Raven znanja je racionalna osnova za vedenje sistema, ki uporablja umetno inteligenco. Takšni sistemi, znani kot agenti, potrebujejo znanje za sklepanje o svetu in ukrepanje kot odziv na posebne pozive. Pri razvoju takšnih sistemov lahko programerji kodirajo znanje in tudi sposobnost, da sčasoma pridobijo več z opazovanjem in preučevanjem okoliškega okolja.
Raziskovalci umetne inteligence so model ravni znanja predlagali v osemdesetih letih prejšnjega stoletja, ko so se v svojih študijah začeli ukvarjati z bolj izpopolnjenimi agenti. Tema je bila tema nadaljnjega študija in razprave med ljudmi, ki jih zanima definiranje komponent umetno inteligentnih sistemov. Razumevanje, kako takšni sistemi delujejo, lahko ljudem sčasoma pomaga kodirati boljše.
To je nad nivojem simbola, mehansko podlago, ki se uporablja za podporo delovanja sistema. Na ravni znanja ima agent knjižnico logičnih informacij, ki jih lahko uporabi, skupaj s cilji za uporabo teh informacij. Če se zdi, da se sistem obnaša racionalno, tudi če je odgovor napačen ali ni smiseln, kaže uporabo svoje ravni znanja. Na primer, agent bi lahko imel napačne informacije, ki kažejo, da je dva plus dva enako pet. Na vprašanje, koliko je dva plus dva, bi odgovoril pet, kar kaže, da ima cilj odgovoriti na vprašanje in da uporablja obstoječe znanje, da ga doseže.
Kodiranje ravni znanja lahko traja nekaj časa in lahko vključuje odpravljanje napak, da se odstranijo napačne, nasprotujoče si ali zmedene informacije. Bolj sofisticirana kot je umetna inteligenca, višja je raven znanja in več načinov ima za uporabo shranjenih informacij. To je pogosto kodirano v nizu stavkov, ki jih sistem lahko uporabi pri logičnem testiranju kot odgovor na poziv. Na primer, agent, ki nadzoruje kemični proces, ima lahko stavek, ki mu pove, da če se temperature dvignejo nad določeno raven, mora ukrepati, da ohladi procesno opremo, da prepreči nesrečo.
Raziskave umetne inteligence obravnavajo, kako so takšni sistemi zgrajeni in kako se odzivajo na okolje. Na ravni znanja lahko uporabniki komunicirajo s sistemom in vidijo, kako dobro je bil programiran. Vrzeli v informacijah in nezmožnost učenja sta znaka, da agent ni dovolj prilagodljiv, da bi se sčasoma prilagodil. Sistemi, ki lahko naredijo zapletene sklepe, zlasti če lahko vključujejo logične preskoke, so močnejši in so lahko uporabni v več nastavitvah.