Representasi dan Penalaran Pengetahuan (KRR)

Pendahuluan

Selamat datang di Pelajaran 4: Representasi dan Penalaran Pengetahuan (KRR). Dalam modul ini, kita membahas tantangan mendasar Kecerdasan Buatan: cara memodelkan dunia secara simbolis. Tidak cukup bagi mesin untuk menyimpan data; ia harus bernalar tentangnya. Kita akan mengeksplorasi bagaimana sistem AI merepresentasikan informasi secara logis untuk melakukan inferensi, melampaui pencocokan pola sederhana.

BAGIAN 1: Dasar-dasar Sejarah

Kita akan menelusuri lanskap teknis dari Logika Proposisional dan Logika Urutan Pertama hingga struktur sistem Pakar warisan yang kaku namun kuat. Sistem-sistem ini menyediakan mesin "berpikir" pertama yang mampu melakukan deduksi logis.

BAGIAN 2: Konvergensi Modern

Akhirnya, kita sampai pada ujung tombak AI modern, memeriksa Graf Pengetahuan dan AI Neuro-Simbolik. Bidang yang muncul ini bertujuan untuk menggabungkan keterjelasan logika yang ketat dengan kemampuan belajar adaptif jaringan saraf.

Peringatan Konteks

Berbeda dengan jaringan saraf yang berfungsi sebagai "kotak hitam", KRR berfokus pada model "kotak putih" di mana jalur penalarannya eksplisit, dapat diverifikasi, dan dapat diinterpretasikan.

Contoh Sintaks Logika Simbolik

Fakta: OrangTua( Alice, Bob )
Fakta: OrangTua( Bob, Charlie )
Aturan: ∀x, y, z( OrangTua(x, y) ∧OrangTua(y, z) →KakekNenek(x, z))
Inferensi: KakekNenek( Alice, Charlie )

Studi Kasus: Ahli Diagnostik Medis

Baca skenario di bawah ini dan jawab pertanyaan-pertanyaannya.

Sistem AI awal seperti MYCIN menggunakan KRR untuk mendiagnosis infeksi darah. Berbeda dengan ML modern yang menebak berdasarkan statistik, MYCIN menggunakan 600+ aturan yang diturunkan dari dokter.

1. Mengapa keterjelasan penting dalam sistem KRR medis dibandingkan dengan pengklasifikasi gambar generik?

Jawaban:
Dalam kedokteran, dokter memerlukan jalur yang dapat diverifikasi (rantai aturan yang digunakan) untuk mempercayai diagnosis. Prediksi 'kotak hitam' tidak dapat diterima untuk keputusan penting. KRR menyediakan jalur penalaran eksplisit ini.

2. Bagaimana sistem menangani aturan seperti "Jika demam tinggi, MAKA infeksi kemungkinan besar terjadi"?

Jawaban:
Aturan ini direpresentasikan secara simbolis (misalnya,

D c m a F n v n e \to I c k n e y l i I n f e c t i

on).

D c m a F n v n e

is true in the patient's record; if so, it asserts

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

sebagai kesimpulan baru.

3. Identifikasi keterbatasan pengkodean aturan ini secara manual (The Knowledge Acquisition Bottleneck).

Jawaban:
Keterbatasan utamanya adalah Knowledge Acquisition Bottleneck: kesulitan dan waktu yang dibutuhkan bagi pakar manusia untuk mengartikulasikan semua pengetahuan mereka ke dalam aturan formal dan eksplisit. Pengetahuan dunia nyata seringkali ambigu dan terlalu luas untuk dikodekan secara manual.