Reasoning Forward and Backward Chaining

Reasoning Forward and Backward Chaining
Fábio de Azevedo Soares

Sumário Introdução a Reasoning. Sistemas Baseados em Conhecimento.
Forward Chaining Apresentação Exemplos Backward Chaining JTP API Conclusões © LES/PUC-Rio

Reasoning Em Português: argumentar, justificar, raciocinar.
Reasoning é usar a razão para chegar à conclusão. É um campo multidisciplinar: Filosofia (Qualificação); Psicologia (Cognição); Matemática (Lógica); © LES/PUC-Rio

Qual o interesse em Reasoning?
Construção de Agentes Inteligentes. “A arte de criar máquinas que executam funções que exigem inteligência quando executadas por pessoas.” Raciocínio automatizado para usar informações armazenadas com a finalidade de responder a perguntas e chegar a novas conclusões (conhecimento): Sistemas Baseados em Conhecimento (Em 1969, software DENDRAL – análise estrutura molecular – primeiro sistema bem sucedido de conhecimento). © LES/PUC-Rio

Sistemas Baseados em Conhecimento (SBC)
Definição: são programas de computador que usam o conhecimento representado explicitamente para resolver problemas. Baseados no seguinte pensamento: Quando o ser humano é mais bem sucedido do que as máquinas para resolver um problema, então, as máquinas precisam saber o que o ser humano sabe sobre o assunto. Utilizados há mais de 20 anos. Possuem como principal característica a utilização de uma Base de Conhecimento. © LES/PUC-Rio

SBC :: Arquitetura Básica
Perguntas Respostas Core UI/GUI Motor de Inferência Usuário <- Percepção Ação -> BC Agente Ambiente © LES/PUC-Rio

SBC :: Agentes Inteligentes
Um agente é tudo o que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por intermédio de atuadores. Ambiente Percepções Sensores ? Ações Atuadores Agente © LES/PUC-Rio

SBC :: Base de Conhecimento
Contém a descrição do conhecimento necessário para a resolução do problema abordado na aplicação. É composta por um conjunto de representações de ações: Cada representação individual é chamada de sentença; As sentenças são expressas em uma linguagem específica, chamada linguagem de Representação de Conhecimento. A maioria das sentenças descreve relações de causa e efeito (SE condição, ENTÃO conclusão): SE temperatura está acima de 37.5°C, ENTÃO o paciente tem febre; SE A e B, ENTÃO C. Podem ser compostas por milhares de regras. © LES/PUC-Rio

SBC :: Base de Conhecimento
Diferente de uma codificação qualquer, a representação do conhecimento deve ser compreensível ao homem. Ser robusta o suficiente para que todas as situações possível de determinado problema sejam abordadas. Geralmente, tem seu conhecimento expresso sob representação lógica: PROLOG é a linguagem mais utilizada. © LES/PUC-Rio

SBC e Reasoning SBCs são dotados de duas características principais:
Conhecimento, processável pelo homem; Capacidade de resolver problemas; O processo utilizado para a resolução de problemas é baseado na capacidade de raciocínio destes sistemas. Esta capacidade de raciocínio aliada a base de conhecimento determina o quão boa será a estratégia de inferência destes sistemas. © LES/PUC-Rio

SBC :: Arquitetura Básica
Perguntas Respostas Core UI/GUI REASONING Motor de Inferência Usuário BC © LES/PUC-Rio

SBC :: Motor de Inferência
É responsável pelo desenvolvimento do raciocínio baseado nas informações obtidas do mundo externo e no conhecimento representado na BC. Inferir é derivar novas sentenças a partir de sentenças antigas. Existem algumas estratégias (linhas de raciocínio, reasoning) que podem ser seguidas pelos SBCs (motor de inferência): Encadeamento progressivo ou forward chaining; Encadeamento regressivo ou backward chaining. © LES/PUC-Rio

Reasoning :: Forward Chaining
Tenta chegar a uma conclusão a partir das informações fornecidas sobre a situação atual (BC + fatos): “o quê se pode concluir com os dados que tenho?”. Data oriented reasoning; Mesmo que não exista, explicitamente, na Base de Conhecimento o que se deseja concluir, o mecanismo de inferência procura pelos antecedentes que satisfaçam a situação atual para, então, tentar inferir outros antecedentes e conclusões. Em geral, cada solução (gerada) é inserida na Base de Conhecimento. © LES/PUC-Rio

Exemplo (01) Objetivo desejado: qual a cor do Bob? Fatos: Bob come moscas; Bob grasna. Base de Conhecimento SE X grasna e come moscas, ENTÃO X é um sapo. SE X gorjeia E canta – ENTÃO X é um canário. SE X é um sapo, ENTÃO X é verde. SE X é um canário, ENTÃO X é amarelo. Regras inferidas: R1, R3 © LES/PUC-Rio

Base de Conhecimento SE X grasna e come moscas, ENTÃO X é um sapo. SE X gorjeia E canta – ENTÃO X é um canário. SE X é um sapo, ENTÃO X é verde. SE X é um canário, ENTÃO X é amarelo. Regras inferidas: R1, R3 A BC é procurada e a R1 é selecionada, pois, seu antecedente combina com os fatos. Conseqüente “X é um sapo” é adicionado aos fatos. A BC é, novamente, procurada e a R3 é selecionada, pois, seus antecedente (SE X é um sapo) combina com os fatos. Conseqüente “X é verde”é adicionado aos fatos. © LES/PUC-Rio

As regras inferidas também podem ser visualizadas por meio de um grafo orientado. grasna Sapo Verde come mosca R1: SE X grasna e come moscas, ENTÃO X é um sapo. R3: SE X é um sapo, ENTÃO X é verde. © LES/PUC-Rio

Exemplo (02) Objetivo desejado: Q. Fatos: A; B. Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: A; B; L (R5). © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: A; B; L; M (R3). © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: A; B; L; M; P (R2); © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: A; B; L; M; P; Q (R1). © LES/PUC-Rio

Reasoning :: Backward Chaining
Parte da suposição de que cada solução é verdadeira. A partir disto, busca evidências que comprovem ser correta a solução considerada inicialmente: “posso concluir esta solução com os dados que tenho?”. Goal-driven reasoning. Mesmo que não exista, explicitamente, na Base de Conhecimento o que se deseja concluir, o mecanismo de inferência procura pelos consequentes que satisfaçam a situação atual para, então, tentar inferir outros antecedentes e conclusões. © LES/PUC-Rio

Exemplo Objetivo desejado: Bob pode ser verde? Fatos: Bob come moscas; Bob grasna. Base de Conhecimento SE X grasna e come moscas, ENTÃO X é um sapo. SE X gorjeia E canta – ENTÃO X é um canário. SE X é um sapo, ENTÃO X é verde. SE X é um canário, ENTÃO X é amarelo. Regras inferidas: R3, R4, R1, R2 © LES/PUC-Rio

Base de Conhecimento SE X grasna e come moscas, ENTÃO X é um sapo. SE X gorjeia E canta – ENTÃO X é um canário. SE X é um sapo, ENTÃO X é verde. SE X é um canário, ENTÃO X é amarelo. Regras inferidas: R3, R4, R1, R2 Bob é verde se ele for um sapo, ou, amarelo se ele for um canário. Como Bob grasna e como moscas, ele é um sapo, logo, não é um canário. © LES/PUC-Rio

Exemplo (02) Objetivo desejado: Q. Fatos: A; B. Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: Q; P (R1). © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: Q; P; L e M (R2). © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: Q; P; L; M; A e P (R4). © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: Q; P; L; M; A; A e B (R5); © LES/PUC-Rio

Base de Conhecimento SE P, ENTÃO Q. SE L e M, ENTÃO P. SE B e L, ENTÃO M. SE A e P, ENTÃO L. SE A e B, ENTÃO L. Fatos: Q; P; L; M; A; B; R3; R2; R1. © LES/PUC-Rio

Reasoning :: FC x BC Forward Chaining Backward Chaining
Presente-Futuro Presente-Passado Data-driven Goal-driven Busca em largura Busca em profundidade Antecedentes determinam a busca Conseqüentes determinam a busca Planejamento, Monitoramento, Controle Diagnóstico Determinam soluções que derivam dos fatos Determinam fatos que comprovam as soluções © LES/PUC-Rio

SBC :: Outras Arquiteturas
Perguntas Respostas Core UI/GUI REASONING Motor de Inferência Usuário Memória de Trabalho BC © LES/PUC-Rio

SBC :: Conhecimento Incremental
SBCs podem ser dotados de um processo de aprendizagem autônomo que alimente a BC incrementalmente. Observações Aprendizagem Indutiva Hipóteses Previsões Conhecimento à priori © LES/PUC-Rio

SBC :: Aplicações SBCs são aplicados nos mais variados ramos. Entretanto, as heurísticas utilizadas podem ser classificadas da seguinte forma: Interpretação: análise de dados para determinação do seu significado; Classificação: identificação de uma classe dado um conjunto de sintomas/observações; Monitoramento: observação contínua do comportamento de um sistema a fim de realizar ações quando alguma falha ocorre; Planejamento: determinação de uma seqüência de ações que devem ser realizadas para alcançar algum objetivo. © LES/PUC-Rio

JTP: Reasoning System OO API
Desenvolvida pelo Knowledge Systems Laboratory of Computer Science Department in Stanford University. Em linguagem Java. JTP utiliza uma arquitetura muito simples e genérica de reasoning. Implementa backward chaining e forward chaining. Reasoner é o principal componente desta arquitetura. © LES/PUC-Rio

Bibliografia ALVARES, L. O. Motor de Inferência para Sistemas Especialistas baseados em Regras de Produção. Informática, UFRGS. API JTP Web site. Disponível em Atualizado em 22/01/2008. Acesso em 18/08/2008. DIVERIO, T.; MENEZES, P. Teoria da Computação: máquinas universais e computabilidade. 2.ed. Porto Alegre: Sagra-Luzzatto, 2000. © LES/PUC-Rio

Bibliografia PY, M. X. Sistemas Especialistas: uma introdução. Instituto de Informática, UFRGS. RUSSEL, S.; NORVIG, P. Inteligência Artificial. 2. ed. Rio de Janeiro: Elsevier, 2004. © LES/PUC-Rio

Reasoning Forward and Backward Chaining

Apresentações semelhantes

Apresentação em tema: "Reasoning Forward and Backward Chaining"— Transcrição da apresentação:

Apresentações semelhantes

Sobre projeto

Feedback

Login

Autorizar-se através da rede social:

Reasoning Forward and Backward Chaining

Apresentações semelhantes

Apresentação em tema: "Reasoning Forward and Backward Chaining"— Transcrição da apresentação:

Apresentações semelhantes

Sobre projeto

Feedback