The earliest work in computerized k

The earliest work in computerized knowledge representation was focused on general problem solvers such as the General Problem Solver (GPS) system developed by Allen Newell and Herbert A. Simon in 1959. These systems featured data structures for planning and decomposition. The system would begin with a goal. It would then decompose that goal into sub-goals and then set out to construct strategies that could accomplish each subgoal.

In these early days of AI, general search algorithms such as A* were also developed. However, the amorphous problem definitions for systems such as GPS meant that they worked only for very constrained toy domains (e.g. the "blocks world"). In order to tackle non-toy problems, AI researchers such as Ed Feigenbaum and Frederick Hayes-Roth realized that it was necessary to focus systems on more constrained problems.

It was the failure of these efforts that led to the cognitive revolution in psychology and to the phase of AI focused on knowledge representation that resulted in expert systems in the 1970s and 80s, production systems, frame languages, etc. Rather than general problem solvers, AI changed its focus to expert systems that could match human competence on a specific task, such as medical diagnosis.

Expert systems gave us the terminology still in use today where AI systems are divided into a Knowledge Base with facts about the world and rules and an inference engine that applies the rules to the knowledge base in order to answer questions and solve problems. In these early systems the knowledge base tended to be a fairly flat structure, essentially assertions about the values of variables used by the rules.[1]

In addition to expert systems, other researchers developed the concept of Frame based languages in the mid 1980s. A frame is similar to an object class: It is an abstract description of a category describing things in the world, problems, and potential solutions. Frames were originally used on systems geared toward human interaction, e.g. understanding natural language and the social settings in which various default expectations such as ordering food in a restaurant narrow the search space and allow the system to choose appropriate responses to dynamic situations.

It wasn't long before the frame communities and the rule-based researchers realized that there was synergy between their approaches. Frames were good for representing the real world, described as classes, subclasses, slots (data values) with various constraints on possible values. Rules were good for representing and utilizing complex logic such as the process to make a medical diagnosis. Integrated systems were developed that combined Frames and Rules. One of the most powerful and well known was the 1983 Knowledge Engineering Environment (KEE) from Intellicorp. KEE had a complete rule engine with forward and backward chaining. It also had a complete frame based knowledge base with triggers, slots (data values), inheritance, and message passing. Although message passing originated in the object-oriented community rather than AI it was quickly embraced by AI researchers as well in environments such as KEE and in the operating systems for Lisp machines from Symbolics, Xerox, and Texas Instruments.[2]

The integration of Frames, rules, and object-oriented programming was significantly driven by commercial ventures such as KEE and Symbolics spun off from various research projects. At the same time as this was occurring, there was another strain of research which was less commercially focused and was driven by mathematical logic and automated theorem proving. One of the most influential languages in this research was the KL-ONE language of the mid 80's. KL-ONE was a frame language that had a rigorous semantics, formal definitions for concepts such as an Is-A relation.[3] KL-ONE and languages that were influenced by it such as Loom had an automated reasoning engine that was based on formal logic rather than on IF-THEN rules. This reasoner is called the classifier. A classifier can analyze a set of declarations and infer new assertions, for example, redefine a class to be a subclass or superclass of some other class that wasn't formally specified. In this way the classifier can function as an inference engine, deducing new facts from an existing knowledge base. The classifier can also provide consistency checking on a knowledge base (which in the case of KL-ONE languages is also referred to as an Ontology).[4]

Another area of knowledge representation research was the problem of common sense reasoning. One of the first realizations from trying to make software that can function with human natural language was that humans regularly draw on an extensive foundation of knowledge about the real world that we simply take for granted but that is not at all obvious to an artificial agent. Basic principles of common sense physics, causality, intentions, etc. An example is the Frame problem, that in an event driven logic

Kết quả (Việt) 1:

Công việc đầu tiên trong kiến thức vi tính đại diện tập trung vào giải quyết các vấn đề chung như hệ thống nói chung vấn đề Solver (GPS) được phát triển bởi Allen Newell và Herbert A. Simon vào năm 1959. Các hệ thống này giới thiệu cấu trúc dữ liệu cho kế hoạch và phân hủy. Hệ thống sẽ bắt đầu với một mục tiêu. Nó sẽ sau đó phân hủy các mục tiêu đó vào tiểu mục tiêu và sau đó đặt ra để xây dựng chiến lược có thể thực hiện mỗi subgoal.Trong những ngày đầu của AI, thuật toán tìm kiếm tổng hợp như A * cũng được phát triển. Tuy nhiên, định nghĩa vấn đề vô định hình cho hệ thống như GPS có nghĩa là họ làm việc cho các món đồ chơi rất hạn chế các tên miền (ví dụ: "khối thế giới"). Để giải quyết vấn đề không phải là đồ chơi, các nhà nghiên cứu AI như Ed Feigenbaum và Frederick Hayes-Roth nhận ra rằng nó là cần thiết để tập trung các hệ thống trên nhiều hơn cố định các vấn đề.Đó là sự thất bại của những nỗ lực này dẫn tới cuộc cách mạng nhận thức tâm lý học và các giai đoạn của AI tập trung vào kiến thức đại diện mà kết quả là chuyên gia về hệ thống trong thập niên 1970 và thập niên 80, Hệ thống sản xuất, khung ngôn ngữ, vv. Thay vì giải quyết vấn đề chung, AI thay đổi tập trung vào hệ thống chuyên gia có thể phù hợp với năng lực của con người vào một nhiệm vụ cụ thể, chẳng hạn như chẩn đoán y tế.Hệ thống chuyên gia đã cho chúng tôi các thuật ngữ sử dụng ngày hôm nay nơi hệ thống AI được chia thành một cơ sở kiến thức với các sự kiện về thế giới và quy tắc và động cơ suy luận áp dụng các quy tắc cho kiến thức cơ bản để trả lời câu hỏi và giải quyết vấn đề. Trong các hệ thống đầu kiến thức cơ bản có xu hướng là một cấu trúc tương đối bằng phẳng, thực chất khẳng định về các giá trị của các biến được sử dụng bởi các quy tắc. [1]Ngoài hệ thống chuyên gia, nhà nghiên cứu khác đã phát triển khái niệm về khung dựa trên ngôn ngữ trong giữa thập niên 1980. Một khung là tương tự như một lớp đối tượng: nó là một mô tả trừu tượng của một thể loại mô tả những điều trong thế giới, vấn đề và giải pháp tiềm năng. Khung được ban đầu được sử dụng trên hệ thống hướng về phía các tương tác của con người, ví dụ như sự hiểu biết ngôn ngữ tự nhiên và các thiết lập xã hội mà trong đó các mặc định mong đợi như gọi thức ăn trong một nhà hàng thu hẹp không gian tìm kiếm và cho phép hệ thống để lựa chọn các phản ứng thích hợp với các tình huống năng động.Nó đã không lâu trước khi các cộng đồng khung và các nhà nghiên cứu dựa trên quy tắc nhận ra rằng có là sức mạnh tổng hợp giữa các phương pháp tiếp cận của họ. Khung được tốt nhất đại diện cho thế giới thực, mô tả như là các lớp học, phân lớp, khe (dữ liệu giá trị) với các khó khăn khác nhau về giá trị có thể. Quy tắc đã được tốt cho đại diện và sử dụng logic phức tạp như quá trình để thực hiện một chẩn đoán y tế. Tích hợp hệ thống được phát triển mà kết hợp khung và quy tắc. Một mạnh mẽ và cũng được biết đến là môi trường kiến thức kỹ thuật năm 1983 (KEE) từ Intellicorp. KEE có một động cơ hoàn tất quy tắc chuyển tiếp và lạc hậu loạt. Nó cũng có một cơ sở kiến thức đầy đủ khung dựa trên gây nên, khe (dữ liệu giá trị), thừa kế, và thông điệp đi qua. Mặc dù thông điệp đi qua có nguồn gốc từ hướng đối tượng cộng đồng chứ không phải là các AI nhanh chóng chấp nhận bởi các nhà nghiên cứu AI cũng như trong môi trường như KEE và trong các hệ điều hành cho máy Lisp Symbolics, Xerox và Texas Instruments. [2]Sự tích hợp của khung, quy tắc, và lập trình hướng đối tượng đáng kể được thúc đẩy bởi thương mại ventures như KEE và biễu tượng tách ra từ dự án nghiên cứu khác nhau. Cùng một lúc như điều này đã xảy ra, đã có một căng thẳng của nghiên cứu mà ít thương mại tập trung và được dẫn dắt bởi logic toán học và tự động định lý chứng minh. Một trong các ngôn ngữ có ảnh hưởng nhất trong nghiên cứu này là KL-một trong những ngôn ngữ của những năm 80 giữa. KL-một trong những đã là một ngôn ngữ khung có một ngữ nghĩa nghiêm ngặt, các định nghĩa chính thức cho các khái niệm như một mối quan hệ là-A. [3] KL-ONE và ngôn ngữ đã chịu ảnh hưởng của nó như dệt có một động cơ tự động lý luận dựa trên logic chính thức chứ không phải trên các quy tắc nếu sau đó. Reasoner này được gọi là loại. Một loại có thể phân tích một bộ tờ khai và suy luận mới khẳng định, ví dụ, xác định lại một lớp học để là một phân lớp hay lớp cha của một số lớp học khác không phải là chính thức được chỉ định. Bằng cách này, loại có chức năng như một động cơ suy luận, suy các dữ kiện mới từ một cơ sở kiến thức sẵn có. Loại cũng có thể cung cấp đồng nhất kiểm tra trên một cơ sở kiến thức (mà trong trường hợp của KL-một trong những ngôn ngữ cũng được gọi là một Ontology). [4]Các khu vực khác của nghiên cứu đại diện kiến thức là vấn đề phổ biến ý thức lý luận. Một trong những realizations đầu tiên từ cố gắng để làm cho phần mềm có thể hoạt động với ngôn ngữ tự nhiên của con người là con người thường xuyên vẽ trên một nền tảng mở rộng các kiến thức về thế giới thực mà chúng tôi chỉ đơn giản là lấy cho được cấp, nhưng đó là không hoàn toàn rõ ràng để một tác nhân nhân tạo. Nguyên tắc cơ bản của vật lý phổ biến ý thức, nhân quả, ý tưởng, vv. Một ví dụ là khung vấn đề, trong một sự kiện hướng logic

Kết quả (Việt) 2:

Công việc đầu tiên trong biểu diễn tri thức bằng máy tính đã được tập trung vào giải quyết vấn đề chung như hệ thống chung Problem Solver (GPS) được phát triển bởi Allen Newell và Herbert A. Simon trong năm 1959. Các hệ thống đặc trưng cấu trúc dữ liệu cho việc lập kế hoạch và phân hủy. Hệ thống sẽ bắt đầu với một mục tiêu. Sau đó nó sẽ phân hủy rằng mục tiêu thành các mục tiêu và sau đó thiết lập ra để xây dựng các chiến lược có thể thực hiện mỗi subgoal. Trong những ngày đầu của AI, các thuật toán tìm kiếm chung như A * cũng được phát triển. Tuy nhiên, các định nghĩa vấn đề vô định hình cho các hệ thống như GPS có nghĩa là họ chỉ làm việc cho các lĩnh vực đồ chơi rất hạn chế (ví dụ như "khối thế giới"). Để giải quyết vấn đề không đồ chơi, các nhà nghiên cứu AI như Ed Feigenbaum và Frederick Hayes-Roth nhận ra rằng nó là cần thiết để tập trung hệ thống về vấn đề hạn chế hơn. Đó là sự thất bại của những nỗ lực này đã dẫn đến cuộc cách mạng nhận thức về tâm lý học và các giai đoạn của AI tập trung vào biểu diễn tri thức mà kết quả là hệ thống chuyên gia trong những năm 1970 và những năm 80, hệ thống sản xuất, ngôn ngữ khung hình, vv Thay vì giải quyết vấn đề chung, AI thay đổi trọng tâm sang hệ thống chuyên gia mà có thể phù hợp với năng lực của con người vào một nhiệm vụ cụ thể, chẳng hạn như chẩn đoán y tế. hệ thống Expert đã cho chúng tôi những thuật ngữ vẫn còn sử dụng ngày nay, nơi hệ thống AI được chia thành một cơ sở kiến thức với sự thật về thế giới và các quy tắc và một động cơ suy luận rằng áp dụng các quy tắc để các cơ sở kiến thức để trả lời câu hỏi và giải quyết các vấn đề. Trong các hệ thống đầu cơ sở tri thức có xu hướng là một cấu trúc tương đối bằng phẳng, chủ yếu khẳng định về các giá trị của biến được sử dụng bởi các quy tắc. [1] Ngoài hệ thống chuyên gia, các nhà nghiên cứu khác đã phát triển khái niệm về ngôn ngữ dựa trên khung vào giữa năm 1980. Một khung tương tự như một lớp đối tượng: Đây là một mô tả trừu tượng của một loại mô tả những điều trong thế giới, các vấn đề và các giải pháp tiềm năng. Khung ban đầu được sử dụng trên hệ thống hướng tới sự tương tác của con người, ví dụ như sự hiểu biết ngôn ngữ tự nhiên và môi trường xã hội mà trong đó sự mong đợi mặc định khác nhau như gọi món trong nhà hàng thu hẹp không gian tìm kiếm và cho phép hệ thống để lựa chọn câu trả lời thích hợp với các tình huống động. Nó wasn ' t lâu trước khi cộng đồng khung và các nhà nghiên cứu dựa trên nguyên tắc nhận ra rằng có sự kết hợp giữa phương pháp tiếp cận của họ. Khung được tốt cho đại diện cho thế giới thực, được mô tả như là các lớp, phân lớp, khe cắm (giá trị dữ liệu) với khó khăn khác nhau về giá trị có thể. Quy định là tốt cho đại diện và sử dụng logic phức tạp như các quy trình để thực hiện một chẩn đoán y tế. Tích hợp hệ thống được phát triển để kết hợp các khung hình và quy tắc. Một trong những mạnh nhất và cũng được biết là năm 1983 Kiến thức Môi trường Kỹ thuật (KEE) từ Intellicorp. Kee đã có một động cơ quy tắc hoàn chỉnh với chain về phía trước và lạc hậu. Nó cũng có một khung dựa trên cơ sở kiến thức đầy đủ với kích hoạt, khe cắm (giá trị dữ liệu), thừa kế, và thông qua. Mặc dù tin nhắn qua bắt nguồn từ cộng đồng hướng đối tượng hơn là AI nó đã nhanh chóng được chấp nhận bởi các nhà nghiên cứu AI cũng như trong các môi trường như KEE và trong các hệ điều hành cho máy Lisp từ Symbolics, Xerox, và Texas Instruments. [2] Sự tích hợp của khung, quy tắc, và lập trình hướng đối tượng đã được thúc đẩy đáng kể do các liên thương mại như KEE và Symbolics tách ra từ các dự án nghiên cứu khác nhau. Tại cùng thời điểm này đã xảy ra, đã có một chủng nghiên cứu mà là ít tập trung thương mại và được thúc đẩy bởi logic toán học và tự động minh định lý. Một trong những ngôn ngữ có ảnh hưởng nhất trong nghiên cứu này là KL-ONE ngôn ngữ vào giữa những năm 80. KL-ONE là một ngôn ngữ khung mà đã có một ngữ nghĩa nghiêm ngặt, các định nghĩa chính thức về các khái niệm như một Is-Một mối quan hệ. [3] KL-ONE và ngôn ngữ mà bị ảnh hưởng bởi nó như Loom đã có một động cơ lý tự động dựa trên logic hình thức chứ không phải là trên các quy tắc IF-THEN. Lý luận này được gọi là phân loại. Một phân loại có thể phân tích một tập hợp các tờ khai và suy ra những khẳng định mới, ví dụ, xác định lại một lớp là một lớp con hoặc cha của một số lớp khác mà chưa được chính thức xác định. Bằng cách này, các phân loại có chức năng như một công cụ suy luận, suy luận sự kiện mới từ một cơ sở kiến thức hiện có. Việc phân loại cũng có thể cung cấp nhất quán kiểm tra trên cơ sở kiến thức (mà trong trường hợp của KL-ONE ngôn ngữ cũng được gọi là một Ontology). [4] Một lĩnh vực nghiên cứu biểu diễn tri thức là vấn đề của lý luận thông thường. Một trong những chứng ngộ đầu tiên từ cố gắng để làm cho phần mềm có thể hoạt động với ngôn ngữ tự nhiên của con người là con người thường xuyên vẽ trên một nền tảng rộng lớn của kiến thức về thế giới thực mà chúng tôi chỉ đơn giản là đưa cho các cấp nhưng đó không phải là ở tất cả rõ ràng cho một đại diện nhân tạo. Nguyên tắc cơ bản của vật lý thông thường, quan hệ nhân quả, ý định, vv Một ví dụ là các vấn đề Frame, rằng trong một logic theo sự kiện