В интеллектуальных системах термин «знание» приобрел специфический смысл. Под знаниями понимается форма представления информации в ЭВМ, которой присущи следующие особенности:

  • внутренняя интерпретируемость, когда каждая информационная единица должна иметь уникальное имя, по которому система находит ее, а также отвечает на запросы, в которых это имя упомянуто;
  • структурированность — включенность одних информационных единиц в состав других;
  • связность — возможность задания временных, каузальных пространственных или иного рода отношений;
  • семантическая метрика — возможность задания отношений, характеризующих ситуационную близость;
  • активность — выполнение программ инициируется текущим состоянием информационной базы.

Термин «представление знаний»  связан с формализацией знаний в памяти интеллектуальной системы. Наиболее общими методами представления знаний агентов являются:

  • правила;
  • семантические сети;
  • фреймы;
  • нейронные сети;
  • онтологии.

Продукции или правила (rules) представляют собой конструкции вида::

ЕСЛИ условие ТО действие,

используемые для продукционного вывода, при котором на каждом шаге при истинности условия выбранного правила активизируется его действие. В МАС, основанных на правилах, предметные знания представляются набором правил, которые проверяются на группе фактов и знаний о текущей ситуации (входной информации). Данный метод является самым легким в плане реализации.

Фреймы (frames)- иерархические структуры, удобные для представления знаний о концепциях и их взаимосвязи. Фрейм состоит из имени и слотов (slots), каждый из которых имеет свое имя и значение. Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одно или несколько правил, с помощью которых это значение можно найти. Совокупность фреймов, моделирующая какую-нибудь предметную область, представляет собой иерархическую структуру, в которую соединяются фреймы. На верхнем уровне иерархии находится фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Фреймы обладают способностью наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии. Значения характеристик фреймов могут передаваться по умолчанию фреймам, находящимся ниже них в иерархии, но, если последние содержат собственные значения данных характеристик, то в качестве истинных данных принимаются именно они. Это обстоятельство позволяет легко учитывать во фреймовых системах различного рода исключения. Значения слотов представляются в системе в единственном экземпляре, поскольку включается только в один фрейм, описывающий наиболее общее понятие из всех тех, которые содержат слот с данным именем. Такое свойство систем фреймов дает возможность уменьшить объем памяти, необходимый для их размещения в компьютере. Однако основное достоинство состоит не в экономии памяти, а в представлении в БЗ связей, существующих между понятиями предметной области.

Термин «семантическая сеть» используется для описания метода представления знания, основанного на сетевой структуре. Этот метод является одним из наиболее эффективных методов хранения знаний. Семантические сети состоят из:

  • узлов, соответствующих объектам, понятиям и событиям;
  • дуг, связывающих узлы и описывающих отношения между ними.

Семантическая сеть отображает совокупность объектов предметной области и отношений между ними. При этом объектам соответствуют вершины сети, а отношениям – соединяющие их дуги. В семантическую сеть включаются только те объекты предметной области, которые необходимы для решения прикладных задач. В качестве объектов могут выступать события, действия, обобщенные понятия или свойства объектов. Вершины сети соединяются дугой, если соответствующие объекты предметной области находятся в каком-либо отношении. Наиболее распространенными являются следующие типы отношений:

  • «является» – означает, что объект входит в состав данного класса;
  • «имеет» – позволяет задавать свойства объектов.

Основной недостаток такого способа представления знаний – сложность обработки исключений.

В основе теории нейронных сетей лежит желание воспроизвести функции мозга при решении конкретной задачи. Однако создающиеся системы скорее представляют математическую модель, воспроизводящую отдельные возможности человеческого мозга, по аналогии с которым искусственные нейтронные сети характеризуются следующими свойствами:

  • обучение, т.е. изменение поведения в зависимости от окружающей среды;
  • обобщение (реакция сети после обучения будет, до известной степени, нечувствительна к малым изменениям входящих сигналов);
  • абстрагирование- способность выявления различий во входных сигналах.

Такой способ представления знаний агентов представляется сложным и трудно воспроизводимым программно.

Ещё одним подходом к структуризации распределенных баз знаний является использование онтологий, характеризующих предметные знания сами по себе, вне связи с конкретными структурами их представления, алгоритмами вывода в них. Представление знаний основано на концепции онтологии как разновидности спецификации предметной области, выраженной в терминах её концептов (понятий) и их взаимосвязей. Преимуществом онтологий в качестве способа представления знаний является их формальная структура, которая упрощает компьютерную обработку.