La representación y el razonamiento del conocimiento ( KRR , KR&R , KR² ) es el campo de la inteligencia artificial (IA) dedicado a representar información sobre el mundo en una forma que un sistema informático puede usar para resolver tareas complejas como diagnosticar una condición médica o tener un diálogo en un lenguaje natural . La representación del conocimiento incorpora hallazgos de la psicología [1] sobre cómo los humanos resuelven problemas y representan el conocimiento para diseñar formalismos que harán que los sistemas complejos sean más fáciles de diseñar y construir. La representación y el razonamiento del conocimiento también incorpora hallazgos de la lógica.para automatizar varios tipos de razonamiento , como la aplicación de reglas o las relaciones de conjuntos y subconjuntos .
Los ejemplos de formalismos de representación del conocimiento incluyen redes semánticas , arquitectura de sistemas , marcos , reglas y ontologías . Los ejemplos de motores de razonamiento automatizado incluyen motores de inferencia , probadores de teoremas y clasificadores.
El primer trabajo en la representación computarizada del conocimiento se centró en los solucionadores de problemas generales, como el sistema General Problem Solver (GPS) desarrollado por Allen Newell y Herbert A. Simon en 1959. Estos sistemas presentaban estructuras de datos para la planificación y la descomposición. El sistema comenzaría con una meta. Luego descompondría ese objetivo en subobjetivos y luego se dispondría a construir estrategias que pudieran lograr cada subobjetivo.
En estos primeros días de la IA, también se desarrollaron algoritmos de búsqueda generales como A* . Sin embargo, las definiciones de problemas amorfos para sistemas como GPS significaban que funcionaban solo para dominios de juguetes muy restringidos (por ejemplo, el " mundo de bloques "). Para abordar los problemas que no son de juguetes, los investigadores de IA como Ed Feigenbaum y Frederick Hayes-Roth se dieron cuenta de que era necesario enfocar los sistemas en problemas más restringidos [ cita requerida ] .
Estos esfuerzos condujeron a la revolución cognitiva en psicología y a la fase de la IA centrada en la representación del conocimiento que resultó en sistemas expertos en las décadas de 1970 y 1980, sistemas de producción , lenguajes de marcos , etc. En lugar de solucionadores de problemas generales, la IA cambió su enfoque a expertos. sistemas que podrían igualar la competencia humana en una tarea específica, como el diagnóstico médico [ cita requerida ] .
Los sistemas expertos nos brindaron la terminología que todavía se usa en la actualidad, donde los sistemas de IA se dividen en una base de conocimiento , con hechos sobre el mundo y reglas, y un motor de inferencia , que aplica las reglas a la base de conocimiento para responder preguntas y resolver problemas. En estos primeros sistemas, la base de conocimiento tendía a ser una estructura bastante plana, esencialmente afirmaciones sobre los valores de las variables utilizadas por las reglas. [2]