Искусственный интеллект

21 слово о знаниях, которые должен знать каждый, разбирающийся в искусственном интеллекте лидер

Думаете, вы можете это объяснить? Проверьте свои знания!

[Это 2-я часть серии. Прежде чем продолжить, убедитесь, что вы прочитали Алгоритмы поиска. Будущие темы включают Неопределенность, Оптимизация, Машинное обучение, Нейронные сети и Язык.]

Одна секунда Интернета производит 2 902 666 электронных писем, 81 649 видео, просмотренных на Youtube, 8 936 твиты, 4581 звонки в Skype, 1686 сообщений в Tumblr и еще 90 992 гигабайта веб-трафика.

К тому времени, как вы прочитаете эти цифры, они уже устарели, и мы устанавливаем новые рекорды каждый день. И это было до того, как COVID-19 изменил то, как мы используем Интернет!

Мы создаем более 2,5 квинтиллионов байтов данных каждый день.

Как искусственный интеллект может найти смысл в таком огромном объеме данных? Как он хранит и накапливает информацию?

Ответом на это является Знание представления и рассуждения. В этой статье дается краткое определение основных концепций и терминов, связанных со знаниями, и показано, как информация представлена ​​и выводится из простых предложений на различных логических языках.

Знания

агенты, основанные на знаниях: агенты, которые рассуждают, оперируя внутренними представлениями знаний.

предложение: утверждение о мире на языке представления знаний.

логические связи: представление знаний о мире агента, его целях и текущей ситуации с помощью предложений в логике; Например:

¬   not
∧   and
∨   or
→   implication
↔   biconditional

модель: присвоение значения истинности каждому пропозициональному символу.

база знаний: набор предложений, известных агенту, основанному на знаниях.

следствие: отношение между предложениями, где «в каждой модели, в которой предложение α истинно, предложение β также истинно».

α ⊨ β

вывод: процесс получения новых предложений из старых.

проверка модели: метод проверки того, соответствует ли модель системы с конечным числом состояний заданной спецификации (также называется проверка свойств).

инженерия знаний: процесс имитации суждений и поведения человека, обладающего опытом в конкретной ситуации.

modus ponens: включая исключение, исключение двойного отрицания, исключение импликации, исключение с двумя условными условиями, закон Де Моргана, распределительную собственность.

Закон Де Моргана: пара правил преобразования, которые являются действительными правилами вывода:

¬(P ∨ Q)  =  (¬ P ∧ ¬ Q)

распространяемое свойство: два действующих правила замены:

P ∨ (Q ∧ R)  =  (P ∨ Q) ∧ (P ∨ R)

коммутативный закон: другое правило преобразования:

P ∧ Q  =  Q ∧ P

ассоциативный закон: и другое правило преобразования:

(P ∧ Q) ∧ R  =  P ∧ (Q ∧ R)

Контрапозитивный закон: и последнее правило трансформации обещают:

P — Q  =  ¬ P — ¬ Q

доказательство теорем: формальный метод доказательства в символической логике с использованием дедуктивного вывода.

clause: дизъюнкция литералов

конъюнктивная нормальная форма (CNF): логическое предложение, которое является союзом предложений, например:

(A ∨ B ∨ C)  ∧  (D ∨ ¬E)  ∧  (F ∨ G)

логика первого порядка: набор формальных систем, использующих количественные переменные над нелогическими объектами и позволяющий использовать предложения, содержащие переменные.

универсальная количественная оценка: тип количественного показателя, логическая константа, которая интерпретируется как «дано любому» или «для всех», и обозначается следующим образом:

∀x.

экзистенциальная квантификация: тип квантификатора, логической константы, которая интерпретируется как «есть хотя бы один» или «для некоторых», и обозначается следующим образом:

∃x.

Теперь, когда вы можете объяснять наиболее важные термины, относящиеся к Знаниям, мы надеемся, что вам будет удобнее изучать эти концепции самостоятельно.

Это ставит вас на второй этап вашего пути к тому, чтобы стать полноценным лидером, разбирающимся в искусственном интеллекте. Продолжайте изучать другие важные темы, включая Поиск, Неопределенность, Оптимизация , Машинное обучение, Нейронные сети и Язык.

Нравится то, что вы читаете? Хотите узнать больше?
Следите за мной в Medium или LinkedIn.

Об авторе:
Янник Хехт работает в области объединения стратегии, информации о клиентах, данных и инноваций. Хотя его карьера связана с авиацией, путешествиями, финансами и технологиями, он увлечен менеджментом. Янник специализируется на разработке стратегий коммерциализации продуктов искусственного интеллекта и машинного обучения.