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.