CIn- UFPE 1 Engenharia do Conhecimento Conceitos básicos Etapas de desenvolvimento de Sistemas Baseados em Conhecimento Aquisição de Conhecimento Ontologias.

Apresentação em tema: "CIn- UFPE 1 Engenharia do Conhecimento Conceitos básicos Etapas de desenvolvimento de Sistemas Baseados em Conhecimento Aquisição de Conhecimento Ontologias."— Transcrição da apresentação:

1 CIn- UFPE 1 Engenharia do Conhecimento Conceitos básicos Etapas de desenvolvimento de Sistemas Baseados em Conhecimento Aquisição de Conhecimento Ontologias Exemplos de construção de sistemas BC

2 CIn- UFPE 2 Engenharia do Conhecimento Estuda como construir Sistemas Baseados em Conhecimento (SBC) Base de Conhecimento Máquina de Inferência Engenheiro de conhecimento Guia a Aquisição do conhecimento sobre o domínio escolhido e determina quais conceitos são importantes Cria a Base de Conhecimento –representações dos conceitos (fatos e regras) em alguma linguagem de Representação do Conhecimento É responsável pela Implementação e pelo Refinamento do SBC

3 CIn- UFPE 3 Engenharia do Conhecimento: Etapas de Construção dos SBC Nível de Conhecimento Nível Lógico Nível de Implementação BC AQUISIÇÃO FORMALIZAÇÃO IMPLEMENTAÇÃO REFINAMENTO linguagem natural linguagem de representação de conhecimento linguagens de programação

4 CIn- UFPE 4 Engenharia do Conhecimento: Etapas de Construção dos SBC Vimos um pouco de Implementação: Regras de produção e Prolog Formalização: Lógica de Primeira Ordem Resta-nos ver então as fases de Aquisição e Organização do conhecimento do domínio escolhido

5 CIn- UFPE 5 Aquisição de Conhecimento Aquisição/Explicitação de conhecimento Espécie de Engenharia de Requisitos mais complexa Principais fases da Aquisição: identificar características do problema isolar os conceitos principais e suas relações (ontologia) identificar inferências sobre estes conceitos Conhecimento pode originar-se de várias fontes: Entrevistas com especialistas, livros e documentos, filmes, etc.

6 CIn- UFPE 6 Aquisição: Gargalo na construção de SBCs Dificuldade de introspecção O especialista quase nunca está ciente de como usa o conhecimento e tem dificuldade de verbalizar sob pressão Algumas soluções são intuitivas ou “compiladas”. Uso de vocabulário próprio (jargão) O conhecimento expresso pode ser irrelevante quantidades enormes de informações supérfluas são coletadas, para em seguida serem organizadas. O conhecimento expresso pode ser incompleto, incorreto ou inconsistente Métodos de aquisição - 3 categorias: Manual, Semi-automático e Automático

7 CIn- UFPE 7 Aquisição Manual Entrevistas estruturadas ou não estruturadas Tracking methods Observação e análise do domínio, leitura de documentos, etc. especialista Base de conhecimento Engenheiro de conhecimento documentação codificação explicitação

8 CIn- UFPE 8 Aquisição Semi-automática Ajuda ao engenheiro de conhecimento (editores, documentadores, etc.) Ajuda ao especialista (grid repertory analysis) especialistaFerramentas interativas de entrevista Base de conhecimento Engenheiro de conhecimento

9 CIn- UFPE 9 Aquisição Automática Aprendizagem de Máquina (Machine Learning) Algoritmos de aprendizagem automática “induzem”as regras a partir de exemplos do domínio. Aqui não há aquisição por parte do Engenheiro de Conhecimento. Casos e exemplosIndução automáticaRegras

10 CIn- UFPE 10 Construindo Bases de Conhecimento Toda BC tem dois “consumidores”: usuários procedimentos de inferência Uma BC deve: ser clara e correta representar apenas objetos e relações relevantes idealmente, ser codificada separada do procedimento de inferência (modularidade, reusabilidade) melhorar a eficiência do processo de inferência O processo de inferência deve fornecer a mesma resposta, independente de como a base foi codificada

11 CIn- UFPE 11 Organizando o Conhecimento Adqurido: Ontologias Em Filosofia: estudo do que existe no mundo Em IA: especificação das classes, objetos e relações da realidade Usadas para: organizar a BC, separando conceitos (objetos) das regras aumentar a reusabilidade Ontologias Genéricas (Gerais) usadas para representar grandes conjuntos de objetos e relações representam senso comum - conhecimento enciclopédico codificadas usando algum formalismo (ex. LPO)

12 CIn- UFPE 12 Ontologias Genéricas Maior tempo de construção do que ontologias especializadas, porém mais vantajosas: unificam diferentes áreas de conhecimento, porque o raciocínio e a resolução de problemas pode envolver várias áreas simultaneamente. aplicáveis a domínios específicos, com a adição de axiomas específicos desse domínio Senso Comum (ontologia genérica) Domínios Especializados

13 Ontologia do Universo QualquerCoisa ObjetosAbstratosEventos ConjuntosNúmerosObjetosRepresentativos IntervalosLugaresObjetosFísicos CategoriasSentençasMedidasMomentos Coisas Matéria Tempos Pesos Animais Agentes Sólido Líquido Gasoso Processos Humanos

14 CIn- UFPE 14 Estratégias de Construção de Ontologias Abordagem Top-Down: começa definindo os conceitos do senso comum, depois agrega o conhecimento especializado. Abordagem Bottom-Up: começa com N bases especializadas, depois integra os conceitos mais gerais. Qualquer ontologia específica pode ser modificada a fim de se tornar mais genérica.

15 CIn- UFPE 15 Ontologias Genéricas: Categorias Também chamadas de classes, relações, tipos... conjuntos de objetos com propriedades comuns organiza e simplifica a base de conhecimento. Exemplos de simplificação: comprar(Maçã 3 ) x comprar(Maçã) - instância x classe Todo mamífero bebe leite - herança Taxonomia: Tipo particular de ontologia: –relações hierárquicas entre classe e sub-classes em forma de árvores Representa propriedades discriminantes –ex. biologia sistemática

16 CIn- UFPE 16 Exemplos de Categorias Um objeto é membro de uma categoria: Maçã 3  Maçãs Uma categoria pode ser subclasse de outra categoria: Maçãs  Frutas Todos os membros de uma categoria têm alguma propriedade em comum:  x. x  Maçãs  Vermelho(x)  Arredondado(x) Membros de uma categoria podem ser reconhecidos por algumas propriedades:  x. Vermelho(Interior(x))  Verde(Exterior(x))  x  Melões  x  Melancias

17 CIn- UFPE 17 Relações entre Categorias Disjunção: não há interseção entre as categorias  s Disjunção(s)  (  c 1,c 2 c 1  s  c 2  s  c 1  c 2  c 1  c 2 =  ) ex. Disjunção({Animais, Vegetais}) Decomposição exaustiva  s,c DecomposiçãoExaustiva(s,c)  (  i. i  c   c 2 c 2  s  i  c 2 ) ex. DecomposiçãoExaustiva({Americano, Canadense, Mexicano}, Norte-Americano) Partição: decomposição exaustiva disjunta  s,c Partição(s,c)  Disjunção(s) DecomposiçãoExaustiva(s,c) ex.. Partição(({macho, fêmea}), animal)

18 CIn- UFPE 18 Ontologias Genéricas também podem representar: Medidas Valores atribuídos às propriedades dos objetos do mundo real: peso, comprimento, altura, etc... Objetos compostos formados por partes que também são objetos: relação “parte-de”. Mudanças com eventos Cálculo de eventos: um fato é verdade em um intervalo de tempo.

19 CIn- UFPE 19 Medidas Valores atribuídos aos objetos do mundo real: servem para descrever objetos ex. peso, comprimento, altura, diâmetro,... Medidas quantitativas são fáceis de representar ex. Tamanho(L 1 ) = Polegadas(1,5) = Centímetros (3,81) Medidas qualitativas são mais complicadas ex. beleza de um poema, dificuldade de um exercício O importante é ordenar  e 1, e 2 e 1  Exercícios  e 2  Exercícios  Elabora(João,e 1 )  Elabora(Pedro,e 2 )  Dificuldade(e 1 ) < Dificuldade(e 2 )

20 CIn- UFPE 20 Objetos Compostos Objetos formados por partes que também são objetos São caracterizados pela estrutura dos objetos que os compõem ex. massa de um carro é a soma das massas de suas partes(carroceria, motor, pneu,...) Para representá-los, usamos a relação ParteDe e.g., ParteDe(motor, Carro), ParteDe(pneu, Carro) Exemplo:  a Bipede(a)   l1, l2, b Perna(l1)  Perna(l2)  Corpo(b)  ParteDe(l1,a)  ParteDe(l2,a)  ParteDe(b,a)  Ligado(l1,b)  Ligado(l2,b)  l1  l2   l3 Perna(l3)  ParteDe(l3,a)  (l3 = l1  l3 = l2)

21 CIn- UFPE 21 Objetos Compostos ParteDe também serve para descrever estrutura de eventos: Script ou Schema ex. comer no restaurante Quando se está interessado apenas nas características do conjunto: BunchOf ex. peso do saco de Maçãs BunchOf(Maçãs) define um objeto composto formado pelas Maçãs do saco.

22 CIn- UFPE 22 Representando Mudanças com Eventos Cálculo de situações: adequado quando temos um único agente realizando ações discretas e instantâneas (uma ação por situação). inadequado quando: –existem vários agentes no mundo. –o mundo pode mudar espontaneamente. –mudanças ocorrem continuamente. Cálculo de eventos: versão contínua do calculo de situações No cálculo de situações, um fato é verdade em uma situação No cálculo de eventos, uma coisa é verdade num intervalo de tempo –ex. SubEvento(BatalhaDaNormandia,SegundaGuerraMundial) SubEvento(SegundaGuerraMundial, SéculoXX)

23 CIn- UFPE 23 Tempos, Intervalos e Ações Meet(i,j) i j Before(i,j) After(j,i) i j During(i,j) i j Overlap(i,j) i j

24 CIn- UFPE 24 Cálculo de Eventos: Exemplos Se duas pessoas ficaram noivas, então em algum intervalo no futuro elas irão se casar ou acabar o noivado:  x,y,i 0 T(Noivado(x,y),i 0 )   i 1 (Encontra(i 0,i 1 )  Depois(i 1,i 0 ))  T(Casamento(x,y)  FimNoivado(x,y), i 1 ) A segunda guerra de Canudos ocorreu na Bahia no século XIX  g g  Guerras  SubEvento(g,SéculoXIX)  ParteDe(Localização(g),Bahia)

25 CIn- UFPE 25 Uma vez concluída uma versão preliminar de aquisição... é só formalizar e implementar!

26 CIn- UFPE 26 Engenharia de Conhecimento 1) Decida sobre o que falar 2) Escolha o vocabulário de predicados, funções e constantes (Ontologia do Domínio) 3) Codifique o conhecimento genérico sobre o domínio (axiomas)  x,y,z Americano(x)  Arma(y)  Nação(z)  Hostil(z)  Vende(x,z,y)  Criminoso(x) 4) Codifique uma descrição de uma instância específica do problema Nação(Cuba), Nação(USA) 5) Proponha questões para o procedimento de inferência e obtenha respostas West é criminoso?

27 CIn- UFPE 27 Um Exemplo: Circuitos Digitais Objetivo: determinar se o circuito está de acordo com sua especificação (o circuito acima é um somador) responder a perguntas sobre o valor da corrente em qualquer ponto do circuito

28 CIn- UFPE 28 Decida sobre o que falar Para alcançar o objetivo, é relevante falar sobre circuitos, terminais, sinais nos terminais, conexões entre terminais Para determinar quais serão esses sinais, precisamos saber sobre: portas e tipos de portas: AND, OR, XOR e NOT Não é relevante falar sobre: fios, caminhos dos fios, cor e tamanho dos fios, etc.

29 CIn- UFPE 29 Decida qual vocabulário usar Nomear os objetos e relações do domínio com funções, predicados e constantes constantes –distinguir as portas : X1, X2... –distinguir os tipos de porta: AND, OR, XOR... funções e predicados – tipo de uma porta: Tipo(X1) = XOR, Tipo(X1, XOR), XOR(X1) –indicar entradas e saídas: Out(1, X1), In(1, X2) – indicar conectividade entre portas: Conectado(Out(1, X1), In(1, X2))

30 CIn- UFPE 30 Codifique regras genéricas (1) (1) Dois terminais conectados têm o mesmo sinal:  t1, t2 Conectado(t1, t2)  Sinal(t1) = Sinal(t2) (2) O sinal de um terminal é On ou Off (nunca ambos)  t Sinal(t) = On  Sinal(t) = Off, On  Off (3) Conectado é um predicado comutativo  t1,t 2 Conectado(t1, t2)  Conectado(t2, t1) (4) Uma porta OR está On sse qualquer das suas entradas está On:  g Tipo(g) = OR  Sinal(Out(1,g)) = On  n Sinal(In(n,g))=On (5) etc...

31 CIn- UFPE 31 Codifique a instância específica Portas: Tipo(X1) = XOR Tipo(X2) = XOR Tipo(A1) = AND Tipo(A2) = AND Tipo(O1) = OR Conexões: Conectado(Out(1,X1),In(1,X2)) Conectado(Out(1,X1),In(2,A2)) Conectado(Out(1,A2),In(1,O1))...

32 CIn- UFPE 32 Proponha questões ao Procedimento de Inferência Que entradas causam Out(1,C1) = Off e Out(2, C1) = On?  i1, i2, i3 Sinal(In(1,C1)) = i1  Sinal(In(2,C1)) = i2  Sinal(In(3,C1)) = i3  Sinal(Out(1,C1)) = Off  Sinal(Out(2,C1) = On Resposta: (i1 = On  i2 = On  i3 = Off)  (i1 = On  i2 = Off  i3 = On)  (i1 = Off  i2 = On  i3 = On)

33 CIn- UFPE 33 Ferramentas para Implementação de SBC Três opções: Shells - é a mais utilizada –Expert Sintta, OPS, KAS,... Elementos “embutíveis” – regras + objetos (CLIPS, JESS, NeOpus, JEOPS, etc.) Linguagens de programação de alto nível –Prolog, Lisp. OOP Critérios de escolha Facilidade de uso Flexibilidade Interface com sistema Desempenho Portabilidade

34 CIn- UFPE 34 Sistemas Especialistas Definições Histórico Sistemas Especialistas de Segunda geração Áreas de Aplicação e Classes de tarefas

35 CIn- UFPE 35 1960s: General-purpose Problem Solver (GPSs) Motivação: leis do pensamento + máquinas poderosas Funcionamento:  planejamento + sub-goaling –ex. estou com fome => comer => pedir pizza => telefonar => ir para a sala => sair do quarto... O Logic Theorist deu certo mas.... em geral, GPSs não funcionam fraca representação de conhecimento humanos são bons só em domínios restritos Solução => Sistemas Especialistas!!!

36 CIn- UFPE 36 Sistemas Especialistas (SEs) Definição Um tipo de Sistema Baseado em Conhecimento (knowledge-based system) Sistemas que empregam o conhecimento humano para resolver problemas que requererem a presença de um especialista Área de aplicação de mais sucesso da IA Utilidade capacitar não-especialistas servir de assistente a especialistas servir de repositório de conhecimento “valioso” para a empresa etc.

37 CIn- UFPE 37 1960s-1970s: Primeiros Sistemas Especialistas DENDRAL Inferir estrutura molecular de componentes desconhecidos dadas a massa espectral e a resposta nuclear magnética Conhecimento especializado poda a busca por possíveis estruturas moleculares Fez sucesso: publicações científicas Representação procedimental de conhecimento

38 CIn- UFPE 38 1960s-1970s: Primeiros SEs MYCIN Diagnosticar rapidamente meningite e outras infecções bacterianas, e prescrever tratamento Representação de conhecimento baseada em regras probabilísticas (em torno de 500) Fez sucesso: acima de 90% de acerto introduziu explicação e boa interface com usuário Exemplo de regra ifthe infection is meningitis and the type of infection is bacterial and the patient has undergone surgery and the patient has under gone neurosurgery and the neurosurgery-time was < 2 months ago and the patient got a ventricular-urethral-shunt then infection = e.coli(.8) or klebsiella(.75)

39 CIn- UFPE 39 1980: Grande Boom dos SEs Problema da General Electric: Aposentadoria de David Smith: engenheiro especialista em falhas de motores elétrico-diesel de locomotivas Custo deste tipo de engenheiro Solução convencional Treinamento de engenheiros novatos 1980: Construção de CATS-1 (DELTA) Meses de entrevista, 3 anos p/ primeiro protótipo Permite diagnostico em poucos minutos Existe um em cada oficina Dá treinamento: é amigável e explica decisões

40 CIn- UFPE 40 1970s & 1980s: Avanços em SBCs 1970s: Esforço para desenvolver melhores (e mais especializadas) Linguagens de representação de conhecimento Mecanismos de inferência Conclusões O poder de um sistema é derivado do conhecimento específico que ele possui, e não de esquemas de inferências e formalismo particular que ele emprega As linguagens existentes já bastam

41 CIn- UFPE 41 SEs: Conceitos Básicos Expertise conhecimento especializado adquirido por longo treinamento, leitura e experiência Especialista Quem possui o conhecimento, experiência, métodos e a habilidade de aplicá-los para dar conselhos e resolver problemas. Engenheiro de conhecimento Guia a aquisição, representação do conhecimento especializado, bem como a implementação e refinamento do SE.

42 Engenheiro de Conhecimento Ferramentas, Linguagens Sistema Especialista Construtor de Ferramentas Construtor do sistema Especialista Equipe de Suporte Usuário Final Conhecimento Documentado Adquire Conhecimento Testa Constrói Conecta Coopera Fornece Suporte Usa Constrói Personagens de um SE

43 CIn- UFPE 43 Sistemas Especialistas de Segunda Geração Abandonaram a hipótese da transferência de conhecimento (i.e., Aquisição) o especialista valida o modelo computacional proposto Aquisição guiada por modelos: reuso de ontologias e estruturas de inferência 1) Decomposição de tarefas 2) Caracterização das (sub)tarefas 3) Busca de um modelo em uma biblioteca (ex. KADS - http://www.commonkads.uva.nl/) modelo = ontologia do domínio + estrutura de inferência 4) entrevista estruturada

44 CIn- UFPE 44 Defeitos do Equipamento de Áudio diagnósticoação recofigurar consertar (1) Decomposição de tarefas Exemplo: Falhas em equipamentos de áudio

45 Interpretação Inferindo descrições das situações por observações Predição Inferindo prováveis conseqüência de dadas situações Diagnóstico Inferência de mal-funcionamento do sistema por observações Projeto Configurando objetos sob restrição Planejamento Desenvolvimento de plano(s) para realização de objetivo(s), meta(s) Monitoração Comparando observações para planos, detectando exceções ETC… CategoriaProblemas Abordados (2) Caracterização da tarefa

46 system’s structure given (analysis) modified (transformation) constructed (synthesis) solution type sequence of steps (planning) structure (design) solution type states (predict) category (identification) category type discrepancy (monitoring) faulty category (diagnosis) decision class (assessment) model type correct model (systematic diagnosis) fault model (heuristic classification or cover & differentiate) (3) Hierarquização das categorias de tarefas (biblioteca KADS)

47 is-a component audio system tape deck speaker system... Modelo: Ontologia do domínio de áudio Prorpiedades dos componentes deck: function (stop, play, rew, ff, pause) deck: power(on,off) amplifier: power(on,off) amplifier: input-signal(deck, turner, CD, VCR, Aux)... Testes com os componentes deck-power-switch(preessed, not pressed) input-selector(deck, turner,...) audio system amplifier tape deck speaker system... left speaker right speaker part-of

48 CIn- UFPE 48 Modelo: Ontologia do domínio de áudio Causa (regras causais) deck: power = on and deck: function = play and cable-connection: deck amplifier = present CAUSES amplifier: input-signal = deck amplifier: input-signal = deck and amplifier: input-selector = deck CAUSES amplifier: output-signal = deck Indica deck-power-switch = pressed INDICATES deck-power = on input-selector = X INDICATES amplifier: input-signal = X

49 CIn- UFPE Reclamação Seleciona Modelo do sistema Decompõe hipóteses Observação Seleciona descoberta Especifica norma Compara diferença Fonte de conhecimento Meta-classe Modelo: Estrutura de inferência (raciocínio) entrevistas

50 CIn- UFPE 50 Classes de Tarefas dos SEs

51 CIn- UFPE 51 Áreas de Aplicação dos SEs

52 CIn- UFPE 52 Evolução do mercado de SEs

53 CIn- UFPE 53 Benefícios e Limitações dos SEs Pontos positivos: Criam repositórios de conhecimento Forneem de treinamento Aumentam a produtividade e a qualidade Têm a habilidade de resolver problemas complexos Apresentam Flexibilidade e modularidade Operam em ambientes arriscados Trabalham com informações incompletas ou incertas Pontos negativos: Transferência de conhecimento está sujeita a um grande número de problemas Avaliação de desempenho difícil Só trabalham bem em domínios estreitos Engenheiros de Conhecimento são raros e caros

54 CIn- UFPE 54 Últimos desenvolvimentos Aquisição de conhecimento: SEs de 2ª geração & aprendizagem Ferramentas de desenvolvimento + OOP Integração com outros sistemas ex. banco de dados e sistemas de suporte à decisão Tratamento de incerteza