अधिकांश एआई शोधकर्ता अभिव्यक्ति पर्याप्तता को मापने के लिए उपयोग करते हैं, आमतौर पर प्रथम आदेश तर्क (एफओएल) होता है। सैद्धांतिक सीमाओं का मतलब है कि एफओएल का पूर्ण कार्यान्वयन व्यावहारिक नहीं है। शोधकर्ताओं को इस बारे में स्पष्ट होना चाहिए कि वे कितने अभिव्यक्तिपूर्ण हैं (पूर्ण एफओएल अभिव्यक्तिशील शक्ति का कितना) वे अपने प्रतिनिधित्व का इरादा रखते हैं।

तर्क दक्षता। यह सिस्टम की रन टाइम दक्षता को संदर्भित करता है। ज्ञान आधार को अद्यतन करने की क्षमता और उचित अवधि में नए संदर्भ विकसित करने का कारण। कुछ मायनों में, यह अभिव्यक्ति पर्याप्तता का फ्लिप पक्ष है। आम तौर पर, एक अधिक शक्तिशाली प्रतिनिधित्व, जितना अधिक अभिव्यक्ति पर्याप्तता है, उतना कम कुशल अपने स्वचालित तर्क इंजन होगा। दक्षता अक्सर एक मुद्दा था, खासकर ज्ञान प्रतिनिधित्व प्रौद्योगिकी के शुरुआती अनुप्रयोगों के लिए। उन्हें आम तौर पर लिस्प जैसे व्याख्या किए गए वातावरण में कार्यान्वित किया जाता था, जो उस समय के अधिक पारंपरिक प्लेटफार्मों की तुलना में धीमी थीं।

ज्ञान का औपचारिकरण
जटिल ज्ञान का प्रतिनिधित्व करने के लिए अधिक औपचारिक औजार, उदाहरण के लिए, वैचारिक ग्राफ या अर्थात् नेटवर्क हैं।

नई प्रौद्योगिकियों के क्षेत्र में, कृत्रिम बुद्धि के क्षेत्र में ज्ञान का औपचारिक प्रतिनिधित्व विकसित हुआ है। औपचारिक प्रतिनिधित्व में, ज्ञान गुणों, सिद्धांतों और नियमों से जुड़े तार्किक वस्तुओं द्वारा प्रतिनिधित्व किया जाता है। इस प्रकार का प्रतिनिधित्व विशेषज्ञ प्रणालियों में उपयोग किया जाता है।

वेब के विकास, और विशेष रूप से अर्थात् वेब परिप्रेक्ष्य ने ऑटोलॉजी के विवादास्पद शब्द को पेश करके डोमेन को नवीनीकृत कर दिया है। डब्ल्यू 3 सी या आईएसओ मानक विषय मानचित्र के मानक आरडीएफएस, एसकेओएस और ओडब्लूएल के रूप में, इस परिप्रेक्ष्य में कई भाषाओं का विकास किया गया है।

ज्ञान प्रतिनिधित्व की तकनीकें
ज्ञान आदेश और प्रतिनिधित्व के लिए विभिन्न प्रणालियां हैं। उनकी शक्ति की डिग्री के अनुसार शायद ही आदेश दिया गया है, ये हैं:

कैटलॉग, शब्दावली, वर्गीकरण (सरल नियंत्रित शब्दावली)
वर्गीकरण, थिसॉरस (आमतौर पर विरासत संबंधों के बिना संबंधों की सीमित संख्या)
अर्थपूर्ण नेटवर्क, ऑटोलॉजी, फ्रेम, उत्पादन नियम,
एक्सिसॉम सिस्टम, तर्क भी भविष्यवाणी करें
मल्टीलायर विस्तारित अर्थात् नेटवर्क (मल्टीनेट)।
यदि कोई औपचारिक प्रतिनिधित्व या संभव नहीं है, तो अन्य तरीकों को मध्यस्थता के लिए पाया जाना चाहिए, उदाहरण के लिए सूचना विज़ुअलाइजेशन के क्षेत्र में।

प्रतिनिधित्व की गुणवत्ता के लिए मानदंड
ज्ञान प्रतिनिधित्व प्रणाली चुनने के लिए महत्वपूर्ण मानदंड हैं:

यथार्थता
सही वाक्यविन्यास और सही अर्थशास्त्र कैसे सुनिश्चित करें?

पर्याप्तता / अभिव्यक्ति / मोटाई
क्या भाषा आवश्यक ऑटोलॉजी घटकों को स्पष्ट रूप से और लचीला रूप से पर्याप्त प्रतिनिधित्व करती है?

दक्षता
एक निष्कर्ष कैसे निष्कर्ष निकाला जा सकता है?

जटिलता
ज्ञान मानचित्रण और ज्ञान पुनर्प्राप्ति के लिए सीखने की अवस्था कितनी तेज है?

अन्य वाक्यविन्यास प्रारूपों या भाषाओं में अनुवाद योग्यता

ज्ञान और तर्क के बीच संबंध
ज्ञान (या मान्यताओं) का औपचारिक प्रतिनिधित्व इस जानकारी पर विभिन्न उपचारों को स्वचालित करना संभव बनाता है। यह प्रतीकात्मक कृत्रिम बुद्धि के शोध क्षेत्रों में से एक है: जानकारी के आधार पर “बुद्धिमान” तर्क का अनुकरण।

सबसे अधिक इस्तेमाल औपचारिक ढांचे में से एक प्रस्तावपरक तर्क है। दरअसल, प्रस्तावित तर्क कोडिंग के माध्यम से बड़ी संख्या में समस्याओं का समाधान किया जा सकता है, और एसएटी समस्या पर अनुसंधान के संदर्भ में विकसित एल्गोरिदमिक तकनीकों का उपयोग किया जा सकता है। उदाहरण के लिए, विभिन्न खेलों को एक प्रस्ताव सूत्र के रूप में कोड किया जा सकता है।

अन्य औपचारिक रूपरेखा एक विशेष संरचना, जैसे कि तर्क प्रणाली, बेयसियन नेटवर्क या संभावित तर्क प्रस्तुत करने वाली जानकारी का प्रतिनिधित्व करना संभव बनाता है।

मानवीय तर्कों की एक बड़ी संख्या का मॉडल किया गया है, जिसमें अनुमान (कोई उदाहरण के लिए ज्ञान आधार से परिणाम प्राप्त कर सकता है) या विश्वास गतिशीलता (संशोधन, संकुचन और एजीएम ढांचे का विस्तार) शामिल है।

Ontology इंजीनियरिंग
ज्ञान-आधारित प्रणालियों के प्रारंभिक वर्षों में ज्ञान-आधार काफी छोटे थे। अच्छी तरह से परिभाषित समस्याओं पर ध्यान केंद्रित करने के लिए आवश्यक अवधारणा प्रदर्शनों के प्रमाण के बजाय वास्तविक ज्ञान को वास्तव में हल करने के लिए ज्ञान-आधार थे। तो उदाहरण के लिए, न सिर्फ पूरे विषय के रूप में चिकित्सा निदान, बल्कि कुछ प्रकार की बीमारियों का चिकित्सा निदान।

जैसे-जैसे ज्ञान-आधारित तकनीक बढ़ी है, बड़े ज्ञान के आधार और मॉड्यूलर ज्ञान अड्डों की आवश्यकता है जो एक दूसरे के साथ संवाद और एकीकृत हो सके। इसने ऑटोलॉजी इंजीनियरिंग के अनुशासन को जन्म दिया, बड़े ज्ञान अड्डों का डिजाइन और निर्माण किया जो कई परियोजनाओं द्वारा उपयोग किया जा सकता था। इस क्षेत्र में अग्रणी शोध परियोजनाओं में से एक साइक प्रोजेक्ट था। सीईसी एक विशाल विश्वकोश ज्ञान आधार बनाने का प्रयास था जिसमें न केवल विशेषज्ञ ज्ञान बल्कि सामान्य ज्ञान ज्ञान होगा। एक कृत्रिम खुफिया एजेंट को डिजाइन करने में, इसे जल्द ही एहसास हुआ कि सामान्य ज्ञान ज्ञान का प्रतिनिधित्व, ज्ञान जो मनुष्यों को केवल मंजूर करने के लिए लिया जाता है, वह एआई बनाने के लिए आवश्यक था जो प्राकृतिक भाषा का उपयोग करके इंसानों के साथ बातचीत कर सके। इस समस्या को हल करने के लिए सीईसी का मतलब था। उन्होंने परिभाषित भाषा को सीसीएल के रूप में जाना जाता था।

सीईसीएल के बाद, कई ऑटोलॉजी भाषा विकसित की गई हैं। अधिकांश घोषणात्मक भाषाएं हैं, और या तो फ्रेम भाषाएं हैं, या प्रथम क्रम तर्क पर आधारित हैं। मॉड्यूलरिटी- विशिष्ट डोमेन और समस्या रिक्त स्थान के आस-पास की सीमाओं को परिभाषित करने की क्षमता- इन भाषाओं के लिए आवश्यक है क्योंकि टॉम ग्रबर द्वारा बताए गए अनुसार, “प्रत्येक ऑटोलॉजी एक संधि है – साझा करने में आम उद्देश्य वाले लोगों के बीच एक सामाजिक समझौता।” हमेशा कई प्रतिस्पर्धी और अलग-अलग विचार होते हैं जो किसी भी सामान्य उद्देश्य ऑटोलॉजी को असंभव बनाते हैं। किसी भी उद्देश्य और ज्ञान के विभिन्न क्षेत्रों में एक सामान्य उद्देश्य ऑटोलॉजी लागू होना आवश्यक है।

विभिन्न कार्य डोमेनों के लिए ऑटोलॉजी बनाने का प्रयास करने का प्रयास करने का एक लंबा इतिहास है, उदाहरण के लिए, तरल पदार्थ के लिए एक ऑटोलॉजी, लुम्ड एलिमेंट मॉडल व्यापक रूप से इलेक्ट्रॉनिक सर्किट (उदाहरण के लिए) का प्रतिनिधित्व करने में उपयोग किया जाता है, साथ ही साथ समय, विश्वास, और यहां तक ​​कि प्रोग्रामिंग भी। इनमें से प्रत्येक दुनिया के कुछ हिस्सों को देखने का एक तरीका प्रदान करता है।

उदाहरण के लिए, लुम्ड एलिमेंट मॉडल, सुझाव देता है कि हम कनेक्शन के साथ तत्काल बहने वाले संकेतों के साथ घटकों के संदर्भ में घटकों के संदर्भ में सर्किट के बारे में सोचते हैं। यह एक उपयोगी दृश्य है, लेकिन केवल एक ही संभव नहीं है। एक अलग ऑटोलॉजी उत्पन्न होती है अगर हमें डिवाइस में इलेक्ट्रोडडायनामिक्स में भाग लेने की आवश्यकता होती है: यहां सिग्नल परिमित गति और एक ऑब्जेक्ट (एक प्रतिरोधी की तरह) पर प्रचारित होता है जिसे पहले आई / ओ व्यवहार के साथ एक घटक के रूप में देखा जाता था, अब इसे सोचना पड़ सकता है एक विस्तारित माध्यम के रूप में जिसके माध्यम से एक विद्युत चुम्बकीय तरंग बहती है।

Ontologies निश्चित रूप से विभिन्न प्रकार की भाषाओं और नोटेशन में लिखे जा सकते हैं (उदाहरण के लिए, तर्क, LISP, आदि); आवश्यक जानकारी उस भाषा का रूप नहीं है बल्कि सामग्री, यानी, दुनिया के बारे में सोचने के तरीके के रूप में प्रस्तुत अवधारणाओं का सेट है। सीधे शब्दों में कहें, महत्वपूर्ण हिस्सा कनेक्शन और घटकों जैसे विचार हैं, उन्हें भविष्यवाणी या एलआईएसपी संरचनाओं के रूप में लिखने के बीच पसंद नहीं है।

एक या एक अन्य ऑटोलॉजी का चयन करने की प्रतिबद्धता हाथ के काम के बारे में एक अलग अलग दृष्टिकोण उत्पन्न कर सकती है। एक ही डिवाइस के इलेक्ट्रोडडायनामिक दृश्य की बजाय सर्किट के लुम्ड तत्व दृश्य को चुनने में उत्पन्न होने वाले अंतर पर विचार करें। दूसरे उदाहरण के रूप में, नियमों के संदर्भ में चिकित्सा निदान (उदाहरण के लिए, MYCIN) फ्रेम के संदर्भ में देखे गए एक ही कार्य से काफी भिन्न दिखता है (उदाहरण के लिए, INTERNIST)। जहां MYCIN चिकित्सा दुनिया को बीमारी के लक्षण को जोड़ने वाले अनुभवजन्य संगठनों से बना है, इंटरनेशनल प्रोटोटाइप का एक सेट देखता है, विशेष रूप से प्रोटोटाइपिकल बीमारियों में, मामले के खिलाफ मिलान किया जा सकता है।