Aula 5 - Cap. 7 Fundamentos da IA Mestrado – FEI

Apresentação em tema: "Aula 5 - Cap. 7 Fundamentos da IA Mestrado – FEI"— Transcrição da apresentação:

1 Aula 5 - Cap. 7 Fundamentos da IA Mestrado – FEI
Lógica Proposicional Aula 5 - Cap. 7 Fundamentos da IA Mestrado – FEI

2 Resoluçao de problemas por busca
Conhecimento sobre resultados e ações permite a solução automática de problemas “complexos” um agente reativo não conseguiria encontrar a rota entre Arad e Bucareste Porém até agora este conhecimento é muito específico e inflexível peça de xadrez pode estar em 2 lugares ao mesmo tempo ??

3 Agente baseado em conhecimento
pode combinar o conhecimento geral com percepções correntes para deduzir aspectos ocultos do estado atual antes de selecionar ações.

4 Agente baseado em conhecimento
pode combinar o conhecimento geral com percepções correntes para deduzir aspectos ocultos do estado atual antes de selecionar ações. Grande parte das deduções humanas dependem do tratamento de incertezas segunda parte do curso...

5 Agentes lógicos Representam o mundo
Utilizam inferência para tirar conclusões sobre o mundo representado

6 Agentes lógicos Conhecimento é representado como sentenças em uma linguagem de representação de conhecimento; Um conjunto de sentenças forma a base de conhecimento (BC) do agente.

7 Informar e perguntar Novas sentenças são adicionadas à base de conhecimento por meio da tarefa TELL; Consultas à base de conhecimento são feitas pela tarefa ASK; ambos processos podem envolver inferências INFERÊNCIA: derivação de novas sentenças a partir de sentenças antigas.

8 Inferência clássica (dedução)
A resposta de uma pergunta (ASK) à base de conhecimento deve seguir o que foi informado anteriormente (TELL); Nada é inventado à medida em que o processo de inferência se desenrola; portanto, TELL é um processo não clássico (abdução)! E aprendizagem também (indução).

9 Mundo de Wumpus Desempenho ouro +1000, morte-1000
passo -1 , flecha -10 Ambiente quadrados próximos ao wumpus fedem próximos ao poço: brisa quadrado do ouro: brilho uma flecha somente atirar mata wumpus se em frente Pegar ouro no quad., deixa ouro no quad. Sensores: [fedor, brisa, brilho, impacto, grito] Atuadores: esquerda, direita, pegar, deixar, atirar Mundo de Wumpus

10 Explorando o mundo de wumpus
Primeira percepção: [nada, nada, nada, nada, nada] Deduz: [1,2] e [2,1] são seguros...

11 Explorando o mundo de wumpus
Segunda percepção: [nada, brisa ,nada ,nada ,nada]

12 Explorando o mundo de wumpus
Dedução: poço em [1,3] ou [2,2] quadrado vazio em [2,1]

13 Explorando o mundo de wumpus
Nova percepção: [fedor , nada , nada , nada , nada] Nova dedução: wumpus em [3,1]

14 Explorando o mundo de wumpus
Nova dedução: wumpus em [3,1] e poço em [1,3] (pois não havia fedor em [1,2], nem brisa em [2,1])

15 Nova dedução: wumpus em [3,1] e poço em [1,3]
(pois não havia fedor em [2,2] nem brisa em [2,1]) Esta é uma inferência difícil pois se baseia em informação obtida em diferentes instantes e lugares, e se baseia na falta de uma percepção... Está além das habilidades da maioria dos animais, mas factível para um agente lógico

16 Propriedade do raciocínio lógico
As conclusões serão corretas se as informações disponíveis estiverem corretas!

17 Lógica -- sintaxe ...base de conhecimento consiste de sentenças...
Sentenças são escritas com uma sintaxe; Sintaxe especifica sentenças bem formadas ex. em aritmética: X + Y = 4 x2y+= : não é bem formada

18 Lógica -- semântica Define o significado das sentenças;
em lógica: significado é a verdade de cada sentença em relação à interpretações possíveis. Ex. x + y = 4, verdade na interpretação x=2 e y=2, falso na interpretação x=1 e y =1. Em lógica clássica, as sentenças só podem ser verdadeiras ou falsas

19 Lógica -- semântica Dizemos que “m é um modelo de ”: se  é verdade na interpretação m

20 Lógica -- semântica Dada duas sentenças  e , se em todos as interpretações em que  é verdadeira,  também o é dizemos que  é consequência lógica de :  |=  “se  é verdadeira  também deve ser.”

21 Lógica -- semântica: wumpus
Situação após detectar nada em [1,1], mover à direita e brisa em [2,1] Considerar as interpretações possíveis para poços

22 Lógica -- semântica: wumpus

23 Lógica -- semântica: wumpus
BC = regras do mundo de wumpus + observações

24 Lógica -- semântica: wumpus
BC = regras do mundo de wumpus + observações 1 = "[1,2] é seguro", BC |=  1

25 Lógica -- semântica: wumpus
BC = regras do mundo de wumpus + observações  2 = "[2,2] é seguro", BC |=  2

26 Lógica -- semântica: wumpus
Em alguns modelos em que BC é verdadeira, 2 é falsa, logo não há como deduzir se há um poço em [2,2] nem se não há...

27 verificação de modelos
Este algoritmo de inferência é denominado: verificação de modelos pois enumera todos os modelos possíveis para verificar se  é verdadeira em todos os modelos em que BC é verdadeira

28 Derivação lógica Se um algoritmo de inferência i pode derivar  de BC:
BC |-i  um algoritmo de inferência é “consistente” (correto) se deriva apenas sentenças permitidas (pertencentes ao modelo). e completo se puder derivar qualquer sentença permitida.

29 Sound and completeness (correção e completeza)
BC |=  completeness soundness BC |-i 

30 Hipótese básica da IA “logiscista”
Se a BC representa fatos no mundo real, qualquer sentença  derivada de BC por um procedimento de inferência consistente também será verdadeira no mundo real

31 Hipótese básica da IA “logiscista”
... portanto, embora a inferência opere sobre a sintaxe, o processo corresponde à conclusões verdadeiras no mundo real.

32 Como sabemos que a BC é verdadeira no mundo real?

33 Como sabemos que a BC é verdadeira no mundo real?
Os sensores do agente criam a conexão. E se houver exceções? E se a verdade for temporária? E se houver regras gerais não previstas pelo engenheiro de conhecimento??

34 Lógica proposicional - sintaxe
Sentenças atômicas (elementos sintáticos indivisíveis): um único símbolo proposicional; cada símbolo é uma proposição que pode ser verdadeira ou falsa; nomes em maiúsculas: A, B, W1,3... Verdadeiro Falso

35 LP- sintaxe- sentenças atômicas
se S é sentença, S é sentença (negação) Um literal é uma sentença atômica negada ou não.

36 LP- sintaxe- sentenças complexas
se S1 e S2 são sentenças, tb o são: S1  S2 (conjunção -- e) S1  S2 (disjunção -- ou) S1  S2 (implicação-se, então) S1  S2 é sentença (bicondicional - se e somente se)

37 LP- sintaxe-- precedência
Utilize parênteses: ((A  B)  C)) Ou se apoie na ordem de precedência: , , ,  e   P  Q  R  S equivale a: (( P)  (Q  R))  S

38 Lógica proposicional: semântica
Um modelo proposicional simplesmente fixa o valor verdade para todo símbolo proposicional de uma BC: E.g. P1,2 P2,2 P3,1 false true false Verdadeiro é verdadeiro em todo modelo e Falso é falso em todo modelo; O valor verdade de todos os outros símbolos proposicionais deve ser especificado diretamente no modelo.

39 Lógica proposicional: semântica
Regras para avaliar o valor verdade com respeito a um modelo m: S é verdade sse S é falso S1  S2 é verdade sse S1 é verdade e S2 é verdade S1  S2 é verdade sse S1é verdade ou S2 é verdade S1  S2 é verdade sse S1 é falso ou S2 é verdade i.e., é falso sse S1 é verdade e S2 é falso S1  S2 é verdade sse S1S2 é verdade e S2S1 é verdade

40 Tabela verdade Assim reduz-se a verdade de sentenças complexas à
verdade de sentenças mais simples em um processo recursivo. E.g.: P1,2  (P2,2  P3,1) = true  (true  false) = true  true = true Obs. Cada linha da tabela é uma interpretação possível.

41 Tabela verdade

42 Enumere todas os modelos e verifique se  é verdadeira em todo modelo em que BC é verdadeira.

43 Inferência por enumeração de modelos
A busca em profundidade para enumerar todos as interpretações para encontrar modelos é correta e completa. Para n simbolos, complexidade temporal é O(2n), e espacial é O(n)

44 Equivalência lógica Duas sentenças são logicamente equivalentes sse verdadeiras nos mesmos modelos:    sse  |=  e  |= :

45 Validade e satisfatibilidade
Uma sentença é válida se verdadeira em todos os modelos, e.g., True, A A, A  A, (A  (A  B))  B Tautologias Validade é ligada à inferência via o Teorema da Dedução : KB |=  se e somente se (KB  ) é valida Uma sentença é satisfatível se verdadeira em algum modelo e.g., A B, C Uma sentença é insatisfatível se verdadeira em nenhum modelo e.g., AA Satisfatibilidade é ligada à inferência via o seguinte: KB |=  se e somente se (KB   ) é insatisfatível Raciocinando por contraposição

46 Teorema da Dedução Validade é ligada à inferência via o Teorema da Dedução : BC |=  se e somente se (BC  ) é valida Podemos imaginar o algoritmo anterior como a verificação da validade de BC   Reciprocamente, toda sentença de implicação válida descreve uma inferência legítima.

47 Inferência como prova Regras de inferência: Modus ponens   ,  
Eliminação-de-e   ,  Todas as equivalências anteriores podem ser usadas como regras de inferência.

48 Exemplo: BC mundo de wumpus
Seja Pij verdade se existe um poço em [i, j]. Seja Bij verdade se há brisa em [i, j]. R1: P11 R2: B11 R3: B21 "Poços causam brisas em quadrados adjacentes " R4: B11  (P12  P21) R5: B21 (P11  P22  P31)

49 Exemplo: Wumpus Seja a base de conhecimento R1 -- R5, vamos provar P12: Eliminação de bicondicional a R4: R6: (B11(P12  P21))((P12  P21)B11) Eliminação-e em R6: R7:(B11(P12P21)) e R7`:((P12P21)B11) Contraposição em R7`: R8: ( B11  (P12  P21)) Modus ponens com R2 e R8: R9:  (P12  P21))

50 Exemplo: Wumpus Regra de de Morgan em R9: R10: P12   P21
i.e. nem [1,2], nem [2,1] possui um poço! [obs. Erro no livro!]

51 Métodos de prova Há duas categorias principais de métodos de provas:
Aplicação das regras de inferência Geração correta (sound) de novas sentenças a partir de antigas; Prova = uma sequência de aplicações de regras de inferência Regras de inferência podem ser usadas como ações em um algoritmo de busca Tipicamente requer transformar as sentenças em uma forma normal (def. a seguir) Model checking enumeração de modelos em tabelas verdade retrocesso melhorado, e.g., Davis--Putnam-Logemann-Loveland (DPLL) busca heurística em um espaço de modelos WALKSAT (correto, porém incompleto)

52 Resolução Raciocinando por contraposição
Satisfatibilidade é ligada à inferência via o seguinte: BC |=  se e somente se (BC   ) é insatisfatível Raciocinando por contraposição

53 l1  …  li-1  li+1  …  lk  m1  …  mj-1  mj+1 ...  mn
Resolução Forma Normal Conjuntiva -- Conjunctive Normal Form (CNF) conjunção de disjunções de literais E.g., (A  B)  (B  C  D) Regra de inferência resolução (para CNF): l1 …  lk, m1  …  mn l1  …  li-1  li+1  …  lk  m1  …  mj-1  mj+1 ...  mn onde li e mj são literais complementares. l1  l  l2  l3 l1  l3 E.g., P1,3  P2,2, P2,2 P1,3 correta e completa para lógica proposicional

54 Resolução Qualquer algoritmo de busca completo, aplicando apenas a regra de resolução, pode derivar qualquer conclusão permitida por qualquer base de conhecimento em lógica proposicional!

55 Conversão para CNF B1,1  (P1,2  P2,1)
Eliminar , trocando    por (  )(  ). (B1,1  (P1,2  P2,1))  ((P1,2  P2,1)  B1,1) 2. Eliminar , trocando    por    . (B1,1  P1,2  P2,1)  ((P1,2  P2,1)  B1,1) 3. Mover  para dentro usando as leis de de Morgan e negação dupla: (B1,1  P1,2  P2,1)  ((P1,2  P2,1)  B1,1) 4. Aplicar a lei distributiva ( sobre ) e eliminar ‘(‘ ’)’: (B1,1  P1,2  P2,1)  (P1,2  B1,1)  (P2,1  B1,1)

56 Algoritmo de Resolução
Primeiro a entrada é convertida em CNF. Em seguida a regra de resolução é aplicada às cláusulas restantes. Cada par que contém literais complementares é resolvido para gerar uma nova cláusula, que é adicionada ao conjunto..

57 Algoritmo de Resolução
O processo continua até que: não exista nenhuma cláusula nova a ser adicionada; nesse caso, não há consequência lógica a cláusula vazia é derivada; assim, a consequência lógica é verificada. Raciocinando por contraposição

58 Algoritmo da resolução
Prova por contradição, i.e., para provar  em BC, mostrar que KB é insatisfatível PL-Resolve retorna o conj. de todas as cláusulas possíveis obtidas pela resolução de duas entradas

59 Exemplo de resolução BC = (B1,1  (P1,2 P2,1))  B1,1  = P1,2 2,1

60 Encadeamento pra frente e pra trás (Forward and backward chaining)
Cláusula de Horn (resolução restrita) BC = conjunção de cláusulas de Horn cláusula de Horn = símbolo proposicional; ou (conjunção de símbolos)  símbolo (CORPO)  CABEÇA (I.e., disjunção de literais nos quais no máximo um é positivo) E.g., C  (B  A)  (C  D  B) Modus Ponens (para Horn): completo para BC Horn 1, … , n, 1  …  n    Podem ser usadas com forward chaining ou backward chaining. Algoritmos simples e de complexidade linear (em rel. ao tamanho da base de conhecimento) !

61 Forward chaining Começa a partir de fatos conhecidos (literais positivos) na base de conhecimento. Se todas as premissas de uma implicação forem verdade, sua conclusão será acrescentada ao conjunto de fatos conhecidos.

62 Forward chaining example

63 Forward chaining example

64 Forward chaining example

65 Forward chaining example

66 Forward chaining example

67 Forward chaining example

68 Forward chaining example

69 Forward chaining example

70 Backward chaining Funciona da pergunta q à base de conhecimento:
para provar q na BC, verifique se q já faz parte de BC, ou prove pela BC todas as premissas de alguma regra que conclua q Evitar laços: verifique se os novos subgoals já foram provados ou já falharam!

71 Exemplo de Backward chaining

72 Backward chaining example

73 Backward chaining example

74 Backward chaining example

75 Backward chaining example

76 Backward chaining example

77 Backward chaining example

78 Backward chaining example

79 Backward chaining example

80 Backward chaining example

81 Forward vs. backward chaining
ForwC é baseado no dados, Pode ser usado para derivar conclusões a partir de percepções de entrada, sem uma consulta específica em mente; Pode executar muito trabalho irrelevante para o objetivo; Executa um trabalho extensivo; BackC é baseado no objetivo, Apropriado para resolução de problemas; Funciona em tempo linear Complexidade de BackC pode ser muito menor do que linear em relação ao tamanho da base de conhecimento por que o processo só toca fatos relevantes para provar um objetivo.

82 CONCLUSÃO

83 CONCLUSÃO VOCÊS PRECISAM ESTUDAR!! Leiam o cap. 7 até a p. 214
Próxima aula tem mais!!