Predstavljanje znanja: pregled područja Martina Ašenbrener Katić Odjel za informatiku, Sveučilište u Rijeci Radmile Matejčić 2, 51000 Rijeka, Hrvatska masenbrener@inf.uniri.hr Sažetak - U radu je opisano područje umjetne inteligencije s naglaskom na predstavljanje (prikazivanje) znanja. Dan je pregled definicija inteligencije, umjetne inteligencije i znanja. Definirani su i objašnjeni pojmovi koji su usko vezani uz znanje, hijerarhijski prikaz znanja te navedene glavne značajke znanja. Za predstavljanje znanja razvijeni su različiti pristupi. Neki od osnovnih prikaza, s naglaskom na grafičke metode za predstavljanje znanja, objašnjeni su u radu. Ključne riječi: inteligencija, umjetna inteligencija, znanje, prikaz znanja, grafičke metode za prikaz znanja I. UVOD Iako je područje umjetne inteligencije relativno mlado područje, naslijedilo je mnoge ideje, stavove i tehnike iz drugih znanosti (humanističkih, prirodnih i kognitivnih znanosti). U današnje vrijeme, umjetna inteligencija spaja teorije zaključivanja i učenja (iz filozofije), formalnu logiku, teoriju vjerojatnosti, odlučivanja i računanje (iz matematike), mogućnost istraživanja ljudskog uma i znanstveni jezik u kojem se izražavaju nastale teorije (iz psihologije), teoriju strukture i značenje jezika (iz lingvistike) te alat s kojim pomoću UI može stvoriti stvarnost preuzet iz računalnih znanosti. Jedan od središnjih problema na području umjetne inteligencije jest razvoj dovoljno precizne i djelotvorne notacije za prikaz znanja u inteligentnom sustavu. Tijekom vremena razvili su se različiti pristupi za predstavljanje znanja. U ovisnosti o zahtjevima, različite aplikacije trebaju različite formalizme i jezike koji se razlikuju po svojoj složenosti i stupnju formalizma. Odabir prikladnog rječnika i stupnja formalizma, naizmjence, ovisi o osnovnim konceptima inteligentnog ponašanja [1]. U nastavku su opisani osnovni pojmovi vezani za područje umjetne inteligencije i predstavljanje znanja te objašnjeni osnovni pristupi za sheme za prikaz znanja s naglaskom na grafičke metode. II. UMJETNA INTELIGENCIJA Da bi se govorilo o umjetnoj inteligenciji, potrebno je definirati što je inteligencija. Inteligencija dolazi od lat. Intelligere razabirati, shvaćati, razumijevati). Ne postoji suglasnost oko definicije inteligencije. Većina definicija uključuje koncepte kao što su apstraktno rasuđivanje, razumijevanje, samosvijest, komunikacija, učenje, planiranje i rješavanje problema [2]. Neke od definicija inteligencije su: svojstvo uspješnog snalaženja jedinke u novim situacijama (R. Pintner). sposobnost učenja prilagodbe na okolinu (Colvin) opća sposobnost apstraktnog zaključivanja pri rješavanju problema (Terman) urođena opća kognitivna sposobnost (Burt) svrsishodno i prilagodljivo ponašanje u danim okolnostima (Psihologija, grupa autora, Školska knjiga, Zagreb, 1992.) Inteligencija se manifestira u odnosu na neki posebni društveni i kulturni kontekst (J. Weizenbaum, 1975.) Umjetna inteligencija (engl. Artificial inteligence) je inteligentno ponašanje strojeva sa sposobnošću: zaključivanja, prikupljanja i upotrebe znanja, korištenja znanja i izmjenjivanja zamisli te postavljanja problema [3]. Na konferenciji u Dartmouthu 1956. J. McCarthy definirao je naziv Umjetna inteligencija engl. Artificial inteligence. U [4] su dane definicije umjetne inteligencije organizirane u četiri kategorije, ovisno o tome stavlja li se naglasak na misaoni proces (razmišljanje) ili na ponašanje, te obavlja li se inteligencija u terminima ljudske izvedbe ili racionalnosti. S obzirom na to, definicije se dijele na: razmišljati ljudski, razmišljati racionalno, ponašati se ljudski, ponašati se racionalno. Definicije su dane u tablici 1. D. W. Patterson (1990.) definira Umjetna inteligencija je grana računarske znanosti koja se bavi proučavanjem i oblikovanjem računarskih sustava koji pokazuju neki oblik inteligencije. Takvi sustavi mogu učiti, mogu donositi zaključke o svijetu koji ih okružuje, oni razumiju prirodni jezik te mogu spoznati i tumačiti složene vizualne scene te obavljati druge vrste vještina za koje se zahtijeva čovjekov tip inteligencije.
TABLICA I. DEFINICIJE UMJETNE INTELIGENCIJE ORGANIZIRANE U ČETIRI KATEGORIJE Razmišljati ljudski - Uzbudljivi novi pokušaj da se omogući razmišljanje računalima... strojevi s umovima, u punom i doslovnom smislu. (Haugeland, 1985) - Automatizacija aktivnosti koje asociramo s ljudskim razmišljanjem, poput donošenja odluka, rješavanja problema, učenja... (Bellman, 1978) Ponašati se ljudski - Proces stvaranja strojeva koji obavljaju funkcije koje zahtijevaju inteligenciju koju imaju ljudi (Kurzwil, 1990) - Proučavanje kako učiniti da računala rade stvari u kojima su, trenutno, ljudi bolji (Rich i Knight, 1991) Prema [5], [6] inteligentni sustav je svaki sustav koji pokazuje sljedeća svojstva: Pokazuje prilagodljivo ciljno usmjereno ponašanje - Željeni cilj ili ciljeve predočiti podciljevima i koristiti znanje o operacijama i postupcima koji prevode željeni cilj u slijed akcija. Ako neki od podciljeva nije ostvariv sustav traži alternativni put prema konačnom cilju sustava. Uči na temelju iskustva - Sustav ima algoritme za automatsku modifikaciju strukture i funkcija na temelju iskustva koja stiče u radu - učenje podrazumijeva da sustav može prikupljati, prikazivati i upotrebljavati znanje. Koristi velike količine znanja - Količina znanja pohranjena u sustavu mora biti slična količini znanja koju posjeduje čovjek da bi riješio takav problem. Pokazuje svojstva svjesnosti - Sustav ima sposobnost objašnjavanja svojeg ponašanja, nadgledanja i dijagnoze stanja te oporavka u slučaju pogreške. Komunicira s čovjekom prirodnim jezikom i govorom - Sustav mora komunicirati s čovjekom i drugim inteligentnim sustavima na prijateljski način - zato upotrebljava prirodni jezik i govor. Takva komunikacija podrazumijeva baratanje i dvosmislenostima, i gramatički neispravnim rečenicama. Tolerira pogreške i nejasnoće u komunikaciji Odgovara u stvarnom vremenu Razmišljati racionalno - Proučavanje mentalnih svojstava kroz uporabu računalnih modela. (Charniak i McDermott, 1985) - Proučavanje postupaka koji mogućim čine percipiranje, rasuđivanje i reagiranje. (Winston, 1992) Ponašati se racionalno - Polje rada koje želi objasniti i emulirati inteligentno ponašanje u smislu računalnih procesa (Schalko, 1990) - Grana računarnih znanosti koja se bavi automatizacijom inteligentnog ponašanja (Luger i Stubbleeld,1993) Osim navedenih svojstava, inteligentni sustav ima i sljedeće funkcije [3]: prikupljanje i obrada podataka, interakcija s vanjskim svijetom (radnom okolinom), komunikacija s čovjekom i/ili drugim inteligentnim sustavima, prikupljanje znanja (učenje), rukovanje znanjem, obrada znanja i zaključivanje, planiranje i drugi. Čovjek razvija inteligentne sustave koji mogu računati, govoriti, slati poruke, pamtiti podatke, ponovo ih koristiti, raditi koristan rad i drugo. Umjetna inteligencija je općenito bilo kakvo dodavanje bilo kojeg inteligentnog svojstva u sustav [7]. Prema Association of Computing Machinery, ACM, područja umjetne inteligencije su: Opće područje (kognitivno modeliranje, filozofske osnove) Ekspertni sustavi i primjene Automatsko programiranje Dedukcija i dokazivanje teorema Formalizmi i metode prikaza znanja Strojno učenje Razumijevanje i obrada prirodnih i umjetnih jezika Rješavanje problema, metode upravljanja i metode pretraživanja prostora stanja Robotika Računalni vid, raspoznavanje uzoraka i analiza scena Raspodijeljena umjetna inteligencija. Područje umjetne inteligencije u suradnji je s drugim znanostima, primjerice s Humanističkim znanostima (lingvistika, filozofija, psihologija), prirodnim znanostima (matematika, biologija), kognitivnom znanošću (interdisciplinarno znanstveno istraživanje uma (računarstvo, neuroznanost, psihologija, lingvistika, antropologija)) i tako dalje. III. ZNANJE Što je znanje? O tom pitanju raspravljali su filozofi još u antičkoj Grčkoj, ali još uvijek nije precizno određeno [8]. Znanje (engl. knowledge) je u [9] opisano kao: I) poznavanje čega ili spoznaja o čemu (činjenica, stvari); II) a. teoretsko ili praktično poznavanje predmeta, jezika i sl. b. ukupnost poznavanja, sustavnost spoznaja tih predmeta; znanost. Znanje je Spoznaja + Logika [10] Spoznaja uključuje nepropozicijsko razumijevanje (npr. kao što je percepcija, pamćenje i refleks), ali i propozicijsko razumijevanje te razumijevanje sudova o nepropozicijskom razumijevanju. Logika je znanost koja proučava načela koja vode do ispravnih zaključaka.
U [11] je znanje opisano kao skup informacija koji je ljudima razumljiv i koristan za bilo koje ljudsko djelovanje. Autori u [12] opisuju znanje kao fluidnu mješavinu oblikovanoga iskustva, vrijednosti, povezanih informacija i ekspertnih mišljenja koja osigurava okvir za ocjenjivanje i uključivanje novih iskustava i informacija. Ono potječe i primijenjeno je u umovima znalaca. U organizacijama, znanje je često pohranjeno ne samo u dokumentima ili spremištima bazama znanja), već i u organizacijskim rutinama, procesima, praksama i normama. Znanje se može prikazati kroz nekoliko aspekata znanja (podatak, informacija, znanje, mudrost), njegove svrhe i konteksta upotrebe [13]. Podatak je bilo koji predmet mišljenja koji može prenijeti informaciju; formalizirani znakovni prikaz činjenica, pojmova i naredaba pogodan za priopćavanje, interpretiranje te analognu i digitalnu obradu [14]. Informacija je osobina podatka kojim se smanjuje neodređenost u sustavu.; ono što podatak prenosi, ali i osobina podatka (ono što podatak nosi i što je za njega vezano); neodređeni pojam čiji je karakter u bliskoj vezi s načinom na koji se informacija prenosi (npr. pismo, govor, slika i sl.); informacija se može predočiti kao značenje što se pridodaje podacima pomoću konvencija koje se koriste za njihovo tumačenje; [14]. Mudrost je pojam kojim se označuje posebna kvaliteta inteligencije, znanja i djelovanja,... istoznačnica za pamet, premda ova označava sposobnost za mudrost, ali ne još i samu mudrost. U starih Grka mudrost (sofía) je odlika filozofa koji teži istinskom... [15] Modeli prikaza znanja (podatak informacija znanje mudrost (engl. data information knowledge - wisdom, skraćeno DIKW) ne uključuju uvijek sve 4 komponente. Ranije verzije nisu uključivale podatke, novije verzije izostavljaju mudrost, a neki modeli uključuju neke dodatne elemente. Podatak, informacija i znanje tri su osnovna koncepta u kontekstu informacijskih znanosti. Akademska i Slika 1. Hijerarhijski prikaz znanja [16], [17] profesionalna IS literatura pruža raznolika mišljenja o svakom konceptu. Očigledno, priroda relacije između njih je sporna kao i njihovo značenje [12]. Povezanost podataka, informacija, znanja i mudrosti moguće je hijerarhijski prikazati piramidom prikazanom na slici 1 [16], [17]. Bazu piramide tvore podaci, nakon toga hijerarhijski slijede informacija, zatim znanje i na vrhu mudrost [16]. Osim što je ovaj model predstavljen HIJERARHIJOM ili PIRAMIDOM, često zna biti okarakteriziran kao [18]: LANAC (Lievesley, Denise; Data Information Knowledge Chain; 2006) OKVIR (Chisholm, James; Warmnan, Greg; Experimental Learning in Change Management; 2007) KONTINUUM (Choo, Chun Wei; Detlor, Brian; Turnbull, Don; Web Work: Information Seeking and Knowledge Work on the World Wide Web; 2006) Na slici 2. prikazan je jedan od pogleda na DIKW hijerarhiju. Slika 2. Jedan pogled na DIKW hijerarhiju (Clark, 2004.) Znanje proizlazi iz uma prilikom rada. To je ukupnost svega što je bilo spoznato, otkriveno ili izvedeno zaključivanjem. Znanje je neophodno za dobra odlučivanja, tj. za prepoznavanje i razumijevanje uzročno/posljedičnih odnosa koji utječu na poslovanje organizacije, a time i na sposobnost predviđanja njezine budućnosti [19]. U [20], [21] navodi se sedam glavnih značajki znanja: 1. Znanje ima praktičnu svrhu - znanje pomaže u rješavanju praktičnih problema. 2. Znanje može biti vezano uz osobu, a i ne mora - znanje dolazi u dva oblika - osobno (znanje koje posjeduje neka osoba) i predstavljeno (npr. kroz tekst, sliku, zvuk i bilo što drugo što može nositi znanje). 3. Znanje ima normativnu strukturu - znanje se sastoji iz prihvaćenih izjava. 4. Znanje je interno povezano - interna struktura znanja se sastoji iz dijelova koji su međusobno povezani.
5. Znanje je izvana povezano - znanje je povezano s drugim znanjem. 6. Znanje je dinamično - znanje se mijenja (ne samo da raste, već se odbacuje, prepoznaje, koristi, zapisuje, prenosi, dijeli, preformulira itd.). 7. Znanje ima institucionalni kontekst - institucije se brinu o generiranju, formiranju i distribuciji znanja. Prikaz znanja treba olakšati njegovu praktičnu primjenu, distribuciju među ljudima (ali i računalima, te ljudima i računalima), treba moći prikazati izjave iz kojih se znanje sastoji, njihovu međusobnu povezanost, povezanost jednoga znanja s drugim, treba omogućiti mijenjanje znanja, te olakšati institucijama generiranje, formiranje i distribuciju znanja. Znanje se može prikazati na bilo koji način koji može nositi znanje - u biti način kojim se znanje prikazuje predstavlja nosač znanja. Jedan od nosača znanja je tekst [21]. IV. PREDSTAVLJANJE ZNANJA Predstavljanja znanja (prikaz znanja, reprezentacija znanja, engl. Knowledge representation, KR) počelo se razvijati u okviru područja umjetne inteligencije sedamdesetih godina prošlog stoljeća. Odigralo je ogromnu ulogu u razvoju umjetne inteligencije i ostalo je kao jedno od najjačih potpodručja umjetne inteligencije [22]. Bavi se pronalaženjem načina na koji se informacije (i znanje) mogu formalno opisati. Formalni opis podrazumijeva prikaz u nekom jednoznačnom jeziku ili notaciji koja ima dobro formiranu sintaksu i semantiku [23]. Sintaksa specificira skup pravila za kombiniranje simbola i formiranje izraza reprezentacijskog jezika. Na osnovu definiranih pravila moguće je jednoznačno odrediti je li izraz dobro formiran odnosno može li mu se pridružiti značenje. Semantika specificira kako konstruirani izrazi trebaju biti interpretirani, odnosno kako izvesti značenje iz forme. Značenje se prvo pridružuje atomarnim objektima jezika, a potom se proširuje na složenije jezične strukture. Neki od problema koji se pojavljuju u predstavljanju znanja iz AI perspektive su [24]: Kako ljudi predstavljaju znanje? Koja je priroda znanja? Treba li shema za prikaz znanja baratati nekom pojedinom domenom, ili bi trebala biti opće namjene? Koliko je ekspresivna shema za prikaz znanja? Treba li shema za prikaz znanja biti deklarativna ili proceduralna? Jedan od središnjih problema na području umjetne inteligencije jest razvoj dovoljno precizne i djelotvorne notacije za prikaz znanja u inteligentnom sustavu. Rezultat istraživanja na području predstavljanja znanja je niz reprezentacijskih jezika, odnosno programskih jezika koji su orijentirani k organizaciji opisa objekata i ideja. U okviru reprezentacijskih jezika znanje se može predstaviti kroz skup sintaktičkih i semantičkih pravila koja omogućuju opisivanje objekata. Razvijene su različite tehnike reprezentacije znanja, kao i različiti jezici. Za predstavljanje znanja razvijeni su različiti pristupi, formalizmi, metode i jezici koji variraju po složenosti (jednostavniji do složenih), te po semantici (od manje semantički bogatih do vrlo ekspresivnih) [25]. Sheme za prikaz znanja (engl. Knowledge Representation Scheme) moraju zadovoljiti sljedeće zahtjeve [10]: Primjerenost prikaza (engl. Representational Adequacy): sposobnost prikaza svih vrsta znanja koja su potrebna za određeno područje Primjerenost zaključivanja (engl. Inferential Adequacy): sposobnost baratanja prikazanim strukturama na takav način da se izvode nove strukture koje odgovaraju novom znanju dobivenom zaključivanjem na temelju starog znanja Djelotvornost zaključivanja (engl. Inferential Efficiency): mogućnost ugradnje dodatne informacije u strukturu znanja koja se može koristiti za usmjeravanje pažnje mehanizma zaključivanja prema obećavajućim smjerovima Djelotvornost učenja (engl. Acquisitinal Efficiency): sposobnost lakog prikupljanja znanja korištenjem automatizama (generiranje novog znanja). Znanje se simbolički može prikazati na mnogo načina [26]. Sheme za prikaz znanja možemo podijeliti u 4 osnovna pristupa [10], [27]: mrežne sheme, logičke sheme, proceduralne sheme i teorije okvira. U tablici 2. ovisno o osnovnim pristupima, kategorizirane su sheme za prikaz znanja, ali i neke od tehnika i programskih jezika [10]. Logičke sheme prikazuju znanje koristeći matematičke ili ortografske simbole, pravila zaključivanja i temelje se na precizno definiranoj sintaksi i semantici [28]. Koriste se ako je ishodišna točka istinitost izjava o stanjima. Pod logičke sheme spada propozicijska logika, predikatna logika, drugi logički formalizmi (nemonotona logika, fuzzy logika, logika višeg reda i slično). Realiziraju se logičkim programskim jezicima: Prolog, HiLog, F-logika, i slično. Logičke sheme ponekad nisu najbolji odabir za prikaz znanja jer nisu toliko prirodne i zaključivanje ponekad nije učinkovito. Ponekad su bolji jezici koji su više specijalizirani [23].
TABLICA II. PODJELA SHEMA, TEHNIKA I JEZIKA ZA PRIKAZ ZNANJA PREMA OSNOVNIM PRISTUPIMA Mrežne sheme Semantičke mreže SCHOLAR Dijeljene semantičke mreže Strukturni opisi Propozicijske mreže NETL KRP Logičke sheme Propozicijska logika Predikatna logika Logičko programiranje Nemonotona logika Neizrazita logika Kod proceduralnih shema, znanje je prikazano kao skup instrukcija za rješavanje problema. To omogućuje jednostavnu modifikaciju baze znanja i odvajanje baze znanja od mehanizama zaključivanja. Za proceduralne sheme vežemo produkcijske sustave, programski jezik PLANNER, jezik CLIPS. Mrežne sheme koriste grafove za prikaz znanja. Čvorovi grafa označavaju objekte ili koncepte u domeni, a lukovi definiraju vezu između objekata, njihove atribute i vrijednosti atributa. U mrežne sheme spadaju semantičke mreže i propozicijske mreže. Teorije okvira proširuju mrežne prikaze označavanjem svakog čvora u grafu kao složenu podatkovnu strukturu. Ovdje spadaju okviri, jezici okvira (KL-ONE) i slično. Osim četiri osnovna pristupa postoje i drugi, složeniji pristupi i tehnike za prikaz znanja. Neki od njih su: objektno orijentirani pristup, deskriptivna logika, taksonomije, ontologije i drugi. U nastavku će biti objašnjene samo neke od shema za prikaz znanja. A. Semantičke mreže Semantičke mreže (engl. Semantic networks) (autor: Quillian, 1968.) je shema za prikaz znanja koja prikazuje znanje kao graf. Čvorovi označavaju objekte ili koncepte, njihova svojstva i odgovarajuće vrijednosti. Lukovi označavaju relacije između čvorova. Čvor i luk uglavnom su imenovani (lukovi imaju težinu). Čvorovi mogu predstavljati koncepte, objekte, događaje, značajke, vrijeme i tako dalje [27], [29]. Na slici 3. prikazani su osnovni koncepti semantičkih mreža. Ime Ime Proceduralne sheme Produkcijski sustav PLANNER SHRDLU - Koncept - Veza Slika 3. Osnovni koncepti semantičkih mreža Strukturne sheme (Okviri) Sustav okvira FRL KRL KL-ONE Sve vrste formalizama semantičkih mreža koncentriraju se na izražavanje taksonomne strukture kategorija objekata i relacija između njih [30]. U okviru prikaza znanja ključni koncept predstavlja relacija. Kod prikaza znanja primjenom semantičkih mreža, relacija između objekata prikazuje se kao oznaka brida koji spaja ta dva objekta (vrha grafa). Dvije relacije koje se ističu kao specifične relacije semantičkih mreža jesu 'is-a' relacija i 'a-kind-of' relacija. Relacija ISA predstavlja koncept is-a ('biti-instancaod ). Koristi se za povezivanje pojedinačnih objekata u klasu. ISA relacijom iskazuje se pripadnost instance klasi. Relacija AKO uspostavlja međusobne odnose između klasa, a kind-of. Može se promatrati kao relacija na višoj razini od ISA relacije. Prikazuje hijerarhijsku strukturu klasa. ISA i AKO relacije definiraju hijerarhijsku strukturu te pripadnost objekta (instance) klasi [23], [27]. Na slici 4. dan je primjer semantičke mreže [27]. Slika 4. Primjer semantičke mreže [27] B. Produkcijski sustavi Produkcijski sustavi (engl. Production systems, Rulebased systems) (autor: E. Post, 1943.) najčešći su način prikaza ljudskog znanja u obliku ako-onda pravila (if-then rules) [31]. Različita su područja primjene, primjerice u medicini, bankarstvu, projektiranju računarskih sustava, geologiji, Primjeri produkcijskih sustava su DENDRAL [32], MYCIN [33], R1/XCON [34]. Prednost produkcijskih sustava je mogućnost prikazivanja pravila koja koristi da bi se došlo do zaključaka. Nažalost, oni mogu efikasno rješavati probleme samo ako su osigurana opsežna, specifična znanja visoke kvalitete koja se odnose na uski problem u domeni [35]. C. Okviri Okviri (engl. Frames, schemata) (autor: M. Minski, 1975.) uvedeni su kako bi se riješio nedostatak semantičkih mreža, tj. uvedena je mogućnost različite interpretacije istog čvora. Npr. čvor pas može predstavljati klasu svih pasa ili nekog određenog psa. Kod okvira je jasna razlika između klase i instance klase. Okviri omogućuju detaljniji prikaz od semantičkih mreža. Okviri se sastoje od atributa ( slots ) za koje se određuju ili računaju vrijednosti ( filters ). Vrijednosti atributa mogu biti skalarne vrijednosti ili reference na druge okvire ili procedure. Svojstva (vrijednosti atributa, restrikcije na vrijednosti atributa) nasljeđuju se od okvira koji se smatraju nadređenim okvirima ('superframes') na
okvire koji se smatraju podređenim okvirima ('subframes') i to prema pravilima hijerarhije definiranim u okviru strategije nasljeđivanja [31]. Jezici okvira prvenstveno se koriste za prepoznavanje i opisivanje klasa objekata. Okvir podrazumijeva neka zadana svojstva u koja se objekt mora uklopiti. Slog se može smatrati čvorom u grafu koji u jednom slotu ima ime objekta kojeg opisuje, a u ostalim slotovima pohranjuju se vrijednosti atributa. Svojstva (atributi) se mogu naslijediti od okvira na višim razinama ili mogu biti ispunjeni nekom novom vrijednošću atributa (time se prikazuju iznimke). Primjer okvira prikazan je na slici 5. Naziv Je (ISA) Svojstva Defaults (unaprijed postavljene vrijednosti) Mačka Sisavac Životinja Ime Omiljeno_mjesto_boravka Težina Boja_krzna Boja_oči Starost Omiljeno_mjesto_boravka Košara kraj peći Težina 3 kg Boja_oči zelena Slika 5. Primjer okvira [23] D. Objektno orijentirani pristup U razvoju jezika za prikaz znanja aktualan je objektno orijentirani pristup [31]. Klasični modeli za prikaz znanja (npr. predikatna logika) povezuju se s objektno orijentiranim pristupom. Neke strukture za prikaz znanja (npr. semantičke mreže, sustavi okvira) sadrže u sebi elemente objektno-orijentirane paradigme. Neki objektnoorijentirani jezici koji se koriste na području AI: Comon LISP Object Systems (CLOS), SmallTalk, F-logika, C++ [23]. E. Deskriptivna logika Deskriptivna logika (engl. Description Logic, DL) podrazumijeva familiju jezika za prikaz znanja. Razvijene su kako bi se prikazalo značenje riječi [36]. Objedinjuje ideje sustava okvira, semantičkih mreža, jezika za reprezentaciju znanja (kao što je KL-ONE), objektno orijentirane reprezentacije, semantičkih modela i sustava tipova. Teorija deskriptivne logike sastoji se od izjava o konceptima, pojedinostima i njihovim relacijama. U logici prvog reda, pojedinosti odgovaraju konstantama, a koncepti odgovaraju unarnim predikatima [30]. domena s kojima može biti komunicirano preko ljudi i računala [37]. Ontologija (engl. Ontology) u računarskim znanostima podrazumijeva način predstavljanja znanja kojim se oblikuje promatrana domena imenovanjem koncepata u domeni i formiranjem relacija među njima [38]. Danas su ontologije široko prihvaćene u uporabi u mnogim konkretnim primjenama i predstavljaju svojevrstan standard kod izrade baze znanja u sustavima za potporu pri odlučivanju. Ontologijama se opisuju entiteti iz određene domene, njihova svojstva i veze. Ontologije omogućuju podjelu znanja i zajedničko razumijevanje ljudi, ali i aplikacijskih sustava unutar neke određene domene [23], [29]. V. GRAFIČKE METODE ZA PREDSTAVLJANJE ZNANJA Predstavljanje znanja i zaključivanje bavi se problemom kako znanje simbolički prikazati te njime manipulirati na automatizirani način zaključivanjem programa [8] i uključuje strojno interpretiranu reprezentaciju [30]. Neke od grafičkih metoda za prikaz znanja su: Basic Conceptual Graphs (BG), Multi-layered extended semantic networks (MULTINET), Hierarchical Semantic Form (HSF), Resource Description Framework (RDF) i Nodes of Knowledge (NOK). U nastavku će biti ukratko opisane svaka od tih metoda. Sve navedene metode mogu grafički prikazati znanje. Takav graf se sastoji od čvorova i veza. Čvorovima se prikazuju koncepti, a veza među čvorovima koristi se za predstavljanje odnosa među konceptima [26], [39], [40] i [41]. A. Basic Conceptual Graphs Čvorovi u Basic Conceptual Graphs (BG) dijele se na konceptualne i relacijske, i međusobno su povezani vezama. Svaki čvor ima svoj naziv. Grafički se prikazuje pravokutnikom (ako se radi o konceptualnom čvoru), odnosno elipsom (ako se radi o relacijskom čvoru). Relacijski čvor povezuje konceptualne čvorove i određuje smjer čitanja dijagrama. Veza među njima posjeduje broj prema kojemu se zna redoslijed konceptualnih čvorova u nekoj relaciji, a koji je važan prilikom čitanja znanja [25], [26]. F. Ontologije Ontologije su početkom devedesetih postale popularna istraživačka tema. U novije vrijeme, notacija ontologija počela se jako rasprostranjivati na različitim poljima. Razlog tome je zajedničko i općenito razumijevanje nekih B. Multi-layered extended semantic networks U metodi Multi-layered extended semantic networks (MULTINET), svaki čvor pripada nekoj klasi iz predefinirane klasifikacije čvorova koja se u metodi naziva konceptualna ontologija (ukupno se sastoji iz 29 klasa). Svaki čvor posjeduje 7 predefiniranih atributa, čije
vrijednosti ga smještaju u semantički prostor. Među čvorovima se uspostavljaju veze primjenom neke od 89 predefiniranih vrsta veza. 16 od njih spada u tzv. kognitivne uloge i to su one veze koje opisuju odnos između glavnih sudionika u prikazanoj situaciji [39]. Metoda MULTINET je izrazito složena zbog velikog broja elemenata koji se trebaju definirati za svaki čvor [25]. C. Hierarchical Semantic Form Hierarchical Semantic Form (HSF) sastoji se od dva osnovna koncepta: grupe (group) i veze (link). Grafički su predstavljeni kružnicama (prazna za grupe, puna za veze) koje se međusobno povezuju strelicama (kako bi se ukazao smjer čitanja). Koncept grupa se koristi u označavanju pojedinoga znaka, grupe znakova, riječi, semantičkih kategorija i složenih uzoraka. Koristi se kako bi se prikazao slijed (sequence) označenih pojmova na različitoj razini apstrakcije (grupa prikazuje vezu - link na prvi element slijeda). Ista grupa se može pojaviti na različitim razinama apstrakcije [25], [40]. Metoda HSF pojedinom slijedu pojmova daje semantiku tako što ih veže na koncept grupa koji u sebi čuva semantički opis (npr. je dio ili dio dana i sl.). Metoda HSF posjeduje algoritam SOUL koji joj daje sposobnost učenja novih uzoraka [40]. D. Resource Description Framework Resource Description Framework (RDF) je metoda koja prikazuje odnos među web resursima primjenjujući imenovano svojstvo i njegovu vrijednost. Kao web resurs ovdje se pojavljuju razni podaci, dokumenti, slike i slično. Imenovano svojstvo se odnosi na promatrani resurs. Ime svojstva se definira preko Uniform resource identifier (URI) i zbog toga se samo svojstvo može promatrati kao novi resurs. Vrijednost svojstva može biti drugi resurs ili neki podatak (npr. string, broj, datum i slično). RDF metoda posjeduje više načina prikaza, a jedan od njih je RDF graf koji se sastoji iz tri osnovna koncepta: čvora koji predstavlja resurs, čvora koji predstavlja podatak i linije sa strelicom koja povezuje čvorove. Elipsa je grafički simbol za resurs, dok je pravokutnik grafički simbol za podatak. Linija sa strelicom predstavlja svojstvo i na njoj se upisuje naziv svojstva. Strelica ukazuje na vrijednost svojstva. Budući da resursi imaju svojstva, uvijek se na strani linije bez strelice nalazi elipsa (čvor za resurs) dok se na strani linije sa strelicom nalazi elipsa ili pravokutnik (dakle čvor za resurs ili podatak). RDF metodom se mogu prikazati izjave sa strukturom subjekt, objekt i predikat [25], [41]. E. Nodes of Knowledge (NOK) Metoda za modeliranje čvorova (engl. Node of Knowledge (NOK)) je potpuno nova metoda prikaza znanja. Koristi se za izradu modela znanja odnosno organiziranje baze znanja na ICT. NOK omogućuje alternativno čuvanje znanja na način različit od jezika i pisma odnosno ljudskog uma. Njena glavna odlika je jednostavnost, bogatstvo prikaza različitih vrsta ljudskoga znanja, mogućnost automatskog otkrivanja novih znanja iz postojećih, mogućnost vođenoga unosa novih znanja te mogućnost jednostavne izrade korisničkih upita nad bazom znanja [42]. U NOK-u se smatra da je svako znanje sastavljeno od dijelova i ima strukturu i sadržaj te se kao takvo može predstaviti u obliku mreže znanja. Dijelovi te mreže znanja su čvorovi međusobno povezni vezama. Svaki čvor je jedinica znanja, koja se dalje može dijeliti u dijelove na nižoj razini apstrakcije ili imati atribute koji tom čvoru dodjeljuju podatke [7]. NOK koristi dva elementa za grafički prikaz, čvor i vezu. Veza među čvorovima omogućuje grupiranje u kompleksnije izraze [25]. Cilj NOK-a je prikazati mrežu znanja za znanje napisano u tekstualnom obliku [42]. VI. ZAKLJUČAK U radu je dan prikaz podjele područja umjetne inteligencije te osnovne definicije. Opisan je pojam znanja. Prikazani su problemi predstavljanja znanja. Postoje različiti pristupi, metode i sheme za prikaz znanja. Odabir konkretne sheme ovisi o potrebama sustava i inteligentnom ponašanju. Svi prikazi znanja imaju nekih nedostataka i nesavršenosti, što može dovesti do velikih pogrešaka jer i neka nebitna sitnica u prikazu može kasnije dovesti do velikih grešaka. Stalno se traži algoritam (metoda, model, postupak) koji će riješiti problem umjetne inteligencije. Jedna od grupa metoda za predstavljanje znanja jesu grafičke metode za predstavljanje znanja. U tu grupu spada i NOK. Daljnja istraživanja ići će u smjeru razvoja projekta sustava koji bi omogućio prihvat i jednoznačnu prezentaciju verbalnih znanja. Uključivat će izradu modela i aplikativne podrške jednom takvom sustavu. LITERATURA [1] R. Davis, H. Shrobe i P. Szolovits, What Is a Knowledge Representation? AI Magazine, pp. 17-33, 1993. [2] B. Dalbelo Bašić i J. Šnajder, Uvod u umjetnu inteligenciju 2012. http://www2.fer.hr/_download/repository/ui-1-uvod.pdf. [3] I. Ipšić, Inteligentni sustavi, nastavni materijali Odjel za informatiku, Sveučilište u Rijeci, 2012./2013. [4] S. Russell i P. Norvig, Artificial Intelligence: A Modern Approach, Third edition, Prentice Hall, 2010. [5] R. Reddy, The chalenge of artificial intelligence Computer, svez. 10, br. 10, pp. 86-98, 1996. [6] R. Lujić, T. Šarić i G. Šimunović, Primjena ekspertnog sustava pri određivanju klase prioriteta TEHNIČKI VJESNIK 14, svez. 1, br. 2, pp. 65-75, 2007. [7] M. Pavlić, M. Ašenbrener, A. Jakupović, A. Meštrović, S. Čandrlić i M. Ivašić-Kos, Inteligentni informacijski sustavi u Razvoj poslovnih i informatičkih sustava CASE 25, Rijeka, 2013. [8] R. Brachman i H. Levesque, Knowledge representation and
reasoning, The Morgan Kaufmann Series in Artificial Intelligence, Morgan Kaufmann, 2004. [9] Novi liber, Hrvatski jezični portal : http://hjp.novi-liber.hr/. [10] L. Budin, B. Dalbelo Bašić, N. Pavešić i S. Ribarić, Inteligentni sustavi, materijali za seminar kontinuiranog obrazovanja, Zagreb: Inteligentni informatički sustavi, d.o.o., 2001. [11] M. Pavlić, Informacijski sustavi, Zagreb: Školska knjiga, 2011. [12] T. H. Davenport i L. Prusak, Working Knowledge, Bonston, Massachusetts: Harvard Business School Press, 2000. [13] Infodom d.o.o., Upravljanje znanjem i metodologija uvođenja KM sustava (white paper) 2007. [14] M. Kiš, Englesko-hrvatski i hrvatsko-engleski INFORMATIČKI RJEČNIK, Zagreb: Naklada Ljevak, 2002. [15] Proleksis enciklopedija, Proleksis enciklopedija 2013. http://proleksis.lzmk.hr/?s=mudrost. [16] Trainmor-knowmore, Basic Knowledge Concepts - Data, Information, Knowledge and Wisdom http://www.trainmorknowmore.eu/fbc5ddb3.en.aspx. [17] J. Liebowitz, The Knowledge Management Handbook, CRC Press LLC, 2003. [18] Uvod u upravljanje znanjem, nastavni materijali http://www.fer.unizg.hr/_download/repository/uvod_u_upra VLJANJE_ZNANJEM1.pdf. [19] I. Oslić, Upravljanje znanjem kvaliteta.inet.hr/equality/.../6/ifc%20upravljanje%20znanjem.ppt. [20] N. Gottschalk-Mazouz, Internet and the flow of knowledge: Which ethical and political challenges will we face? " Proceedings of the 30. International Ludwig Wittgenstein Symposium, svez. 2, pp. 215-232, 2007. [21] A. Jakupović, M. Pavlić i A. Meštrović, Formalisation Method for the Text Expressed Knowledge", neobjavljeno. [22] L. Morgenstern i R. H. Thomason, Teaching Knowledge representation: Challenges and Proposals u KR2000. [23] A. Meštrović, Prikaz znanja, nastavni materijali Odjel za informatiku, Rijeka, 2013. [24] Knowledge representation and reasoning 2013. http://en.wikipedia.org/wiki/knowledge_representation_and_rea soning. [25] A. Jakupović, M. Pavlić, A. Meštrović i V. Jovanović, Comparison of the Nodes of Knowledge method with other graphical methods for knowledge representation u Proceedings of the 36th international convention /CIS/, MIPRO 2013, Rijeka, 2013. [26] M. Chein i M.-L. Mugnier, Graph-based Knowledge Representation, Computational Foundations of Conceptual Graphs, Springer, 2009.. [27] J. Grundspenkis, Knowledge representation and networked schemes http://stpk.cs.rtu.lv/sites/all/files/stpk/lecture_7.pdf. [28] D. Poole, Logic, Knowledge Representation and Bayesian Decision Theory. [29] A. Gomez-Perez, V. R. Benjamins Knowledge Engineering and Knowledge Management, Ontologies and the SemanticWeb u Proceedings of 13th International Conference, EKAW 2002, Sigüenza, Spain, 2002. [30] S. Grimm, P. Hitzler i A. Abecker, Knowledge representation and ontologies logic, Ontologies and Semantic Web Languages, 2007. [31] J. Petteri Pesonen, Concepts and Object-Oriented Knowledge Representation, MA Thesis, University of Helsinki, 2002, pp. [32] Dendral, http://en.wikipedia.org/wiki/dendral. [33] MYCIN http://en.wikipedia.org/wiki/mycin [34] XCON http://en.wikipedia.org/wiki/xcon. [35] V. G. Kaburlasos, Towards a Unified Modeling and Knowledge- Representation based on Lattice Theory, Computational Intelligence and Soft Computing Applications Studies,, Springer, 2006. [36] B. Nebel, Logics for Knowledge Representation, 2001. [37] R. Studer, V. R. Benjamins i D. Fensel, Knowledge Engineering: Principles and Methods Data & Knowledge Engineering, svez. 25, pp. 161-197, 1998. [38] M. Prcela, Predstavljanje znanja zasnovano na integraciji ontologija i Bayesovih mreža, doktorska disertacija, Zagreb, 2010. [39] H. Helbig, Knowledge Representation and the Semantics of Natural Language, Springer, 2006. [40] M. Stanojević i S. Vraneš, Knowledge representation with SOUL Expert Systems with Applications, svez. 33, pp. 122-134, 2007. [41] K. Tolle, Introduction to RDF 2000. http://www.dbis.informatik.unifrankfurt.de/~tolle/rdf/dbisresources/rdfintro.html. [42] M. Pavlić, Razvoj metode za modeliranje znanja 2013., neobjavljeno, Rijeka: Odjel za informatiku Sveučilišta u Rijeci, 2013.