Αναπαράστασης Γνώσης

Η αναπαράσταση γνώσης (Knowledge Representation - KR) είναι ένας τομέας της τεχνητής νοημοσύνης που ασχολείται με την αναπαράσταση των πληροφοριών από το πραγματικό κόσμο στην μορφή που τα πληροφοριακά συστήματα μπορούν να την διαχειριστούν ώστε να λύσουν πολύπλοκα προβλήματα. Σχετίζεται με συστήματα αποθήκευσης γνώσης γύρω από ένα θέμα καθώς και με ένα μηχανισμό ανάκλησης της γνώσης αλλά και εξαγωγή συμπερασμάτων. Τα προβλήματα που μπορούμε να μοντέλοποιήσουμε από τον πραγματικό κόσμο θα μπορούσαν να είναι  η διάγνωση μιας ιατρικής εξέτασης ή ο διάλογος σε φυσική γλώσσα και αλλά παρόμοια .  

 Ο δομικός προγραμματισμός είναι δύσκολο να λύσει πολύπλοκα προβλήματα διότι δεν έχει το κατάλληλο φορμαλισμό για αυτό εξελίχθηκαν τα έμπειρα συστήματα (expert systems) που χρησιμοποιούν τεχνικές αναπαράσταση γνώσης δημιουργώντας απλούστερο λογισμικό, επιπλέον είναι  πιο εύκολο να συντηρηθούν. Τον  καλύτερο φορμαλισμό για την αναπαράσταση γνώσης το έχει η προτασιακή λογική, γιατί η εκφραστική της δύναμη αλλά και η συμπύκνωση της πληροφορίας είναι μεγάλη. Δεν υπάρχει ισχυρότερος φορμαλισμός από αυτόν που χρησιμοποιεί τα μαθηματικά για να περιγράψει  τον κόσμο. Με την προτασιακή λογική δημιουργούνται προτάσεις  που είναι αληθείς σε ένα σύνολο δεδομένων (κανόνες ). Οι προτάσεις δεν θα πρέπει να είναι αντιφατικές ούτε θα προκαλούν κατάρρευση του συστήματος εάν προσπαθήσουμε να τις επικυρώσουμε . Θα ήταν χρήσιμο να αναφερθεί πως η αναπαράσταση γνώσης συνδέεται με την αυτόματη εξαγωγή συμπερασμάτων  (automated reasoning) εξαιτίας της ρητής αναπαράστασης γνώσης δημιουργούνται  συμπεράσματα και έπειτα κατασκευάζονται νέες διεπαφές ώστε να περάγουν νέα γνώση .

Μια σημαντική εξέλιξή στην αναπαράσταση γνώσης είναι η οπτικοποίηση δεδομένων (πληροφοριών ) . Οι άνθρωποι μπορούν εύκολα να απορροφήσουν μεγάλες ποσότητες οπτικών πληροφοριών. Παράδειγμα η εικόνα 4 που δείχνει τη θερμοκρασία της θάλασσας σε βαθμούς κελσίου το έτος 1982. 

Η εικόνα συνοψίζει την πληροφορία από 250.000 αριθμούς και μπορεί να ερμηνευθεί εύκολα. Πολύ γρήγορα διαπιστώνουμε ότι η θερμοκρασία στον ισημερινό είναι υψηλότερη. Αντίθετα εάν αυτήν την πληροφορία την είχαμε σε πίνακα ή σε ελεύθερο κείμενο θα ήταν δυσκολότερο να την αντιληφθούμε άμεσα, διότι θα έπρεπε να διαβάζουμε νούμερα και τοποθεσίες και στην συνέχεια να τις συγκρίνουμε. Το πρώτο βήμα για την οπτικοποίηση είναι η απεικόνιση της πληροφορίας σε μια οπτικοποιημένη μορφή, δηλαδή η απεικόνιση των αντικειμένων, χαρακτηριστικών και σχέσεων ενός συνόλου πληροφοριών σε οπτικά αντικείμενα. Τα χαρακτηριστικά και σχέσεις ανάμεσα στα αντικείμενα των δεδομένων μεταφράζονται  σε γραφικά στοιχειά όπως σημεία, γραμμές και σχήματα και χρώματα. Τα δεδομένα μπορούν να μοντελοποιηθούν σε οντότητες. Για την εξαγωγή  της γνώσης  τα δεδομένα μπορούν  να παρουσιαστούν σε μια μορφή που θα αποτυπωθούν και οι σχέσεις αυτών επιπλέον θα υποστηρίξουν ικανοποιητικά την  εξαγωγή δεδομένων  και την κατανόηση της γνώσης. Οι σχεσιακές βάσεις δεδομένων και η προτασιακή λογική υποστηρίζουν την διαδικασία εξαγωγής δεδομένων (Data mining).

  Η γραφική απεικόνιση είναι ένα σύνολο από κόμβους και συνδέσεις μεταξύ τους και υποστηρίζουν όλες τις προδιαγραφές των σχεσιακών δεδομένων και την διαδικασία για εξαγωγή γνώσης. Γράφος είναι ένα σύνολο από κόμβους και συνδέσεις όπου οι κομβόι και οι συνδέσεις μπορούν να έχουν ετικέτες και οι συνδέσεις να είναι κατευθυνόμενοι ή μη κατευθυνόμενοι. Η πιο γενική αναπαράστασή είναι η γραφική απεικόνιση. Ο γράφος αναπαριστά εύκολα τις οντότητες και τις ιδιότητες τους και τις σχέσεις μεταξύ τους. Επειδή κάθε οντότητά μπορεί να συνδέεται με άλλη οντότητά οι σχεσιακές βάσεις δεδομένων δεν υποστηρίζουν την απευθείας οπτικοποίηση των δεδομένων και τις γνώσης. Στην πραγματικότητα τα σχετικά δεδομένα μετατρέπονται σε γραφική απεικόνιση αργότερα για να γίνουν καλυτέρα κατανοητά. Ορισμένες φορές θα εκτελούμε τους αλγορίθμους απευθείας στους γράφους όμως κάποιες φορές θα χρειάζεται να μετατρέψουμε τα δεδομένα σε άλλη μορφή για να εκτελέσουμε τους αλγορίθμους , στο τέλος θα χρησιμοποιούμε  ξανά την γραφική απεικόνιση για να παρουσιάσουμε τα δεδομένα και να εξάγουμε γνώση . Με τον παραπάνω τρόπο  θα έχουμε απευθείας την οπτικοποιηση αυξάνοντας την κατανόηση της γνώσης. Τις βάσεις δεδομένων που χρησιμοποιούν δομή γράφων τις αποκαλούμε βάσεις γράφων (Graph Databases) (εικόνα 4) και τα ερωτήματα που δέχονται είναι σημασιολογικά ερωτήματα (Semantic queries) . Τα σημασιολογικά ερωτήματα  επιτρέπουν την ανάκτηση πληροφοριών που βασίζονται στα περιεχόμενα των δεδομένων και την δομή τους.

Από τα αντικείμενα (κόμβους) και τις σχέσεις και τις ιδιότητες τους μπορούν να εξαχθούν συμπεράσματα. Η μοντελοποίηση σε ένα γράφημα δεδομένων έχει σαν στόχο να μπορέσουμε να κάνουμε σωστά δομημένο το γράφο για να αναπαραστήσουμε την γνώση και ταυτόχρονα να έχουμε τα επιθυμητά συμπεράσματα κατά την διάσχιση του για να εξάγουμε γνώση. Επιπλέον θα μπορούμε να αυξάνουμε την πυκνότητα της γνώσης προσθέτοντας κόμβους και ακμές.  Στην εικόνα 5 είναι ένα πλήρες γράφημα που μπορούμε να υπολογίσουμε το ρόλο κάθε ατόμου (εάν θα είναι author ή coauthor) αν διασχίσουμε το γράφημα. Τα γραφήματα είναι χρήσιμα για να μοντελοποιήσουμε αντικείμενα και τις σχέσεις που έχουν αυτά μεταξύ τους.

 Υπάρχουν πληθώρα μεθοδολογιών για την αναπαράσταση γνώσης, μερικές από τις μεθοδολογίες αναφέρονται παρακάτω :

·       Η εννοιολογική χαρτογράφησή (Conept mapping) (Knowledge Graph)

·       Νοητική χαρτογράφησή (Mind mapping)

·       Το σημασιολογικό δίκτυο (sematic network)

Οι παραπάνω μεθοδολογίες για την αναπαράσταση γνώσης έχουν κοινό χαρακτηριστικό  ότι είναι γραφήματα , αλλά έχουν διαφορετική μοντελοποιήση.

Η αναπαράσταση γνώσης και η εξαγωγής συμπερασμάτων ( Knowledge Representation and reasoning) είναι σημαντική τεχνολογία για την ανάπτυξη του Σημασιολογικού Ιστού (web 3.0). Ο σημασιολογικός ιστός είναι ένα πλέγμα δεδομένων. Τα δεδομένα είναι συνδεμένα και  δομημένα με κοινή μορφή έτσι ώστε να υποβάλλονται σε επεξεργασία από μηχανές. Στο σημασιολογικό ιστό η γλώσσα βασίζεται σε ένα πλαίσιο όπου πραγματοποιούνται αυτόματες κατηγοριοποιήσεις με βάση την σημασία των δεδομένων. Η εξαγωγής αυτομάτων  συμπερασμάτων από αυτά τα συστήματα πραγματοποιείται από τον ταξινομητή (classifier). Ο ταξινομητής κατηγοριοποιεί κάθε κόμβο όχι μόνο από τους κανόνες αλλά και  ανάλογα με την θέση του στην βάση γνώσης δηλαδή την σχέση του εξεταζόμενου κόμβου με τους υπολοίπους. Ο ταξινομητής μπορεί να εξάγει συμπεράσματα αυτόματα όταν προστεθούν νέες κλάσεις  (κόμβοι) τότε αλλάζει και η οντολογία (ontology) . Η παραπάνω δυνατότητες είναι ιδανικές  για ένα εξελισσόμενο και συνεχές μεταβαλλόμενο περιβάλλον όπως το internet .