Knowledge Representation là gì? Hiểu về biểu diễn tri thức trong AI

Knowledge Representation là gì?

Biểu diễn tri thức, tiếng Anh là Knowledge Representation. 

Về cơ bản, Knowledge Representation là một phần quan trọng của Trí tuệ nhân tạo AI, nó liên quan đến tư duy của tác tử phần mềm AI và cách tư duy đó đóng góp vào hành vi thông minh của các tác tử phần mềm (agent).

Biểu diễn và lập luận tri thức (Knowledge Representation and Reasoning - KR, KRR) đại diện cho nguồn thông tin từ thế giới thực cần máy tính hiểu và sử dụng để giải quyết các vấn đề phức tạp trong cuộc sống thực, chẳng hạn là giao tiếp với con người bằng ngôn ngữ tự nhiên. Biểu diễn tri thức trong AI không dừng lại ở lưu trữ dữ liệu trong cơ sở dữ liệu, mà nó còn cho phép máy học hỏi từ kiến ​​thức đó và hoạt động thông minh như con người.

Các loại tri ​​thức cần được biểu diễn trong AI gồm:

• Các sự vật (Objects): 
• Sự kiện (Events)
• Hàn vinh (Performance)
• Sự thật (Facts)
• Siêu kiến ​​thức (Meta-Knowledge)
• Kiến thức cơ bản (Knowledge-base)

Các loại tri thức khác nhau

Có 5 loại tri thức (knowledge) gồm:

• Tri thức khai báo - Declarative Knowledge bao gồm các khái niệm, sự kiện và sự vật; được thể hiện trong tính năng khai báo.
• Tri thức cấu trúc - Structural Knowledge là tri ​​thức giải quyết vấn đề mô tả cơ bản về mối quan hệ giữa các khái niệm và sự vật.
• Trí thức về thủ tục - Procedural Knowledge là trách nhiệm biết cách thực hiện một điều gì đó avf có thể áp dụng cho bất kỳ nhiệm vụ nào; loại tri thức này bao gồm các quy tắc, thủ tục, chiến lược, v.v.
• Siêu tri thức - Meta Knowledge là loại tri thức về các loại tri thức khác.
• Tri thức heuristic - Heuristic Knowledge đại diện cho một số tri thức chuyên môn trong những lĩnh vực hay chủ đề nhất định.

Chu trình biểu diễn tri thức trong AI

Hệ thống trí tuệ nhân tạo thường bao gồm nhiều thành phần để có thể hiển thị hành vi thông minh của chúng. Một trong số đó bao gồm:

• Nhận thức (Perception)
• Học tập (Learning)
• Biểu diễn tri thức và lập luận (Knowledge Representation & Reasoning)
• Lập kế hoạch (Planning)
• Chấp hành (Execution)

Dưới đây là ví dụ về hiển thị các thành phần khác nhau của hệ thống AI và cách thức hoạt động của nó:

Trong ví dụ,

Perception có vai trò truy xuất dữ liệu hoặc thông tin từ môi trường. Với sự trợ giúp của thành phần nhận thức, hệ thống AI có thể lấy thông tin từ môi trường của nó, đó có thể là hình ảnh, âm thanh hay các đầu vào khác. Ngoài ra nó có thể  kiểm tra xem AI có bị hư hại bởi bất kỳ thứ gì hay không. 

Learning sẽ tiến hành học từ dữ liệu đã thu thập bởi Perception. Mục tiêu của bước này là xây dựng máy tính có thể tự học thay vì lập trình chúng hoàn toàn. Để học những điều mới, hệ thống AI yêu cầu thu thập nhiều tri ​​thức, suy luận, kinh nghiệm, tìm kiếm nhanh hơn, v.v.

Knowledge Representation & Reasoning là thành phần chính trong chu trình, nó thể hiện trí thông minh giống của con người trong máy móc. Biểu diễn tri thức đại diện cho toàn bộ sự hiểu biết về trí thông minh. Mục tiêu của nó là hiểu và xây dựng hành vi thông minh và tập trung vào những gì một tác tử phần mềm cần để có thể hành xử thông minh. 

Planning và Execution phụ thuộc vào phân tích của thành phần Biểu diễn tri thức và lập luận. Ở đây, việc lập kế hoạch bao gồm đưa ra trạng thái ban đầu, tìm ra các điều kiện tiên quyết và tác động của chúng, và một chuỗi các hành động để đạt được trạng thái mà một mục tiêu cụ thể nắm giữ.

Mối quan hệ giữa Tri thức & Trí thông minh là gì?

Trong thế giới thực, tri thức đóng vai trò sống còn trong khái niệm về trí thông minh và Trí tuệ nhân tạo cũng không ngoại lệ. Nó thể hiện hành vi thông minh trong các tác tử phần mềm hoặc hệ thống AI. Hay nói cách khác, tác tử phần mềm cũng như hệ thống AI chỉ có thể hành động chính xác trên các đầu vào khi chúng có tri thức hoặc kinh nghiệm về đầu vào đó.

Ví dụ:

Có thể dễ dàng nhận thấy, khi một người đưa ra quyết định bất kỳ, họ sẽ sử dụng cảm nhận môi trường và tri ​​thức để có hành động hợp lý. Tuy nhiên, nếu loại bỏ phần tri ​​thức, chắc chắn sẽ không có bất cứ hàng vi thông minh nào xảy ra.

Kỹ thuật của Knowledge Representation trong AI

Có 4 kỹ thuật biểu diễn tri thức trong AI là:

1. Biểu diễn Logic (Logical Representation)

Biểu diễn logic là một thuật ngữ có quy tắc, xác định xử lý và biểu các mệnh đề một cách cụ thể. Nó đại diện cho một kết luận dựa trên nhiều điều kiện khác nhau và đưa ra một số quy tắc giao tiếp quan trọng. Logical Representation bao gồm cú pháp và ngữ nghĩa. Trong đó,

• Cú pháp - Syntax: quyết định cách chúng ta có thể xây dựng các câu đúng logic; xác định ký hiệu nào có thể sử dụng trong biểu diễn tri thức và cách viết ký hiệu đó. 
• Ngữ nghĩa - Semantics: là các quy tắc để chúng ta có thể diễn giải câu theo logic; nó gán ý nghĩa cho mỗi câu.

Ưu điểm của kỹ thuật biểu diễn Logic: Logical Representation có vai trò giúp thực hiện suy luận logic; là cơ sở cho ngôn ngữ lập trình.

Nhược điểm của kỹ thuật biểu diễn Logic: Hạn chế của kỹ thuật biểu diễn này nằm trong sự phức tạp để làm việc với nó; kết quả mang lại của nó có thể không tự nhiên và đôi khi không hiệu quả lắm.

2. Biểu diễn mạng ngữ nghĩa (Semantic Network Representation)

Trong kỹ thuật này, bạn có thể biểu diễn tri ​​thức dưới dạng đồ họa. Mạng này bao gồm các nút đại diện cho các sự vật và các cung đại diện cho mối quan hệ của các sự vật đó. Ngoài ra, Semantic Network Representation phân loại sự vật theo các dạng khác nhau và liên kết chúng.

Kỹ thuật biểu diễn này bao gồm hai loại quan hệ: IS-A relation (Inheritable - kết thừa) và Kind-of-relation.

Ưu điểm của kỹ thuật biểu diễn mạng ngữ nghĩa: là dạng biểu diễn tự nhiên của tri thức; truyền đạt ý nghĩa một cách minh bạch; kết quả cuối cùng đơn giản và dễ hiểu.

Nhược điểm của kỹ thuật biểu diễn mạng ngữ nghĩa: kỹ thuật này tiêu tốn nhiều thời gian để tính toán; các mạng này không thông minh, chúng phụ thuộc vào người tạo ra hệ thống.

3. Biểu diễn khung (Frame Representation)

Khung là một cấu trúc giống như bản ghi bao gồm một tập hợp các thuộc tính và giá trị để mô tả một thực thể. Đây là cấu trúc dữ liệu AI, nó phân chia tri ​​thức thành các cấu trúc con bằng cách biểu diễn các tình huống mẫu. Về cơ bản, Frame Representation bao gồm một tập hợp các vị trí với giá trị thuộc bất kỳ loại hay kích thước nào.

Ưu điểm của kỹ thuật biểu diễn khung: giúp việc lập trình trở nên dễ dàng hơn thông qua cách nhóm các dữ liệu liên quan với nhau; kết quả cho ra dễ hiểu và dễ hình dung.

Nhược điểm của kỹ thuật biểu diễn khung: xử lý cơ chế suy luận trong kỹ thuật này không hề dễ dàng hay suôn sẻ.

4. Quy tắc sản xuất (Production Rules)

Trong quy tắc sản xuất, tác tử phần mềm kiểm tra điều kiện và nếu có điều kiện tồn tại thì quy tắc sản xuất sẽ kích hoạt và hành động tương ứng sẽ được thực hiện. Phần điều kiện của quy tắc xác định quy tắc nào có thể được áp dụng cho vấn đề nào. Trong khi đó, phần hành động sẽ thực hiện các bước giải quyết vấn đề liên quan. Toàn bộ quá trình này được gọi là chu trình nhận biết-hành động.

Production Rules bao gồm ba phần chính: Bộ quy tắc sản xuất, bộ nhớ làm việc, chu kỳ nhận biết-hành động

Ưu điểm của kỹ thuật quy tắc sản xuất: các quy tắc sản xuất được thể hiện bằng ngôn ngữ tự nhiên; chúng có tính mô-đun cao và có thể dễ dàng loại bỏ hoặc sửa đổi.

Nhược điểm của kỹ thuật quy tắc sản xuất: kỹ thuật này không thể hiện khả năng học của máy và không lưu trữ kết quả để có thể sử dụng trong tương lai; các hệ thống sản xuất dựa trên quy tắc thường không hiệu quả.

Các phương pháp biểu diễn tri thức trong AI

Knowledge Representation có nhiều cách tiếp cận khác nhau:

1. Tri thức quan hệ đơn giản

Simple Relational Knowledge là cách đơn giản nhất để lưu trữ các sự kiện qua phương pháp quan hệ. Ở đây, tất cả các sự kiện về một tập hợp các sự vật được trình bày theo hệ thống các cột. Cách tiếp cận biểu diễn tri thức này được sử dụng rộng rãi trong các hệ thống cơ sở dữ liệu, nơi mối quan hệ giữa các thực thể khác nhau cùng được biểu diễn.

Ví dụ:

2. Tri thức kế thừa

Trong Inheritable Knowledge, tất cả dữ liệu phải được lưu trữ trong một hệ thống phân cấp thành lớp và được sắp xếp ở dạng tổng quát hoặc theo cách phân cấp. Ngoài ra, cách tiếp cận này chứa tri ​​thức có thể kế thừa được gọi là quan hệ thực thể. Theo cách tiếp cận này, mỗi khung riêng lẻ sẽ đại diện cho tập hợp các thuộc tính và giá trị tập hợp khác nhau..

Ví dụ:

3. Tri thức suy luận

Inferential Knowledge biểu diễn tri thức dưới dạng hình thức. Cách tiếp cận này có thể thu thập được nhiều dữ kiện hơn mà vẫn đảm bảo tính chính xác.

Giả sử có hai câu lệnh:

• John là một vận động viên cricket.
• Tất cả các vận động viên cricket đều là vận động viên.

Chúng có thể được biểu diễn dưới dạng;

Cricketer(John)
∀x = Cricketer (x) ———> Vận động viên (x)s

Hệ thống biểu diễn tri thức tốt gồm những thuộc tính nào?

• Độ chính xác: Knowledge Representation phải biểu thị tất cả các loại tri ​​thức cần thiết.
• Suy luận đầy đủ: Knowledge Representation có thể thao tác các cấu trúc biểu diễn để tạo ra kiến ​​thức mới tương ứng với cấu trúc hiện có.
• Hiệu quả suy luận: Khả năng hướng cơ chế tri thức suy luận vào các hướng hiệu quả nhất bằng cách lưu trữ các hướng dẫn thích hợp.
• Hiệu quả tiếp thu: Khả năng tiếp thu tri ​​thức mới một cách dễ dàng bằng các phương pháp tự động.

Trên đây là một số cách tiếp cận để biểu diễn tri thức trong AI cùng với một số ví dụ. Với những thông tin đã cung cấp, hy vọng bạn đã hiểu Knowledge Representation là gì. Theo dõi Meey Land để cập nhật thêm nhiều thông tin công nghệ hữu ích.