맨위로가기

지식 표현

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

지식 표현은 컴퓨터가 인간의 지식을 이해하고 활용할 수 있도록 정보를 구조화하고 표현하는 기술이다. 1950년대부터 연구가 시작되어, 일반 문제 해결 시스템(GPS)과 어드바이스 테이커와 같은 초기 시스템이 등장했다. 이후 전문가 시스템, 프레임, 규칙 기반 시스템, 온톨로지, 의미 웹 등 다양한 기법이 개발되었다. 지식 표현의 핵심 과제는 표현력과 추론 효율성의 균형, 불완전성과 불확실성 처리, 비단조 추론 등이며, 의미 네트워크, 프레임, 규칙, 온톨로지와 같은 다양한 기법이 사용된다. 최근에는 의미 웹 기술을 통해 웹 환경에서의 지식 표현이 중요해지고 있으며, 자동 분류 기술이 발전하고 있다.

더 읽어볼만한 페이지

  • 자동 추론 - 자동화된 추론
    자동화된 추론은 컴퓨터 프로그램을 사용하여 논리적 추론을 수행하는 인공지능 분야로, 수리 논리학의 발전과 초기 연구를 통해 자동 정리 증명 분야의 기틀을 마련했으며, AI 겨울을 겪었지만 소프트웨어 검증 등 다양한 분야에 활용되며 Coq, HOL Light 등의 증명 보조기가 개발되어 난제들의 형식적 증명에 기여했다.
  • 컴퓨터 과학에 관한 - 친절한 인공지능
    친절한 인공지능은 사용자에게 친절하고 공감적인 방식으로 상호 작용하며 긍정적이고 효과적인 사용자 경험을 제공하는 것을 목표로 하는 인공지능 기술의 한 분야이다.
  • 컴퓨터 과학에 관한 - AI 붐
    AI 붐은 2010년대 중후반부터 딥 러닝, 생성형 AI 등 인공지능 기술의 급격한 발전과 알파고-이세돌 대국, 알파폴드, 챗GPT 등의 등장으로 사회 전반에 큰 영향을 미치며 나타난 현상으로, 기술 패권 경쟁, 경제·사회적 변화, 그리고 다양한 우려 사항을 야기하고 있다.
  • 지식 - 정보
    정보는 의사결정을 위해 데이터를 가공한 형태로, 목적 적합성, 신뢰성, 적시성을 갖춘 훌륭한 정보는 첩보나 지식으로 분류될 수 있으며, 시대에 따라 의미가 변화하고 경제적 가치를 지니면서 정보 활용 능력의 중요성이 부각되고 있다.
  • 지식 - 이해
    이해는 지식에 기반하여 대상이나 현상의 의미와 관계를 파악하는 능력으로, 비유나 분석을 통해 이루어지며 인지심리학과 인공지능 분야에서 연구되는 개념이다.
지식 표현
지식 표현 및 추론
분야인공지능
목적컴퓨터 시스템에서 정보를 표현하고, 해당 정보를 사용하여 추론하고 문제를 해결할 수 있게 하는 것
주요 접근법
지식 표현논리
의미 네트워크
프레임
스크립트
온톨로지
지식 추론연역 추론
귀납 추론
유추 추론
비단조 추론
기본 논리
역사
초기 연구앨런 뉴얼
허버트 사이먼
존 매카시
발전1970년대: 전문가 시스템
1980년대: 지식 기반 시스템
1990년대 이후: 온톨로지 및 의미 웹
응용 분야
자동 계획자동화된 계획 시스템
의료 진단전문가 시스템
자연어 처리의미 분석 및 의미 추론
로봇 제어로봇 추론
도전 과제
상식 지식상식 지식의 부족은 인공지능 시스템의 능력에 큰 제약이 됨
불확실성 처리불확실한 정보나 부정확한 정보에 대처하는 방법
지식 습득새로운 지식을 자동적으로 획득하고 학습하는 방법

2. 역사

컴퓨터화된 지식 표현 연구는 컴퓨터 과학과 인공지능의 발전과 함께 꾸준히 진행되어 왔다.

초창기에는 앨런 뉴웰과 허버트 사이먼의 일반 문제 해결사(GPS), 존 매카시의 어드바이스 테이커와 같이 일반적인 문제 해결에 초점을 맞춘 연구와 의미 네트워크를 활용한 그래프 표현 방식의 문제 해결 연구가 이루어졌다. 수리 논리를 이용한 자동 정리 증명 연구도 진행되었는데, 존 앨런 로빈슨의 결정 방법 개발이 중요한 발전이었다.

이후, 전문가 시스템, 프레임 기반 시스템, 규칙 기반 시스템, 온톨로지 등으로 발전하면서, 더욱 정교하고 복잡한 지식을 표현하고 추론하는 방향으로 발전해왔다. 상식 추론 문제를 해결하기 위한 더그 레나트의 사이클 프로젝트와 같이 대규모 상식 지식 베이스를 구축하려는 시도도 있었다.

최근에는 의미 웹의 등장과 함께 웹 환경에서 지식을 효과적으로 표현하고 공유하기 위한 연구가 활발하게 진행되고 있다.

2. 1. 초기 연구 (1950년대 ~ 1970년대)

1950년대 후반, 앨런 뉴웰과 허버트 사이먼이 개발한 일반 문제 해결사(GPS)는 계획 및 분해를 위한 데이터 구조를 활용하여 문제 해결을 시도했다.[2] GPS는 목표를 하위 목표로 분해하고, 각 하위 목표를 달성하기 위한 전략을 구성하는 방식으로 작동했다. 이와는 별도로, 존 매카시는 술어 논리를 이용해 상식 추론을 표현하는 어드바이스 테이커를 제안하며 지식 표현의 중요성을 강조했다.

이후, 존 매카시와 패트 헤이즈는 원인과 결과 법칙에 대한 상식 지식의 논리적 표현인 상황 미적분을 개발했다.[3] 코델 그린은 상황 미적분에 결정을 적용하여 로봇 계획 수립 방법을 제시하고, 질문 응답 및 자동 프로그래밍에 결정을 사용하는 방법을 보여주었다.[3]

그러나 매사추세츠 공과대학교(MIT) 연구자들은 결정 균일 증명 절차 패러다임을 거부하고 지식의 절차적 임베딩을 옹호했다.[4] 이로 인해 논리적 표현 방식과 절차적 표현 방식 사이에 갈등이 발생했지만, 1970년대 초 Horn 절을 목표 감소 절차로 취급하는 SLD 결정을 사용하는 논리 프로그래밍과 프롤로그의 개발로 해결되었다.

2. 2. 전문가 시스템과 프레임 (1970년대 ~ 1980년대)

1970년대에는 특정 영역의 전문 지식을 표현하는 전문가 시스템이 등장했다. 전문가 시스템은 의료 진단과 같은 실제 문제 해결에 활용되었다.[6] 마이신(Mycin)은 의료 진단 분야에서 활용된 대표적인 전문가 시스템 중 하나이다.[30] 전문가 시스템은 ''지식 기반''과 ''추론 엔진''으로 나뉘는데, 지식 기반은 문제 영역에 대한 사실과 규칙을 포함하고, 추론 엔진은 이 지식을 적용하여 질문에 답하고 문제를 해결한다.[7]

마빈 민스키는 1970년대 중반 프레임 개념을 개발했다.[8] 프레임은 객체 클래스와 유사하며, 세상의 사물, 문제, 잠재적인 해결책을 설명하는 범주에 대한 추상적인 설명이다. 프레임은 원래 자연어 이해와 같이 인간 상호 작용을 위한 시스템과, 식당에서 음식 주문과 같이 다양한 기본적인 기대치가 검색 공간을 좁히고 시스템이 동적 상황에 대한 적절한 응답을 선택할 수 있도록 하는 사회적 설정에 사용되었다.

이후 프레임과 규칙 기반 시스템은 통합되어 더욱 강력한 시스템이 개발되었다. 대표적인 예가 인텔리코프의 지식 엔지니어링 환경(KEE)이다. KEE는 규칙 엔진과 프레임 기반 지식 기반을 모두 갖추고 있었으며, 객체 지향 프로그래밍 개념도 통합하여 활용했다.[9]

2. 3. 규칙 기반 시스템과 온톨로지 (1980년대 ~ 1990년대)

1980년대에는 프레임과 규칙을 결합한 시스템이 개발되어 지식 표현의 유연성과 추론 능력이 향상되었다.[9] 프레임은 클래스, 하위 클래스, 슬롯(데이터 값)과 가능한 값에 대한 제약 조건을 통해 현실 세계를 표현하는 데 적합했고, 규칙은 복잡한 논리를 표현하고 활용하는 데 적합했다.[9] 이러한 통합 시스템 중 가장 잘 알려진 것은 인텔리코프의 지식 엔지니어링 환경(KEE)이었다.[9] KEE는 순방향 및 역방향 체이닝을 포함한 규칙 엔진과 프레임 기반 지식 베이스를 갖추고 있었다.[9]

KL-ONE과 같은 언어는 형식 논리에 기반한 자동 추론 엔진을 제공하여 지식 기반 시스템의 발전에 기여했다.[10] KL-ONE은 Is-A 관계와 같은 개념에 대한 엄격한 의미론과 형식 정의를 가진 프레임 언어였다.[10] KL-ONE의 영향을 받은 언어들은 분류기를 통해 새로운 사실을 추론하고 지식 베이스의 일관성을 검사하는 기능을 제공했다.[11]

더그 레나트의 사이클 프로젝트는 상식 추론을 위한 대규모 지식 베이스 구축을 목표로 했다.[13] 사이클은 자체 프레임 언어를 확립하고, 시간, 인과 관계, 물리학, 의도 등에 대한 상식 모델을 포함한 광범위한 지식을 문서화했다.[13]

2. 4. 의미 웹과 현대적 발전 (2000년대 ~ 현재)

2000년대 이후 웹 환경에서 시맨틱 웹에 대한 관심이 높아지면서 지식 표현이 더욱 중요해졌다. 확장 가능 마크업 언어(XML) 기반의 지식 표현 언어로는 리소스 설명 프레임워크(RDF), RDF 스키마(RDF Schema), 토픽 맵(Topic Map), DARPA 에이전트 마크업 언어(DAML), 온톨로지 추론 계층(OIL), 웹 온톨로지 언어(OWL) 등이 있다.[30]

3. 지식 표현의 특징 및 과제

지식 표현은 복잡한 문제를 해결하기 위해 필요한 정보를 컴퓨터가 이해하고 사용할 수 있는 형태로 표현하는 인공지능 분야이다. 이는 기존의 절차적 코드보다 복잡한 소프트웨어를 쉽게 개발하고 유지 관리할 수 있게 해주며, 전문가 시스템 구축에 활용된다.

지식 표현은 자동 추론과 밀접하게 관련되어 있다. 지식을 명시적으로 표현하는 주된 목적 중 하나는 추론을 통해 새로운 지식을 도출하는 것이다. 대부분의 지식 표현 언어는 추론 엔진을 포함하고 있다.[17]

1985년 로널드 J. 브래치먼은 지식 표현의 핵심 문제들을 다음과 같이 분류했다.[23]


  • 기본 요소(Primitives): 지식 표현에 사용되는 기본적인 틀에는 의미 네트워크, 데이터 구조 및 알고리즘, 함수형 지식 표현(Lisp), 프레임, 규칙, 일차 논리(FOL) 기반 언어 등이 있다.
  • 메타 표현(Meta-representation): 반성 문제라고도 하며, 형식주의가 자체 상태에 대한 정보에 접근하는 능력을 의미한다. 예를 들어, 스몰토크와 CLOS의 메타 객체 프로토콜은 실행 시간에 클래스 객체에 접근하고 지식 베이스 구조를 동적으로 변경할 수 있게 한다.
  • 불완전성(Incompleteness): 현실 세계는 수학의 세계와 달리 추가적인 공리와 제약이 필요하다. 또한 진술에 신뢰도를 연결하는 것이 유용할 수 있다. (예: "소크라테스는 50%의 확신으로 인간이다"). 퍼지 논리 연구가 이와 관련된다.[24]
  • 정의와 보편적 개념(universals) 대 사실과 기본값: 보편적 개념(예: "모든 인간은 죽는다")과 사실(예: "소크라테스는 인간이다")을 다루는 방법이 필요하다.
  • 비단조 추론(Non-monotonic reasoning): 가정적 추론을 허용하며, 시스템은 사실 변경에 따라 종속 지식을 업데이트한다. 규칙 기반 시스템에서는 진실 유지 시스템으로 알려져 있다.[25]
  • 표현 적절성(Expressive adequacy): 일차 논리(FOL)를 기준으로 표현 적절성을 측정한다. 이론적 한계로 인해 FOL의 완전한 구현은 실용적이지 않으므로, 표현력의 정도를 명확히 해야 한다.[26]
  • 추론 효율성(Reasoning efficiency): 시스템의 실행 시간 효율성을 의미한다. 표현력이 강할수록 효율성은 낮아지는 경향이 있다.


지식은 지적인 행위를 위해 사용되므로, 추론을 용이하게 하는 지식 표현이 중요하다. 적절한 지식 표현은 문제 해결을 단순화한다. 예를 들어, 숫자 표현에 로마 숫자보다 아라비아 숫자를 사용하는 것이 나눗셈 문제 해결에 더 용이하다.

인간의 정보 처리 방식을 설명하기 위해 프레임, 규칙, 태그, 의미 네트워크 등이 사용되며, 이는 지식 표현 기법에도 도입되었다.

3. 1. 표현력과 효율성

지식 표현 형식은 표현력과 효율성 사이의 균형을 맞추는 것이 중요하다.[18] 일차 논리(FOL)는 표현력이 매우 뛰어나지만, 동일한 정보를 표현하는 여러 가지 방법을 허용하여 사용자가 복잡한 표현을 이해하기 어렵게 만들 수 있다.[19] 또한, 복잡한 증명 절차 때문에 효율적인 구현이 어려울 수 있다.[19]

1970년대 AI 연구에서는 FOL의 완전한 표현력을 갖지 않은 언어가 FOL과 거의 동일한 표현력을 제공하면서도 이해하기 쉽다는 사실이 밝혀졌다.[19] 초기 AI 지식 표현 형식(데이터베이스, 의미 네트워크, 생산 시스템 등)은 표현력, 표현의 자연스러움, 효율성의 균형을 맞추기 위한 다양한 설계를 시도했다.[19] 규칙 기반 전문가 시스템에서 IF-THEN 규칙 개발도 이러한 균형을 맞추려는 노력의 일환이었다.

논리 프로그래밍(LP)과 프롤로그 언어 개발 역시 비슷한 균형을 추구했다. 논리 프로그램은 규칙 기반 구문을 가지지만, 잘 정의된 논리적 의미를 가진다. 초기 논리 프로그래밍은 FOL의 Horn 절 하위 집합을 기반으로 했으나, 이후 실패로서의 부정 추론 규칙이 포함되면서 비단조 논리로 전환되어 디폴트 추론을 수행하게 되었다.[20]

3. 2. 기타 과제

지식 표현 연구의 주요 과제는 다음과 같다.

  • 지식의 개별화: 어떤 지식을 개별적으로 표현해야 하는가?
  • 인간의 지식 표현: 인간의 뇌는 지식을 어떻게 표현하는가?
  • 일반 법칙과 특수 항목: 일반 법칙과 특수 항목 중 어느 것을 도식화해야 하는가?
  • 선언형과 절차형: 선언형과 절차형 중 어느 것이 더 좋은가?


네트워크 기반 지식 표현에서 발생하는 문제점은 다음과 같다.

  • 활성화 확산: 네트워크의 노드 군을 유도할 때 발생한다.
  • 포괄: 선택적 상속에 관한 문제이다. 예를 들어, ATV는 자동차를 특수화한 것으로 생각할 수 있지만, 특정 속성만 상속하고 있다.
  • 분류: 예를 들어, 토마토는 채소에도 과일에도 분류될 가능성이 있다.


지식 표현에 관해서 탑다운 설계 방식이 논의되는 경우는 거의 없다. 설계 전략은 개별 논의 영역에 대해 연구된다. 인간의 정신에서 이루어지는 것과 같은 방식으로 지식을 표현하거나, 자연어 형태로 지식을 표현하는 것이 최선이라고 생각하는 사람들도 있다.

심리언어학은 인간의 정신이 언어를 저장하고 조작하는 방식을 연구한다. 인지과학의 다른 분야에서는 인간이 소리, 냄새, 감정, 절차, 개념을 기억하는 방식을 연구한다. 과학이 아직 뇌의 내부 기전을 완전히 밝혀내지 못했기 때문에, 그것을 그대로 컴퓨터 프로그램으로 재현하는 데는 이르지 못했다.

4. 지식 표현 기법

지식 표현에는 의미 네트워크, 프레임, 규칙, 온톨로지 등 다양한 기법이 사용된다.

1985년, 로널드 J. 브래치먼은 지식 표현의 핵심 문제들을 다음과 같이 분류했다.[23]

문제설명
기본 요소 (Primitives)지식을 표현하는 데 사용되는 기본적인 틀. 의미 네트워크가 초기 사례이며, 람다 대수를 모델로 한 Lisp, 프레임, 일차 논리 기반의 프롤로그 등이 있다.
메타 표현 (Meta-representation)형식주의가 자체 상태에 대한 정보에 접근하는 능력. 스몰토크와 CLOS의 메타 객체 프로토콜, 프레임 기반 환경에서의 프레임 클래스, 규칙 기반 환경에서의 메타 규칙 등이 예시이다.
불완전성(Incompleteness)현실 세계를 다루기 위한 추가적인 공리와 제약 조건, 진술과 신뢰도의 연결. 전문가 시스템의 확실성 요소, 퍼지 논리 등이 관련 연구 분야이다.[24]
정의와 보편적 개념(universals) 대 사실과 기본값보편적 개념("모든 인간은 죽는다")과 구체적인 예("소크라테스는 인간이다")를 다루는 방식. 전칭 한정자와 존재 한정자, 집합 이론 등이 관련된다.
비단조 추론(Non-monotonic reasoning)가정적 추론을 허용하고, 사실 변경 시 종속 지식을 업데이트하는 방식. 진실 유지 시스템이 대표적인 예시이다.[25]
표현 적절성(Expressive adequacy)일차 논리(FOL)를 기준으로 표현력을 측정하는 척도. 이론적 한계로 인해 FOL의 완전한 구현은 실용적이지 않다.[26]
추론 효율성 (Reasoning efficiency)시스템의 실행 시간 효율성. 표현력이 강할수록 효율성이 낮아지는 경향이 있다.



컴퓨터 과학, 특히 인공지능 분야에서는 정보를 구조화하여 표현하는 다양한 방법들이 개발되었다. 지식 표현(Knowledge Representation, KR)은 주로 컴퓨터 처리에 사용되는 표현을 의미하며, 명확한 사물(예: 코끼리 클래스, 코끼리 개체 클라이드)이나 그러한 사물에 대한 진술(예: 클라이드는 코끼리이다, 모든 코끼리는 회색이다)을 표현하는 데 사용된다. 이를 통해 컴퓨터는 기존 지식으로부터 결론(예: 클라이드는 회색이다)을 도출할 수 있다.

1970년대부터 1980년대 초에는 휴리스틱 질의응답, 뉴럴 네트워크, 자동 정리 증명, 전문가 시스템 등 다양한 지식 표현 기법이 시도되었으며, 체스 게임, 의료 진단(마이신(Mycin)) 등에서 성과를 거두었다.

1980년대에는 형식적인 컴퓨터 지식 표현 언어와 시스템이 등장했다. 사이클 프로젝트(Cyc Project)는 일반 지식의 광범위한 영역을 부호화하려는 대표적인 시도였다. 이 프로젝트는 정보 자체보다는 독자가 백과사전을 이해하는 데 필요한 상식적인 지식(물리학, 시간, 인과율 등)을 부호화하는 것을 목표로 했다.

이러한 작업을 통해 지식 표현의 어려움이 부각되었지만, 계산 언어학의 발전과 컴퓨터 성능 향상으로 더욱 심오한 지식 표현이 가능해졌다.

프롤로그(Prolog)는 1972년에 개발된 지식 표현 지향 프로그래밍 언어 중 하나로,[30] 명제 논리와 기본적인 논리를 표현하고 결론을 도출할 수 있다. KL-One(1980년대)은 지식 표현에 특화된 언어였다. 1995년에는 메타데이터 표준으로 더블린 코어(Dublin Core)가 고안되었다.

전자 문서 분야에서는 표준 일반화 마크업 언어(SGML), 확장 가능 마크업 언어(XML) 등 문서 구조를 명확하게 표현하기 위한 언어들이 개발되었다. 이들은 정보 검색과 데이터 마이닝에 활용되며, 시맨틱 웹과 관련하여 리소스 설명 프레임워크(RDF), RDF 스키마(RDF Schema), 토픽 맵(Topic Map), DARPA 에이전트 마크업 언어(DAML), 온톨로지 추론 계층(OIL), 웹 온톨로지 언어(OWL) 등 지식 표현 언어가 개발되었다.

4. 1. 의미 네트워크

의미 네트워크는 지식 표현에 사용될 수 있다. 개별 노드는 개념을 나타내고, 노드를 연결하는 호는 개념 간의 관계를 정의하는 데 사용된다. 개념 그래프는 가장 오래된 모델 중 하나이다. 의미 네트워크 계통에서 가장 표현력이 풍부하고 포괄적인 지식 표현 패러다임으로는 MultiNet(Multilayered Extended Semantic Networks, 다층 확장 의미 네트워크)이 있다.[31]

4. 2. 프레임

1960년대부터 지식 프레임 또는 간단히 "프레임"이라고 불리는 표현이 사용되고 있다. 프레임은 값을 가지는 슬롯들의 집합으로 구성된다. 예를 들어, "집"을 위한 프레임은 "색깔" 슬롯, "층수" 슬롯 등을 포함할 것이다.

프레임은 "is-a" 링크로 표현되는 상속 기능을 통해 객체 지향 프로그래밍 언어와 같은 방식으로 사용할 수 있으며, 이것을 "프레임"을 사용한 전문가 시스템에서 자주 사용했다. 그러나 "is-a" 링크의 사용에 대해서는 상당한 모순이 있었다. 로널드 J. 블랙맨은 "IS-A는 무엇이며 무엇이 아닌가"라는 제목의 논문에서 지식 표현 관련 프로젝트에서 29가지 의미로 "is-a" 링크가 사용되고 있음을 보였다.[32] 다른 링크로는 "has-part" 링크 등이 있다.

프레임 구조는 대략적인 지식과 틀에 박힌 인식 패턴의 표현에 적합하다. 그러한 대략적인 패턴의 요소는 개별적으로 가중치가 부여되고, 스키마[32]의 요소로서 더 전형적인 것일수록 중요도가 높아진다. 패턴은 어떤 종류의 기대값에 따라 활성화된다. 예를 들어, 큰 새를 본 사람이 "육지 스키마"가 아니라 "바다 스키마"를 활성화했다면, 그 새를 독수리가 아니라 흰꼬리수리가라고 판단할 것이다.[33]

프레임 표현은 의미 네트워크와 마찬가지로 객체 중심적인 사고방식이다. 어떤 개념에 관한 모든 사실과 속성이 한 곳에 배치되어 있다면, 데이터베이스 내부를 일일이 검색할 필요가 없다.

"행동 스크립트"는 사건을 시계열로 기술하는 프레임의 일종이다. 일반적으로 예로 드는 것은 레스토랑에 가는 것을 설명하는 것이다. 여기에는 자리 안내를 기다린다거나, 메뉴를 받는다거나, 주문한다는 등의 단계가 포함된다. 다른 의미 표현력 측면에서는 semantic spectrum이라고 불리는 방법도 있다.

4. 3. 규칙

규칙은 "IF-THEN" 형식으로 표현되는 조건-결론 쌍으로, 특정 조건이 만족되면 특정 결론을 도출하는 추론 규칙을 나타낸다. 이러한 규칙은 전문가 시스템, 논리 프로그래밍 등에서 널리 사용된다.[30]

4. 4. 온톨로지

Cyc을 시작으로 다양한 온톨로지 언어가 개발되었다. 대부분은 선언적 언어이며, 프레임 언어로 분류되는 것과 일차 논리에 기반한 것이 있다. 그러한 언어의 대부분은 상위 온톨로지를 일반적인 개념을 사용하여 정의할 뿐이며, 영역 특유의 개념은 언어 정의의 일부에 포함되지 않는다. 영어의 모든 공학 용어를 포함하는 온톨로지 언어의 예로는 Gellish English가 있다.[27]

5. 지식 표현과 추론

지식 표현의 주된 목적 중 하나는 표현된 지식을 바탕으로 새로운 사실을 추론하는 것이다. 자동 추론 엔진은 지식 베이스에 저장된 정보를 이용하여 새로운 결론을 도출하거나, 지식 베이스의 일관성을 검사하는 역할을 한다.[17] 시맨틱 웹에서 자동 분류를 사용하는 프레임 모델 기반 언어는 기존 인터넷 위에 의미 체계 계층을 제공하며, 이를 통해 텍스트 문자열 검색 대신 논리적 쿼리를 정의하고 해당 쿼리에 매핑되는 페이지를 찾을 수 있다.[15] 이러한 시스템에서 자동 추론 구성 요소는 분류기(Classifier)로 알려진 엔진이다. 분류기는 규칙이 아닌 지식 기반의 포함 관계에 중점을 두며, 새로운 클래스를 추론하고 새로운 정보가 제공됨에 따라 온톨로지를 동적으로 변경할 수 있다. 이러한 기능은 끊임없이 변화하고 진화하는 인터넷 정보 공간에 적합하다.[22] 웹 온톨로지 언어(OWL)는 자원 기술 프레임워크(RDF)에 추가 의미 체계를 추가하고 자동 분류 추론기와 통합된다.[16]

6. 한국의 지식 표현 연구 및 활용

한국에서도 지식 표현은 인공지능, 자연어 처리, 시맨틱 웹 등 다양한 분야에서 활발하게 연구되고 있다.

참조

[1] 서적 Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures Lawrence Erlbaum Associates, Inc. 1977
[2] 학술지 Experiments with the Graph Traverser program 1966-09-20
[3] 학회발표 Application of Theorem Proving to Problem Solving https://www.ijcai.or[...]
[4] 논문 Inconsistency robustness in logic programs arXiv preprint arXiv[...] 2009
[5] 학회발표 Proceedings of the 1986 ACM fourteenth annual conference on Computer science - CSC '86 https://dl.acm.org/d[...] 1986
[6] 학술지 Eye on the Prize 1995
[7] 서적 Building Expert Systems https://archive.org/[...] Addison-Wesley
[8] 웹사이트 A Framework for Representing Knowledge http://web.media.mit[...] 1974-06
[9] 학술지 An Assessment of Tools for Building Large Knowledge-Based Systems http://www.aaai.org/[...] 2013-12-24
[10] 간행물 A Structural Paradigm for Representing Knowledge https://apps.dtic.mi[...]
[11] 학술지 Using a description classifier to enhance knowledge representation 1991-06
[12] 서적 Some philosophical problems from the standpoint of artificial intelligence https://web.archive.[...] Edinburgh University Press 1969
[13] 서적 Building Large Knowledge-Based Systems: Representation and Inference in the Cyc Project Addison-Wesley 1990-01
[14] 서적 Readings in Knowledge Representation https://archive.org/[...] Morgan Kaufmann
[15] 학술지 The Semantic Web – A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities http://www.cs.umd.ed[...] 2001-05-17
[16] 웹사이트 A Semantic Web Primer for Object-Oriented Software Developers http://www.w3.org/20[...] W3C 2006-03-09
[17] 서적 Building Expert Systems https://archive.org/[...] Addison-Wesley
[18] 학술지 Expressiveness and tractability in knowledge representation and reasoning 1 1987
[19] 서적 Readings in Knowledge Representation https://archive.org/[...] Morgan Kaufmann
[20] 서적 Artificial Intelligence: A Modern Approach Pearson
[21] 학술지 What Is a Knowledge Representation? http://www.aaai.org/[...] 1993-03
[22] 웹사이트 Retrospective on Loom http://www.isi.edu/i[...] Information Sciences Institute 1999-08-13
[23] 서적 Readings in Knowledge Representation https://archive.org/[...] Morgan Kaufmann
[24] 학술지 Paradigm Shift: An Introduction to Fuzzy Logic http://www.cse.unr.e[...]
[25] 학술지 Truth Maintenance Systems and their Application for Verifying Expert System Knowledge Bases
[26] 서적 Readings in Knowledge Representation https://archive.org/[...] Morgan Kaufmann
[27] 서적 Artificial Intelligence: A Modern Approach Prentice Hall
[28] 간행물 Naive physics I: Ontology for liquids University of Essex
[29] 학술지 Representing Structure and Behavior of Digital Hardware
[30] 웹사이트 Timeline: A Brief History of Artificial Intelligence http://www.aaai.org/[...] AAAI
[31] 웹사이트 視覚化検索ツール
[32] 웹사이트 schema http://moodle.ed.uiu[...]
[33] 일반


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com