ज्ञान संकलन कृत्रिम बुद्धिमत्ता में दृष्टिकोणों का एक परिवार है जो प्रस्तावात्मक मॉडलों के साथ तर्क की कम्प्यूटेशनल असम्भवता को संबोधित करता है। संभावित रूप से जटिल मॉडल पर सीधे प्रश्नों का उत्तर देने के बजाय, मॉडल को एक ऑफ-लाइन चरण में एक संकलित प्रतिनिधित्व में रूपांतरित किया जाता है जो विशिष्ट प्रश्नों को बहुपद समय में समर्थन करता है। यह दो-चरणीय प्रक्रिया - संकलन के बाद प्रश्न-उत्तर - रनटाइम पर तेज़, अधिक पूर्वानुमानित अनुमान के लिए अग्रिम कम्प्यूटेशनल प्रयास का व्यापार करती है।
केंद्रीय चुनौती एक उपयुक्त संकलित प्रतिनिधित्व चुनने में निहित है, क्योंकि विभिन्न प्रतिनिधित्व अलग-अलग व्यापार-बंद प्रदान करते हैं। तीन मुख्य गुण जो एक संकलित प्रतिनिधित्व की विशेषता बताते हैं, वे हैं इसकी संक्षिप्तता (यह मूल मॉडल को कितनी सुस्पष्ट रूप से प्रस्तुत करता है), प्रश्नों का वह समूह जो यह बहुपद समय में समर्थन करता है, और वे परिवर्तन जो इस पर बहुपद समय में किए जा सकते हैं। कोई भी एक प्रतिनिधित्व तीनों में उत्कृष्ट नहीं होता, इसलिए व्यवसायी अपने द्वारा उत्तर देने के लिए आवश्यक प्रश्नों और अपने अनुप्रयोग की आकार सीमाओं के आधार पर एक प्रतिनिधित्व चुनते हैं।
प्रतिनिधित्वों की श्रेणियाँ
संकलित प्रतिनिधित्व कई व्यापक श्रेणियों में आते हैं। आरेख श्रेणियों में निर्णय वृक्ष, क्रमबद्ध बाइनरी निर्णय आरेख (OBDDs), मुक्त बाइनरी निर्णय आरेख (FBDDs), गैर-निर्धारक OBDDs, और बहु-मूल्यवान निर्णय आरेख (MDDs) शामिल हैं। ये ग्राफिकल संरचनाएँ बूलियन फलनों को निर्देशित अचक्रीय ग्राफ के रूप में प्रस्तुत करती हैं, जहाँ प्रत्येक पथ चरों के एक असाइनमेंट के अनुरूप होता है।
सूत्र श्रेणियों में विच्छेदन सामान्य रूप (DNF) और संयोजन सामान्य रूप (CNF) शामिल हैं। जबकि CNF कई तर्क कार्यों के लिए एक सामान्य इनपुट प्रारूप है, यह सभी प्रश्नों को कुशलता से समर्थन नहीं करता, जो अन्य रूपों में संकलन को प्रेरित करता है। सर्किट श्रेणियों में निषेध सामान्य रूप (NNF), विघटनीय NNF (DNNF), निर्धारक DNNF (d-DNNF), और वाक्यात्मक निर्णय आरेख (SDD) शामिल हैं। ये सर्किट संरचनात्मक बाधाएँ लगाते हैं जो कुछ प्रश्नों, जैसे संगति जाँच या मॉडल गणना, के लिए बहुपद-समय संचालन सक्षम करते हैं।
ज्ञान संकलक
ज्ञान संकलन को स्वचालित रूप से करने के लिए कई सॉफ्टवेयर उपकरण विकसित किए गए हैं। c2d संकलक d-DNNF में संकलन का समर्थन करता है, एक प्रतिनिधित्व जो बहुपद-समय मॉडल गणना और संगति जाँच की अनुमति देता है। d4 संकलक भी d-DNNF को लक्षित करता है और बड़े उदाहरणों पर अपनी दक्षता के लिए जाना जाता है। miniC2D SDD में संकलन करता है, एक अधिक हालिया प्रतिनिधित्व जो प्रश्नों और परिवर्तनों की एक व्यापक श्रेणी का समर्थन करता है। KCBox OBDD, OBDD[AND], और CCDD में संकलन का समर्थन करता है, जो विभिन्न आरेख श्रेणियों में लचीलापन प्रदान करता है।
ये संकलक संभाव्य तर्क, योजना, और कॉन्फ़िगरेशन प्रबंधन जैसे अनुप्रयोगों में उपयोग किए जाते हैं, जहाँ बार-बार प्रश्न-उत्तर की आवश्यकता होती है। एक बार मॉडल को संकलित करके, सिस्टम कई प्रश्नों का तेज़ी से उत्तर दे सकते हैं, जो वास्तविक-समय या इंटरैक्टिव सेटिंग्स में महत्वपूर्ण है।
व्यापार-बंद और चयन मानदंड
संकलित प्रतिनिधित्व का चुनाव अनुप्रयोग की विशिष्ट आवश्यकताओं पर निर्भर करता है। उदाहरण के लिए, OBDDs कई व्यावहारिक फलनों के लिए संक्षिप्त होते हैं और बहुपद-समय समतुल्यता परीक्षण का समर्थन करते हैं, लेकिन कुछ फलनों के लिए वे घातीय रूप से विस्फोट कर सकते हैं। DNNF और d-DNNF सामान्य रूप से अधिक संक्षिप्त होते हैं लेकिन कम प्रश्नों का समर्थन करते हैं। SDD एक मध्य मार्ग प्रदान करता है, जो बहुपद समय में मॉडल गणना और कंडीशनिंग दोनों का समर्थन करता है जबकि संरचनात्मक गुणों को बनाए रखता है जो संकलन को सुविधाजनक बनाते हैं।
परिवर्तन भी मायने रखते हैं। कुछ अनुप्रयोगों को संकलित प्रतिनिधित्व को संशोधित करने की आवश्यकता होती है, जैसे साक्ष्य पर कंडीशनिंग या अतिरिक्त बाधाओं के साथ संयोजन। जो प्रतिनिधित्व इन परिवर्तनों को बहुपद समय में समर्थन करते हैं, वे गतिशील सेटिंग्स में पसंद किए जाते हैं, भले ही वे विकल्पों की तुलना में कम संक्षिप्त हों।
मशीन लर्निंग से संबंध
ज्ञान संकलन अवधारणात्मक रूप से मशीन लर्निंग और गहन लर्निंग से भिन्न है, जो तार्किक मॉडलों को रूपांतरित करने के बजाय डेटा से पैटर्न सीखने पर केंद्रित हैं। हालाँकि, संकलित प्रतिनिधित्वों को सीखे गए मॉडलों को अधिक व्याख्यात्मक बनाने या प्रतीकात्मक तर्क को तंत्रिका दृष्टिकोणों के साथ एकीकृत करने के तरीके के रूप में खोजा गया है। उदाहरण के लिए, निर्णय आरेखों का उपयोग एक प्रशिक्षित तंत्रिका नेटवर्क की निर्णय सीमाओं को एक ऐसे रूप में प्रस्तुत करने के लिए किया जा सकता है जो औपचारिक सत्यापन का समर्थन करता है।
हाल के कार्यों ने बड़े भाषा मॉडल तर्क से संबंधों की भी जाँच की है, जहाँ संकलित ज्ञान आधार जनरेटिव मॉडलों को बढ़ाने के लिए संरचित पृष्ठभूमि ज्ञान प्रदान कर सकते हैं। जबकि ये प्रयास अभी भी प्रारंभिक हैं, वे प्रतीकात्मक और उप-प्रतीकात्मक AI के बीच सेतु बनाने के उपकरण के रूप में ज्ञान संकलन की चल रही प्रासंगिकता को उजागर करते हैं।
वर्तमान दिशाएँ
ज्ञान संकलन में अनुसंधान बेहतर व्यापार-बंद के साथ नई प्रतिनिधित्व श्रेणियाँ विकसित करने, संकलक स्केलेबिलिटी में सुधार करने, और प्रस्तावात्मक तर्क से परे समृद्ध तार्किक भाषाओं में संकलन का विस्तार करने पर केंद्रित है। डेटा से सीधे संकलित प्रतिनिधित्व सीखने में भी रुचि है, जो संकलन और मशीन लर्निंग के बीच की रेखा को धुंधला कर देगा। जैसे-जैसे AI सिस्टम अधिक जटिल होते जाते हैं, संरचित ज्ञान पर कुशलतापूर्वक तर्क करने की क्षमता एक महत्वपूर्ण चुनौती बनी रहती है, और ज्ञान संकलन इसे संबोधित करने के लिए एक सैद्धांतिक ढाँचा प्रदान करता है।
संदर्भ
- Darwiche, A., & Marquis, P. (2002). A knowledge compilation map. Journal of Artificial Intelligence Research, 17, 229-264.
- Huang, J., & Darwiche, A. (2007). On compiling system models to faster SAT solvers. In Proceedings of the National Conference on Artificial Intelligence.
- Muise, C., McIlraith, S., Beck, J. C., & Hsu, E. (2012). Dsharp: Fast d-DNNF compilation with sharpSAT. In Canadian Conference on Artificial Intelligence.