หน้าแรก
สมาชิก
วชิราภรณ์ ภูเลี่ยมคำ
สมุด
การแทนความรู้
Knowledge represe...
วชิราภรณ์ ภูเลี่ยมคำ
สมุด
บันทึก
อนุทิน
ความเห็น
ติดต่อ
Knowledge representation
การแทนความรู้
การแทนความรู้ (Knowledge representation)
การแทนความรู้ คือ การนำเสนอความรู้ ให้อยู่ในรูปที่
เครื่องจักร
สามารถนำไปใช้ได้. เนื่องจากมนุษย์แทนความรู้โดยใช้
ภาษา
(language) นักวิจัยสาขาปัญญาประดิษฐ์ จึงได้สร้างภาษาสำหรับแทนความรู้ขึ้นมาเช่นเดียวกัน. ภาษาที่ใช้แทนความรู้มีมากมายหลายวิธีในปัญญาประดิษฐ์ ซึ่งโดยปกติแล้วคำว่าภาษาที่แทนความรู้ได้ดี ประกอบไปด้วยลักษณะที่พอสรุปได้ดังนี้
สามารถแทนความรู้ที่ซับซ้อนได้ (language is expressive)
ความรู้ที่ถูกแทนควรอยู่ในรูปแบบที่กระชับ ประหยัดหน่วยความจำ (language is compact)
ความรู้สามารถถูกนำไปใช้คิดหา
เหตุผล
หรือ
อนุมาน
(inference) เพื่อใช้ในปัญหาต่างๆ ได้โดยง่าย (language is convenient for automated reasoning)
สามารถเรียนรู้ความรู้ใหม่ๆ ด้วยเทคนิค
การเรียนรู้ของเครื่อง
ให้อยู่ในรูปภาษาที่เราใช้ได้โดยง่าย (language is convenient for automated learning)
ไม่มีภาษาใดในปัจจุบัน ที่นักวิจัยทุกคนยอมรับว่า ดีที่สุดในวงการวิจัยปัญญาประดิษฐ์ โดยภาษาที่ใช้ในการแทนความรู้แต่ละภาษา จะมี “ศักยภาพในการแทนความรู้” หรือ “ความสามารถในการแสดงความรู้ของภาษา” (expressiveness) ได้ในระดับที่ต่างกัน นั่นคือความรู้บางประเภทที่มีความซับซ้อน จะไม่สามารถนำเสนอสู่เครื่องจักรที่ใช้ภาษาง่ายเกินไปได้ แต่การแทนความรู้ที่ซับซ้อนเกินไป ก็จะถูกนำไปใช้งาน และเรียนรู้ได้ยาก. นั่นคือในสถานการณ์ทั่วไป ผู้ใช้งานต้องเผชิญกับทางเลือก (
dilemma
/
tradeoff
) ว่า ต้องการนำเสนอความรู้ ในรูปแบบที่ซับซ้อนได้ดี [1. และ 2.] หรือว่าต้องการใช้งานความรู้นั้นได้อย่างสะดวก [3. และ 4.]. ในบทความนี้ จะนำเสนอเฉพาะประเด็น 1. และ 2. เท่านั้น ส่วนรายละเอียดของประเด็น 3. และ 4. สามารถดูได้ที่หัวข้อ
การให้เหตุผลของเครื่อง
และ
การเรียนรู้ของเครื่อง
ความสามารถในการแทนความรู้ที่ไม่แน่นอน
ความไม่แน่นอนเกิดจาก
การชั่ง
,
การตวง
หรือ
การวัด
ของเรามี
ความคลาดเคลื่อน
(error in measurement)
ความไม่แน่นอนเกิดจากความรู้ของเราไม่สมบูรณ์ (ignorance/incomplete knowledge)
เราไม่มี
โมเดล
ความรู้ที่สมบูรณ์ (หมายถึงสามารถทำนายได้ถูกต้อง 100%) เกี่ยวกับสภาพแวดล้อม
เช่น ในปัจจุบันเราไม่สามารถทำนายสภาพดินฟ้าอากาศล่วงหน้าได้สมบูรณ์แบบไม่ว่าเราจะมีข้อมูลเกี่ยวกับดินฟ้าอากาศในปัจจุบันมากแค่ไหนก็ตาม อย่างไรก็ตามเราก็ยังสามารถนำข้อมูลที่เรามีทั้งหมดมาหาเหตุผลที่เหมาะสมหรืออนุมานเพื่อทำนายสภาพดินฟ้าอากาศที่น่าจะเป็นในวันรุ่งขึ้นได้อยู่ดี และนี่คือพลังของภาษาที่สามารถใส่ความรู้ที่ไม่จำเป็นต้องถูกต้อง 100% ได้
เราไม่สามารถ
สังเกต
สิ่งที่ปรากฏทั้งหมดใน
ธรรมชาติ
ได้แม้ว่าเราจะมีโมเดลความรู้ที่สมบูรณ์ (หรือสมมุติว่าสมบูรณ์) ก็ตาม เนื่องจากสิ่งที่ปรากฏทั้งหมดในธรรมชาติมีมากมายมหาศาล เช่น
ทฤษฎีจลนศาสตร์ของแก๊ส
ที่ถูกคิดค้นโดย
เจมส์ คล๊าก แมกซ์เวลล์
ได้แสดงความรู้เกี่ยวกับ
ความเร็วเฉลี่ย
ของ
แก๊ส
และ
พลังงานเฉลี่ย
ในรูป
ทฤษฎีความน่าจะเป็น
ความไม่แน่นอนเกิดจากความอ่อนไหวต่อ
สภาวะเบื้องต้น
(sensitivity to initial conditions) ใน
ระบบพลวัต
เช่น
ปรากฏการณ์เคออส
ซึ่งถูกค้นพบโดย
อองรี ปวงกาเร
ความไม่แน่นอนเกิดจากธรรมชาติโดยตรง เช่น ความรู้เกี่ยวกับ
ทฤษฎีควอนตัม
ที่เชื่อว่าถูกต้องใน
วิทยาศาสตร์
ปัจจุบัน
เขียนใน
GotoKnow
โดย
วชิราภรณ์ ภูเลี่ยมคำ
ใน
การแทนความรู้
คำสำคัญ (Tags):
#การแทนความรู้
หมายเลขบันทึก: 313804
เขียนเมื่อ 16 พฤศจิกายน 2009 07:31 น. (
)
แก้ไขเมื่อ 21 มิถุนายน 2012 23:11 น. (
)
สัญญาอนุญาต: ครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-อนุญาตแบบเดียวกัน
จำนวนที่อ่าน
จำนวนที่อ่าน:
ความเห็น (0)
ไม่มีความเห็น
ชื่อ
อีเมล
เนื้อหา
จัดเก็บข้อมูล
หน้าแรก
สมาชิก
วชิราภรณ์ ภูเลี่ยมคำ
สมุด
การแทนความรู้
Knowledge represe...
พบปัญหาการใช้งานกรุณาแจ้ง LINE ID
@gotoknow
สงวนลิขสิทธิ์ © 2005-2023 บจก. ปิยะวัฒนา
และผู้เขียนเนื้อหาทุกท่าน
นโยบายความเป็นส่วนตัว (Privacy Policy)
ClassStart
ระบบจัดการการเรียนการสอนผ่านอินเทอร์เน็ต
ทั้งเว็บทั้งแอปใช้งานฟรี
ClassStart Books
โครงการหนังสือจากคลาสสตาร์ท