Manusia pandai memahami, menalar, dan menafsirkan pengetahuan. Dan menggunakan pengetahuan ini, mereka mampu melakukan berbagai tindakan di dunia nyata. Tapi bagaimana mesin melakukan hal yang sama? Dalam artikel Konsep Koding ini, kita akan belajar tentang Representasi Pengetahuan dalam AI dan bagaimana hal itu membantu mesin melakukan penalaran dan interpretasi menggunakan Kecerdasan Buatan.



Apa itu Representasi Pengetahuan?

Representasi Pengetahuan dalam AI menggambarkan representasi pengetahuan. Pada dasarnya, ini adalah studi tentang bagaimana keyakinan, niat, dan penilaian agen cerdas dapat diekspresikan sesuai untuk penalaran otomatis. Salah satu tujuan utama dari Representasi Pengetahuan termasuk pemodelan perilaku cerdas untuk agen.

Representasi Pengetahuan dan Penalaran (KR, KRR) mewakili informasi dari dunia nyata untuk komputer untuk memahami dan kemudian memanfaatkan pengetahuan ini untuk memecahkan masalah kehidupan nyata yang kompleks seperti berkomunikasi dengan manusia dalam bahasa alami. Representasi pengetahuan dalam AI bukan hanya tentang menyimpan data dalam database, ini memungkinkan mesin untuk belajar dari pengetahuan itu dan berperilaku cerdas seperti manusia.

Berbagai jenis pengetahuan yang perlu direpresentasikan dalam AI meliputi:

  • Objek
  • Acara
  • Pertunjukan
  • Fakta
  • Meta-Pengetahuan
  • Dasar pengetahuan

Sekarang setelah Anda mengetahui tentang representasi Pengetahuan dalam AI, mari kita lanjutkan dan ketahui tentang berbagai jenis Pengetahuan.


Berbagai Jenis Pengetahuan

Ada 5 jenis Pengetahuan seperti:

Pengetahuan Deklaratif – Ini mencakup konsep, fakta, dan objek dan diekspresikan dalam kalimat deklaratif.

Pengetahuan Struktural – Ini adalah pengetahuan pemecahan masalah dasar yang menjelaskan hubungan antara konsep dan objek.

Pengetahuan Prosedural – Ini bertanggung jawab untuk mengetahui bagaimana melakukan sesuatu dan mencakup aturan, strategi, prosedur, dll.

Pengetahuan Meta – Pengetahuan Meta mendefinisikan pengetahuan tentang jenis Pengetahuan lainnya.

Pengetahuan Heuristik – Ini mewakili beberapa pengetahuan ahli di bidang atau subjek.

Ini adalah jenis Representasi Pengetahuan yang penting dalam AI. Sekarang, mari kita lihat siklus representasi pengetahuan dan cara kerjanya.


Siklus Representasi Pengetahuan dalam AI

Sistem Kecerdasan Buatan biasanya terdiri dari berbagai komponen untuk menampilkan perilaku cerdasnya. Beberapa komponen tersebut antara lain:

  • Persepsi
  • Sedang belajar
  • Representasi & Penalaran Pengetahuan
  • Perencanaan
  • Eksekusi

Berikut adalah contoh untuk menunjukkan berbagai komponen sistem dan cara kerjanya:




Diagram di atas menunjukkan interaksi sistem AI dengan dunia nyata dan komponen yang terlibat dalam menunjukkan kecerdasan.

  • Komponen Perception mengambil data atau informasi dari lingkungan. dengan bantuan komponen ini, Anda dapat mengambil data dari lingkungan, mengetahui sumber kebisingan dan memeriksa apakah AI rusak oleh sesuatu. Juga, ini mendefinisikan bagaimana merespons ketika ada rasa yang terdeteksi.
  • Lalu, ada Komponen Pembelajaran yang belajar dari data yang ditangkap oleh komponen persepsi. Tujuannya adalah untuk membangun komputer yang dapat diajarkan alih-alih memprogramnya. Belajar berfokus pada proses perbaikan diri. Untuk mempelajari hal-hal baru, sistem membutuhkan akuisisi pengetahuan, inferensi, akuisisi heuristik, pencarian lebih cepat, dll.
  • Komponen utama dalam siklus ini adalah Representasi dan Penalaran Pengetahuan yang menunjukkan kecerdasan seperti manusia di dalam mesin. Representasi pengetahuan adalah tentang memahami kecerdasan. Alih-alih mencoba memahami atau membangun otak dari bawah ke atas, tujuannya adalah untuk memahami dan membangun perilaku cerdas dari atas ke bawah dan fokus pada apa yang perlu diketahui agen untuk berperilaku cerdas. Juga, ini mendefinisikan bagaimana prosedur penalaran otomatis dapat membuat pengetahuan ini tersedia sesuai kebutuhan.
  • Komponen Perencanaan dan Eksekusi bergantung pada analisis representasi pengetahuan dan penalaran. Di sini, perencanaan termasuk memberikan keadaan awal, menemukan prasyarat dan efeknya, dan urutan tindakan untuk mencapai keadaan di mana tujuan tertentu dipegang. Sekarang setelah perencanaan selesai, tahap terakhir adalah pelaksanaan seluruh proses.

Jadi, ini adalah komponen yang berbeda dari siklus Representasi Pengetahuan di AI. Sekarang, mari kita pahami hubungan antara pengetahuan dan kecerdasan.


Apa Hubungan antara Pengetahuan & Kecerdasan?

Di dunia nyata, pengetahuan memainkan peran penting dalam kecerdasan serta menciptakan kecerdasan buatan. Ini menunjukkan perilaku cerdas dalam agen atau sistem AI. Adalah mungkin bagi agen atau sistem untuk bertindak secara akurat pada beberapa input hanya jika ia memiliki pengetahuan atau pengalaman tentang input tersebut.


Mari kita ambil contoh untuk memahami hubungannya:




Dalam contoh ini, ada satu pembuat keputusan yang tindakannya dibenarkan dengan merasakan lingkungan dan menggunakan pengetahuan. Tetapi, jika kita menghapus bagian pengetahuan di sini, itu tidak akan dapat menampilkan perilaku cerdas apa pun.

Sekarang setelah Anda mengetahui hubungan antara pengetahuan dan kecerdasan, mari beralih ke teknik Representasi Pengetahuan dalam AI.


Pendekatan untuk Representasi Pengetahuan dalam AI

Ada berbagai pendekatan untuk representasi pengetahuan seperti:

1. Pengetahuan Relasional Sederhana

Ini adalah cara paling sederhana untuk menyimpan fakta yang menggunakan metode relasional. Di sini, semua fakta tentang satu set objek diatur secara sistematis dalam kolom. Juga, pendekatan representasi pengetahuan ini terkenal dalam sistem database di mana hubungan antara entitas yang berbeda diwakili. Dengan demikian, ada sedikit kesempatan untuk inferensi.




2. Pengetahuan yang Dapat Diwariskan

Dalam pendekatan pengetahuan yang diwariskan, semua data harus disimpan ke dalam hierarki kelas dan harus diatur dalam bentuk umum atau secara hierarkis. Juga, pendekatan ini mengandung pengetahuan yang dapat diwarisi yang menunjukkan hubungan antara instance dan kelas, dan ini disebut relasi instance. Dalam pendekatan ini, objek dan nilai direpresentasikan dalam node Kotak.


Baca Juga:

Apa Itu Machine Learning (ML) Dan Manfaatnya

Apa Itu Artificial Intelligence Dan Bagaimana Cara Kerjanya