Реферат языки представления знаний

Обновлено: 05.07.2024

Краткий ответ на экзаменационный вопрос по курсу СИИ — системы искусственного интеллекта (все вопросы).

Данными называют информацию фактического характера, описывающую объекты, процессы и явления предметной области, а также их свойства. В процессах компьютерной обработки данные проходят следующие этапы преобразований:

исходная форма существования данных (результаты наблюдений и измерений, таблицы, справочники, диаграммы, графики и т.д.);
представление на специальных языках описания данных, предназначенных для ввода и обработки исходных данных в ЭВМ;
базы данных на машинных носителях информации.

Для того чтобы поместить знания в информационную систему, их необходимо представить определенными структурами данных, соответствующих выбранной среде разработки интеллектуальной системы. Поэтому при разработке информационной системы сначала осуществляются накопление и представление знаний, причем на этом этапе обязательно участие человека, а затем знания представляются определенными структурами данных, удобными для хранения и обработки в ЭВМ. Знания в ИС существуют в следующих формах:

исходные знания (правила, выведенные на основе практического опыта, математические и эмпирические зависимости, отражающие взаимные связи между фактами; закономерности и тенденции, описывающие изменение фактов с течением времени; функции, диаграммы, графы и т. д.);
описание исходных знаний средствами выбранной модели представления знаний (множество логических формул или продукционных правил, семантическая сеть, иерархии фреймов и т. п.);
представление знаний структурами данных, которые предназначены для хранения и обработки в ЭВМ;
базы знаний на машинных носителях информации.

Языки представления знаний

Естественные языки формировались и формируются национальными или профессиональными сообществами людей. Знания передаются от одного человека к другому, после их перевода на язык, который понимают человек источник знания и человек приемник знания.

Искусственные языки создавались и создаются для связи человека с машинами.

Примеры искусственных языков, которые используются преимущественно для представления знаний:

Современные языки программирования значительно старше Windows, Интернета и персональных компьютеров. Новые языки не переставали регулярно проявляться, но, ни один из них не задержался в практике программирования, чего нельзя сказать про привносимые ими свежие идеи, которые со временем становились частью уже существующих языков. Хорошим примером этого является объектно-ориентированное программирование.

Содержание

Работа содержит 1 файл

ЯрмометовК.Р. Информационные технологии.doc

Основные данные о работе

Языки представления знаний

Содержание

1. Суть проблемы представления знаний………………………………………………..4

2. Слова, предположения и смысл……………………………. ………………. . 9

Список использованных источников…………………………………………………. .29

Введение

Прогресс компьютерных технологий определил процесс появления новых разнообразных знаковых систем для записи алгоритмов – языков программирования. Смысл появления такого языка – оснащенный набор вычислительных формул дополнительной информации, превращает данный набор в алгоритм.

Большинство используемых сегодня языков программирования, таких как Паскаль, Си, Бейсик, Ада или Фортран были созданы в 60-х – 70-х годах прошлого века. Иными словами, возраст современных языков программирования перевалил за четвертый десяток, что, учитывая темпы развития компьютерной индустрии, является сроком экстремальным.

В 60-х – 70-х годах предпринималась попытка создания универсального языка программирования, объединившего бы в себе все последние достижения в этой области (языки Алгол, PL/1, Ада), но на данный момент подобные попытки прекратились и крупные языковые проекты безвозвратно ушли в прошлое вместе с порожденными ими языками.

В настоящее время уже можно сказать, что в этой области всё стабилизировалось, интерес к языкам программирования снизился, а развитие языков программирования продолжится другими путями. Наступил удачный момент для анализа современных языков программирования и выяснения достигнутых практических результатов.

Основная часть

1. Суть проблемы представления знаний

Проблема представления знаний является тем ключевым пунктом, через который проходят пути к достижению успеха, пожалуй, во всех направлениях исследований по искусственному интеллекту, начиная от проблем понимания естественного языка и кончая проблемами машинного восприятия зрительных образов и речи.

Очевидная первопричина сложности создания машинной модели реального мира кроется в бесконечном многообразии этого мира.

Первая из них связана с необходимостью наличия в памяти ЭВМ неограниченного набора программ, каждая из которых рассчитана на выполнение приказа при определенном состоянии внешней среды.

Вторая трудность порождена необходимостью соотнести данный приказ оператора и состояние внешней среды робота с конкретной программой из этого неограниченного набора, ответственной за выполнение данного приказа в конкретной внешней ситуации, и выбрать эту программу из памяти за приемлемое весьма ограниченное время.

Приведенные трудности объясняют нереальность создания модели реального мира таким путем. Несмотря на это, такой подход всё же несет одно ценное свойство. По крайней мере, на интуитивном уровне ясно, что каждую из программ, ответственную за выполнение данного приказа, можно построить так, чтобы учесть все необходимые для выполнения приказа особенности внешнего мира робота, причем реального внешнего мира со всем его многообразием и сложностью, что невозможно при использовании известных подходов из-за принципиальной ограниченности средств описания внешнего мира, характерных для этих подходов.

Конечно, ограниченность машинной памяти не позволит иметь большого количества таких программ, но в случае маловариативных сред и невысоких требований к диапазону функциональных возможностей робота реально получение приемлемых технических решений.

Очевидный путь, позволяющий, по-видимому, несколько уменьшить трудности создания машинной модели реального мира, лежит через кардинальное уменьшение числа входящих в модель программ при сохранении общего объема знаний о мире, содержащихся в этой модели.

Это можно было бы осуществить, если бы удалось определенным образом упорядочить, структурировать программы, образующие модель.

С этой целью, во-первых, полезно найти и выделить в разнообразных возможных действиях общие универсальные фрагменты, с помощью которых можно компоновать эти действия. Очевидно, из т таких универсальных фрагментов в пределе можно скомпоновать (1!+2!+3!+…+ m!) разнообразных действий, если даже ограничить число используемых для описания действия фрагментов величиной m, т.е. имеет место колоссальный выигрыш в использовании памяти, тем больший, чем больше т.

Во-вторых, необходимо стремиться так построить программы, входящие в модель реального мира для робота, чтобы каждая из них была способна формировать широкий набор (в пределе бесконечный) разнообразных действий, варьируемых, например, в зависимости от характера информации, собираемой определенной группой сенсоров, или от модификации приказов.

Группа фреймов может объединяться в систему фреймов. Результаты характерных действий отражаются с помощью трансформаций между фреймами системы. Они используются, чтобы ускорить вычисления определенных видов при представлении типичных изменений одной и той же ситуации.

Если выбранный фрейм не удается согласовать с реальностью, т. е. если невозможно найти задания для терминалов, которые соответствующим образом согласуются с условиями маркера, то происходит обращение к так называемой сети поиска информации, с помощью которой соединяются между собой системы фреймов. Эта сеть позволяет найти другие способы представления знаний о фактах, аналогиях и другой информации, которую можно использовать для согласования с реальностью.

Обратим внимание на некоторые аспекты представления знаний. Не удивительно, что перед теми, кто занимается проблемой представления знаний, появляется вопрос о том, что такое знание, какая его природа и основные характеристики. В связи с этим употребляют, например, попытки дать такое определение знания, из которого можно было бы выходить в решении заданий представления знаний в компьютерных системах.
Представлению данных свойственный пассивный аспект: книга, таблица, заполненная информацией память. В теории искусственного интеллекта особенно подчеркивается активный аспект представления знаний: приобретение знания должно стать активной операцией, что позволяет не только запоминать, но и применять воспринятые (приобретенные, усвоенные) знания для рассуждений на их основе.

Содержание

Введение 3
1 Способы формального представления знаний 5
1.1 История в информатике 5
1.2 Связи и структуры 6
1.3 Язык и нотация 8
2 Обзор языков предоставления знаний 10
2.1 Пролог 10
2.2 Web Ontology Language 12
2.3 Лисп 17
2.4 Языки Ontology 21
Заключение 25
Глоссарий 28
Список использованных источников 30

Работа состоит из 1 файл

Языки представления знаний.doc

Титульный лист

Содержание

Введение

Есть системы, способные диагностировать заболевание, планировать синтез сложных синтетических соединений, решать дифференциальные уравнения в символьном виде, анализировать электронные схемы, понимать ограниченный объем человеческого языка и естественного языкового текста. Можно сказать, что такие системы владеют в, некоторой степени, искусственным интеллектом.

Работа из построения таких систем проводится в области, которая получила название искусственный интеллект (ИИ). При реализации интеллектуальных функций непременно присутствующая информация, которую называют знаниями. Иначе говоря, интеллектуальные системы являются в то же время системами обработки знаний. 1

В это время в исследованиях искусственного интеллекта выделились несколько основных направлений. Одно из них - представление знаний. В рамках этого направления решаются задания, связанные с формализацией и представлением знаний в памяти системы ИИ. Для этого разрабатываются специальные модели представления знаний и языка описания знаний, внедряются разные типы знаний. Проблема представления знаний есть одной из основных проблем для системы ИИ, потому что функционирование такой системы опирается на знания о проблемной области, которые хранятся в ее памяти.

Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике — с подбором представления конкретных и обобщённых знаний, сведений и фактов для накопления и обработки информации в ЭВМ. Главная задача в искусственном интеллекте (ИИ) — научиться хранить знания таким образом, чтобы программы могли осмысленно обрабатывать их и достигнуть тем подобия человеческого интеллекта.

В Искусственном интеллекте (ИИ) основная цель - научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы как фреймы, правила, и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.

Основная часть

1 Способы формального представления знаний

1.1 История в информатике

В информатике (главным образом в области искусственного интеллекта) для структурирования информации, а также организации баз знаний и экспертных систем были предложены несколько способов представления знаний. Одно из них представление данных и сведений в рамках логической модели баз знаний, на основе языка логического программирования Пролог.

В 1970-х и начале 1980-х были предложены, и с переменным успехом опробованы многочисленные методы представления знаний, например эвристические вопросно-ответные системы, нейросети, доказательство теорем, и экспертные системы. Главными областями их применения в то время были медицинская диагностика (к примеру Мицин) и игры (например шахматы).

Эта работа привела к более точной оценке сложности задачи представления знаний. Одновременно в математической лингвистике, были созданы гораздо более объёмные базы языковой информации, и они, вместе с огромным приростом скорости и объёмов памяти компьютеров сделали более глубокое представление знаний более реальным.

Было разработано несколько языков программирования ориентированных на представление знаний. Пролог, разработанный в 1972, но получивший популярность значительно позже, описывает высказывания и основную логику, и может производить выводы из известных посылок. Ещё больше нацелен на представление знаний язык KL-ONE (1980-е).

В области электронных документов были разработаны языки явно выражающие структуру хранимых документов, такие как SGML а впоследствии XML. Они облегчили задачи поиска и извлечения информации, которые в последнее время всё больше связаны с задачей представления знаний. Веб-сообщество крайне заинтересованно в семантической паутине, в которой основанные на XML языки представления знаний, такие как RDF, Карта тем и другие используются для увеличения доступности компьютерным системам информации, хранящейся в сети. 2

1.2 Связи и структуры

Одной из проблем в представлении знаний является как хранить и обрабатывать знания в информационных системах формальным способом так, чтобы механизмы могли использовать их для достижения поставленных задач. Примеры применения здесь экспертные системы, Машинный перевод, компьютеризированное техническое обслуживание и системы извлечения и поиска информации (включая пользовательские интерфейсы баз данных). 3

Для представления знаний можно использовать семантические сети. Такая сеть изображена на рисунке приложения Б. Каждый узел такой сети представляет концепцию, а дуги используются для определения отношений между концепциями. Одна из самых выразительных и детально описанных парадигм представления знаний основанных на семантических сетях это MultiNet (акроним для Многослойные Расширенные Семантические Сети англ. Multilayered Extended Semantic Networks).

Начиная с 1960-х годов, использовалось понятие фрейма знаний или просто фрейма. Каждый фрейм имеет своё собственное имя и набор атрибутов, или слотов которые содержат значения; например фрейм дом мог бы содержать слоты цвет, количество этажей и так далее.

Фреймовые представления объектно-центрированы в том же смысле что и Семантическая сеть: Все факты и свойства, связанные с одной концепцией, размещаются в одном месте, поэтому не требуется тратить ресурсы на поиск по базе данных.

Скрипт это тип фреймов, который описывает последовательность событий во времени; типичный пример описание похода в ресторан. События здесь включают ожидание места, прочитать меню, сделать заказ, и так далее.

Различные решения в зависимости от их семантической выразительности могут быть организованы в так называемый семантический спектр (англ. Semantic spectrum).

1.3 Язык и нотация

Поэтому для представления знаний были предложены различные искусственные языки и нотации. Обычно они основаны на логике и математике, и имеют легко читаемую грамматику для облегчения машинной обработки. Обычно они попадают в широкую область онтологий.

Последней модой в языках представления знаний является использование XML в качестве низкоуровневого синтаксиса. Это приводит к тому, что вывод этих языков представления знаний машины могут легко Синтаксический анализ, за счёт Удобочитаемости для человека. Логика первого порядка и язык Пролог широко используется в качестве математической основы для этих систем, чтобы избежать избыточной сложности. Однако даже простые системы основанные на этой простой логике можно использовать для представления данных которое значительно лучше возможностей обработки для нынешних компьютерных систем: причины раскрываются в теории вычислимости.

Примеры искусственных языков которые используются преимущественно для представления знаний: CycL IKL, KIF, Loom, KM: Машина Знаний (англ. Knowledge Machine) (фреймовый язык, использовавшийся для задач представления знаний), OWL, язык Пролог, Липс.

Некоторые из этих языков, мы рассмотрим в данной курсовой работе далее.

2 Обзор языков предоставления знаний

2.1 Пролог

Пролог (фр. Programmation en Logique) — язык и система логического программирования, основанные на языке предикатов математической логики дизъюнктов Хорна, представляющей собой подмножество логики предикатов первого порядка. 4

Основными понятиями в языке Пролог являются факты, правила логического вывода и запросы, позволяющие описывать базы знаний, процедуры логического вывода и принятия решений.

Факты в языке Пролог описываются логическими предикатами с конкретными значениями. Правила в Прологе записываются в форме правил логического вывода с логическими заключениями и списком логических условий.

Факты в базах знаний на языке Пролог представляют конкретные сведения (знания). Обобщённые сведения и знания в языке Пролог задаются правилами логического вывода (определениями) и наборами таких правил вывода (определений) над конкретными фактами и обобщёнными сведениями.

Содержание работы

Содержимое работы - 1 файл

Языки представления знаний 9.doc

Person SubClassOf hasMother exactly 1 Woman

Первая аксиома означает, что у любого человека есть одна и только одна мать, являющаяся женщиной. Следующие две аксиомы означают, что Мария и Джессика являются матерями Джона. Казалось бы, налицо нарушение ограничения целостности. Однако, с точки зрения семантики OWL здесь нет противоречия, но делается логический вывод, что Мария и Джессика являются одним и тем же человеком (другим логическим выводом является то, что обе они — женщины). Разумеется, если явно указать, что они — разные объекты (для этого в OWL есть специальная конструкция — owl:differentFrom), то противоречие будет выведено.

Тем не менее, поскольку ограничения целостности идут рука об руку с описанием схем (метаданных), то были созданы специальные решения, позволяющие использовать OWL для их описания. В частности, Pellet предоставляет специальное расширение для проверки данных на соответствие ограничениям целостности, описанным в виде аксиом OWL (оно было представлено на конференциях "Semantic Technologies 2009" и "OWL: Experience and Directions 2009"). Причем существует возможность использовать одни и те же онтологии, как для представления знаний, так и для валидации данных.

2.3 Лисп

Вычислительные машины первоначально разрабатывались для осуществления численных вычислений и обработки больших объемов данных. Численным вычислениям свойственно выполнение большого числа алгоритмов или сложных, но заранее точно определённых вычислений над сравнительно простыми однообразными элементами данных - числами, векторами, массивами и т.п. Наиболее эффективные суперкомпьютеры способны выполнять обескураживающее количество операций в секунду. Численные вычисления хорошо подходят для решения научно-технических задач, их понятия количественно измеримы и точно представимы в числовой форме.

В свою очередь в экономических задачах обрабатывается большое количество данных, состоящих часто из элементов данных различных типов, которые, однако, регулярны по форме и относятся к количественным типам данных, таких, например, как записи, файлы и базы данных. Осуществляемые действия сравнительно просты, но программы могут быть довольно велики.

Вычислительные машины, ориентированные на решение описанных выше задач, и языки программирования не подходят столь же хорошо для символьной обработки, которая имеет дело со сложными структурами данных и базами знаний, содержащими правила принятия решений и другие многообразные объекты. Символьная обработка позволяет эффективно работать с такими структурами, как предложения естественного языка, значения слов и предложений, нечеткие понятия и т.д., и на их основе принимать решения, проводить рассуждения и осуществлять другие, свойственные человеку способы обращения с данными. В качестве типичного примера служат экспертные системы, содержащие профессиональные знания по некоторой специальности, программы, работающие с естественным языком и т.д.

В этих применениях предполагается представление в подходящей форме символьных и данных со сложной структурой. Работа с ними часто ведётся в заранее непредсказуемых ситуациях. Характерно, что кроме сложной структуры таким данным свойственно разнообразие форм их выражения. Большая часть объектов данных конкретной проблемной области может иметь отличное от других индивидуальное строение. Однако при их обработке поведение программы определяется на основе задаваемых на более общем уровне принципов, законов и правил, а также на основе типов ситуаций и образцов, распознаваемых в этих ситуациях.

Например, в играющей в шахматы программе невозможно заранее учесть все позиции. Анализ игры осуществляется на основе классификации позиций, распознавания стандартных позиций, определения характеристик позиций, построения оценок текущей позиции и использования ограниченного набора стратегий, правил принятия решения и т.д. Так программа может оценить такие позиции, которые программист специально не предусматривал. При удачном стечении обстоятельств программа может победить своего создателя. 7

С помощью структур, имеющих множество форм представления, стало возможным решать задачи, которые ранее считались практически или даже принципиально неразрешимыми. Наибольшие ограничения в создании разумных программ накладывает недостаточное знание нами механизмов принятия решений, строения знаний об естественном языке и о других областях, а также уровень нашего мастерства в программировании.

Лисп является наиболее важным языком программирования, используемым в исследованиях по искусственному интеллекту и в математической лингвистике. Название языка "Лисп" происходит из "list processing" (обработка списков). Буквально английское слово "lisp" означает "лепетать", "шепелявить" и "сюсюкать". В качестве имени языка программирования искусственного интеллекта это метко, поскольку именно с помощью Лиспа вычислительные машины научились в некоторой мере лепетать на человеческом языке.

И всё же Лисп ни в каком смысле не является младенцем. Скорее он старик среди языков программирования. Лисп разработан уже в 50-х годах и является вслед за Фортраном старейшим ещё используемым языком программирования. Но в отличие от Фортрана будущее Лиспа ещё впереди.

Лисп представляет собой язык так называемого функционального программирования. Он основан на алгебре списочных структур, лямбда-исчислении и теории рекурсивных функций. Благодаря неразвитости традиционной вычислительной техники, отличающемуся от других языков программирования характеру и из-за наличия элементарных средств обработки списков Лисп долгое время являлся основным инструментом исследователей искусственного интеллекта и средством теоретического подхода к анализу программирования. Однако в 80-х годах Лисп, наконец, вышел из лабораторий и нашел применение в прикладных проблемах.

Обычно языки программирования не изобретают, а проектируют. Однако по отношению к Лиспу можно говорить об изобретении. Первоначальная версия языка, в частности, содержала множество понятий и принципов, которые сначала казались очень странными, но многие из которых позже оказались существенным нововведением. Кроме этого, возможность добавления в Лисп в течение десятилетий многих новых черт подтвердила свойство расширяемости этого языка. Вокруг Лиспа возникла широкая культура, охватывающая многочисленные школы и разнообразные диалекты языка, различные системы и методы программирования, программные среды и Лисп-машины.

Про Лисп говорят, что это неэффективный язык, особенно в части арифметики. Это было верно на начальном этапе. На численную сторону не обращалось внимание, поскольку язык был предназначен для символьной обработки. Теперь это уже не так. Лисп-системы могут в численных вычислениях быть более эффективными, чем Фортран на той же машине. Это объясняется в том числе и тем, что в трансляторах с Лиспа можно применять более сложные преобразования для оптимизации кода.

Естественным является то, что большие системы, предлагающие многосторонние и разумные услуги, требуют большой вычислительной мощности и громоздки для системы разделения времени. Однако это связано не с Лиспом или его плохой реализацией, а с тем вниманием и с той готовностью помочь, которые система предлагает пользователю.

Например, Интерлисп сохраняет полный перечень всех действий пользователя и полное описание более ранних состояний системы и способен автоматически исправлять многие неточности, как, например, ошибки в написании. Если эти свойства правильно использовать, то они повышают производительность профессионального программиста в большей степени, чем тратят ресурсы машины.

С точки зрения программирования критике подвергается и внешний облик языка: изобилие скобок и кажущийся беспорядок. Лисп ("Lots if Idiotic Silly Parentheses") представляется как трудно-понимаемый и трудно-изучаемый язык.

Такой подход проистекает из используемых в Лиспе функционального образа мышления и техники программирования, которые чужды программистам, привыкшим к операторному программированию традиционных языков. Естественно используемые в программировании на Лиспе структуры данных и управляющие структуры часто сложны, поскольку проблемы искусственного интеллекта из-за своей сложности предполагают сложные структуры и программы. Иерархические списочные структуры и Лисп как раз и задумывались для работы со сложными проблемами. Искусственное упрощение структур означало бы пренебрежение действительной сложностью проблем.

Идеей Лиспа является попытка упростить решение проблемы, структурируя используемые данные и упрощая программы. Такой подход оказался полезным, например, в объектно-ориентированном программировании и в экспертных системах. Эти области содержат больше количество знаний со сложной структурой, которые интерпретируются часто довольно простыми процедурами поиска и принятия решения.

Структура языка Лисп проста и последовательна. Функции Лиспа можно напечатать в ясно структурированном и хорошо читаемом виде. Во многих системах существует возможность использования формы записи с малым количеством скобок и близкой по виду к более традиционным языкам.

Хорошим доказательством простоты использования Лиспа является его широкое применение в исследовательских работах по программированию сложных методов обработки знаний. Большая часть значимых программ искусственного интеллекта запрограммирована на Лиспе или на основанном на нем языке более высокого уровня. По результатам некоторых исследований можно, скажем, в среде программирования Лисп-машины достичь повышения производительности программирования в несколько десятков раз по сравнению, например, с программированием на Коболе.

2.4 Языки Ontology

Некоторые людей думают они было само лучше для того чтобы представить знание in the same way что он представлено в людской разум, который будет единственной известный деятельностью сведения до тех пор, или представить знание in the form of людской язык. L. Ричард. Ballard, например, начинало теори-основанной системой семантики которая будет язык независимо, который требует захватить и причина с такими же принципиальными схемами и теорией как люди. Семантика формулы основная теори-основанная является следующим: Knowledge=Theory+Information. Большинств обычные применения и системы базы данных язык-основаны. Несчастливо, мы не умеем как знание представлено в людском разуме, или как манипулировать людские языки такая же дорога которой людской разум делает ее. Один clue что приматы умеют как использовать пункт и click поверхности стыка потребителя; таким образом жест-основанная поверхность стыка кажется, что будет часть нашего познавательного прибора, a модальность не связано к учтной язык, и который существует в другом животные кроме того люди.

Для этой причины, различно искусственние языки и нотации предложите для представлять знание. Они типично основаны дальше логика и математика, и легко parsed грамматики к легкости обрабатывать машины. Они обычно падают в обширный домен ontologies.

Ontology - пооже CycL, нескольк языки ontology превратитесь. Большая часть декларативные языки, и то языки рамки, или оснуйте дальше first-order логика. Большой часть из этих языков только определяет верхнее ontology с родовыми принципиальными схемами, тогда как принципиальными схемами домена не будут часть определения языка. Английская язык Gellish пример ontological языка вклюает полный словарь английской языка инженерства.

Пока hyperlinks come into widespread польза, близко отнесенное смысловое соединение пока широко не использует. математически таблица использует с тех пор Вавилонско времена. Недавн, эти таблицы были использованы для того чтобы представить исходы деятельностей логики, such as таблицы правды, который были использованы для того чтобы изучить и моделировать булевскую логику, например. Spreadsheets yet another таблитчатое представление знания. Другие представления знания валы, посредством которого соединения среди основных принципиальных схем и производеных принципиальных схем можно показать.

Недавний способ в языках представления знания должен использовать XML как низкоуровневый синтаксис. Это клонит сделать выход этих языков KR легких для машин к parse, за счет человека считываемость и часто космос-эффективность.

First-order calculus сказуемого общ использует за математически основа для этих систем, для избежания чрезмерно сложность. Однако, даже просто системы основанные на этой просто логике можно использовать к приведенные данные которые наилучшим образом за возмоности обработки в настоящее время систем компьютера: см. computability для причин.

Примеры нотаций: 9

DATR пример для представлять словарно знание

RDF просто нотация для представлять отношения между и среди предметы

Одна проблема в представлении знания consist of как хранить и манипулировать знание в информационная система в официально дороге TAK, CTO она будет мочь быть использовано механизмами для выполнения, котор дали задачи. Примеры применений экспертные системы, системы машинного перевода, computer-aided обслуживание системы и поиск информации системы (включая front-ends базы данных).

Читайте также: