Podstawową ideą symulacji kognitywnej jest konstrukcja algorytmów heurystycznych (algorytm heurystyczny może dostarczać akceptowalne rozwiązanie problemu, ale nie można przeprowadzić formalnego dowodu poprawności tego algorytmu) w celu symulacji ludzkich procesów umysłowo poznawczych (np. wnioskowania, rozwiązywania problemów, rozpoznawania obiektów, uczenia się) przez próbę odtworzenia sekwencji elementarnych kroków wykonywanych przez człowieka w trakcie tych czynności.

Model symulacji kognitywnej składa się z czterech podstawowych elementów:

• koncepcji przestrzeni stanów,
• rozwiązywania problemu przez heurystyczne przeszukiwanie (zwykle nie znamy algorytmu rozwiązania problemu),
• analizy celów i środków (jeśli dysponujemy funkcją oceny/kosztu wygenerowanych stanów, to możemy ją wykorzystać do generacji nowych stanów),
• metody redukcji problemu (zastąpieniu złożonego problemu przez sekwencję podproblemów).

Powstanie modeli konekcjonistycznych, w których zjawiska umysłowe modeluje się jako emergentne procesy zachodzące w sieciach złożonych z prostych elementów składowych. Do modeli tych zalicza się sztuczne sieci neuronowe. Model neuronu zaproponowali W.S. McCulloch i W. Pitts w 1943 r.

Propozycja podejścia opartego na logice zamiast modeli symulacji ludzkiego myślenia (J. McCarthy). McCarthy rozwinął język Lisp. W ramach tego podejścia na początku lat siedemdziesiątych pojawił się nurt badań związanych z zastosowaniem logiki pierwszego rzędu wSI. Jego rezultatem było stworzenie Prologu. Nurt ten zaowocował następnie powstaniem modelu programowania logicznego z ograniczeniami.

To podejście jest konkurencyjne do symulacji kognitywnej i podejścia opartego na logice. System rozwiązuje konkretny problem po dostarczeniu wszelkiej możliwej wiedzy ekspertów nt. problemu. Wiedza powinna być sformalizowana w postaci danych, a system powinien być wyposażony w uniwersalny mechanizm wnioskujący oraz moduł weryfikacji poprawności działania. To podejście wykorzystuje się w modelu reprezentacji wiedzy w postaci reguł wnioskowania oraz w regułowych systemach ekspertowych.

Wiedza na temat dziedziny jest bardzo cenna, gdyż pozwala określić racjonalne działania.

• Ogrom zgromadzonej wiedzy oraz subtelne nierazzależności pomiędzy jej składnikami czynią jednakkorzystanie z niej procesem bardzo żmudnym.
• Efektywne wykorzystanie wiedzy wymaga więcej narzędzi wspomagających, które pozwolą ogarnąć całość oraz wyciągać skomplikowane wnioski.
• Narzędziami umożliwiającymi kompleksowe wykorzystywanie wiedzy są systemy ekspertowe.
• Podstawę systemów ekspertowych stanowią: język logiki oraz ontologia wyższa świata.

System ekspertowy (doradczy):

system informatyczny wykorzystujący procedury wnioskowania do rozwiązywania problemów, które są na tyle trudne, że wymagają znaczącej ekspertyzy specjalistów.

„wykorzystuje wiedzę eksperta do rozwiązywania takich problemów, które wymagają inteligencji człowieka -eksperta„.

Ogólnie przyjmuje się, że system ekspertowy jest to system informatyczny, który ma na celu zastąpienie pracy eksperta w danej dziedzinie.

System ekspertowy może wykonywać następujące funkcje: doradzanie, analizowanie, klasyfikowanie, udzielanie informacji, diagnozowanie, uczenie się, gromadzenie doświadczeń, prognozowanie, planowanie, nauczanie, testowanie, czyli wszystkie te zadania, które mógł realizować człowiek - ekspert.

System ekspertowy powinien:

1. „rozumieć” i analizować problem;
2. wybierać fakty niezbędne do wykonania ekspertyzy;
3. udzielać porad;
4. wyjaśniać sposób rozwiązania danego problemu.

Wiedza (niezbędna, by zapewnić odpowiedni poziom ekspertyzy), wraz z procedurami wnioskowania stanowi model ekspertyzy, posiadanej przez najlepszych specjalistów w danej dziedzinie.

Wiedza systemu eksperckiego: fakty i heurystyki.

Fakty: powszechnie akceptowane przez specjalistów.

Heurystyki: informacja subiektywna, która charakteryzuje proces oceny przez określonego specjalistę.

Heurystyki: intuicyjne domysły, przypuszczenia, zdroworozsądkowe zasady postępowania.

Poziom ekspertyzy to funkcja rozmiaru i jakości bazy wiedzy danego systemu.

• Koszty: w dłuższym okresie czasu są znacznie tańsze, pomagają w rozwiązywaniu problemów wymagających najbardziej specjalistycznej (najdroższej) wiedzy.
• Brak ekspertów w wielu dziedzinach.
• SE pracują szybciej, nie męczą się, są bardziej niezawodne niż ludzie.
• Konsekwentne, obiektywne, dokładne.
• Zawsze do dyspozycji (nie strajkują!).
• Analiza dużych ilości danych wymaga komputera.

SE: systemy oparte na wszystkich sposobach reprezentacji wiedzy, najczęściej w postaci reguł produkcji.

Szkielet systemu w skład którego wchodzą:

• Mechanizm wnioskowania (maszyna wnioskująca) Główny składnik systemu ekspertowego wykonujący cały proces rozumowania w trakcie rozwiązywania problemu postawionego przez użytkownika;
• Interfejs użytkownika Umożliwia udzielanie informacji systemowi (TELL) oraz zadawanie pytań, odbieranie od systemu odpowiedzi i wyjaśnień (ASK);
• Edytor bazy wiedzy Pozwala modyfikować wiedzę zawartą w systemie, umożliwiając tym samym jego rozbudowę;
• Mechanizm wyjaśniający Element interfejsu użytkownika, który umożliwia uzyskanie informacji:
  • dlaczego system udzielił takiej, a nie innej odpowiedzi,
  • dlaczego system zadał użytkownikowi określone pytanie.

• Baza wiedzy

Deklaratywna postać wiedzy ekspertów z danej dziedziny zapisana za pomocą wybranego sposobu reprezentacji wiedzy, najczęściej reguł lub ram.

• Baza danych zmiennych

Pamięć robocza przechowującą pewne fakty wprowadzone w trakcie dialogu z użytkownikiem; Umożliwia odtworzenie sposobu wnioskowania systemu i przedstawienie go użytkownikowi za pomocą mechanizmu wyjaśniającego. Pozyskiwaniem wiedzy od ekspertów zajmują się inżynierowie wiedzy. Pozyskiwanie wiedzy to zwykle długi i żmudny proces, gdyż wiedza stosowana przez ekspertów ma charakter intuicyjny i praktyczny, często trudny do werbalizacji.

opisy lub fakty, to podstawowe cechy i pojęcia wyrażone jako elementarne składniki zdań zapisanych w jakimś języku. Ich zadanie to identyfikacja i rozróżnianie obiektów i klas. Zawarte są w nich także wszelkiego typu reguły lub algorytmy wykorzystywane do interpretacji danych wejściowych,

relacje, to obraz zachodzących zależności i skojarzeń pomiędzy elementami wchodzącymi w skład opisów (faktami),

procedury, to mechanizmy jaki podlegają relacje i fakty.

baza tekstów (text base) - występuje w niej naturalna strukturalizacja informacji, wynikająca np. z ułożenia alfabetycznego. Przykładem mogą być słowniki, które zawierają wiedzę ogólną z danej dziedziny.

baza danych (data base) - zawiera uporządkowane sprecyzowane, szczegółowe informacje. Typ danych jest często numeryczny, a operacje na niej wykonywane są zdeterminowane.

baza reguł (rule base) - zawiera zbiór zależności pomiędzy obiektami występującymi w danej dziedzinie.

baza modeli (model base) - w niej zawarte są modele matematyczne występujące w danej dziedzinie. Możemy wyróżnić trzy typy: deterministyczne, niedeterministyczne, wartości oczekiwane.

baza wiedzy zdroworozsądkowej (common sense knowledge base) - zbiór potencjalnych, racjonalnych zachowań człowieka, reguł definiujących sposoby podejmowania decyzji.

Podstawowe reprezentacje wiedzy: - formuły x = f(a, b, …) s = v.t

Wiedza proceduralna mówi „jak” rozwiązać problem – określa zbiór procedur, których działanie reprezentuje wiedzę o danej dziedzinie .

Wiedza deklaratywna mówi „czym” rozwiązać problem - określa zbiór specyficznych dla danej dziedziny faktów, stwierdzeń, reguł..

Symboliczne:

• Metody bazujące na zastosowaniu logiki
  • logika konwencjonalna: rachunek zdań, rachunek predykantów, metoda rezolucji, itp..
  • logika niekonwencjonalna (rozmyta, wielo wartościowa)
  • metody wykorzystujące zapis stwierdzeń,
  • metody wykorzystujące systemy regułowe (wektory wiedzy),
• Metody z wykorzystaniem sieci semantycznych,
• Metody oparte na ramach,
• Metody używające modeli obliczeniowych.

Niesymboliczne:

• Sztuczne sieci neuronowe
• Algorytmy genetyczne

Inne:

• język naturalny
• tablice decyzyjne
• drzewka decyzyjne
• sieci Bayesa
• scenariusze
• metody stosowane w projektowaniu SI np. UML
• ontologie,
• zbiory przybliżone
• XML
• Logiczne agenty

1. możliwe jest skonstruowanie modelu reprezentującego system inteligentny explicite,
2. wiedza w tych modelach powinna być reprezentowana w sposób symboliczny (np. w postaci grafów lub reguł; modele wiedzy w symbolicznej SI są konstruowane na podstawie modeli logiki, matematyki dyskretnej, teorii języków formalnych itd.),
3. (inteligentne) działania umysłowo-poznawcze można opisać przy użyciu formalnych operacji nad wyrażeniami i strukturami symbolicznymi należącymi do modelu wiedzy.

Metody symbolicznej reprezentacji można podzielić na dwie grupy.

1. Pierwsza obejmuje ogólne modele reprezentacji wiedzy i inteligentnych działań (np. podejście symulacji kognitywnej, podejście oparte na logice).
2. Druga obejmuje modele oparte na reprezentacji wiedzy, ale w ramach specyficznego aspektu czy też obszaru jej funkcjonowania (np. podejście oparte na reprezentacji wiedzy w postaci reguł wnioskowania, strukturalne modele reprezentacji wiedzy, podejście wykorzystujące gramatyki generatywne do reprezentacji wiedzy

W podejściu tym przyjmuje się, że inteligentne systemy informatyczne powinny nie tyle być konstruowane jako symulatory heurystycznych reguł ludzkich procesów myślowych, ale raczej przy użyciu sformalizowanych modeli wnioskowania logicznego. System w tym podejściu nie realizuje algorytmu będącego sekwencją rozkazów/instrukcji określających jak wykonać obliczenia, aby uzyskać rozwiązanie problemu (paradygmat imperatywny). System powinien ograniczyć się jedynie do określenia, jakie pożądane własności powinno mieć rozwiązanie problemu (czyli co jest rozwiązaniem problemu, a nie jak rozwiązać problem). Samo rozwiązanie problemu powinno być przeprowadzone przez uniwersalne oprogramowanie podstawowe, które wykorzystuje programowanie logiczne lub programowanie funkcyjne (paradygmat deklaratywny). W programowaniu logicznym specyfikacja pożądanych własności rozwiązania problemu ma charakter zbioru twierdzeń/reguł wyrażonych w języku logiki. Użytkownik formułuje pytanie/hipotezę, a system SI sprawdza drogą wnioskowania logicznego przy użyciu twierdzeń/reguł zapisanych w programie, czy jest to prawda. Przykładem takiego podejścia jest Prolog.

Logika predykatów

Podstawowe pojęcia logiki predykatów są symbol term (konstant) i predykat. Predykat P jest to „funkcja”, która ma tylko dwie wartości $$ P = \binom{T}{F} $$

Term może być konstantą, np. twierdzenie ojciec (adam, rafał) lub zmienna predykat ojciec (X,Y)

Logika predykatów jest zbudowana z trzech komponentów:

• rachunek predykatów pierwszego rzędu,
• kilka twierdzeń, przedstawionych w terminach języka RP,
• reguły wnioskowania.

Rachunek predykatów pierwszego stopnia jest to zbiór logicznych formuł (LF), które mogą zawierać następujące operatory