Sistemas Inteligentes Aula: Sistemas Baseados em Conhecimento 1.

Apresentação em tema: "Sistemas Inteligentes Aula: Sistemas Baseados em Conhecimento 1."— Transcrição da apresentação:

1 Sistemas Inteligentes Aula: Sistemas Baseados em Conhecimento 1

2 Plano de aula Sistemas Baseados em Conhecimento definição geral “Tipos” de conhecimento Como raciocinar? Linguagens de representação do conhecimento Engenharia do Conhecimento muito de leve...

3 O problema do capitão West... West é criminoso ou não? “A lei americana diz que é proibido vender armas a uma nação hostil. Cuba possui alguns mísseis, e todos eles foram vendidos pelo Capitão West, que é americano” Como você resolveria este problema de classificação?

4 Limitações da resolução de problemas por Busca Agentes de Busca são muito eficientes na solução de problemas que podem ser formalizados por: um estado inicial; ações; um conjunto de estados finais. Porém, não são capazes de resolver problemas que exigem raciocínio baseado em conhecimento sobre o mundo: Porque seu modelo do mundo é pobre e o raciocínio é limitado  e.g., diagnóstico médico, controle aeroespacial, prova de teoremas, sistemas especialistas em geral,...

5 Como a máquina poderia resolver o caso do cap. West? Segundo a IA simbólica, é necessário Identificar o conhecimento do domínio Representá-lo em uma linguagem formal Implementar um mecanismo de inferência para utilizá-lo Questões-chave Como adquirir esse conhecimento? Como representá-lo adequadamente? Como raciocinar com ele correta e eficientemente?

6 Solucionando o caso do cap. West (Linguagem Natural) A)  odo americano que vende uma arma a uma nação hostil é criminoso B) Todo país em guerra com uma nação X é hostil a X C) Todo país inimigo político de uma nação X é hostil a X D) Todo míssil é um arma E) Toda bomba é um arma F) Cuba é uma nação G) USA é uma nação H) Cuba é inimigo político dos USA I) Irã é inimigo político dos USA conhecimento prévio J) West é americano K) Existem mísseis em Cuba L) Os mísseis de Cuba foram vendidos por West conhecimento do problema novo conhecimento M) Cuba possui um míssel M1- de K N) M1 é um míssil- de K O) M1 é uma arma- de D e N P) Cuba é hostil aos USA- de F, G, H e C Q) M1 foi vendido a Cuba por West- de L, M e N R) West é crimonoso- de A, J, O, P e Q

7 Sistemas Baseados em Conhecimento Possuem dois componentes principais (separados): Base de Conhecimento Mecanismo de Inferência Base de Conhecimento (BC): Contém sentenças em uma Linguagem de Representação de Conhecimento “tratável” pelo computador  representações de regras e fatos  ex.,  x Míssil(x)  Arma(x) Mecanismo (máquina) de Inferência associado: responsável por inferir, a partir do conhecimento da BC, novos fatos ou hipóteses intermediárias/temporárias  ex., M1 é uma arma

8 Arquitetura dos Sistemas BC Conhecimento Permanente fatos regras de produção Meta-conhecimento estratégias para resolução de conflito Base de Regras Conhecimento volátil descrição da instância do problema atual objetivos atuais resultados intermediários Conjunto de conflito conjunto de possíveis regras a serem disparadas Memória de Trabalho Mecanismo de Inferência

9 9 Tipos de Conhecimento na Máquina

10 “Tipos” de Conhecimento Estático x Dinâmico Em intenção x Em extensão Declarativo x Procedimental Do problema x Meta-conhecimento Diagnóstico x Causal Dedutivo x Terminológico Síncrono x Diacrônico Certo x Incerto Preciso x Vago De senso comum x Especialista Explicito x Implícito

11 Conhecimento em Intenção x Extensão Conhecimento em intenção Definição do conceito (ou ação), normalmente usando regras, em termos de sua função, estrutura, etc.  ex.  X, cadeira(X)  assento(X). cadeira: serve para sentar, tem assento,...  ex.  X, tem-dengue(X)  tem-dores(X)  tem-febre(X). quem tem dengue tem febre, dores,... Conhecimento em extensão Instâncias do conceito ex. cadeira 1, cadeira 21, cadeira 613,.... ex. os sintomas de dengue de João, de Zé,...

12 Conhecimento Declarativo X Procedimental Conhecimento representado de modo: Procedimental  fatos e seqüências de instruções para manipular esses fatos ex.: como desmontar uma bicicleta Declarativo  representação descritiva dos fatos, relacionamentos e regras as partes de uma bicicleta e seus relacionamentos o pai do pai é o avô

13 Conhecimento Estático x Dinâmico Conhecimento estático: Aquele que já existe na BC e não mudará Hierarquia de conceitos (classes de fatos)  ex,  X, gato(X)  felino(X). Restrições de integridades  ex,  X,Y estrela-dalva(X)  vênus(Y)  X = Y. Regras de dedução sobre o domínio  ex,  X,Y chefe(X,Y)  empregado(Y,X) Meta-regras para controle e explicação do raciocínio  ex. preferir ir para direita caso tenha mais de uma escolha

14 Conhecimento Estático x Dinâmico Conhecimento dinâmico: só existe durante a resolução de uma instância particular do problema descrição da instância, hipóteses atuais, fatos novos,...

15 Meta-conhecimento Regras sobre “como” manipular as regras de conhecimento que estão em uma base Exemplos:  Se R1 e R2 podem ser disparadas, escolha sempre R1 Ordem da regra na BC  Se R1 e R2 podem ser disparadas e R1 foi disparada mais recentemente que R2, escolha R2

16 16 Categorias de Raciocínio

17 Dedução fatos + regras de inferência => novos fatos causa -> efeito  Se há fogo (causa), há fumaça (efeito). Aqui tem fogo, logo, aqui tem fumaça (novo fato) É o único tipo de inferência que preserva a verdade  truth-preserving Abdução inverso da dedução: do efeito para a causa  Se há fumaça, há fogo. Eu vi fumaça (efeito), logo aqui tem fogo (causa)  Ex. Se há febre e dor, a doença é dengue Este tipo de inferência preserva a falsidade

18 Categorias de Raciocínio Indução parte dos fatos para gerar regras  fato1 + fato2 + fato 3 => regra!  ex. Sr. Antônio, assim como D. Maria, tem dor de cabeça e dengue, então todo mundo que tem dengue, tem dor de cabeça Transforma conhecimento em extensão em conhecimento em intenção!!

19 Categorias de Raciocínio Raciocínio Analógico fatos + similaridades + regras de adaptação +... a partir de fatos (conhecimento em extensão), a da similaridade entre eles, resolve o problema sem gerar regras  ex.: Naquele caso de dengue, eu passei aspirina e não deu certo, logo vou evitar receitar aspirina neste caso semelhante

20 Raciocínio na Máquina Dedução e Abdução (via dedução) usadas nos sistemas baseados em conhecimento declarativo Indução e Analogia usadas na aprendizagem automática Dedução: dois grandes grupos Lógica e afins Tratamento de incerteza  Probabilístico ou difuso (fuzzy)

21 21 Como Representar Conhecimento e Raciocinar? Linguagens de Representação do Conhecimento

22 Linguagens de Representação do Conhecimento Uma Linguagem de Representação do Conhecimento (LRC) é definida por: 1) uma sintaxe, que descreve as configurações que podem constituir sentenças daquela linguagem 2) uma semântica, que liga cada sentença aos fatos do mundo que ela representa  cada sentença faz uma afirmação a respeito do mundo  o Agente BC acredita nas sentenças armazenadas na sua base de conhecimento Toda LRC deve ter um mecanismo de inferência associado => raciocínio

23 Representação & Raciocínio Raciocínio processo de construção de novas sentenças a partir de sentenças existentes Raciocínio plausível (sound): garante que as novas sentenças representam fatos que se seguem dos fatos representados pelas sentenças existentes na BC. implementa a relação de “implicação” entre sentenças implica sentenças Representação semântica sentenças Mundo fatos semântica segue-se fatos

24 Linguagens de Representação do Conhecimento Linguagens de programação: são precisas, porém não são suficientemente expressivas Linguagens naturais: são muito expressivas, porém são ambíguas Linguagens de representação de conhecimento: utilizadas para expressar as sentenças das BC Suficientemente expressivas e não-ambíguas

25 Solucionando o caso do cap. West (Linguagem Natural) A)  odo americano que vende uma arma a uma nação hostil é criminoso B) Todo país em guerra com uma nação X é hostil a X C) Todo país inimigo político de uma nação X é hostil a X D) Todo míssil é um arma E) Toda bomba é um arma F) Cuba é uma nação G) USA é uma nação H) Cuba é inimigo político dos USA I) Irã é inimigo político dos USA conhecimento prévio J) West é americano K) Existem mísseis em Cuba L) Os mísseis de Cuba foram vendidos por West conhecimento do problema novo conhecimento M) Cuba possui um míssel M1- de K N) M1 é um míssil- de K O) M1 é uma arma- de D e N P) Cuba é hostil aos USA- de F, G, H e C Q) M1 foi vendido a Cuba por West- de L, M e N R) West é crimonoso- de A, J, O, P e Q

26 Solucionando o caso do cap. West (em LPO) A)  x,y,z Americano(x)  Arma(y)  Nação(z)  Hostil(z)  Vende(x,z,y)  Criminoso(x) B)  x Guerra(x,USA)  Hostil(x) C)  x InimigoPolítico(x,USA)  Hostil(x) D)  x Míssil(x)  Arma(x) E)  x Bomba(x)  Arma(x) F) Nação(Cuba) G) Nação(USA) H) InimigoPolítico(Cuba,USA) I) InimigoPolítico(Irã,USA) conhecimento prévio J) Americano(West) K)  x Possui(Cuba,x)  Míssil(x) L)  x Possui(Cuba,x)  Míssil(x)  Vende(West, Cuba,x) conhecimento do problema novo conhecimento M) Possui(Cuba,M1)- Eliminação: quantificador existencial e N) Míssil(M1) conjunção de K O) Arma(M1)- Modus Ponens a partir de D e N P) Hostil(Cuba)- Modus Ponens a partir de C e H Q) Vende(West,Cuba,M1)- Modus Ponens a partir de L, M e N R) Criminoso(West)- Modus Ponens a partir de A, J, O, F, P e Q

27 Observações sobre Linguagem e Raciocínio Separação entre controle e conhecimento Seja lá qual for a categoria do raciocínio, haverá sempre um motor geral que o implementará A tarefa do engenheiro de conhecimento é “apenas” codificar corretamente o conhecimento

28 Critérios para avaliação das LRC Expressividade o que é possível dizer facilmente na linguagem? Inferência disponível que tipo de inferência é possível fazer na linguagem? Corretude a inferência é plausível? A semântica é bem definida? Eficiência a inferência se realiza em um tempo razoável?

29 Critérios para avaliação das LRC Modularidade: é fácil identificar e reutilizar partes do conhecimento? Legibilidade: é fácil de ler e entender o que está escrito? Eficiência aquisicional: é fácil adicionar conhecimento?

30 30 Muito de leve... Engenharia do Conhecimento

31 31 Engenharia do Conhecimento - EC

32 32 Engenharia do Conhecimento - EC Área de pesquisa preocupada com desenvolver Métodos, Linguagens e Ferramentas adequados para o desenvolvimento de sistemas BC Foco principal: como adquirir e analisar conhecimento como validar e manter uma Base de Conhecimento Construção da Base de Conhecimento Processo de acumular, transferir e transformar alguma fonte de conhecimento para um computador

33 33 EC - Definições Engenheiro de conhecimento Guia a aquisição, a criação da representação do conhecimento especializado, a implementação e o refinamento do SBC Expertise conhecimento especializado adquirido por longo treinamento, leitura e experiência Especialista (Expert ) Quem possui conhecimento especializado, experiência e métodos, e a habilidade de aplicá-los para dar “conselhos” e resolver problemas

34 34 Desenvolvimento de SBCs

35 Etapas de desenvolvimento de SBCs Linguagens de representação do conhecimento Nível de Conhecimento Nível Lógico Nível de Implementação BC AQUISIÇÃO FORMALIZAÇÃO IMPLEMENTAÇÃO REFINAMENTO Linguagem natural Linguagens de programação

36 36 Etapas do desenvolvimento de SBCs 1. Aquisição (elicitação) do conhecimento Identificação do conhecimento a adquirir Registro do conhecimento em linguagem natural ou usando alguma notação gráfica

37 37 2. Formalização da BC Nível semi-formal via  Notação textual estruturada padrão (XML)  Notação gráfica padrão (UML)  Ontologias  Objetivo: validação com especialista Nível formal  Via linguagens formais (e.g., LPO)  Notação sem ambigüidade com  Objetivo: verificação de consistência Etapas do desenvolvimento de SBCs

38 38 3. Implementação da BC Uso (ou criação) de um sistema (máquina de inferência) capaz de ler a BC e realizar dedução usando linguagens de programação Implementação da Interface Teste de protótipo 4. Validação e Refinamento Validação Refinamento Etapas do desenvolvimento de SBCs

39 39 Etapas de desenvolvimento de SBCs Veremos a seguir Aquisição do conhecimento Formalização do conhecimento  Ontologias Nível “semi”-formal

40 40 Aquisição do Conhecimento O gargalo na construção dos SBCs

41 41 Aquisição do Conhecimento Principais fases da aquisição Identificar características do problema  Do domínio da aplicação Isolar e representar os conceitos principais e suas relações  através de uma Ontologia, por exemplo Identificar inferências sobre estes conceitos (regras) O conhecimento pode originar-se de várias fontes: especialistas, livros e documentos, filmes, etc.

42 42 Gargalo na Aquisição do Conhecimento A maior parte do conhecimento está na cabeça dos especialistas... Especialistas têm muito conhecimento empírico  Difícil de ser capturado e representado formalmente são “caros” mas não sabem de tudo! têm dificuldade de verbalizar sob pressão usam vocabulário próprio (jargão) Podem expressar conhecimento incorreto e incompleto

43 43 Como minimizar o gargalo da Aquisição? Métodos de aquisição Três categorias  Manual  Semi-automático  Automático

44 44 Método de Aquisição Manual Entrevistas estruturadas ou não estruturadas Tracking methods análise de protocolos e observação especialista Base de conhecimento Engenheiro de conhecimento documentação codificação Explicitação

45 45 Métodos de Aquisição Semi-automática Baseado em ferramentas de ajuda ao especialista e ao engenheiro de conhecimento Repertory grid analysis especialistaFerramentas interativas de entrevista Base de conhecimento Engenheiro de conhecimento

46 46 Métodos de Aquisição Automática Aprendizado de máquina Machine learning Casos e exemplosIndução automáticaRegras

47 Próxima aula Sistemas baseados em Regras de Produção