Agentes Baseados em Conhecimento

Apresentação em tema: "Agentes Baseados em Conhecimento"— Transcrição da apresentação:

1 Agentes Baseados em Conhecimento
Jacques Robin CIn-UFPE

2 Agente baseado em conhecimento
Ambiente Sensores Raciocínio Automático Base de Conhecimento Especializada Máquina de Inferência Genérica Ask Tell Retract Representação e Aquisição de Conhecimento Efetuadores Ask= consulta; tell = inserção; retract = remoção

3 O que é conhecimento? Dado, informação ou abstração formatado de maneira a permitir raciocínio por um ser humano ou por uma máquina, por exemplo Classes e objetos Formula da lógica Distribuição de probabilidade prévia e condicional de variáveis aleatórias O que é raciocínio? Mecanismo sistemático para inferir ou derivar novo conhecimento a partir de novas percepções e/ou de conhecimento prévio, por exemplo: Herança de atributos entre classe, sub-classes e objetos Prova de teorema por refutação, resolução e unificação Cálculo de probabilidade posterior de um evento pelo Teorema de Bayes

4 Tipos de conhecimento Estático x Dinâmico
Do problema x Meta-conhecimento (controle, explicação, reuso) Diagnóstico x Causal Dedutivo x Terminológico Intencional x Extensional Síncrono x Diácrono Certo x Incerto Preciso x Vago Declarativo x Procedimental De senso comum x Especialista Explicito x Implícito

5 Conhecimento estático x dinâmico
Hierarquia de conceitos (classes de fatos) ex,  X, wumpus(X)  monstro(X). Restrições de integridades ex,  X,Y wumpus(X)  wumpus(Y)  X = Y. Regras de dedução sobre o domínio ex,  X,Y smelly(X,Y)  (loc(wumpus,X+1,Y)  loc(wumpus,X-1,Y)  loc(wumpus,X,Y+1)  loc(wumpus,X,Y-1). Meta-regras para controle e explicação do raciocínio na dúvida peque a primeira regra Conhecimento dinâmico: Fatos, i.e., proposições sobre instâncias de conceitos ex, loc(wumpus,2,1)  loc(wumpus,1,2)  loc(wumpus,2,3) ex. loc(wumpus,2,3). ex. alive(wumpus,4). ex.  alive(wumpus,7).

6 Conhecimento causal x diagnóstico
prevê resultados de ações e eventos ex, X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1). Conhecimento diagnóstico: forma hipóteses sobre causas de efeitos observados ex,  X,Y,T smell(stench,X,Y,T)  smelly(X,Y)  X,Y smelly(X,Y)  (loc(wumpus,X+1,Y)  loc(wumpus,X-1,Y)  loc(wumpus,X,Y+1)  loc(wumpus,X,Y-1)).

7 Conhecimento terminológico x dedutivo
ex,  M, wumpus(M)  monster(M)  M,T monster(M)  alive(M,T)  dangerous(M,T). Conhecimento dedutivo: ex, M,X,Y,T dangerous(M,T)  loc(M,X,Y,T)   safe(X,Y,T) X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1).

8 Conhecimento intencional x extensional
Conhecimento intensional: Fatos ou regras universalmente quantificados ex,  X,Y X = 0  X = 5  Y = 0  Y = 5  loc(wall,X,Y). Conhecimento extensional: Instâncias de conceitos ex, loc(wall,0,1). loc(wall,0,2). loc(wall,0,3). loc(wall,0,4) loc(wall,5,1). loc(wall,5,2). loc(wall,5,3). loc(wall,5,4) loc(wall,1,0). loc(wall,2,0). loc(wall,3,0). loc(wall,4,0) loc(wall,1,5). loc(wall,2,5). loc(wall,3,5). loc(wall,4,5).

9 Conhecimento sincrônico x diacrônico
Conhecimento diacrônico : Regras de previsão das propriedades do ambiente entre dois instantes T e T+1 devidas a ações ou eventos ex, X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1). Conhecimento sincrônico: Regras de propagação das conseqüências não observáveis do ambiente a partir das observadas no mesmo instante T ex, M,X,Y,T dangerous(M,T)  loc(M,X,Y,T)   safe(X,Y,T).

10 Conhecimento certo x incerto
Epistemologicamente booleano ex,  X,Y smelly(X,Y)   smelly(X+1,Y-1)   smelly(X-1,Y-1)  loc(wumpus,X,Y+1). Conhecimento incerto: Epistemologicamente probabilista: ex,  X,Y smelly(X,Y,1)  (loc(wumpus,X+1,Y,0.25)  loc(wumpus,X-1,Y,0.25)  loc(wumpus,X,Y+1,0.25)  loc(wumpus,X,Y-1,0.25)).

11 Tipos de raciocínios: dedução
Dado: Conhecimento prévio ou percepção especifica Ec sobre instância particular de problema ou ambiente Conhecimento genérico G sobre classe de problema ou ambiente Inferir: Novo conhecimento específico Ee sobre instância particular do problema ou ambiente Infere efeito Ee de causa Ec a partir de modelo do ambiente G Exemplo: Dado Ec = loc(agent,1,1,1)  orientation(0,1)  forward(1)   loc(wall,1,2) G = X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1) Deduz Ee = loc(agent,1,2,2).

12 Tipos de raciocínios: abdução
Dado: Conhecimentos prévios ou percepções especificos Ee e Eb sobre instância particular de problema ou ambiente Conhecimento genérico G sobre classe de problema ou ambiente Inferir: Novo conhecimento específico Ec sobre instância particular do problema ou ambiente Infere causa Ec de efeito Ee a partir do contexto Eb e modelo do ambiente G Exemplo: Dado Ee = loc(agent,1,2,2) Eb = orientation(0,1)  forward(1)   loc(wall,1,2) G = X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1) Abduz Ec = loc(agent,1,1,1).

13 Tipos de raciocínios: indução
Dado: Conjunto de conhecimentos prévios ou percepções específicos Ec, Ee sobre instâncias particulares de problema ou ambiente Conhecimento prévio genérico Gp sobre classe de problema ou ambiente Inferir: Novo conhecimento conhecimento genérico Gn sobre classe de problema ou ambiente Infere parte do modelo do ambiente Gn a partir de causas Ec , efeitos Ee e outra parte do modelo do ambiente Gp Exemplo: Dado {loc(gold,1,2,1)  glitter(1,2,1), ..., loc(gold,4,4,6)  glitter(4,4,6)}  Ec x Ee {loc(gold,1,2,1)  glitter(3,2,1), ..., loc(gold,4,4,6)  glitter(2,1,6)}  Ec x Ee Induz Gn = X,Y,T glitter(X,Y,T)  loc(gold,X,Y,T)

14 Agente baseado em conhecimento dedutivo ou abdutivo
Ambiente Base de Conhecimento Estático (BCE): regras, classes, formulas lógicas universalmente quantificadas Sensores Ask Tell Máquina de inferência dedutiva e/ou abdutiva Retract Ask Base de Conhecimento Dinâmico (BCD): fatos, objetos formulas lógicas instanciadas Efetuadores