بازنمایی دانش و مهندسی دانش[20] به برنامه‌های هوش مصنوعی به زبان ساده برای کودکان این امکان را می‌دهد تا به سؤالات هوشمندانه پاسخ دهند و درباره حقایق دنیای واقعی استنباط کنند. بازنمایی دانش رسمی در نمایه‌سازی و بازیابی مبتنی بر محتوا، [21] تفسیر صحنه، [22] پشتیبانی تصمیم‌گیری بالینی، [23] کشف دانش (استنتاج «جالب» و عملی از پایگاه‌های داده بزرگ) [24] و سایر زمینه‌ها استفاده می‌شود. [25]

پایگاه دانش مجموعه ای از دانش است که به شکلی نمایش داده هوش مصنوعی به زبان ساده برای کودکان  می شود که می تواند توسط یک برنامه استفاده شود. هستی شناسی مجموعه ای از اشیاء، روابط، مفاهیم و ویژگی هایی است که توسط یک حوزه خاص از دانش استفاده می شود.[26] پایگاه‌های دانش باید چیزهایی مانند اشیاء، ویژگی‌ها، مقوله‌ها و روابط بین اشیاء را نشان دهند؛ [27] موقعیت‌ها، رویدادها، حالات و زمان؛ [28] علل و معلول‌ها؛ [29] دانش در مورد دانش (آنچه در مورد آنچه می‌دانیم. دیگران می‌دانند)؛ [30] استدلال پیش‌فرض (چیزهایی که انسان‌ها فرض می‌کنند درست است تا زمانی که به طور متفاوت به آن‌ها گفته شود و حتی زمانی که حقایق دیگر در حال تغییر هستند صادق خواهند ماند)؛ [31] و بسیاری از جنبه‌ها و حوزه‌های دانش دیگر.

از جمله دشوارترین مشکلات در بازنمایی دانش، گستردگی دانش عام (مجموعه حقایق اتمی که افراد عادی می دانند بسیار زیاد است) و شکل فرعی نمادین اکثر دانش عام (بسیاری از آنچه که مردم می دانند نیست) است. به عنوان «واقعیات» یا «گزاره‌هایی» که می‌توانستند به صورت شفاهی بیان کنند.[19] همچنین دشواری کسب دانش، مشکل کسب دانش برای کاربردهای هوش مصنوعی وجود دارد.[c]

برنامه ریزی و تصمیم گیری

«عامل» هر چیزی است که در جهان درک می کند و اقداماتی هوش مصنوعی به زبان ساده برای کودکان  انجام می دهد. یک عامل منطقی اهداف یا ترجیحاتی دارد و اقداماتی را برای تحقق آنها انجام می دهد.[d][35] در برنامه ریزی خودکار، عامل هدف خاصی دارد.[36] در تصمیم‌گیری خودکار، عامل دارای اولویت‌هایی است - برخی موقعیت‌ها وجود دارند که ترجیح می‌دهند در آن قرار بگیرند و برخی موقعیت‌ها سعی در اجتناب از آن دارند. عامل تصمیم گیرنده به هر موقعیت عددی را اختصاص می دهد (به نام "مفید") که میزان ترجیح عامل را اندازه می گیرد. برای هر اقدام ممکن، می‌تواند «فایده مورد انتظار» را محاسبه کند: سودمندی همه نتایج ممکن عمل، وزن‌دهی به احتمال وقوع نتیجه. سپس می‌تواند اقدامی را با حداکثر ابزار مورد انتظار انتخاب کند.[37]

در برنامه‌ریزی کلاسیک، عامل دقیقاً می‌داند که هر عملی  هوش مصنوعی به زبان ساده برای کودکان چه تأثیری خواهد داشت.[38] با این حال، در اغلب مشکلات دنیای واقعی، عامل ممکن است در مورد موقعیتی که در آن قرار دارد مطمئن نباشد ("ناشناخته" یا "غیر قابل مشاهده" است) و ممکن است به طور قطع نداند که پس از هر اقدام ممکن چه اتفاقی خواهد افتاد (اینطور نیست. "جبرگرا"). باید با حدس احتمالی اقدامی را انتخاب کند و سپس وضعیت را مجدداً ارزیابی کند تا ببیند آیا عمل مؤثر بوده است.[39]

در برخی مشکلات، ترجیحات عامل ممکن است نامشخص باشد، به خصوص اگر عوامل یا انسان های دیگری درگیر باشند. اینها را می توان آموخت (مثلاً با یادگیری تقویتی معکوس)، یا عامل می تواند به دنبال اطلاعاتی برای بهبود ترجیحات خود باشد.[40] نظریه ارزش اطلاعات را می توان برای سنجش ارزش اقدامات اکتشافی یا تجربی استفاده کرد.[41] فضای اقدامات و موقعیت‌های احتمالی آینده معمولاً به طور غیرقابل حلی بزرگ است، بنابراین عوامل باید اقد هوش مصنوعی به زبان ساده برای کودکان اماتی را انجام دهند و موقعیت‌ها را ارزیابی کنند در حالی که مطمئن نیستند که نتیجه چه خواهد بود.

یک فرآیند تصمیم مارکوف دارای یک مدل انتقال است که احتمال تغییر وضعیت را توسط یک عمل خاص به روشی خاص و یک تابع پاداش که سود هر حالت و هزینه هر اقدام را تامین می‌کند را توصیف می‌کند. یک سیاست یک تصمیم را با هر ایالت ممکن مرتبط می کند. این خط مشی می تواند محاسبه شود (به عنوان مثال، با تکرار)، اکتشافی باشد، یا می توان آن را آموخت.[42]

تئوری بازی رفتار منطقی عوامل متقابل چندگانه را توصیف می‌کند هوش مصنوعی به زبان ساده برای کودکان  و در برنامه‌های هوش مصنوعی که تصمیماتی را اتخاذ می‌کنند که عوامل دیگر را درگیر می‌کنند، استفاده می‌شود.[43]

یادگیری

یادگیری ماشینی مطالعه برنامه هایی است که می تواند عملکرد خود را در یک کار معین به طور خودکار بهبود بخشد.[44] از ابتدا بخشی از هوش مصنوعی بوده است.[e]

انواع مختلفی از یادگیری ماشین وجود دارد. یادگیری بدون نظارت جریانی از داده ها را تجزیه و تحلیل می کند و الگوها را می یابد و بدون هیچ راهنمایی دیگری پیش بینی می کند.[47] یادگیری نظارت شده به انسان نیاز دارد که ابتدا داده های ورودی را برچسب گذاری کند، و در دو نوع اصلی وجود دارد: طبقه بندی (که در آن برنامه باید یاد بگیرد که ورودی به کدام دسته تعلق دارد) و رگرسیون (که در آن برنامه باید تابع عددی را بر اساس ورودی عددی استنتاج کند. ).[48]

در یادگیری تقویتی، عامل برای پاسخ های خوب پاداش و برای پاسخ  هوش مصنوعی به زبان ساده برای کودکان های بد مجازات می شود. عامل یاد می گیرد که پاسخ هایی را انتخاب کند که به عنوان "خوب" طبقه بندی می شوند.[49] یادگیری انتقالی زمانی است که دانش به دست آمده از یک مسئله بر روی یک مسئله جدید اعمال شود.[50] یادگیری عمیق نوعی از یادگیری ماشینی است که ورودی ها را از طریق شبکه های عصبی مصنوعی الهام گرفته از بیولوژیکی برای همه ا Artificial intelligence in plain language for children ین انواع یادگیری اجرا می کند.[51]

تئوری یادگیری محاسباتی می تواند یادگیرندگان را از طریق محاسباتی ارزیابی کند