Foundations of Knowledge Base Management: Contributions from Logic, Databases, and Artificial Intelligence Applications

در گذشته، سیستم‌های هوش مصنوعی کاربردی با تأکید ویژه بر روش‌های استدلال عمومی ساخته می‌شدند که به طور کارآمد عمل می‌کردند، حتی زمانی که دانش نسبتاً کمی برای دامنه در دسترس بود. به عبارت دیگر، فناوری هوش مصنوعی با هدف پردازش دانش ذخیره شده در طرح‌های نسبتاً کلی ارائه شده است. امروزه تمرکز بر نقشی که دانش خاص و جزئی ایفا می کند، به جای خود روش های استدلال معطوف شده است. بسیاری از سیستم های کاربردی جدید حول پایه های دانش متمرکز شده اند، i. ه. آن‌ها بر اساس مجموعه‌های بزرگ مجموعه‌ای از فکت‌ها، قوانین و اکتشافی‌ها هستند که دانشی را در مورد یک حوزه خاص از برنامه‌ها جمع‌آوری می‌کنند. تجربه نشان داده است که وقتی در ترکیب با پایگاه‌های دانش غنی استفاده می‌شود، حتی روش‌های استدلال ساده نیز می‌تواند در طیف گسترده‌ای از حوزه‌های مشکل بسیار مؤثر باشد. بنابراین ساخت و مدیریت پایگاه دانش به عامل کلیدی در توسعه برنامه های کاربردی مبتنی بر دانش تبدیل می شود. سیستم‌های مدیریت پایگاه دانش (KBMS) پیشنهاد می‌شوند که محیط‌های کاربرپسند را برای ساخت، بازیابی و دستکاری پایگاه‌های دانش مشترک بزرگ فراهم می‌کنند. علاوه بر استدلال قیاسی، KBMS ها به ویژگی های عملیاتی مانند دسترسی همزمان، نگهداری یکپارچگی، بازیابی خطا، امنیت و شاید توزیع نیاز دارند. برای توسعه KBMS ها، نیاز به یکپارچه سازی مفاهیم و فناوری ها از حوزه های مختلف، مانند هوش مصنوعی، پایگاه های داده و منطق، به طور گسترده ای شناخته شده است. یکی از موضوعات اصلی برای KBMS، چارچوبی است که برای بازنمایی دانش استفاده می‌شود - شبکه‌های معنایی، چارچوب‌ها، قوانین و منطق‌هایی که توسط هوش مصنوعی و جوامع منطقی پیشنهاد شده‌اند.

In the past, applied artificial intelligence systems were built with particular emphasis on general reasoning methods intended to function efficiently, even when only relatively little domain-specific knowledge was available. In other words, AI technology aimed at the processing of knowledge stored under comparatively general representation schemes. Nowadays, the focus has been redirected to the role played by specific and detailed knowledge, rather than to the reasoning methods themselves. Many new application systems are centered around knowledge bases, i. e. , they are based on large collections offacts, rules, and heuristics that cap­ ture knowledge about a specific domain of applications. Experience has shown that when used in combination with rich knowledge bases, even simple reasoning methods can be extremely effective in a wide variety of problem domains. Knowledge base construction and management will thus become the key factor in the development of viable knowledge-based ap­ plications. Knowledge Base Management Systems (KBMSs) are being proposed that provide user-friendly environments for the construction, retrieval, and manipUlation of large shared knowledge bases. In addition to deductive reasoning, KBMSs require operational characteristics such as concurrent access, integrity maintenance, error recovery, security, and perhaps distribution. For the development ofKBMSs, the need to integrate concepts and technologies from different areas, such as Artificial Intel­ ligence, Databases, and Logic, has been widely recognized. One of the central issues for KBMSs is the framework used for knowledge representation-semantic networks, frames, rules, and logics are proposed by the AI and logic communities.