PODSTAWOWE POJĘCIA I DEFINICJE

Czym jest wiedza?

"Wiedza (knowledge) - to potęga", jak mawiali starożytni. Z pewnością każdy z nas może powiedzieć, iż posiada wiedzę na wiele różnych tematów, lecz określenie, czym jest wiedza, nie jest zagadaniem łatwym z punktu widzenia informatyki. Współczesna nauka nie odpowiedziała jeszcze na to pytanie. Związane jest to z faktem, iż do tej pory nie wyjaśniono jeszcze wielu tajemnic działania ludzkiego umysłu, który jest siedliskiem inteligencji i umożliwia reprezentację wiedzy. Wiele badań naukowych w dziedzinach: informatyki, biologii, biofizjologii, psychologii, filozofii, lingwistyki i kognitywistyki poświęcone jest tworzeniu nowych lub usprawnionych modeli i struktur reprezentacji danych, sposobów wnioskowania... po to, żeby zgłębić tajemnice ludzkiego umysłu oraz zbudować modele inteligencji oraz wiedzy, z których na co dzień korzystamy, lecz chcielibyśmy skorzystać również na gruncie informatyki.

Skąd w ogóle wiemy, że posiadamy wiedzę i inteligencję? Co daje nam tą pewność? - Potrafimy się uczyć, wnioskować, przewidywać, dokonywać wyborów i podejmować decyzje przez pryzmat zdobytej wiedzy i doświadczenia, które niewątpliwie biorą się z poprzednich zdarzeń, informacji, faktów, reguł itd., z którymi się zetknęliśmy, które zaobserwowaliśmy, których się nauczyliśmy i które utrwaliły się w naszym umyśle oraz jakimś "cudem" przypominają nam się właśnie wtedy, kiedy ich potrzebujemy. Na czym jednak ten "cud" polega? - O tym właśnie będzie ten wykład. W trakcie wykładów spróbujemy ten "cud" wyjaśnić, zbudować modele wiedzy, reprezentować dane w odpowiedni sposób, a następnie na ćwiczeniach wykorzystać je do praktycznych zagadnień inżynierskich, wykorzystując wnioskowanie bazujące na wcześniej opracowanych sztucznych modelach wiedzy.

Trudność związana ze zdefiniowaniem wiedzy oraz jej reprezentacji w systemach informatycznych spowodowała, iż wielu badaczy skupia swój wysiłek nie tyle na określeniu tego, czym wiedza jest, jak powstaje, lecz bardziej nad jej zewnętrznymi przejawami, tzn. możliwością automatycznego formułowania wniosków, podejmowania decyzji itp. W trakcie wykładów również omówione zostaną takie modele, które zwykle bazują na różnych metodach z zakresu inteligencji obliczeniowej (computational intelligence), np. logice rozmytej czy sieciach neuronowych (neural networks).


Inżynieria wiedzy

Inżynieria wiedzy (knowledge engineering) - zajmuje się następującymi grupami zagadnień:

  1. modelowaniem wiedzy na podstawie obiektów, ich właściwości, faktów, reguł i informacji,
  2. metodami wnioskowania na podstawie zdobytej i reprezentowanej w systemie informatycznym wiedzy,
  3. metodami wnioskowania bezpośrednio na podstawie faktów, reguł i informacji.

Modelowanie wiedzy jest zagadnieniem najtrudniejszym, gdyż wiedza umożliwia nam ludziom wnioskowanie oraz inteligentne postępowanie w wielu różnych sytuacjach. Nasze postępowanie jest tym bardziej skuteczne i efektywne, im większą wiedzę w zakresie rozwiązywanego zadania posiadamy. A więc wiedza jest ściśle powiązana z inteligencją, której zdefiniowanie i modelowanie jest równie trudne, jak zdefiniowanie, czym jest wiedza? Można jednak przypuszczać, iż jeśli znajdziemy odpowiedź na jedno z tych pytań, wtedy odpowiedź na drugie z nich będzie już oczywista i banalna. Wiedzę najczęściej próbuje się modelować przy pomocy sieci neuronowych, baz danych oraz ostrych lub rozmytych reguł wnioskowania i różnych grafów powiązanych ze sobą elementów. Ponadto wykorzystuje się: parsowanie zdań, grupowanie, gramatyki transakcyjne, łączenie słów w grupy, tworzenie gramatyk, produkcji, reguł, leksykonów, codeletów, perceptów, słowników, związków synonimicznych i asercji oraz schematów typu postrzeganie-działanie i innych związków przyczynowo-skutkowych zapisywanych w formie symbolicznej, logicznej lub z wykorzystaniem sieci neuronowych albo sieci koneksjonistycznych. Na tle historii powstało już wiele dużych projektów naukowych, np. Wordnet, MindNet, Framenet, ConceptNet, HowNet, CYC, Wordassociation, Human Connectome, sieci semantyczne, grafy koncepcyjne [wiz. bibliografia]. Reprezentacja wiedzy jest również celem różnych rozwijanych architektur kognitywnych (symbolicznych, emergentnych, np. neuronowych, oraz hybrydowych), np. EPIC, SOAR, SNePS, NARS, ICARUS, IBCA, NOMAD, NuPIC, Cortronics, ACT-R, CLARION, DUAL, LIDA, Polyscheme, 4CAPS, Shruti, DARPA SyNAPSE [wiz. bibliografia]. Niestety osiągnięte rezultaty dotyczące reprezentacji wiedzy oraz jej eksploatacji nadal nie są zadowalające i brakuje ambitnych zastosowań.

Jeśli już uda nam się reprezentować wiedzę w jakiś sposób, należy się zastanowić nad sposobami wnioskowania i wydobywania z niej istotnych informacji. W zależności od sposobu reprezentacji danych, obiektów, faktów, reguł itp. określony zostanie sposób wyszukiwania lub dotarcia do powiązanych informacji lub takich, które w pewien sposób odpowiadają na zadane zapytanie. Obecne systemy formułowania wniosków i wyszukiwania odpowiedzi pozostawiają jednak wiele do życzenia w stosunku do sposobu działania ludzkiego umysłu. Spróbujemy jednak również na bazie pewnego asocjacyjnego modelu reprezentacji wiedzy, wykorzystać ten potencjał i zbudować efektywne mechanizmy wnioskujące inspirowane właśnie sposobem działania ludzkiego umysłu.

Trzecia grupa metod bazuje zwykle na pewnych zbiorach poprawnych faktów, reguł lub informacji, które są przeszukiwane, uśredniane, ważone, łączone itp. w celu znalezienia możliwie najlepszego wyboru lub decyzji. Ta grupa niestety ma nie wiele wspólnego z metodami inżynierii wiedzy, gdyż pomija proces tworzenia się wewnętrznej reprezentacji wiedzy dla faktów, reguł i informacji. Wybory i decyzje podejmowane są w oparciu o analizę, statystykę, uśrednianie i dopasowanie nowych przypadków do poprzednio wyprowadzonych reguł, aczkolwiek wyniki ich działania mogą być w wielu sytuacjach satysfakcjonujące i wystarczające.


Jak powstaje wiedza?

Ludzka wiedza powstaje na skutek wewnętrznej konsolidacji i odpowiedniego aktywnego połączenia uproszczonej i rozmytej reprezentacji wielu obiektów i działań. Te uproszczenia i rozmycie, jak również połączenia umożliwiają uogólnianie oraz kontekstowe przechodzenie od jednych obiektów do drugich. Korzystanie z wiedzy możliwe jest poprzez wywoływanie informacji na skutek aktywacji odpowiednich mechanizmów skojarzeniowych pod wpływem kontekstu sytuacji lub pytania. Ważną własnością ludzkiej wiedzy są asocjacyjne mechanizmy pozwalające automatycznie wywoływać inne aktywnie powiązane reprezentacje neuronalne obiektów. Dzięki temu znacząco upraszczają się mechanizmy wyszukiwania stosowane w innych metodach wnioskowania lub próbach reprezentacji wiedzy wykorzystujące np. bazy danych. Zagadnienie to zostanie szczegółowo omówione później...


Eksploracja danych

Eksploracja danych (data mining) – to proces odkrywania wiedzy ukrytej w danych lub ich zbiorach (czyli baza danych) polegający na wyszukiwaniu prawidłowości, powtarzalności i zależności (relacji) pomiędzy danymi.


Baza wiedzy

Bazą wiedzy (knowledge base) – nazywamy rozległy zbiór logicznie powiązanych ze sobą danych i reguł logicznych dotyczących danej pewnej dziedziny lub obszaru tematycznego. Reguły logiczne operują na danych umożliwiając efektywne wykorzystywanie danych, które zwykle przechowywane są w postaci bazy danych. Baza wiedzy zwykle jest ściśle powiązana z jakimś systemem ekspertowym, który umożliwia wykorzystanie bazy wiedzy.


Wzorzec

Wzorzec (pattern) - to pewna grupa powiązanych (przestrzenie lub czasowo) ze sobą danych, które powtarzają się wielokrotnie w zbiorze danych uczących lub są podobne do innych takich grup danych. Wyszukiwanie wzorców w bazach danych ma duże znaczenie poznawcze, gdyż pozwala dane pogrupować i odkryć pewne charakterystyczne ich układy oraz powiązania, reprezentujące charakterystyczne zachowania różnych rzeczywistych obiektów, które modelują.


Klasa

Klasa (class) - to zwykle pewna grupa wzorców, a więc grupa grup powiązanych ze sobą danych, przy czym grupy tworzą klasę, gdy pomiędzy grupami danych (wzorcami) występuje pewne podobieństwo lub inna relacja grupująca je.


Klasteryzacja

Klasteryzacja (clustering) - to proces wyszukiwania grup wzorców na podstawie łączących je podobieństw lub innych zależności.


Klasyfikacja

Klasteryzacja (clustering) - to zadanie przyporządkowania wzorca do pewnej klasy lub inaczej mówiąc zadanie rozpoznawania wzorca jako elementu pewnej klasy.


Bibliografia i literatura

  1. Anderson J.R., Lebiere C.: The Newell test for a theory of cognition. Behavioral and Brain Science 26, 587–637 (2003)
  2. Cassimatis N.L.: Adaptive Algorithmic Hybrids for Human-Level Artificial Intelligence (2007)
  3. Duch W.: Brain-inspired conscious computing architecture. Journal of Mind and Behaviour, 26:1–22 (2005)
  4. Duch W., Oentaryo R.J., Pasquier M.: Cognitive Architectures: Where Do We Go From Here? In: Artificial General Intelligence, Ed. by Pei Wang, Ben Goertzel, and Stan Franklin, IOS Press, 122–136 (2008)
  5. Duch W., Matykiewicz P., Pestian J.: Towards Understanding of Natural Language: Neurocognitive Inspirations. LNCS 4669:953–962 (2007)
  6. Goddard C.: Semantic Analysis: A Practical Introduction. Oxford University Press, 78–81 (2012)
  7. Hecht-Nielsen R.: Confabulation Theory: The Mechanism of Thought. Springer (2007)
  8. Horzyk A.: How Does Generalization and Creativity Come into Being in Neural Associative Systems and How Does It Form Human-Like Knowledge? Neurocomputing, Elsevier, DOI: 10.1016/j.neucom.2014.04.046, 238–257 (2014)
  9. Horzyk A.: Human-Like Knowledge Engineering, Generalization and Creativity in Artificial Neural Associative Systems. Springer Verlag, AISC 11156, xx–xx, (2015)
  10. Horzyk A.: How Does Human-Like Knowledge Come into Being in Artificial Associative Systems. Proc. of the 8-th International Conference on Knowledge, Information and Creativity Support Systems, Krakow, Poland, 189–200 (2013)
  11. Horzyk A.: Sztuczne systemy skojarzeniowe i asocjacyjna sztuczna inteligencja. EXIT, Warszawa, 1–276 (2013)
  12. Horzyk A.: Information Freedom and Associative Artificial Intelligence. Springer, LNAI 7267:81–89 (2012)
  13. Inverso S.A., Hawes N., Kelleher J., Allen R., and Haase K.: Think And Spell: Context-Sensitive Predictive Text for an Ambiguous Keyboard Brain-Computer Interface Speller. Journal of Biomedizinische Technik (2004)
  14. Just M.A., Varma, S.: The organization of thinking: What functional brain imaging reveals about the neuroarchitecture of complex cognition. Cognitive, Affective, and Behavioral Neuroscience 7:153–191 (2007)
  15. Langley P., Choi D.: Learning recursive control programs from problem solving. J. of Mach. Learn. Res. 7:493–518 (2006)
  16. Nestor A., Kokinov B.: Towards Active Vision in the DUAL Cognitive Architecture. Int. J. on Information Theories and App. 11:9–15 (2004)
  17. Ogiela L., Tadeusiewicz R.: Kognitywistyka – klucz do umysłu naturalnego i sztucznego. Informatyka i psychologia w społeczeństwie informacyjnym, Wydawnictwa AGH, Kraków, 153–171 (2011)
  18. O'Reilly R.C, Munakata Y.: Computational Explorations in Cognitive Neuroscience: Understanding of the Mind by Simulating the Brain. Cambridge, MA: MIT Press (2000)
  19. Panton K., C. Matuszek, D. Lenat, D. Schneider, M. Witbrock, N. Siegel, Shepard B.: Common Sense Reasoning – From Cyc to Intelligent Assistant. In: Y. Cai and J. Abascal (Eds.): Ambient Intelligence in Everyday Life, LNAI 3864:1–31 (2006)
  20. Rutkowski, L., Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2005
  21. Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W. (eds.): Neural Networks in Biomedical Engineering, Biomedical Engineering – Basics and Applications, Vol. 9, Exit, Warsaw (2013)
  22. Tadeusiewicz R.: Introduction to Intelligent Systems. The Industrial Electronics Handbook - Intelligent Systems, Wilamowski B. M., Irvin J. D., Redaktorzy, Boca Raton, CRC Press, 1–12 (2011)
  23. Shapiro S.C., Rapaport W.J., Kandefer M., Johnson F.L., Goldfain A.: Metacognition in SNePS. AI Mag. 28, 17–31 (2007)
  24. Shastri L., Ajjanagadde V.: From simple associations to systematic reasoning: A connectionist encoding of rules, variables, and dynamic bindings using temporal synchrony. Behavioral && Brain Sciences 16(3), 417–494 (1993)
  25. Sowa J.F., Conceptual Structures. Reading, Mass, Addison-Wesley (1984)
  26. Sun R., Zhang X.: Top-down versus bottom-up learning in cognitive skill acquisition. Cogn. Sys. Research 5, 63–89 (2004)
  27. Wang P.: Rigid flexibility. The Logic of Intelligence, Springer (2006)