Reprezentacja wiedzy — ontologie, grafy, ramki

Czym jest reprezentacja wiedzy?

Reprezentacja wiedzy (ang. knowledge representation, KR) to dziedzina sztucznej inteligencji zajmująca się sposobami formalizowania informacji o świecie, tak aby systemy komputerowe mogły je przechowywać, wnioskować na ich podstawie i podejmować decyzje. Jest to fundament systemów ekspertowych, planowania AI i przetwarzania języka naturalnego.

Problem reprezentacji wiedzy obejmuje cztery kluczowe pytania: co reprezentować (jakie aspekty świata), jak reprezentować (jaki formalizm), jak wnioskować (jakie mechanizmy inferencji) i jak efektywnie zarządzać wiedzą (skalowalność, aktualizacja).

Dobre KR powinno spełniać pięć kryteriów: adekwatność reprezentacyjna (zdolność wyrażenia potrzebnej wiedzy), adekwatność inferencyjną (możliwość wyprowadzania nowych wniosków), efektywność inferencyjną (szybkość wnioskowania), efektywność akwizycyjną (łatwość dodawania wiedzy) i kompaktowość (brak nadmiarowej redundancji).

Reguły produkcyjne (Production Rules)

Najprostsza forma KR to reguły IF-THEN, zwane regułami produkcyjnymi. Każda reguła ma przesłankę (warunek) i konkluzję (działanie):

`IF pacjent ma gorączkę > 38°C AND ma kaszel AND ma ból mięśni THEN podejrzenie grypy (CF=0.8)`

Reguły produkcyjne stosowane są w silnikach wnioskowania systemów ekspertowych (CLIPS, Drools, Prolog). Ich zaletą jest prostota i naturalność; wadą — trudność wyrażania złożonych relacji i dziedziczenia.

Sieci semantyczne (Semantic Networks)

Sieć semantyczna to graf skierowany, w którym węzły reprezentują pojęcia, a krawędzie — relacje między nimi. Typowe relacje to: IS-A (jest rodzajem), HAS-A (ma część), PART-OF (jest częścią), CAUSES (powoduje).

Przykład: Pies IS-A Zwierzę, Pies HAS-A Ogon, Labrador IS-A Pies. Z takiej sieci można wnioskować: Labrador IS-A Zwierzę (przez dziedziczenie relacji IS-A).

Sieci semantyczne zostały zaproponowane przez Rossa Quilliana w 1968 roku do modelowania pamięci asocjacyjnej. Ich zalety to wizualność (łatwo je narysować) i naturalne dziedziczenie. Wady: brak formalnej semantyki (co dokładnie oznacza krawędź?), problemy z wyjątkami od reguł (pingwin IS-A ptak, ale NIE lata).

Ramki (Frames)

Ramki, zaproponowane przez Marvina Minsky'ego w 1975 roku, to struktury danych przypominające obiekty w programowaniu obiektowym. Ramka opisuje typowy byt lub sytuację za pomocą slotów (atrybutów) z wartościami domyślnymi i ograniczeniami.

Przykład ramki „Samochód":

• Marka: (wymagane)
• Kolor: domyślnie „biały"
• Liczba kół: 4 (ograniczenie: >= 3)
• Typ silnika: {spalinowy, elektryczny, hybrydowy}
• IS-A: Pojazd (dziedziczenie slotów z ramki Pojazd)

Ramki obsługują dziedziczenie (potomne ramki przejmują sloty nadrzędnych), wartości domyślne (uzupełniane, gdy brak jawnej wartości) i procedury demonowe (IF-NEEDED, IF-ADDED — kod uruchamiany przy odczycie lub zapisie slotu).

Ramki łączą cechy sieci semantycznych (relacje IS-A) z programowaniem obiektowym (enkapsulacja, dziedziczenie). Stanowią pomost między KR symbolicznym a obiektowymi bazami danych.

Logiki opisowe (Description Logics)

Logiki opisowe (DL) to formalne systemy logiczne zaprojektowane specjalnie do reprezentacji wiedzy. Stanowią fundament języka OWL (Web Ontology Language) — standardu W3C dla ontologii w Semantic Web.

DL definiują wiedzę za pomocą:

• Pojęć (concepts/classes) — np. Osoba, Student
• Ról (roles/properties) — np. studiujeNa, maWiek
• Jednostek (individuals) — np. Jan, PolitechnikaWarszawska

Kluczowe konstruktory pojęciowe:

• Koniunkcja: Student ⊓ Pracownik (osoby będące jednocześnie studentami i pracownikami)
• Dysjunkcja: Mężczyzna ⊔ Kobieta
• Negacja: ¬Student (nie-studenci)
• Kwantyfikator egzystencjalny: ∃studiujeNa.Politechnika (osoby studiujące na jakiejś politechnice)
• Kwantyfikator uniwersalny: ∀maWiek.PozytywnaLiczba (wszyscy, których wiek jest liczbą pozytywną)

Zaletą DL jest formalna semantyka (precyzyjne znaczenie każdego wyrażenia) i rozstrzygalność (algorytmiczna gwarancja odpowiedzi na pytania). Wersje DL różnią się ekspresywnością i złożonością obliczeniową — od lekkiego EL (SNOMED CT) po ekspresyjne SROIQ (OWL 2 DL).

Ontologie

Ontologia w informatyce to formalna, jawna specyfikacja konceptualizacji dziedziny. Definiuje pojęcia, relacje, aksjomaty i ograniczenia tworzące wspólny model świata.

Przykłady ontologii

• Cyc — ambicyjny projekt (rozpoczęty 1984) kodowania „zdrowego rozsądku" w logice formalnej. Ponad 500 000 pojęć i miliony reguł.
• SNOMED CT — ontologia medyczna z ponad 350 000 pojęciami klinicznymi, używana w elektronicznych rekordach zdrowia.
• DBpedia — ontologia wyekstrahowana z Wikipedii, zawierająca miliony jednostek i relacji.
• Schema.org — ontologia współtworzona przez Google, Microsoft, Yahoo i Yandex do strukturalnego opisu treści stron internetowych.

Języki ontologiczne

• RDF (Resource Description Framework) — model trójek (podmiot, predykat, obiekt) do opisu zasobów
• RDFS (RDF Schema) — rozszerzenie RDF o hierarchie klas i właściwości
• OWL (Web Ontology Language) — język logik opisowych, standard W3C dla zaawansowanych ontologii
• SPARQL — język zapytań do danych RDF/OWL

Grafy wiedzy (Knowledge Graphs)

Grafy wiedzy to współczesna inkarnacja sieci semantycznych — wielkoskalowe grafy łączące miliardy jednostek relacjami semantycznymi. Termin spopularyzował Google w 2012 roku, uruchamiając Google Knowledge Graph.

Kluczowe grafy wiedzy

• Google Knowledge Graph — ponad 500 miliardów faktów o ponad 5 miliardach encji. Zasila panele wiedzy w wyszukiwarce.
• Wikidata — wolny graf wiedzy Wikimedia Foundation, ponad 100 milionów jednostek.
• Amazon Product Graph — graf wiedzy o produktach zasilający rekomendacje i wyszukiwanie.
• Facebook Entity Graph — łączy osoby, miejsca, wydarzenia i organizacje.

Grafy wiedzy a LLM

Duże modele językowe (LLM) przechowują wiedzę implicytnie w wagach sieci neuronowej. Grafy wiedzy przechowują ją eksplicytnie w trójkach (podmiot, predykat, obiekt). Połączenie obu podejść — Knowledge-Grounded LLM — to aktywny obszar badań. RAG (Retrieval-Augmented Generation) z grafem wiedzy jako źródłem pozwala LLM korzystać ze strukturalnej, weryfikowalnej wiedzy.

Porównanie metod reprezentacji

Znaczenie KR we współczesnej AI

Choć era dominacji symbolicznej AI minęła, reprezentacja wiedzy przeżywa renesans w nowych formach:

• Neuro-symboliczna AI — łączy sieci neuronowe z formalnym wnioskowniem
• Knowledge-augmented LLM — wzbogacanie modeli językowych o strukturalną wiedzę
• Ontology-driven ML — ontologie jako źródło cech i ograniczeń dla modeli ML
• Explainable AI — jawna wiedza umożliwia wyjaśnianie decyzji

Reprezentacja wiedzy pozostaje fundamentem AI, nawet gdy głównym narzędziem są sieci neuronowe. Wiedza, która jest jawna, strukturalna i weryfikowalna, stanowi niezbędne uzupełnienie dla statystycznych wzorców wyuczonych z danych.