Stuart C. Shapiro wraz ze współpracownikami na Uniwersytecie Stanowym Nowego Jorku w Buffalo opracował SNePS pod koniec lat siedemdziesiątych; od tego czasu stał się niezbędnym narzędziem do badań nad sztuczną inteligencją.

Struktura przypominająca wykres

SnePS wykorzystuje semantyczny model sieci, strukturę przypominającą wykres z węzłami reprezentującymi koncepcje lub obiekty i krawędziami wskazującymi relacje lub powiązania między nimi. W SnePS zastosowano metodę sieciową zamiast struktur hierarchicznych lub logiki predykatów stosowanych w poprzednich systemach sztucznej inteligencji, co pozwoliło na wszechstronną reprezentację skomplikowanej wiedzy i ułatwiło zaawansowane umiejętności rozumowania.

System oparty na ramach

Oprócz tego, że jest systemem opartym na logice, SnePS jest systemem KRRA zarówno opartym na ramkach, jak i na sieci. Ponieważ baza wiedzy SNePS (KB) zawiera zbiór twierdzeń (propozycji) dotyczących różnych podmiotów, wykorzystuje ona asercyjny model wiedzy. Proponowany przez nią model jest domeną intensywną bytów mentalnych, tj. twierdzeń, w które wierzy podmiot, i bytów, które wyobraża sobie. Brak nieodłącznego operatora równości pozwala na intencjonalność, ponieważ dwa syntaktycznie różne pojęcia mogą mieć marginalnie różne znaczenia fregowskie.

Metody wnioskowania

W SNePS dostępne są trzy różne metody wnioskowania: oparta na formułach, która wynika z jej osobowości opartej na logice; oparty na szczelinach, co wynika z jego osobowości opartej na ramkach; i oparty na ścieżkach, co wynika z jego sieciowej osobowości. Niemniej jednak wszystkie trzy są ze sobą powiązane i działają w tandemie.

Istnieje możliwość wykorzystania SNePS jako samodzielnego systemu KRR. Zgodnie z architekturą agenta GLAIR (warstwową architekturą poznawczą) została ona również wykorzystana wraz ze zintegrowanym komponentem aktorskim do stworzenia umysłu inteligentnych agentów (robotów kognitywnych). Grupa badawcza SNePS często nazywa swoich agentów Cassie.

System oparty na sieci

Początkowa definicja „SNePS” brzmiała „System przetwarzania sieci semantycznej”, ponieważ jest to propozycjonalna sieć semantyczna i system oparty na sieci. Każda szczelina jest reprezentowana jako skierowany, oznaczony łuk łączący każdy węzeł wypełniający z każdym węzłem ramki, a każdy składnik stały i funkcjonalny jest węzłem sieci. Zgodnie z zamierzoną interpretacją każdy węzeł reprezentuje byt mentalny, z których część jest propozycjami, a każdy węzeł implikujący propozycję w sieci reprezentuje propozycję. Określone węzły to zmienne, które rozciągają się na i tylko na węzłach logiki SNEPS.

Informacje zależne od kontekstu

SnePS wyróżnia się zdolnością do efektywnego zarządzania informacjami zależnymi od kontekstu. SnePS radzi sobie z wieloma punktami widzenia, postawami i założeniami, organizując wiedzę w konteksty, umożliwiając wyrafinowane rozumowanie i podejmowanie decyzji. SNePS może precyzyjniej reprezentować poznanie podobne do człowieka, będąc wrażliwym na kontekst, odzwierciedlając dynamiczną naturę wiedzy i jej interpretację w różnych kontekstach.

Procesy rozumowania

SNEPS zawiera metody wnioskowania, które pomagają w procesach rozumowania. Wykorzystanie technik dziedziczenia, dedukcji i uprowadzeń może wygenerować świeże spostrzeżenia na podstawie bieżących danych, wywnioskować związek przyczynowy, prognozować wyniki i wyjaśnić niepewności. Dzięki swojej mocy wnioskowania SnePS może rozwiązywać skomplikowane problemy z różnych dziedzin, takich jak przetwarzanie języka naturalnego, systemy ekspertowe i modelowanie poznawcze.

Inteligentne systemy

SNEPS podkreśla znaczenie działania w inteligentnych systemach, wraz z reprezentacją wiedzy i rozumowaniem. Obejmuje systemy planowania i wykonywania, umożliwiające autonomicznym agentom przekształcanie logicznych wniosków w odpowiednie zachowania. SnePS wykracza poza teoretyczną abstrakcję, łącząc poznanie i zachowanie, pokazując rzeczywistą użyteczność w zastosowaniach w świecie rzeczywistym, w tym w robotyce, inteligentnych agentach i systemach wspomagania decyzji.

Wniosek

SnePS na przestrzeni lat zapoczątkował szereg postępów w badaniach nad sztuczną inteligencją i ukształtował ewolucję innych systemów reprezentacji wiedzy. Jego wpływ wykracza poza środowisko akademickie, jest wykorzystywany w przemyśle i wpływa na dziedziny kognitywistyki i inteligencji obliczeniowej.

SnePS jest przykładem ciągłego poszukiwania zaawansowanych systemów sztucznej inteligencji, które potrafią rozumieć, dedukować i działać w skomplikowanych ustawieniach. SNEPS wywarł znaczący wpływ na dziedzinę sztucznej inteligencji poprzez swoje nowe metody reprezentacji wiedzy, rozumowania i działania, przyczyniając się do rozwoju prawdziwie inteligentnych maszyn.