지식 표현 및 추론 (KRR)

소개

에 오신 것을 환영합니다.4강: 지식 표현 및 추론 (KRR). 이 모듈에서는 인공 지능의 근본적인 과제, 즉 세상을 기호적으로 모델링하는 방법을 다룹니다. 기계가 데이터를 저장하는 것만으로는 충분하지 않습니다. 반드시 추론해야 합니다. AI 시스템이 단순한 패턴 매칭을 넘어 추론을 수행하기 위해 정보를 논리적으로 표현하는 방법을 탐구할 것입니다.

섹션 1: 역사적 기반

고전적인 명제 논리 및 1차 술어 논리에서부터 엄격하지만 강력한 기존 전문가 시스템. 이 시스템들은 논리적 추론이 가능한 최초의 "사고하는" 기계를 제공했습니다.

섹션 2: 현대적 융합

마지막으로, 현대 AI의 최전선에 이르러 지식 그래프 및 와 신경-기호 AI를 살펴봅니다.이 신흥 분야는 논리의 엄격한 설명 가능성과 신경망의 적응적 학습 능력을 융합하는 것을 목표로 합니다.

컨텍스트 경고

"블랙박스"처럼 작동하는 신경망과 달리, KRR는 화이트박스 모델에 초점을 맞춰 추론 경로가 명시적이고 검증 가능하며 해석 가능합니다.

기호 논리 구문 예시

사실: 부모앨리스, 밥
사실: 부모밥, 찰리
규칙: ∀x,y,z (부모(x, y) ∧부모(y, z) →조부모(x, z))
추론: 조부모앨리스, 찰리

사례 연구: 의료 진단 시스템

아래 시나리오를 읽고 질문에 답하십시오.

MYCIN과 같은 초기 AI 시스템은 KRR을 사용하여 혈액 감염을 진단했습니다. 통계에 기반하여 추측하는 현대 ML과 달리, MYCIN은 의사로부터 파생된 600개 이상의 규칙을 사용했습니다.

1번

1. 설명 가능성이 일반 이미지 분류기에 비해 의료 KRR 시스템에서 중요한 이유는 무엇입니까?

답변:
의학에서는 의사들이 진단을 신뢰하기 위해 검증 가능한 경로(사용된 규칙의 연쇄)를 요구합니다. '블랙박스' 예측은 중요한 결정에 용납될 수 없습니다. KRR은 이러한 명시적인 추론 경로를 제공합니다.

2번

2. 시스템은 "열이 높으면 감염 가능성이 높다"와 같은 규칙을 어떻게 처리합니까?

답변:
이 규칙은 기호적으로 표현됩니다 (예:

H i g h F e v e r \to L i k e l y I n f e c t i o n

). 추론 엔진은 환자 기록에

H i g h F e v e r

이 사실이 참인지 확인하고, 참이면

L i k e l y I n f e c t i o n

을 새로운 결론으로 주장합니다.

3번

3. 이러한 규칙을 수동으로 인코딩하는 것의 한계(지식 획득 병목 현상)를 식별하십시오.

답변:
주요 한계는 지식 획득 병목 현상입니다. 즉, 인간 전문가가 자신의 모든 지식을 형식적이고 명시적인 규칙으로 명확히 표현하는 데 필요한 어려움과 시간입니다. 실제 세계의 지식은 종종 모호하고 수동 인코딩하기에는 너무 방대합니다.