A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Reasoning Forward and Backward Chaining Fábio de Azevedo Soares

Apresentações semelhantes


Apresentação em tema: "Reasoning Forward and Backward Chaining Fábio de Azevedo Soares"— Transcrição da apresentação:

1 Reasoning Forward and Backward Chaining Fábio de Azevedo Soares

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

3 © 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);

4 © 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).

5 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

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

7 SBC :: Agentes Inteligentes © LES/PUC-Rio ? Ambiente Agente Sensores Atuadores Percepções Ações 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.

8 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

9 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

10 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

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

12 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

13 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

14 Reasoning :: Forward Chaining Exemplo (01) –Objetivo desejado: qual a cor do Bob? –Fatos: Bob come moscas; Bob grasna. –Base de Conhecimento 1.SE X grasna e come moscas, ENTÃO X é um sapo. 2.SE X gorjeia E canta – ENTÃO X é um canário. 3.SE X é um sapo, ENTÃO X é verde. 4.SE X é um canário, ENTÃO X é amarelo. –Regras inferidas: R1, R3 © LES/PUC-Rio

15 Reasoning :: Forward Chaining –Base de Conhecimento 1.SE X grasna e come moscas, ENTÃO X é um sapo. 2.SE X gorjeia E canta – ENTÃO X é um canário. 3.SE X é um sapo, ENTÃO X é verde. 4.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

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

17 Reasoning :: Forward Chaining Exemplo (02) –Objetivo desejado: Q. –Fatos: A; B. –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. © LES/PUC-Rio

18 Reasoning :: Forward Chaining –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: A; B; L (R5). © LES/PUC-Rio

19 Reasoning :: Forward Chaining © LES/PUC-Rio –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: A; B; L; M (R3).

20 Reasoning :: Forward Chaining © LES/PUC-Rio –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: A; B; L; M; P (R2);

21 Reasoning :: Forward Chaining © LES/PUC-Rio –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: A; B; L; M; P; Q (R1).

22 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

23 Reasoning :: Backward Chaining Exemplo –Objetivo desejado: Bob pode ser verde? –Fatos: Bob come moscas; Bob grasna. –Base de Conhecimento 1.SE X grasna e come moscas, ENTÃO X é um sapo. 2.SE X gorjeia E canta – ENTÃO X é um canário. 3.SE X é um sapo, ENTÃO X é verde. 4.SE X é um canário, ENTÃO X é amarelo. –Regras inferidas: R3, R4, R1, R2 © LES/PUC-Rio

24 Reasoning :: Backward Chaining © LES/PUC-Rio –Base de Conhecimento 1.SE X grasna e come moscas, ENTÃO X é um sapo. 2.SE X gorjeia E canta – ENTÃO X é um canário. 3.SE X é um sapo, ENTÃO X é verde. 4.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.

25 Reasoning :: Backward Chaining Exemplo (02) –Objetivo desejado: Q. –Fatos: A; B. –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. © LES/PUC-Rio

26 Reasoning :: Backward Chaining –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: Q; P (R1). © LES/PUC-Rio

27 Reasoning :: Backward Chaining –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: Q; P; L e M (R2). © LES/PUC-Rio

28 Reasoning :: Backward Chaining –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: Q; P; L; M; A e P (R4). © LES/PUC-Rio

29 Reasoning :: Backward Chaining –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: Q; P; L; M; A; P; A e B (R5); © LES/PUC-Rio

30 Reasoning :: Backward Chaining –Base de Conhecimento 1.SE P, ENTÃO Q. 2.SE L e M, ENTÃO P. 3.SE B e L, ENTÃO M. 4.SE A e P, ENTÃO L. 5.SE A e B, ENTÃO L. –Fatos: Q; P; L; M; A; P; B; R3; R2; R1. © LES/PUC-Rio

31 Reasoning :: FC x BC Forward ChainingBackward Chaining Presente-FuturoPresente-Passado Data-drivenGoal-driven Busca em larguraBusca 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

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

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

34 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

35 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.

36 Bibliografia ALVARES, L. O. Motor de Inferência para Sistemas Especialistas baseados em Regras de Produção. Informática, UFRGS. API JTP Web site. Disponível em ksl.stanford.edu/software/jtp/, 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, © LES/PUC-Rio

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

38 Fim.


Carregar ppt "Reasoning Forward and Backward Chaining Fábio de Azevedo Soares"

Apresentações semelhantes


Anúncios Google