Bạn sẽ học được gì
- Giải thích đánh đổi giữa tính biểu cảm và khả suy luận khi chọn một hình thức biểu diễn tri thức
- Biểu diễn tri thức bằng logic vị từ bậc nhất và suy luận bằng phép giải (resolution)
- Xây dựng cơ sở tri thức dùng mạng ngữ nghĩa, khung (frame) và quan hệ kế thừa
- Áp dụng suy luận mặc định để xử lý tri thức không đầy đủ và có ngoại lệ
- Biểu diễn hành động, trạng thái và xây dựng bài toán lập kế hoạch tự động
- Đánh giá và lựa chọn hình thức biểu diễn phù hợp cho một bài toán AI cụ thể
Nên học trước
Giới thiệu
Biểu diễn tri thức và suy luận (Knowledge Representation and Reasoning) là nhánh AI nghiên cứu cách mã hóa hiểu biết về thế giới sao cho máy tính lưu trữ được và suy luận ra tri thức mới một cách tự động. Khác với học máy hiện đại vốn học từ dữ liệu, hệ thống KR suy luận từ các phát biểu tường minh: sự kiện, luật, quan hệ giữa các khái niệm.
Đánh đổi trung tâm: biểu cảm và khả suy luận
Mọi hình thức biểu diễn đều đánh đổi giữa tính biểu cảm (diễn đạt được tri thức phức tạp cỡ nào) và khả suy luận hiệu quả (thuật toán có chạy nhanh, có dừng được không). Logic vị từ bậc nhất biểu cảm gần như trọn vẹn nhưng suy luận tổng quát là bất khả quyết; mạng ngữ nghĩa, khung (frame) và logic mô tả giới hạn bớt biểu cảm để đổi lấy thuật toán suy luận đa thức, chạy được trong thực tế. Nắm vững đánh đổi này giúp chọn đúng công cụ cho từng bài toán.
Lộ trình: từ logic tới hệ thống thực tế
Bắt đầu từ logic vị từ và phép giải (resolution) — nền tảng hình thức của mọi suy luận đúng đắn. Sau đó chuyển sang các biểu diễn hướng cấu trúc hơn (mạng ngữ nghĩa, kế thừa), rồi tới suy luận với tri thức không đầy đủ (mặc định, độ bất định) và cuối cùng là biểu diễn hành động cho lập kế hoạch tự động — nền tảng của robot và agent thông minh.
Vì sao vẫn quan trọng trong thời đại LLM
Các mô hình ngôn ngữ lớn giỏi sinh văn bản trôi chảy nhưng suy luận logic có thể kiểm chứng vẫn cần KR: đồ thị tri thức (knowledge graph), truy xuất có cấu trúc và các hệ thống lai (neuro-symbolic) đều dựa trên ý tưởng cốt lõi của chủ đề này.
Giáo trình & sách tham khảo
Xem tất cả trong tab SáchGiáo trình chính
Knowledge Representation and Reasoning
Ronald J. Brachman, Hector J. Levesque · 2004 · Bản thứ 1
Vì sao chọn: Sách chuyên sâu nhất về KR&R, đi từ logic vị từ, resolution, mạng ngữ nghĩa/khung, kế thừa, suy luận mặc định tới hành động và lập kế hoạch — khớp toàn bộ 6 bước của lộ trình. Trả phí, phù hợp người muốn hiểu sâu nền tảng lý thuyết.
Nên đọc: Chương 1–16
Artificial Intelligence: A Modern Approach
Stuart Russell, Peter Norvig · 2020 · Bản thứ 4
Giáo trình AI tổng quan phổ biến nhất, đặt logic và lập kế hoạch trong bức tranh AI rộng hơn (agent, tìm kiếm). Trả phí; đọc kèm ở bước 5 để thấy planning-as-search bổ sung cho cách tiếp cận thuần lý thuyết của Brachman & Levesque.
Nên đọc: phần về Logical Agents, First-Order Logic và Automated Planning
Các bước học
Đăng nhập để đánh dấu các bước đã hoàn thành.
Bước 1: Nền tảng: logic vị từ bậc nhất
khoảng 6 giờÔn cú pháp và ngữ nghĩa logic vị từ bậc nhất (hằng, biến, hàm, lượng từ); biểu diễn một đoạn tri thức đơn giản (ví dụ quan hệ gia đình hoặc luật giao thông) thành tập công thức logic và kiểm tra tính thỏa được bằng tay.
- Đọc: Chương 1 Introduction, Chương 2 The Language of First-Order Logic — Knowledge Representation and Reasoning
Bước 2: Suy luận bằng phép giải và Horn logic
khoảng 8 giờChuyển công thức về dạng chuẩn hội, cài đặt thuật toán hợp nhất (unification) và phép giải (resolution); cài đặt một bộ giải Horn-clause đơn giản (kiểu Prolog thu nhỏ) bằng Python cho một cơ sở luật nhỏ.
- Đọc: Chương 4 Resolution, Chương 5 Reasoning with Horn Clauses, Chương 6 Procedural Control of Reasoning — Knowledge Representation and Reasoning
Bước 3: Biểu diễn hướng cấu trúc: mạng ngữ nghĩa, khung và kế thừa
khoảng 7 giờTìm hiểu hệ luật sản xuất, biểu diễn hướng đối tượng, mạng ngữ nghĩa và kế thừa (kể cả kế thừa có ngoại lệ); xây dựng một sơ đồ phân cấp khung cho một miền tri thức nhỏ (ví dụ động vật hoặc sản phẩm thương mại điện tử) và truy vết suy luận kế thừa qua nhiều tầng.
- Đọc: Chương 7 Rules in Production Systems – Chương 10 Inheritance — Knowledge Representation and Reasoning
Bước 4: Suy luận với tri thức không đầy đủ
khoảng 6 giờPhân biệt suy luận mặc định (default reasoning), độ bất định số và bài toán giải thích/chẩn đoán (abduction); mở rộng cơ sở tri thức ở bước 3 với vài luật mặc định có ngoại lệ và kiểm tra các mâu thuẫn có thể phát sinh.
- Đọc: Chương 11 Defaults, Chương 12 Vagueness, Uncertainty, and Degrees of Belief, Chương 13 Explanation and Diagnosis — Knowledge Representation and Reasoning
Bước 5: Biểu diễn hành động và lập kế hoạch tự động
khoảng 8 giờBiểu diễn trạng thái, hành động và tiền đề/hậu quả (minh họa qua bài toán frame problem); giải một bài toán lập kế hoạch nhỏ (ví dụ thế giới khối) bằng tìm kiếm trạng thái và so sánh với một bộ lập kế hoạch có sẵn.
- Đọc: Chương 14 Actions, Chương 15 Planning — Knowledge Representation and Reasoning
- Đọc: phần về Logical Agents, First-Order Logic và Automated Planning — Artificial Intelligence: A Modern Approach
Bước 6: Đánh đổi biểu cảm–khả suy luận và tổng kết
khoảng 6 giờSo sánh độ phức tạp tính toán của các hình thức biểu diễn đã học (logic vị từ đầy đủ, Horn logic, mạng ngữ nghĩa, logic mô tả); chọn một bài toán thực tế (ví dụ đồ thị tri thức sản phẩm) và viết báo cáo ngắn giải thích vì sao chọn hình thức biểu diễn đó.
- Đọc: Chương 16 The Tradeoff between Expressiveness and Tractability — Knowledge Representation and Reasoning
Khái niệm chính
- Logic vị từ bậc nhất (First-order logic)
- Ngôn ngữ hình thức dùng hằng, biến, hàm, vị từ và lượng từ (∀, ∃) để biểu diễn tri thức; biểu cảm gần như trọn vẹn nhưng suy luận tổng quát trên nó là bất khả quyết.
- Suy luận bằng phép giải (Resolution)
- Thuật toán chứng minh bằng phản chứng trên các mệnh đề ở dạng chuẩn hội: hợp nhất hai mệnh đề có literal đối lập để suy ra mệnh đề mới, lặp tới khi suy ra mệnh đề rỗng.
- Mạng ngữ nghĩa và khung (Frame)
- Biểu diễn tri thức dạng đồ thị nút-cạnh (khái niệm và quan hệ) hoặc cấu trúc khung có các "khe" (slot) mô tả thuộc tính; trực quan nhưng ngữ nghĩa hình thức kém rõ ràng hơn logic.
- Kế thừa (Inheritance)
- Cơ chế một khái niệm con tự động có các thuộc tính của khái niệm cha; kế thừa có ngoại lệ (ví dụ "chim thường bay được, trừ chim cánh cụt") đòi hỏi suy luận mặc định thay vì logic đơn điệu thuần túy.
- Suy luận mặc định (Default reasoning)
- Suy luận rút ra kết luận "thường đúng" khi không có thông tin trái ngược, và sẵn sàng rút lại kết luận đó khi có thêm thông tin mới — khác với suy luận đơn điệu của logic cổ điển.
- Logic mô tả (Description logic) và Ontology
- Họ ngôn ngữ biểu diễn tri thức giới hạn bớt biểu cảm của logic vị từ để đổi lấy thuật toán suy luận đa thức; nền tảng của chuẩn OWL và web ngữ nghĩa.
- Bài toán khung (Frame problem)
- Khó khăn khi biểu diễn điều gì KHÔNG thay đổi sau một hành động; giải pháp phổ biến là các tiên đề quán tính chỉ liệt kê những gì thay đổi.
- Đánh đổi biểu cảm – khả suy luận
- Nguyên lý trung tâm của KR: hình thức biểu diễn càng biểu cảm thì suy luận trên nó càng tốn kém hoặc bất khả quyết; chọn hình thức biểu diễn là chọn điểm cân bằng phù hợp với bài toán.
Học xong để làm gì
- Hệ chuyên gia hỗ trợ chẩn đoán y tế và tư vấn pháp lý
- Đồ thị tri thức (knowledge graph) đứng sau công cụ tìm kiếm và trợ lý ảo
- Web ngữ nghĩa và chuẩn OWL/RDF cho dữ liệu liên kết
- Hệ thống lai neuro-symbolic kết hợp học sâu với suy luận logic có thể kiểm chứng
- Lập kế hoạch tự động cho robot, logistics và lịch trình sản xuất
Câu hỏi thường gặp
Học chủ đề này để làm gì khi giờ ai cũng dùng LLM?
LLM sinh văn bản giỏi nhưng suy luận logic có thể kiểm chứng, nhất quán vẫn cần KR — đồ thị tri thức, hệ thống lai neuro-symbolic và các ứng dụng cần giải thích được (y tế, pháp lý) đều dựa trên nền tảng của chủ đề này.
Có cần học lập trình Prolog không?
Không bắt buộc, nhưng cài đặt một bộ giải Horn-clause đơn giản bằng Python (như ở bước 2) cho trải nghiệm tương đương và giúp hiểu cơ chế bên dưới Prolog.
Logic vị từ bậc nhất có phải lúc nào cũng là lựa chọn tốt nhất?
Không — vì suy luận tổng quát trên nó bất khả quyết. Với hệ thống cần chạy nhanh và đáng tin cậy, mạng ngữ nghĩa hoặc logic mô tả (nền tảng của OWL/web ngữ nghĩa) thường phù hợp hơn.
Mất bao lâu để hoàn thành lộ trình?
Khoảng 41 giờ theo lộ trình, tức 6-8 tuần nếu học 5-6 giờ mỗi tuần, đã bao gồm thời gian làm các bài tập cài đặt.
