При изучении интеллектуальных систем часто возникает вопрос — что же такое знания и чем они отличаются от обычных данных обрабатываемых ЭВМ.
Данные — это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства[1].
Знания в свою очередь это закономерности предметной области (принципы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.
Представление знаний является одной из наиболее важных проблем при создании системы искусственного интеллекта.
Форма представления знаний оказывает непосредственное влияние на характеристики и свойства системы.
Основная цель представления знаний — строить математические модели реального мира и его частей, без предварительных пояснений и установления дополнительных неформальных соответствий.
Модель представления знаний — рисунок 1 является формализмом, призванным отобразить статические и динамические свойства предметной области, отобразить объекты и отношения предметной области, связи между ними, иерархию понятий предметной области и изменение отношений между объектами[2].

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложения:
«Если (условие), то (действие)».
Под условием понимается образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска.
Фреймовая модель представления знаний — предлагается как структура знаний для восприятия пространственных сцен.
Фреймом называется также и формализованная модель для отображения образа.
Фрейм имеет определенную внутреннюю структуру, состоящую из множества элементов, называемых слотами, которым присваиваются имена. За слотами следуют шпации, в которые помещают данные, представляющие текущие значения слотов. Каждый слот в свою очередь представляется определенной структурой данных. В значение слота подставляется конкретная информация, относящаяся к объекту, описываемому этим фреймом[3].
Логическая модель представления знаний формируются средствами логики предикатов.
Функция, принимающая два значения (истина или ложь) и предназначенная для выражения свойств объектов или связей между ними является предикатом. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Константы служат для именования объектов предметной области[3].
Логические предложения или высказывания образуют атомарные формулы. Интерпретация предиката — это множество всех допустимых связываний переменных с константами.
В общем случае в основе логических моделей лежит понятие формальной теории, задаваемой четверкой:
где B — счетное множество базовых символов (алфавит) теории S; F — подмножество выражений теории S, называемые формулами теории; A — выделенное множество формул, называемые аксиомами теории S; R — конечное множество отношений {r1, …, rn} между формулами (правилами вывода).
Семантические сети представляют собой ориентированный граф, в узлах которого находятся имена объектов, а стрелки указывают на отношения между ними.
При этом если представить семантическую сеть как граф, выражающий семантические отношения (дуги) между понятиями (вершины), то можно утверждать, что различные сочетания входящих и исходящих дуг, присутствующих в цепях различной длины в значительной степени влияют на сложность рассматриваемой структуры[3].
Семантические сети содержат описание связей в явной форме, указанных с помощью синтаксических, семантических и прагматических отношений.
Модель, основанная на нечеткой логике предполагает использование теории нечетких множеств, где функция принадлежности элемента множеству не бинарная (да/нет), а может принимать любое значение в диапазоне 0-1.Это дает возможность определять понятия, нечеткие по самой своей природе: "хороший", "высокий", "слабый" и т.д. Нечеткая логика позволяет выполнять над такими величинами весь спектр логических операций: объединение, пересечение, отрицание и др. Нечеткая логика дает возможность строить базы знаний и интеллектуальные системы нового поколения, способные хранить и обрабатывать неточную информацию.
Таким образом, рассмотренные свойства и характеристики моделей представления знаний приводят в дальнейшем к возможности описания решения задач связанных с интеллектуальными системами.