Wissensrepräsentation und Schlussfolgern

Wissensrepräsentation und Schlussfolgern ist der Zweig der künstlichen Intelligenz, der sich mit der Kodierung von Fakten über die Welt in einer für Computer nutzbaren Form und mit der Ableitung neuer Schlussfolgerungen aus diesem kodierten Wissen befasst.

Definition

Wissensrepräsentation und Schlussfolgern ist die Untersuchung, wie das Wissen eines Agenten in einer formalen Sprache ausgedrückt und wie die logischen Konsequenzen dieses Wissens berechnet werden können, damit der Agent Fragen beantworten und entscheiden kann, wie er handeln soll.

Scope

Dieser Bereich umfasst die Formalismen zur symbolischen Wissensrepräsentation und die darauf operierenden Inferenzverfahren: Aussagen- und Prädikatenlogik mit Theorembeweis und Resolution, semantische Netze, Frames und Ontologien, Beschreibungslogiken sowie nicht-monotones und Standard-Schlussfolgern. Es behandelt, wie die Ausdrucksstärke einer Repräsentation mit der Nachvollziehbarkeit des Schlussfolgerns abgewogen wird und wie Wissensbasen abgefragt und gewartet werden. Statistische und gelernte Wissensrepräsentationen gehören zum Unterfeld des maschinellen Lernens, und das Schlussfolgern speziell über Wahrscheinlichkeiten wird unter Schlussfolgern unter Unsicherheit behandelt.

Sub-topics

• Deskriptionslogiken
• Logisches Schließen und Theorembeweisen
• Nichtmonotones Schließen
• Semantische Netze und Ontologien

Core questions

• Wie können Fakten, Regeln und Beziehungen über einen Bereich in einer formalen, maschinell nutzbaren Sprache ausgedrückt werden?
• Welche Inferenzverfahren leiten neue Fakten ab, die aus einer Wissensbasis folgen, und sind diese fundiert und vollständig?
• Wie wirkt sich die Ausdrucksstärke einer Repräsentation auf die rechnerischen Kosten des Schlussfolgerns aus?
• Wie sollte das Schlussfolgern mit unvollständigen Informationen und Standardannahmen umgehen, die später zurückgenommen werden können?

Key concepts

• Aussagen- und Prädikatenlogik
• Folgerung und Inferenz
• Resolution und Theorembeweis
• semantische Netze und Frames
• Ontologien
• Beschreibungslogiken
• nicht-monotones und Standard-Schlussfolgern
• das Frame-Problem
• Kompromiss zwischen Ausdrucksstärke und Nachvollziehbarkeit

Key theories

Logik als Repräsentationssprache

Aussagen- und Prädikatenlogik bieten eine formale Syntax und eine modelltheoretische Semantik, in der die Folgerung die korrekte Inferenz erfasst und der Wissensrepräsentation eine rigorose Vorstellung davon vermittelt, welche Schlussfolgerungen durch eine Wissensbasis gerechtfertigt sind.

Resolution und automatisiertes Deduzieren

Robinsons Resolutionsprinzip reduziert die logische Inferenz auf eine einzige, mechanisierbare Regel für Klauseln, wodurch ein widerlegungs-vollständiger Theorembeweis für die Prädikatenlogik möglich wird und die Grundlage für Logikprogrammierung und automatisierte Schlussfolgersysteme bildet.

Das Frame-Problem und Common-Sense-Schlussfolgern

McCarthy und Hayes identifizierten die Schwierigkeit, darzustellen, was sich bei Aktionen ändert und was nicht (das Frame-Problem), was tiefe Herausforderungen bei der Formalisierung von Common-Sense-Wissen aufzeigte, die viel spätere Arbeiten in der nicht-monotonen Logik motivierten.

Clinical relevance

Wissensrepräsentation liegt Expertensystemen, dem Semantic Web und verknüpften Daten, ontologiegesteuerten Anwendungen in Biomedizin und Ingenieurwesen, der Beantwortung von Anfragen über strukturierte Wissensbasen und der formalen Verifikation von Systemen zugrunde; auf Beschreibungslogiken basierende Ontologien sind zentral für groß angelegte Wissensgraphen.

History

Die logikbasierte Wissensrepräsentation begann mit McCarthys Vorschlag für einen „Advice Taker“ im Jahr 1959 und wurde durch die McCarthy-Hayes-Analyse des Frame-Problems (1969) und Robinsons Resolutionsprinzip (1965) vertieft. Parallele strukturierte Ansätze führten in den 1970er Jahren zu semantischen Netzen und Minskys Frames, die später als Beschreibungslogiken formalisiert wurden und modernen Ontologien zugrunde liegen.

Debates

Logizistische vs. prozedurale und strukturierte Repräsentationen

Eine langjährige Debatte kontrastiert die deklarative Wissensrepräsentation in der Logik mit allgemeiner Inferenz gegenüber strukturierten oder prozeduralen Repräsentationen (Frames, semantische Netze, Skripte), die angeblich die Common-Sense-Organisation besser erfassen; Beschreibungslogiken versöhnten die beiden teilweise, indem sie strukturierten Repräsentationen eine logische Semantik gaben.

Key figures

• John McCarthy
• Patrick J. Hayes
• John Alan Robinson
• Ronald J. Brachman
• Hector J. Levesque
• Marvin Minsky

Seminal works

• mccarthy1969
• robinson1965
• brachman2004

Frequently asked questions

Was ist der Unterschied zwischen Wissensrepräsentation und einer Datenbank?

Eine Datenbank speichert explizite Fakten und beantwortet Anfragen dazu, während ein Wissensrepräsentationssystem auch allgemeine Regeln und Beziehungen kodiert und Inferenz nutzt, um Fakten abzuleiten, die nie explizit gespeichert wurden. Der Schwerpunkt der Wissensrepräsentation liegt auf dem Schlussfolgern, nicht nur auf dem Abrufen.

Warum gibt es einen Kompromiss zwischen Ausdrucksstärke und Nachvollziehbarkeit?

Ausdrucksstärkere Sprachen können subtilere Fakten ausdrücken, machen aber die Inferenz im Allgemeinen rechnerisch schwieriger, manchmal unentscheidbar. Die Forschung zur Wissensrepräsentation sucht nach Sprachen, wie bestimmten Beschreibungslogiken, die ausdrucksstark genug sind, um nützlich zu sein, während das Schlussfolgern entscheidbar und effizient bleibt.