Agentes Baseados em Conhecimento

Experimento “Robô humano” Partes: 1 Cérebro (1 pessoa) 2 Braços (1 por pessoa = 2 pessoas) 1 Sistema de visão (1 pessoa) Objetivo: Os braços devem localizar e segurar um determinado objeto Cérebro: não pode ver pode fazer perguntas e dar ordens aos braços e à visão: controla os braços indicando deslocamento em uma direção (ângulo no sentido horário ou anti-horário) e distância dadas ângulos de giro na vertical e na horizontal força a aplicar para segurar o objeto controla o sistema de visão pedindo que se desloque para obter outros ângulos de visão

Experimento “robô humano” Braços não podem ver não devem ouvir (obedecer) o que diz o sistema de visão têm tato pouco refinado podem responder apenas “sim” ou “não” ao cérebro ex. estão tocando algo? seguem comandos do cérebro Sistema de visão não pode fornecer informação sem ter sido perguntado pelo cérebro pode distinguir diferentes objetos e estimar distâncias pode mover-se de forma a obter informações visuais a partir de diferentes ângulos

Experimento “Robô humano” Voluntários? Braços e olhos (sistema de visão) saem da sala... Cérebro recebe a tarefa Conclusões? Um modelo do mundo é imprescindível Conhecimento prévio do mundo é importante Coordenar diferentes sistemas é complicado Feedback visual e de força são imprescindíveis A maioria dos sistemas de visão não é móvel É difícil construir um plano sem conhecer as pré-condições

De volta ao exemplo de 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 resolver automaticamente este problema de classificação? Segundo a IA (simbólica), é preciso: Identificar o conhecimento do domínio (modelo do problema) Representá-lo utilizando uma linguagem formal de representação Implementar um mecanismo de inferência para utilizar esse conhecimento

Solucionando o caso do cap. West (linguagem natural) A) Todo 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) Existe um mísseis em cuba L) Os mísseis de cuba foram vendidos por West conhecimento do problema conhecimento novo M) Cuba possui um míssel M1 - 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, F, P e Q

Questões levantadas pelo exemplo Seria possível resolver esse problema com busca? Por que?

Limitações da resolução de problemas por Busca Agentes de Busca são muito eficientes na solução de problemas que podem ser formalizados por: 1. um estado inicial; 2. ações (operadores); 3. 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 aero-espacial, prova de teoremas, sistemas especialistas em geral,... mesmo em casos aparentemente solucionáveis por busca (planejamento), pode ser preciso adicionar conhecimento explícito

Comprar banana, leite e um liqüidificador Ir ao banco Pagar contas começo Ir à escola Ir ao supermercado Ir dormir Ler um livro Sentar na cadeira Etc... Assistir aula Pegar dinheiro Levantar Comprar queijo Comprar banana Comprar atum Fim ... Como representar que “é no supermercado que se vende banana”? A função heurística apenas escolhe o estado mais próximo do objetivo. Não permite descartar ações a priori ( adivinhação)

Plano de aula Agentes Baseados em Conhecimento (BC) definição geral Categorias de conhecimento e de raciocínio Linguagens de representação de conhecimento Mecanismos de raciocínio Arquitetura e algoritmo básico do Agente BC (caso dedutivo) Sistemas baseados em conhecimento

Agentes Baseados em Conhecimento São agentes que conhecem seu mundo, e raciocinam sobre suas possíveis ações Sabem: o estado atual do mundo (propriedades relevantes) como o mundo evolui como identificar estados desejáveis do mundo como avaliar o resultado das ações conhecimento sobre conhecimento (meta-conhecimento) etc.

Categorias de Conhecimento 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 Episódico: fatos vividos, casos, exemplos... ex. D. Maria tem dor de cabeça e dengue Meta-conhecimento: conhecimento sobre o conhecimento disponível ex. eu não sei Astronomia

Categorias de Raciocínio (Inferência) Dedução: fatos + regras de inferência => novos fatos. ex. Em todo lugar que há fogo, há fumaça. Aqui tem fogo, logo... Abdução: inverso da dedução. ex. Se há fumaça, há fogo. Indução: parte-se dos fatos para gerar regras. ex. Se Sr. Antônio, assim como D. Maria, tem dor de cabeça e dengue, então todo mundo que tem dengue, tem dor de cabeça. Analógico: casos + regras de adaptação ex.: Para construir este hospital, vou me basear no projeto daquele outro

Agentes Baseados em Conhecimento (dedutivo) Principais componentes: Base de Conhecimento Mecanismo de Inferência Base de Conhecimento: contém sentenças representações de fatos e regras expressas em uma Linguagem de Representação de Conhecimento conhecimento em forma “tratável” pelo computador ex. míssil é uma arma, M1 é um míssil Mecanismo (motor) de Inferência: responsável por inferir, a partir do conhecimento da base, novos fatos ou hipóteses intermediárias/temporárias ex. M1 é uma arma

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 (LRC): estão entre as anteriores... existem 3 grandes classes: linguagens (predominantemente) declarativas linguagens procedimentais linguagens híbridas

Ciclo de vida dos sistemas baseados em conhecimento Nível de Conhecimento Nível Lógico Nível de Implementação BC AQUISIÇÃO FORMALIZAÇÃO IMPLEMENTAÇÃO REFINAMENTO linguagem natural linguagem de representação de conhecimento linguagens de implementação

Tipos de Linguagens de Representação do Conhecimento (LRC) Linguagens procedimentais: dizem como representam fatos (através de constantes ou variáveis instanciadas) e seqüências de instruções para manipular esses fatos representação e implementação estão intrinsecamente ligados ex. C, Pascal, Lisp, ... Linguagens declarativas: dizem o que representam fatos, seus relacionamentos e regras (conhecimento puro) necessita ser processado por algum código!) Linguagens Lógicas (ex. Lógica de 1a ordem) baseadas em Regras (ex. regras se-então) baseadas em Objetos (ex. frames, ontologias, etc.)

Tipos de Linguagens de Representação do Conhecimento Linguagens híbridas objetos + regras lógica + objetos lógica + objetos + regras etc... Vocês estudam em IA Simbólica (eletiva)

Linguagens de Representação do Conhecimento Uma Linguagem de Representação do Conhecimento 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 no mundo que ela representa cada sentença faz uma afirmação a respeito do mundo; o agente acredita nas sentenças que correspondem a sua configuração interna. E geralmente ... tem um mecanismo de inferência associado

Representação & Raciocínio Raciocínio é um 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 semântica segue-se fatos Mundo fatos Representação semântica sentenças implica sentenças

Solucionando o caso do cap. West (Lógica de primeira ordem) A) " x,y,z Americano(x) Ù Arma(y) Ù Nação(z) Ù Hostil(z) Ù Vende(x,z,y) Þ Criminoso(x) B) " x Guerra(x,USA) Þ Hostil(x) C) " x InimigoPolítico(x,USA) Þ Hostil(x) D) " x Míssil(x) Þ Arma(x) E) " x Bomba(x) Þ 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) Ù Míssil(x) L) " x Possui(Cuba,x) Ù Míssil(x) Þ Vende(West, Cuba,x) conhecimento do problema conhecimento novo 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

Implementando raciocínio (dedutivo): Arquitetura sensores Agente efetuadores a m b i e n t e Base de Conhecimento Máquina de Inferência (Raciocínio) Mecanismo de Aprendizagem - opcional Tell Ask Ask - consulta a BC Tell - adiciona novas sentenças à BC Retract - retira sentenças da BC

Implementando raciocínio (dedutivo): laço principal de TODO agente Programa Agente Baseado em Conhecimento t := 0 //contador de tempo enquanto Agente-BC vivo, faça Tell(BC, Percepções-Sentença(percepção,t)) ação <- Ask(BC, Pergunta-Ação(t)) Executa(ação) Tell(BC, Ação-Sentença(ação,t)) t <- t + 1 Mas este laço não é geral demais? Aguardem os próximos capítulos...

Direções do raciocínio dedutivo Raciocínio progressivo dos dados à conclusão - data-driven inference as regras da BC são usadas para gerar informação nova (novos fatos) a partir de um conjunto inicial de dados os fatos gerados passam a fazer parte da BC ex.: criminoso(West). Raciocínio regressivo da hipótese aos dados - goal-directed inference usa as regras da BC para responder a perguntas busca provar se uma asserção é verdadeira ex.: criminoso(West)? só processa as regras relevantes para a pergunta (asserção)

Tipologia de sistemas baseados em conhecimento Cada LRC (predominantemente declarativa) tem, pelo menos, um sistema de raciocínio associado Principais sistemas de raciocínio declarativos/dedutivos regras lógica objetos híbridos Sistemas de produção Sistemas de manutenção da verdade Provadores de teorema Programação em lógica Sistemas Redes Semânticas Sistemas Frames Sistemas de Lógica descritiva Sistemas OO regras+objetos lógica+objetos lógica+objetos+funções

Sistemas baseados em conhecimento: implementando regras Provadores de teoremas Muito expressivos e completamente declarativos Pouco intuitivos e ineficientes com grandes BC Linguagens de Programação Lógica Restringem a lógica, não permitindo o tratamento completo da negação, da disjunção e/ou da igualdade. ASK0 decompõe-se em ASK1 & ... & ASKN Geralmente usam Encadeamento Regressivo. Exemplos: Prolog, Datalog, XSB, MRS

Sistemas baseados em conhecimento: implementando regras Sistemas de Produção Restringem a lógica mais ainda, sem objetos complexos permitem raciocínio não monótono, SE ASK1 & ... & ASKN ENTÃO TELL | RETRACT | FAZ mais intuitivo, porém sem semântica lógica clara, Geralmente usam Encadeamento Progressivo. Exemplos: OPS-5, CLIPS, SOLAR. Sistemas de manutenção da verdade Truth-maintenance systems (TMS) Garante base de conhecimento consistente com raciocínio não monótono

Sistemas baseados em conhecimento: implementando objetos Sistemas de Redes Semânticas BC: nós (representando objetos) conectados por arcos (representando a relação binária entre eles). Raciocínio baseado apenas na herança, não na dedução lógica Exemplos: KRL, SNEPS, NETL, Conceptual Graphs. Sistemas Frames Consistem em uma hierarquia de frames (quadros) conectados por atributos, onde os frames representam objetos do mundo e atributos usualmente a relação entre eles. ~ Redes Semanticas + Procedimentos dirigidos pelos dados Muito expressivo, sem semântica clara Exemplos: KRIPTON, OWL, FRAIL, KODIAK.

Sistemas baseados em conhecimento: implementando objetos Linguagens de classes hierarquia de objetos encapsulando comportamento e estrutura e com comunicação via envio de mensagens sem motor de inferência built-in, nem semântica clara Exemplos: Smalltalk, Lisp-CLOS, Java, ... Sistemas de Lógica Descritiva Expressam e raciocinam com definições complexas de objetos e classes, e relações entre eles, utilizando redes semânticas como princípio de organização. ~ Redes semântica com semântica lógica bem definida + classificação automático de conceitos e instâncias Exemplos: KL-ONE, CLASSIC, LOOM.

Sistemas baseados em conhecimento: abordagem híbrida Sistemas híbridos combina as vantagens de cada sistema e ainda mais algumas de engenharia de software Exemplos eoops: objetos + regras (C++/Clips, Smalltalk/NéOpus, Java/Jeops,...) lógica + objetos (ObjLog), lógica + objetos + funções (LIFE), etc...

Principais critérios de avaliação de uma Linguagem de Representação de Conhecimento 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 (sound)? A semântica é bem definida? Completude: a inferência é completa? Eficiência inferencial: a inferência se realiza em um tempo razoável? 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? Abertura: é um sistema fechado o pode ser conectado com outros serviços (BD, Internet, GUI, etc..)