OverviewI. Inteligência Artificial: Conceito ........................................................................................ 9
II. Sistemas Baseados em Conhecimentos ..................................................................... 63
III. Aquisição de Conhecimentos -AC ................................................................................. 68
IV. Representação de Conhecimento ............................................................................... 102
V. Metodologias de AC: CommonKADS ………....…..............................................................
VI. Raciocínio em IA ....................................................................................................................
VII. Sistemas Especialistas ........................................................................................................
VIII. Coleta de Conhecimentos ....................................................................................................
IX. Ferramentas de AC ...............................................................................................................
X. Desenvolvimentos de SBC ...................................................................................................
XI. IAD e Sistemas Multiagentes ...............................................................................................
XII. Linguagens de IA ..................................................................................................................2
REFERÊNCIAS BIBLIOPGRÁFICA
3
Prof. Dr. Sofiane Labidi 4
Livros
• Inteligência Artificial
E. Rich, e K. Knight. Makron Books.
• Essentials of Artificial Intelligence
Matt . Ginsberg. Morgan Kaufmann Publisher.
Artificial Intelligence Theory and Practice
T. Dean, J. Allen and Y. Aloimonos. Addison-Wesley Publishing Company.
• Knowledge Systems
Mark Stefik. Morgan Kaufmann Publisher.
Prof. Dr. Sofiane Labidi 5
Livros
• A Practical Guide to Knowledge AcquisitionA. Carlisle Scott, J. E. Clayton and E. L. Gibson.Addison-Weslay Publisher.
• Knowledge EngineeringD. N. Chrafas.Van Nostrand Reinhold Publisher.
• Knowledge Acquisition as ModelingK. M. Ford and J. F. Bradshaw Editors.J. Wiley & Sons Publisher.
• CommonKADS Library for Expertise ModellingJ. Breuker and W. V. de Velde Editors.
IOS Press..
Prof. Dr. Sofiane Labidi 6
Links
– Inteligência Artificial
http://www.turing.org.uk/turing/
http://www.epub.org.br/cm/n07/opiniao/minsky/minsky.htm
– Common KADS
http://www.sics.se/ktm/kads.html
– Gestão do Conhecimento
http://www.SBGC.org.br
Prof. Dr. Sofiane Labidi 7
Links
– Ontologias
http://www.ontology.org
http://www.ontoweb.org/sig.htm
– Agentes Inteligentes
http://www.multiagent.com/
http://www.agentbuilder.com/AgentTools/
http://www.agentlink.org
http://www.infosys.tuwien.ac.at/Gypsy/
Prof. Dr. Sofiane Labidi 8
Links
– Neurociência / BioInformática
http://www.epub.org.br/publications.htm
http://www.nib.unicamp.br
– Robótica
http://arti.vub.ac.be/robotic_agents.html
– Redes Neurais
http://www.gc.ssr.upm.es/inves/neural/ann1/anntutorial.html
– E-Commerce
http://www.e-commerce.org.br
Parte I. INTELIGÊNCIA ARTIFICIAL
9
Prof. Dr. Sofiane Labidi 10
Inteligência Artificial (IA)
• Inteligência Artificial:
– Ciência que estuda o fenômeno da Inteligência.
• Objetivo:
– Modelar e Simular a inteligência;
– Fazer a máquina “pensar”!
Prof. Dr. Sofiane Labidi 11
Definição (1)
• Conjunto de Técnicas para a construção de máquinas
“inteligentes” capazes de resolver problemas
complexos.
(Nilson).
Prof. Dr. Sofiane Labidi 12
Definição (2)
• Tecnologia de Processamento de informação que
envolve processos de raciocínio, aprendizado e
percepção.
(Winston)
• Ramo da Informática que tenta simular
comportamentos humanos inteligentes.
(Luger e Stubble)
Prof. Dr. Sofiane Labidi 13
Definição (3)
Prof. Dr. Sofiane Labidi 14
Definição (4)
• Engenharia que tem por objetivo de conceber máquinas
capazes de resolver tarefas que, quando executadas pelo
homem, requerem da Inteligência.
Prof. Dr. Sofiane Labidi 15
Comportamento Inteligente ?
• Percepção;
• Resolução de Problemas;
• Tomada de decisão;
• Compreensão;
• Aprendizagem;
• etc.
ENGENHARIADE SOFTWARE
INTELIGÊNCIA ARTIFCIAL
BANCO DE DADOS
16
IA & INFORMÁTICA
Prof. Dr. Sofiane Labidi
IA
LÓGICA
SOCIOLOGIA
PSICLOGIA
FILOSOFIA
INFORMÁTICA
17
IA & CIÊNCIAS HUMANAS
CIÊNCIAS HUMANAS
Prof. Dr. Sofiane Labidi 18
Ciência Cognitiva
• É um esforço contemporâneo para responder questões relativas à
natureza do conhecimento, seus componentes, suas
origens, desenvolvimento, etc.
• Estudo das formas de cognição, supondo que o computador é um
modelo adequado para simular o funcionamento do cérebro humano.
Prof. Dr. Sofiane Labidi 19
IA e As Ciências Cognitivas
• Inter-relação de diversas áreas:
Ciência Cognitiva
Inteligência ArtificialNeurociências Lingüística
Psicologia Cognitiva Filosofia da Mente
Prof. Dr. Sofiane Labidi 20
IA Vs. Informática Clássica (1)
• Um programa comum só pode fornecer respostas às
situações para as quais ele foi concebido.
Soluções Algorítmicas!
Prof. Dr. Sofiane Labidi 21
IA Vs. Informática Clássica (2)
• Um sistema de IA pode:
– Tratar de problemas complexos, sem soluções algorítmicas,
necessidade de heurísticas.
– Incorporar novos conhecimentos (aprender) sem afetar seu funcionamento.
– Raciocinar na ausência de algumas informações.
Prof. Dr. Sofiane Labidi 22
A IA não é tão Recente!
• Vários trabalhos sobre a simulação do pensamento e do raciocínio
humano já existiam há mais de um século!
• A denominação IA nasceu em 1956, por Minsky, MacCarthy, Newell e
Simon (no Dartmouth College de Hanover, New Hampshire).
Prof. Dr. Sofiane Labidi 23
1934-56: Gestação da IA!
• Um primeiro modelo de neurônios (McCulloch e Pitts, 43)
• Os primeiros programas de xadrez (Shannon e Turing, 50)
• Construção do primeiro computador baseado em redes neurais
(Minsky e Edmonds, 1951)
• Workshop no Dartmouth (em 1956).
• 1934-56: Gestação da IA.
• 1952-69: Grandes expectativas!
• 1966-74: Uma dose de realismo.
• 1969-79: SBC: a chave!
• 1980-88: IA é comercial.
• 1986-??: IA Distribuída / SMA.
24
Histórico
Prof. Dr. Sofiane Labidi
Prof. Dr. Sofiane Labidi 25
1952-69: O Entusiasmo
• Desenvolvimento, por Newell e Simon, do GPS : “General ProblemSolver”.
• Os primeiros programas que aprendem (jogo de damas). Por Samuel,1952.
• A linguagem Lisp, por McCarthy, 1959.
• Algoritmo de Robinson (1963): Provas de teoremas para a lógica de1a ordem.
Prof. Dr. Sofiane Labidi 26
Simulação da Inteligência?
• Reprodução fiel dos processos mentais?
• Reproduzir os efeitos (os resultados)?
Prof. Dr. Sofiane Labidi 27
Problemática!
• Entender a Mente humana e imitar
seu comportamento, é uma das tarefas mais
complexas que a ciência está tentando resolver!
Prof. Dr. Sofiane Labidi 28
Inteligência?
• É a capacidade de resolver problemas difíceis?
• É a habilidade de aprender e de estabelecer
generalizações ou analogias?
• É a arte de enfrentar o mundo: comunicar, perceber, apreender
o percebido? etc.
Prof. Dr. Sofiane Labidi 29
Inteligência?
• Capacidade para solucionar problemas abstratos
(Sternberg).
• Capacidade para resolver problemas que são
importantes, em um determinado ambiente ou
comunidade (Gardner).
Prof. Dr. Sofiane Labidi 30
Máquina Inteligente!
“Um computador é inteligente se ele parece humano
para o homem.”
A. Turing
Prof. Dr. Sofiane Labidi 31
Teste de Turing (1)
Sistema
Intermediário
A
Homem
C
Máquina
B“The Turing Test Page”
Prof. Dr. Sofiane Labidi 32
Teste de Turing (2)
• Os indivíduos A e C são separados fisicamente. Eles comunicam via
um sistema intermediário.
O objetivo do Interrogador A é de descobrir quem de B e C é amáquina.
• A máquina é “inteligente” se o interrogador A é incapaz de
descobrir quem de B e C é a máquina.
Prof. Dr. Sofiane Labidi 33
Fundamento da IA
• A IA é baseada na teoria de computação de Turing:<<O tratamento de símbolos permite de demonstrar qualquer teorema>>
• Dotar a máquina de capacidades de tratamento de símbolos permite de torná-la inteligente.
Prof. Dr. Sofiane Labidi 34
Fundamento da IA
• Os produtos da IA manipulam geralmente variáveis
simbólicas usando operadores lógicos,
(da mesma maneira que os sistemas clássicos manipulam
variáveis numéricas usando operadores algébricos).
Prof. Dr. Sofiane Labidi 35
Simulação da Inteligência
• Duas Abordagens:
– Conexionista (ou Ascendente);
– Cognitiva / Simbólica (ou Descendente).
Prof. Dr. Sofiane Labidi 36
Conexionismo
• Objetivo:
Tentar construir replicas eletrônicas às redes neuronais.
• Neurônio: Célula ativa, fundamental a todo sistema nervoso
animal.
Prof. Dr. Sofiane Labidi 37
Problemática
• Uma pessoa possui ~100 milhões de neurônios!enquanto os maiores sistemas usam o equivalente dealgumas centenas de neurônios.
• Mas ela já deu bastante resultados satisfatórios.
Prof. Dr. Sofiane Labidi 38
Cognição
• Objetivo:
Tentar reproduzir os processos cognitivos humanos
graças a programas computacionais complexos.
Prof. Dr. Sofiane Labidi 39
Problemática
• Especificamente: Aquisição de Conhecimentos.
• A IA é essencialmente associada à abordagem cognitiva.
Prof. Dr. Sofiane Labidi 40
Simulação da Inteligência
CONEXIONISTA
SIMBÓLICA
EVOLUTIVA
IA
Prof. Dr. Sofiane Labidi 41
Problemática da IA
• As primeiras afirmações da IA (no início dos anos 60) foram muito
ambiciosas:
“Em dez anos teremos produtos de sistemas inteligentes”
• Infelizmente, ficou claro agora que a tarefa dos pesquisadores em
IA é muito mais complicada do que erra esperado!
Prof. Dr. Sofiane Labidi 42
Teorias da Inteligência
• Jean Piaget
• Testes psicométricos (QI)
• Processamento de Informações
• Inteligências Múltiplas (Gardner)
• Etc.
Prof. Dr. Sofiane Labidi 43
Piaget
• Para Piaget, o importante não são as respostas mas sim, as
linhas de raciocínio desencadeadas para chegar até elas.
• O conhecimento não está no sujeito nem no objeto, mas ele
se constrói na interação do sujeito com o objeto.
Prof. Dr. Sofiane Labidi 44
Piaget
• Segundo Piaget, existe um mecanismo básico de aquisição doconhecimento, consistindo em um processo de equilíbrio entreassimilação e acomodação.
– Assimilação: incorporação de novas informações aos esquemas jáexistentes.
– Acomodação: modificação destes esquemas.
• O resultado final da interação entre assimilação e acomodação é aequilibração.
Prof. Dr. Sofiane Labidi 45
Teste de QI
• Formas para “medir a inteligência”:
– Os Testes de QI privilegiam o raciocínio lógico-matemático, a
capacidade de memorização, e o raciocínio rápido.
– Os testes de QI não enfatizam nenhuma visão do processo, de
como se resolve um problema, apenas avaliam a resposta
correta.
Prof. Dr. Sofiane Labidi 46
Processamento de Informações
• Visa descrever as etapas mentais desenvolvidas para a resolução de um
problema (até mesmo quando não se encontra a solução ou encontra-se
uma solução errada).
• A meta final da psicologia do processamento de informações é descrever
exaustivamente todas as etapas visando a simulação do desempenho de um
indivíduo no computador.
Prof. Dr. Sofiane Labidi 47
Inteligências Múltiplas
• Para Gardner, as abordagens de QI, de Piaget, e de processamento de
informações privilegiam indivíduos que possuam características lógicas e/ou
lingüísticas mais desenvolvidas.
• Gardner defende a abordagem dos sistemas simbólicos, abrangendo sistemas
de símbolos mais amplos do que os lógicos e lingüísticos, envolvendo também
símbolos musicais, corporais,, espaciais, e pessoais.
Prof. Dr. Sofiane Labidi 48
Inteligência Múltipla (Howard Gardner)
• A inteligência pode ser abordada sob diferentes aspectos, não só
correlacionados à lógica, matemática, e memorização, mas,
também, à fluência verbal e escrita, música e habilidades artísticas,
etc.
Prof. Dr. Sofiane Labidi 49
Inteligência Múltipla
• São oito inteligências:• Musical
• Corporal-Cinestésica
• Lógico-Matemática
• Lingüística
• Espacial
• Interpessoal
• Intrapessoal
• Naturalista.
Inteligências Múltiplas
2+2=4
Prof. Dr. Sofiane Labidi 51
IA
• Inteligência Artificial é o estudo de como fazer os computadores
realizarem coisas que, no momento, as pessoas fazem melhor (Rich).
• A Inteligência Artificial fundamenta-se na idéia de que é possível modelar
o funcionamento da mente humana através do computador.
Prof. Dr. Sofiane Labidi 52
IA
• É possível pensar em uma atividade mental fora do corpo?
– O corpo proporciona uma referência fundamental para a mente.
– O meio ambiente influencia o cérebro através das percepções humanas.
Prof. Dr. Sofiane Labidi 53
IA
• A modelagem do cérebro no computador não é tão simples, pois
o mundo em que vivemos é muito maior e mais complexo do que
o micromundo digital do computador, construído por nós
humanos.
Prof. Dr. Sofiane Labidi 54
IA
• A Inteligência Artificial levanta questões do tipo:
– Como ocorre o pensar?
– Como o homem extrai o conhecimento?
– Como a memória, os sentidos e a linguagem ajudam no desenvolvimento da inteligência?
– Como surgem as idéias?
– Como a mente processa as informações, tira conclusões e toma decisões?
Prof. Dr. Sofiane Labidi 55
Áreas de Pesquisa da IA
IA
PROCESS.LINGUAGEM
NATURAL
ROBÓTICA
LÓGICA
NEBULOSAAGENTES DE
SOFTWARE
BUSCA DE
SOLUÇÕES
SISTEMAS
ESPECIALISTAS
Prof. Dr. Sofiane Labidi 56
Tarefas
• Planejamento
• Predição
• Concepção
• Diagnóstico
• Reparação
• Monitoramento
• etc.
Prof. Dr. Sofiane Labidi 57
Produtos da IA
• Interfaces de linguagem natural;
• Programas de tradução automática;
• Tutores Inteligentes;
• Sistemas de Compreensão da fala;• Sistemas de Diagnóstico médico;
• Sistemas de Tratamento das imagens;
• Programas de jogos;
• Robôs; etc.
Prof. Dr. Sofiane Labidi 58
Campos de Aplicações da IA
• Medicina;
• Engenharia;
• Educação;
• Negócio;
• Indústria;
• Meteorologia;
• Acidentologia;
• Militares; etc.
Prof. Dr. Sofiane Labidi 59
Linguagens de IA
• Programação Funcional
– LISP, SCHEME, ML, SML, etc.
• Programação Lógica
– PROLOG, etc.
• Programação por Atores
– ABCL, Plasma, Mering, etc.
Prof. Dr. Sofiane Labidi 60
Conclusão
• A IA é uma Ciência Pluridíciplinar
• A IA está em fase de Adolescência
• Domínios diversos de Aplicação
• Muitos Resultados, mas
• Muito para Fazer ainda!
• A Noção de Agentes!
Prof. Dr. Sofiane Labidi 61
Conclusão
• Será que é possível, um dia, a máquina consiga superar a inteligência
humana?
Prof. Dr. Sofiane Labidi 62
Conclusão
• Maiores Conferências :
– ENIA, SBRN, SBIE, WRI (nacionais)
– SBIA, IJCAI (internacional)
• Maior Revista :
– Artificial Intelligence Magazine
Parte 2. SISTEMAS BASEADOS EM CONHECIMENTO
63
Prof. Dr. Sofiane Labidi 64
Sistemas Baseados em Conhecimentos (SBC)
• Os sistemas de IA implementam comportamentos
inteligentes de especialistas humanos usando a
abordagem cognitiva
• Tais Sistemas são portanto baseados no conhecimento
do especialista humano.
Prof. Dr. Sofiane Labidi 65
SBC Vs. Sistemas Especialistas
• Observação:
Não se deve confundir Sistemas Baseados em
Conhecimentos e Sistemas Especialistas (um SE
é um caso específico de SBC).
Prof. Dr. Sofiane Labidi 66
Sistemas Baseados em Conhecimentos (SBC)
• O desenvolvimento de um SBC precisa,
portanto, de uma grande fase de aquisição de
conhecimento.
• Ela é realizada pelo Engenheiro de Conhecimento.
Prof. Dr. Sofiane Labidi 67
Ciclo de Vida de um SBC
MCDesign/Imple-
mentaçãoCB MC
FC
Aquisição de Conhecimento Artefato
CC
Parte 3. AQUISIÇÃO DE CONHECIMENTO
68
Prof. Dr. Sofiane Labidi 69
Dados Vs. Informações
• Dados
• Informações
• Conhecimentos
• Conhecer:
• Memorização do Conhecimento;
• Uso do Conhecimento.
Prof. Dr. Sofiane Labidi 70
Conhecimento?
• Conhecimento tem uma forte relação com a informação:
– Fato: um paciente tem temperatura de 39 graus centígrados.
– Conhecimento: O paciente tem febre.
• O conhecimento é um tipo especial de fato, que nos diz algo
sobre certos itens de informação.
Prof. Dr. Sofiane Labidi 71
Dados, Informação, Conhecimento
C
C
C
CC
II
I
I
II
I I
DADOS
INFORMAÇÃOCONHECIMENTO
D
D
D D
D
D
D DD D
DD
CONHECIMENTO
SE
ENTÃO
NÃO HOUVER FISCALIZAÇÃO
Prof. Dr. Sofiane Labidi 72
Dados, Informação, Conhecimento
NÓS PODEMOS POR EM UM CARRO
INFORMAÇÃO
8 PESSOAS
DADO
Prof. Dr. Sofiane Labidi 73
Expertise
• É a Habilidade de:
– Ação;
– Resolução de problemas; e
– Tomada decisão.
• Baseada sobre:
– Conhecimento; e
– Experiência.
Prof. Dr. Sofiane Labidi 74
Aquisição de Conhecimentos
• São as atividades necessárias para:
– Coleta; e
– Modelagem dos conhecimentos.
• Objetivo:
Fornecer ao futuro sistema a base de sua competência.
Prof. Dr. Sofiane Labidi 75
Engenharia do Conhecimentos
• Knowledge Engineering surgiu no final dos anos 70
voltada para sistemas especialistas e sistemas de bases
de conhecimento.
Prof. Dr. Sofiane Labidi 76
Engenheiro do Conhecimento
• É o responsável pela fase de Aquisição de Conhecimentos.
(“Knowledge Engineer”, “Cogniticien”)
Prof. Dr. Sofiane Labidi 77
Engenheiro do Conhecimento
Prof. Dr. Sofiane Labidi 78
Dois pontos de vistas
1. Definir uma representação (“fiel”) do conhecimento
do experto.
Faz da AC uma simples transferência de conhecimentos.
Prof. Dr. Sofiane Labidi 79
Dois pontos de vistas
2. Criar um modelo original a partir deste:
O objetivo não é necessariamente a reprodução do processo
cognitivo de um experto na realização de uma tarefa específica, mas
realizar um modelo a partir dele.
Assim, o sistema será capaz de resolver uma classe de problemasassociados a essa tarefa.
Prof. Dr. Sofiane Labidi 80
AC como uma Atividade de Modelagem
• Os primeiros métodos de AC erram Ad-hoc: Prototipagemrápida.
• A partir de 1985, AC ficou vista como uma Atividade deModelagem:
A construção de um SBC é um processo criativo, que define
um “Modelo Conceitual”.
Prof. Dr. Sofiane Labidi 81
Modelagem?
• É a atividade de abstração (simplificação) de uma parte do
mundo real.
• Ela depende da visão e do interesse de quem modela!
Prof. Dr. Sofiane Labidi 82
Esquema do Modelo Conceitual
• Um esquema é um conjunto de estruturas e operadores que
permitem a realização (a representação) de uma abstração.
• O esquema do modelo conceitual serve de quadro para a
explicitação do conhecimento dos expertos.
Prof. Dr. Sofiane Labidi 83
Modelo Conceitual?
• É o resultado da aplicação de um esquema sobre uma parte do
mundo real para obtenção de uma abstração dela (i.e. é o
resultado da atividade de modelagem).
• A expertise deve ser descrita em um bom
nível de abstração, na fronteira entre uma representação formal
(para uma implementação) e um nível “cognitivo”.
Prof. Dr. Sofiane Labidi 84
Processo de AC
1 2
4
3
Esquema do Modelo Conceitual
ModeloConceitual
Problema
Artefato
ACExpertise Parcial
• Objetivo: Análise das atividades do especialista e dosfuturos usuários do sistema, para:
– Caracterizar (identificar) a expertise(representação parcial da expertise)
– Definir os objetivos do sistema
(definição da interação sistema-usuário)
85
1: AC dirigida por Dados
Prof. Dr. Sofiane Labidi
• Duas abordagens:
– Exploração do discurso do experto; e
– Foco sobre o modelo conceitual.
86
1: AC dirigida por Dados
Prof. Dr. Sofiane Labidi
• Foco na análise do discurso pouco dirigido do experto(monólogo) para coletar o máximo de conhecimentos não“preconceituados”!
• Estes servirão depois como base para a fase de modelagem.grande esforço de análise lingüística!
• Exemplo : a metodologia KOD.
87
Exploração do Discurso
Prof. Dr. Sofiane Labidi
• Focalizar diretamente a definição do MC.
• O MC serve para filtrar e estruturar os conhecimentosadquiridos:
É um guia eficiente para o processo de AC:
“Qual é o tipo da tarefa? ”, “Quando terminar”, etc.
• Exemplo: a metodologia KADS
88
Foco no Modelo Conceitual
Prof. Dr. Sofiane Labidi
• É a definição de um vocabulário abstrato que permite adescrição e a estruturação dos conhecimentos do experto eque serão usados pelo sistema.
• É um quadro para a conceitualização composto por:
– primitivas epistimológicas que servirão como base conceitualpara a modelagem.
– estruturas correspondentes a algumas formas genéricas.
• Objetivo: facilitar a tarefa de modelagem.89
2. Construção do Esquema do MC
Prof. Dr. Sofiane Labidi
• Quais as primitivas realmente adequadas para uma aplicação
específica?
• Quais são as primitivas universais? Se existem!
90
Dificuldades
Prof. Dr. Sofiane Labidi
• O processo é progressivo:
– A construção do MC completo pode mostrar alguns defeitos do
esquema: várias idas e voltas entre os diferentes níveis de
abstração.
91
Processo Iterativo
Prof. Dr. Sofiane Labidi
• Aquisição dirigida por Modelo!
O esquema do MC identifica os conhecimentos aserem adquiridos e seus papéis no processo deresolução de problemas.
• Construir um MC completo Instanciar o Esquema.
92
3. Instanciação do Esquema do MC
Prof. Dr. Sofiane Labidi
• É a fase de implementação que operacionaliza o modelo
(torná-lo executável no sistema final).
• A passagem do MC para o artefato apresenta vários
problemas de ordem conceitual.
93
4. Operacionalização do MC
Prof. Dr. Sofiane Labidi
• A fase de implementação do MC passa pela definição de ummodelo de concepção (Design Model). Exemplo: KADS.
• As estruturas de modelagem são codificadas em umalinguagem (que combina as programações : a objeto, lógica,e funcional). Exemplo:
• Construção de modelos operacionais em uma arquitetura
multiagentes. Exemplo: MAPS.
94
Soluções
Prof. Dr. Sofiane Labidi
• Ela é muito mais complexa do que uma simples codificação.
• Deve satisfazer as exigências que:
– A base de conhecimento (BC) deve refletir o MC; e
– A existência de regras de mapeamento entre a BC e o MC.
95
As Exigências da Operacionalização
Prof. Dr. Sofiane Labidi
• A Necessidade de Atualização da Base de Conhecimentos; e
• Explanação do Raciocínio.
96
Importância do Mapeamento
Prof. Dr. Sofiane Labidi
• A Manutenção da BC necessita de várias feedbacks nas fasesda concepção:
• Isto seria facilitado se o modelo operacional reflete, pelomenos parcialmente, o MC.
• Assim, caso haja uma inconsistência no sistema, podemosidentificar o componente do modelo conceitual que precisaser atualizado.
97
Necessidades de Atualização
Prof. Dr. Sofiane Labidi
• A explanação e justificação do raciocínio é uma necessidadepara a aceitação dos SBCs. A maioria se baseia nos traços deraciocínio.
• Graças ao modelo conceitual, explicações melhores podemser geradas colocando mais informações sobre as estratégiasde raciocínio dentro do MC Exploração mais rigorosa do
traço!
98
Necessidades de Explanação
Prof. Dr. Sofiane Labidi
• A maioria dos trabalhos sobre a operacionalização do MCsão baseados neste princípio (Reinders et al., 91) :
• A cada tipo de conhecimento usado na modelagem deuma expertise (tarefa, inferência, conhecimentos dodomínio) corresponde uma estrutura de dadosadequada!
99
Princípios da Correspondência Estrutural
Prof. Dr. Sofiane Labidi
100
Analogia: Arquitetura Ansi-Sparc
Nível Externo O que? Usuário
Nível Conceitual O que? SGBD (Administrador)
Nível Interno Como? SGBD (Administrador) e
Onde? Sistema Operacional
Prof. Dr. Sofiane Labidi
• A AC é a fase mais importante na construção de SBC.
• Ela condiciona o grau de aceitação do artefato pelousuário.
• É uma fase muito complexa (“the Bottleneck”):
– Dificuldade de exteriorização explicitação do conhecimentopelo especialista experto;
– Dificuldade de modelagem e de operacionalização101
Conclusão
Prof. Dr. Sofiane Labidi
Parte 4. REPRESENTAÇÃO DE CONHECIMENTO
102
• Conhecer: É uma operação ativa que precisa da:
– memorização de Informações; e do
– bom uso dessas informações.
Procurar representar os conhecimentos
103
IA Conhecimento
Prof. Dr. Sofiane Labidi
Prof. Dr. Sofiane Labidi 104
Engenharia de Conhecimento
AQUISICÃO DECONHECIMENTO
REPRESENTAÇÃODO CONHECIMENTO
Prof. Dr. Sofiane Labidi 105
Exemplo de Representação
CONHECIMENTO
SE
ENTÃO
NÃO HOUVER FISCALIZAÇÃO
NÓS PODEMOS POR EM UM CARRO
INFORMAÇÃO
8 PESSOAS
DADO
• “Knowledge representation (KR) is the study of how
knowledge about the world can be represented and what
kinds of reasoning can be done with that knowledge”.
106
Representação do Conhecimento
Prof. Dr. Sofiane Labidi
• Visa levar o “conhecimento” para a máquina e dotá-la de
alguma capacidade de raciocínio (reasoning).
107
Representação do Conhecimento
Prof. Dr. Sofiane Labidi
• Convenção sintática e semântica para descrição das
informações.
• Ela deve :
– Explicitar o conhecimento e
– Ser manipulável.
108
Representação?
Prof. Dr. Sofiane Labidi
• Convenção sintática e semântica para descrição das
informações.
• Ela deve :
– Explicitar o conhecimento e
– Ser manipulável.
109
Representação?
Prof. Dr. Sofiane Labidi
– Conhecimento não é estático
– Conhecimentos estão interligados
– Conhecimento cresce ou se acumula
– algo novo deve ser relacionado com o velho
– Não existe um melhor tipo de representação,independentes do contexto, do conhecimento e do uso.
110
Representação?
Prof. Dr. Sofiane Labidi
111
Variedade do Conhecimento
• Duas Visões:
– Declarativo Vs. Processual
Prof. Dr. Sofiane Labidi
112
Variedade do Conhecimento
• Conhecimento Declarativo:
– Conhecimento sobre o domínio
• Conhecimento Processual:
– Conhecimento sobre a resolução de problema
Prof. Dr. Sofiane Labidi
113
Variedade do Conhecimento
• Conhecimento Declarativo:
• O homem quando se comunica usa freqüentemente EnunciadosDeclarativos, por exemplo :
– “Paris é a capital da França”
– “Meu irmão tem 25 anos”
– “O Maranhão fica no norte do Brasil”
Prof. Dr. Sofiane Labidi
114
Variedade do Conhecimento
• Conhecimento Processual (Imperativo):
• Nós precisamos também passar ordens (informaçõesimperativas):
– São ordens que devem ser executadas
– Os comandos são ordenados (execução seqüencial)
– O interlocutor não tenta interpretar, ele deve somenteexecutar.
Prof. Dr. Sofiane Labidi
115
Variedade do Conhecimento
• Conhecimento Processual (Imperativo):
– São enunciados simples
– São independentes de seus contexto de utilização
– Não são verificados como verdadeiros ou falsos (isto éfeito depois).
Prof. Dr. Sofiane Labidi
116
Variedade do Conhecimento
• Conhecimento Superficial: (shallow knowledge)
– Combinação dos conhecimentos processuais edeclarativos para resolução rápida de problemas comuns.
• Conhecimento Profundo: (deep knowledge)
– É o conhecimento fundamental de um domínio:definições, axiomas, leis gerais, princípios, relaçõescausais, etc.
Prof. Dr. Sofiane Labidi
117
Variedade do Conhecimento
• Conhecimento Superficial: (shallow knowledge)
– Combinação dos conhecimentos processuais edeclarativos para resolução rápida de problemas comuns.
• Conhecimento Profundo: (deep knowledge)
– É o conhecimento fundamental de um domínio:definições, axiomas, leis gerais, princípios, relaçõescausais, etc.
Prof. Dr. Sofiane Labidi
118
Variedade do Conhecimento
• Objetos Complexos
• Fatos, leis, teorias, enunciados
• Crenças, pontos de vista
• Ambigüidade, incerteza, incompletude
• Evolução
• Quantificação
• Espaço-TemporalProf. Dr. Sofiane Labidi
119
Exceção
• Toda lei geral tem suas exceções:
• Exp: Os pássaros voam, exceto os “avestruzes” e os “pingüins”
• Elas devem ser armazenadas como as leis gerais? ou devemter uma representação específica?
Prof. Dr. Sofiane Labidi
120
Evolução
• O que fazer das informações que não estão mais válidas?
• Elas devem ser retiradas? Como então, explicar decisõesanteriores?
• Como achar as informações deduzidas a partir delas?
Prof. Dr. Sofiane Labidi
Prof. Dr. Sofiane Labidi 121
Continuidade, Transitividade
• Exemplos :
– Se X é vizinho de Y e Y é vizinho de Z, então X é vizinho de Z.
• A transitividade não é sempre verdadeira!
• Precisa de modelos onde a dedução não é fortemente
transitiva.
Prof. Dr. Sofiane Labidi 122
Conhecimento Espaço-Temporal
• Detalhamento implícito de algo em relação às noções de
instante e de posição.
• Por exemplo:
– “O livro está em cima da mesa”
– “O clima é chuvoso durante o inverno”
Prof. Dr. Sofiane Labidi 123
Quantificadores
• Na linguagem natural: algumas, a maioria, todos, ...
geralmente, sempre, às vezes, ...
• Esses quantificadores são difíceis de traduzir!
• Na lógica temos especificamente os quantificadores :
• Existencial
• Universal
Prof. Dr. Sofiane Labidi 124
Representação de Conhecimentos
• Uma representação não tem um significado a priori.
• A semântica é dada pelo uso.
• A representação de conhecimentos envolve:
• As ciências cognitivas; e
• A Informática.
Prof. Dr. Sofiane Labidi 125
Uma Boa Representação
• Adequação da Representação
• Adequação da Inferência
• Eficiência da Inferência
• Eficiência da Aquisição
Prof. Dr. Sofiane Labidi 126
Adequação da Representação
• É o poder da representação (expressividade).
Prof. Dr. Sofiane Labidi 127
Adequação da Inferência
• Uma representação deve permitir fazer inferências, ou
seja, deduções de novos conhecimentos.
Prof. Dr. Sofiane Labidi 128
Eficiência da Inferência
• Favorecer (usando algumas informações adicionais)
alguns caminhos de pesquisa.
Prof. Dr. Sofiane Labidi 129
Eficiência da Aquisição
• Facilitar a aquisição de novos conhecimentos pelo
usuário e/ou pelo sistema.
Prof. Dr. Sofiane Labidi 130
Formalismos de Representação
• Lógica
• Sistemas de Produção
• Redes Semânticas
• Frames
• Grafos Conceituais
• Imperativo / Processual
• Árvore de Decisão
131
Representação “Lógica”
Prof. Dr. Sofiane Labidi 132
Lógica
• A Lógica é baseada na definição de primitivas
conceituais associadas a um conjunto de predicados.
• O conhecimento de um domínio é organizado em
Cláusulas.
133
Exemplo de Representações
• Está ChovendoCHOVENDO
• Bimbo é um Gato
Gato(Bimbo)
• Adriana gosta de nadarGosta (Adriana,Nadar)
• Todo Homem é Mortal
X: Homem(X) Mortal(X)Prof. Dr. Sofiane Labidi
Prof. Dr. Sofiane Labidi 134
Lógica: Limitações
– A inferência lógica não é sempre o modo de raciocínioprivilegiado pelo ser humano;
– Os conhecimentos humanos são contextuaisporém a lógica não permite representar isso;
– Parcelamento do conhecimento;
– Pouca estruturação das informações;
– Variedade de tipos de lógica.
Prof. Dr. Sofiane Labidi 135
Lógica Clássica
– Lógica proposicional(ou de ordem 0: lógica sem variáveis)
– Lógica de primeira ordem(lógica de predicado, com variáveis)
– Lógica de segunda ordem(com novos operadores: , ).
Prof. Dr. Sofiane Labidi 136
Críticas
• A Lógica Clássica:– Mundo fechado
– Inadequação à resolução de problemas complexos (exceção, ...)
Lógica Não-Clássica
Prof. Dr. Sofiane Labidi 137
Lógica Não-Clássica
– Lógica Multi-Valorada
– Lógica Modal
Prof. Dr. Sofiane Labidi 138
Lógica Multi-Valorada
• Além dos valores existentes Verdadeiro e Falso, usa-se
também outros valores, como:
Desconhecido, Intermediário, Absurdo, ...
poder tratar as informações incertas e transitórias.
Prof. Dr. Sofiane Labidi 139
Lógica Modal
• Operadores:de necessidade: (ou L) e de possibilidade: ◊ (ou M)
Exemplo: A formula: ◊ x sse ( x)
“x é possível se e somente se não x não é necessário”
• Implicação do “bom senso”
A B = ◊ (A ^ B )
Prof. Dr. Sofiane Labidi 140
Vantagem
• A Formalização
Prof. Dr. Sofiane Labidi 141
Sistemas de Produção
Prof. Dr. Sofiane Labidi 142
• É o formalismo de representação de conhecimentomais familiar:
IF <Premissas> AND / OR
THEN <Conclusões>
Falamos de Sistemas de Produção.
Formalismo de Regras
Prof. Dr. Sofiane Labidi 143
Par condição-ação
AÇÃOCONDIÇÃO
SE CONDIÇÃO ENTÃO AÇÃO
Antecedente Conseqüente
Formalismo de Regras
Prof. Dr. Sofiane Labidi 144
SE X é animal e
X tem pele e
X “amamenta”
ENTÃO X é mamífero.
Exemplo
Prof. Dr. Sofiane Labidi 145
• Regras de Ordem 0
• Regras de Ordem 0+
• Regras de Ordem 1
• Regras de Ordem Superior
Tipos de Regras
Prof. Dr. Sofiane Labidi 146
• Tudo é constante (não tem variáveis)
(Uso da lógica proposicional)
• Exemplo:animal, mamífero, etc.
Regras de Ordem 0
Prof. Dr. Sofiane Labidi 147
• Uso de <Objetos, Atributos, Valores>
Exemplo:
Se Temperatura da Sala > 28
Então Estado do Ar-Condicionado = Ligado
Regras de Ordem 0+
Prof. Dr. Sofiane Labidi 148
• Uso da lógica de predicados (variáveis quantificadas)
• Exemplo:
SE existe uma Pessoa X , uma Pessoa Y, e uma Pessoa Z
e X é o Pai de Z e Z é o Pai de Y
ENTÃO X é o avô de Y.
Regras de Ordem 1
Prof. Dr. Sofiane Labidi 149
• Uso da lógica de variáveis e quantificadores incluindo os
operadores:
– Existencial e
– Universal .
Regras de Ordem Superior
Prof. Dr. Sofiane Labidi 150
• Memória de Trabalho:
– Contém objetos definidos por seus valores e atributos.
– Eles representam:
• fatos (observados ou inferidos); e
• hipóteses (que podem ser modificadas ou removidas).
• Memória de Regras:
– Contém regras que direcionam o comportamento do sistema.
Componentes de um SP
Prof. Dr. Sofiane Labidi 151
(Patient-ID ’4531)
(Patient-Name ’Edilson)
(Patient-Temperature ’40)
(Patient-... ’...)
Exemplo de SP
IF (Patient-Temp ’40) AND (Patient- ....) ...
THEN (assert (Patient-Complaint ’Dengue))
IF (Patient-Complaint ’Dengue)
THEN (assert (Remedy ’Thylenol))
Prof. Dr. Sofiane Labidi 152
• Exemplo:
SE Veículo é Velho eProblema para ligar o motor
ENTÃO aplicar em prioridade as regras sobre a bateria
....
Meta-Regras
Prof. Dr. Sofiane Labidi 153
Sistemas de Produção com Meta-Regras
Dados Observados
Saída
“Match”
“Fire”
Selecionar Alterar
Memóriade Trabalho
Interpretação
Meta-Regras
Memóriade Regras
Prof. Dr. Sofiane Labidi 154
Estratégias de Controle
– Encadeamento para frente
– Encadeamento para trás
– Sistema híbrido
Prof. Dr. Sofiane Labidi 155
Gestão da Incerteza
• FC: Fator de Certeza (Mycin)
FC(Regar) = FC(Premissa) * FC(Conclusão)
Prof. Dr. Sofiane Labidi 156
• Combinação dos Fatores de Certeza:
FC (P1 P2) = MIN (FC (P1) , FC (P2))
FC (P1 P2) = MAX (FC (P1) , FC (P2))
FC ( P) = 1 - FC (P)
Se FC(Premissa) < 0.2, então eliminar a regra.
FC da Premissa
Prof. Dr. Sofiane Labidi 157
Conclusão: Vantagens
• Modularidade• independência entre as regras
• Quais são as regras ligadas a este tipo de ações? Pacotes de regras!
• Formalismo “Like-English”.
• Mecanismo de inferência similar aos mecanismos utilizados peloser humano.
• Atualização fácil de novos conhecimentos: Evolução eExplanação, etc.
Prof. Dr. Sofiane Labidi 158
Conclusão: Desvantagens
• O conhecimento de controle não é claro;
• Parcelamento do conhecimento;
• Os pacotes de regras não têm uma estrutura específica: a
gerência das grandes bases de regras fica complexa;
• Validação/Teste difíceis (explosão combinatória).
Prof. Dr. Sofiane Labidi 159
Conclusão
Modularidade Tempode execução
Uniformidade
NaturalidadeFluxo de controle
complexo
VANTAGENS DESVANTAGENS
Prof. Dr. Sofiane Labidi 160
Redes Semânticas
Prof. Dr. Sofiane Labidi 161
Redes Semânticas
• Redes Semânticas:
– São Grafos representando os conceitos de
um domínio e seus relacionamentos semânticos.
• Origem:
– Trabalhos de (Quilan, 62)
Prof. Dr. Sofiane Labidi 162
Exemplo
idade
Eduardo Pessoais-a
25
Adriana
mãe
is-a
possuiCarro
cor
Cinza
Veículo
ako
Motorpart-of
Prof. Dr. Sofiane Labidi 163
Variedade de Relações
• Não é definido um conjunto específico de relações.
• As relações mais usadas:
– is-a (é-um)Permite agrupar objetos na mesma classe (Instanciação)
– ako (a-kind-of: tipo-de)Refinamento de um conceito em um mais específico (Sub-Tipagem)
– part-of (parte-de) (relação de: pertence a ...)
Prof. Dr. Sofiane Labidi 164
Exemplo: Herança (isa, ako)
cor
ako
is-a
ako
part-of
ako
isa
Part-of
tem
akoObjeto
Meio-Transporte
Meu-Carro
Cavalo Motor
Vermelho Cor
Velocidade
Carro
Rodas
Prof. Dr. Sofiane Labidi 165
Exemplo: Filtragem
• Request:
- “Qual é a idade de Eduardo?”
- “Existe uma pessoa que possui um carro?”
25idade
Eduardo Pessoaé-umpossui
Carro
Prof. Dr. Sofiane Labidi 166
Exemplo: Filtragem
• Resolução usando o princípio da correspondência:
“Qual é a idade de Eduardo?”Eduardo -- idade--> idade?
“Existe uma pessoa que possui um carro?”
pessoa? --é-um--> Pessoa
pessoa? --possui--> carro? --é-um--> Carro
Prof. Dr. Sofiane Labidi 167
Correspondência com a LPO
• Uma rede semântica pode ser mapeada em umaRepresentação na LPO (Lógica da Primeira Ordem):
nós termos
retas relações
Prof. Dr. Sofiane Labidi 168
Exemplo
Homem Animalako
18idade
Carla Mulheris-a
Mulher(Carla)
Idade(Carla,18)
X: Humano(X) Animal(X)
Bimbo voa?
Solução:
A sob-classe deve mascara a super-classe!?
Prof. Dr. Sofiane Labidi 169
Herança!
ako
is-a
ako
Objeto-Voador
bimbo
Pingüim
Pássaro
Prof. Dr. Sofiane Labidi 170
Problemática
• Semântica exata de um nó e das ligações?
• Representações canônicas em um domínio específico?
• Representação do tempo? crenças, hipóteses? etc.
• Definição da herança!
Prof. Dr. Sofiane Labidi 171
Arco (Winston, MIT)
isa
isa
isa
pospos
pos
suportasuporta
Não-contato
B1B2
BLOCO
B3
B1 B2
Vertical
Prof. Dr. Sofiane Labidi 172
Exemplo de Representação
• Ako (Cavalo, Meio-transporte)
• Ako (Veículo, Meio-transporte)
• Ako (Carro, Veículo)
• Propriedade (Meio-transporte, Velocidade)
• Isa (meu-carro, Carro)
• Herdar (X,P) :- propriedade (X,P).
• Herdar (X,P) :- isa(X,Y) propriedade (Y,P).
• Herdar (X,P) :- ako(X,Y) propriedade (Y,P).
173
Frames
Prof. Dr. Sofiane Labidi 174
Modelo
• Origem:
Trabalhos de Minsky no MIT, em 1975, visando a Extensão do
Modelo de Redes Semânticas.
• Características:
Uso de nós, chamados Frames, para representar as estruturascomplexas.
Prof. Dr. Sofiane Labidi 175
Estruturas complexas
• Objetos estruturados (compostos)
• Categorias de Objetos.
Prof. Dr. Sofiane Labidi 176
Frame
• Um Frame (ou moldura) é um objeto complexo descrito por umconjunto de campos (atributos, propriedades, etc.), chamados “slots” ede valores.
• Para cada slot é associado um conjunto de facetas que definem suas
características.
• As ligações entre os frames são realizadas graças ao fato de que o
valor de um slot pode ser um outro frame.
Prof. Dr. Sofiane Labidi 177
Exemplo
Criança
ako : Pessoa
Sexo : Masculino
Idade : Domínio: [0..12]
End. : Domínio {SL,SP,...} André
isa : Criança
Idade : 8
End. : São Luís
Prof. Dr. Sofiane Labidi 178
Exemplo
Banana
ako : Fruta
Cor : Amarela
Providência : Bananeira
Macaco
ako : Animal
Sexo : Domínio: {M,F}
Idade : Integer
Mora. : Defaut: selva
Alimento : Defaut: banana
Prof. Dr. Sofiane Labidi 179
Slots
• Hierarquia:Ako, Isa
• Propriedades:Idade, Cor, Sexo, possui, ...
• Propriedades Estruturais:part-of
• Relações entre Objetos:perto-de, acima, ...
• Papéis:pai, servidor, ...
Prof. Dr. Sofiane Labidi 180
Valores por Defaut
• Exp.
Em FRL
Reunião
Date $DEFAULT (hoje)
Prof. Dr. Sofiane Labidi 181
Restrições: Exp. (em FRL)
FRAME Slots Facetas
Reunião
AKO: Atividade
Participantes
Duração
$REQUIRE:
(existe ?Participante
(papel „Presidente))
$PREFER:
(not (> ?Duração 1h30))
Prof. Dr. Sofiane Labidi 182
Demônios
• Procedimentos executados automaticamente na leitura ou
modificação do valor do atributo, ao qual ele está associado
(Event-based Execution).
Prof. Dr. Sofiane Labidi 183
Ex. em FRL
FRAME Slots Facetas
Atividade
AKO: Objeto
Participantes
Duração
$REQUIRE: (AKO Pessoa)
$If-Needed (pedir)
(preencher relação-participantes)
$REQUIRE: (AKO Intervalo)
$If-Added (adicionar-ao-plano)
Prof. Dr. Sofiane Labidi 184
KEE
• Em KEE (Sistema de Frames)
– Valores Ativos:
Métodos aplicados automaticamente
na modificação ou leitura de um slot.
Prof. Dr. Sofiane Labidi 185
Herança
• Os frame podem ser organizados em uma hierarquia.
• Temos herança de:
• Valores,
• Estruturas, e
• Demônios.
Prof. Dr. Sofiane Labidi 186
Herança das Estruturas
• Questão:Como as estruturas são transmitidas?
Transmissão de todos os atributos ou de alguns ? De todas as facetas
ou de algumas?
• Em KEEHerança de tudo na criação de uma Sub-classe, e somente dos Member-Slots que ficam Own-Slots da instância em uma instanciação.
Prof. Dr. Sofiane Labidi 187
Herança dos Valores
• Questão:
Como os valores dos atributos e de suas facetas sãotransmitidos?
• Em KEE
Na instanciação (ligação Member.of), temos: Herança das
restrições e das descrições por defaut dos Member-Slots.
Prof. Dr. Sofiane Labidi 188
Mecanismo de Inferência
• Herança
• Restrições
• Demônios
Prof. Dr. Sofiane Labidi 189
Exp. Sistemas de Frames
• FRL : MIT 77.
• RLL : Lenat, 80.
• SRL : Fox, 85.
• KRL : Xerox.
• KEE
• Units, KL-One
Prof. Dr. Sofiane Labidi 190
Aplicações
• Análise de cenas
• Compreensão da percepção visual
• etc.
Prof. Dr. Sofiane Labidi 191
Conclusão
• Mais adaptado ao modo de raciocínio do ser humano.
• Uso mais fácil e mais formal.
• Mecanismo de Herança muito poderoso.
• Ganho em flexibilidade e eficiência.
Prof. Dr. Sofiane Labidi 192
Conclusão
• Modelo Híbrido:
Não tem contradição com o formalismo de regras.
• Em KEE
As regras são representadas como frames, usando os
atributos: Conditions, Conclusions, Actions, etc.
Prof. Dr. Sofiane Labidi 193
Regras e Frames
• Representação Híbrida:
• Os frames podem ser referenciados por uma Regra;
• As regras podem ser definidas como frames , agrupadas em
classes;
• Alguns Slots de um Frame podem conter regras.
Prof. Dr. Sofiane Labidi 194
Grafos Conceituais
Prof. Dr. Sofiane Labidi 195
Origem (Sowa 84)
• Trabalhos de John Sowa nos anos 80 sobre o tratamento da
linguagem natural (modelo psicológico da percepção).
• É uma extensão das redes semânticas tentando uma boa
formalização do modelo.
• É um modelo que se baseio muito na lógica de primeira ordem e
que teve a preocupação de suportar as inferências lógicas (LPO).
Prof. Dr. Sofiane Labidi 196
Grafo Conceitual
• É um grafo bipartido onde os nós representam:
• Conceitos ; ou
• Relações entre conceitos.
Prof. Dr. Sofiane Labidi 197
Grafo Conceitual: Primícias
• Para criação de Grafos conceituais precisamos definir
antecipadamente:
– Os Tipos de Conceitos;
– Os Conceitos; e
– As Relações Conceituais.
Prof. Dr. Sofiane Labidi 198
Primícias
– Tipos de Conceitos:
Definição de uma hierarquia de tipos.
– Conceitos:
Instancias dos tipos de conceitos.
– Relações Conceituais:
Ligações semânticas entre os diferentes conceitos, definidas em uma hierarquia.
Prof. Dr. Sofiane Labidi 199
Tipos de Conceitos
• Representam:Classes de entidades, Estados, ou Eventos.
• Exp.Gato, Comer, Preço, Ler, etc.
Eles correspondam a: nomes, verbos, adjetivos, etc. na linguagem natural.
Prof. Dr. Sofiane Labidi 200
Tipos predefinidos
• Para cada sistema de Grafos Conceituais (GC) existe umasérie de tipos predefinidos.
• Uma relação < é definida sobre os tipos exprimindo o fatoque alguns tipos de conceitos são incluídos em outros.
• Exp:
Gato < Mamífero < Animal < Objeto-Físico
Sob-Tipo Super-Tipo
Prof. Dr. Sofiane Labidi 201
Lattice : Propriedade
• A hierarquia de tipos de conceitos não é organizada sob forma de
arvore mas defina um lattice:
• Lattice é uma hierarquia onde Cada dois tipos devem ter no
máximo :
– um sob-tipo máximo comum, e
– e um super-tipo mínimo comum.
Prof. Dr. Sofiane Labidi 202
Exp. de Lattice
Esta hierarquia não obedece às regras de um lattice
Animal
TigreElefante
MamíferoAnimal Silvestre
Prof. Dr. Sofiane Labidi 203
Exp. de Lattice
Há herança múltipla.
Animal
TigreElefante
Animal Doméstico
Animal Silvestre
Top
Bottom
204
Referentes
• Referente Genérico
• Referente Individual
GATO: *
Significado: , <<qualquer gato>> ou <<um gato>>
GATO: #25
Significado: <<O indivíduo # 25 é um gato>><<o gato n. 25>> <<o gato chamado Bimbo>>
Há unicidade do referente
GATO: Bimbo
Prof. Dr. Sofiane Labidi
Prof. Dr. Sofiane Labidi 205
Relações conceituais
• Mostram os papeis que os conceitos têm em relação aos outrosconceitos. Exemplo:
ATTR GRANDE é um atributo de HOMEM
AGNT HOMEM é um agente de BEBER
OBJ WHISKY é um objeto de BEBER
MANR DEVAGAR é uma maneira de BEBER
LOC um EVENTO acontece em um LOCAL
• Geralmente uma relação conceitual liga dois conceitos, mas existe relaçõesunárias (o NOT), triplas (BETW), etc.
Prof. Dr. Sofiane Labidi 206
Hierarquia de Relações
• As relações também são organizadas em uma hierarquia.
• Esta hierarquia não é um lattice como é o caso para os
tipos de conceitos.
Prof. Dr. Sofiane Labidi 207
Representação
• Os grafos conceituais podem ser representados sob duasformas :
– Literal (notação linear); ou
– Gráfica.
Prof. Dr. Sofiane Labidi 208
Exemplo de GC
A frase <<João vai a Fortaleza>> é representada em um GC:
[ IR: *] --
{
(AGENTE) [PESSOA:João] ;
(DESTINO) [CIDADE:Fortaleza] ;
}
Representação Linear:
PESSOA: João AGENTE IR:* DESTINO CIDADE: Fortaleza
Prof. Dr. Sofiane Labidi 209
Exemplo de GC
A frase <<João vai a Fortaleza de Moto>> é representada em um GC:
[ IR: *] --
{
(AGENTE) [PESSOA:João] ;
(DESTINO) [CIDADE:Fortaleza] ;
(INSTRUMENTO) [MOTO:*] ;
}
PESSOA: João AGENTE IR:* DESTINO CIDADE: Fortaleza
Representação Linear:INSTRUMENTO MOTO:*
Prof. Dr. Sofiane Labidi 210
Exemplos de GC
• O que representa este grafo?
PESSOA AGENTE COME OBJETO TORTA
Prof. Dr. Sofiane Labidi 211
Exemplos de GC
• Defina as representações em GC das seguintes afirmações :
– “O Professor Labidi ensina Inteligência Artificial para a Turma A”.
– “Um gato preto está sentado na mesa”.
– “João está olhando para seus pés”.
Prof. Dr. Sofiane Labidi 212
GC e LPO
• John Sowa definiu o operador para conversão de
Grafos Conceituais em Formulas da Lógica de Primeira
Ordem.
Prof. Dr. Sofiane Labidi 213
Afirmações / Operador
Conceito C sem referente x, C(x)
Conceito C com referente A C(A)
Uma relação R ligando os conceitos C(x) e C(y) R(x,y)
• : Transformação em uma formula lógica de primeira ordem:
GATO: Bimbo AGENTE SENTADO LOCAL MESA
ATRIBUTO PRETO
Prof. Dr. Sofiane Labidi 214
Afirmações / Operador
<<O gato preto bimbo está sentado na mesa>>
x,y,z Gato(“Bimbo”) Agente(“Bimbo”,x) Sentado(x)
Local(x,y) Mesa(y) Atributo(“Bimbo”,z) Preto(z)
Prof. Dr. Sofiane Labidi 215
Operador (2)
<<Um homem está olhando para seus pés>>
x,y,z Homem(x) Agente(x,y) Olhar(y)
Objeto(y,z) Pés(z) PartOf(z,x)
HOMEM: * AGENTE OLHAR OBJETO PÉS
PART-OF
Prof. Dr. Sofiane Labidi 216
Operador (3)
• A hierarquia de tipos implica algumas afirmações lógicas:
– Homem Sob-Tipo Pessoa
– x, Homem(x) Pessoa(X)
Prof. Dr. Sofiane Labidi 217
Modalidades
• Indicação de possibilidades, necessidades, etc. :
“João pensa que um gato está sentado no tapete”
OBJETO
PESSOA: JOÃO AGENTE PENSA
PROPOSIÇÃO: GATO:* AGENTE SENTA LOCAL TAPETE
218
Negação
Não
Prof. Dr. Sofiane Labidi
Prof. Dr. Sofiane Labidi 219
Exemplo
Prof. Dr. Sofiane Labidi 220
Abstração/Grafos Canônicos
• Uma Grafo Canônico defini uma abstração gabarito por um
conceito ou uma relação conceitual.
• Um grafo Canônico defini as restrições sobre as relações que podemocorrer.
• Exp. Para o conceito ir são associadas as relações: destino, agente e
instrumento.
Prof. Dr. Sofiane Labidi 221
Exp. O conceito “Ensinar”
Grafo canônico associado ao tipo de conceito ensinar
PROFESSOR AGENTE ENSINA RECEPTOR ALUNO
OBJETO Disciplina
Prof. Dr. Sofiane Labidi 222
Restrição / Especialização
• A restrição/especialização pode ser feita de duas formas:
• Substituindo um conceito por um sob-tipo de conceito dele, ou
• adicionando um referente onde não tem.
• Exp. Animal pode ser restringido por Gato ou Gato:“Bimbo” !
• Se G2 Restrição (Especialização) de G1
G1 Generalização de G2
Prof. Dr. Sofiane Labidi 223
Exemplo de Especialização
GAROTA AGENTE COME OBJETO TORTA
restrição
PESSOA AGENTE COME OBJETO TORTA
Prof. Dr. Sofiane Labidi 224
União / Junção
• Toma-se dois GCs simples com um conceito comum e
juntar-os com base nesse conceito ligando os arcos dos
dois grafos para construir um grafo único.
Prof. Dr. Sofiane Labidi 225
Simplificação
• Exclua qualquer relação duplicada entre dois conceitos.
• Isto pode acontecer depois de uma junção (união).
Prof. Dr. Sofiane Labidi 226
Exp.
MANEIRA
GAROTA AGENTE COME OBJETO TORTA
RÁPIDA
AGENTE
Prof. Dr. Sofiane Labidi 227
Ferramentas
– CP (PFEIFFER & HARTLEY, 1992),
– DEAKIN TOOL SET (GARNER et al., 1992),
– LOUGHBOROUGH TOOLSET (HEATON & KOCURA, 1993),
– UNE-CG-KEE (MUNDAY et al., 1994),
– PEIRCE (ELLIS, 1993) (PEIRCE, 1994)
– CoGITo (HAEMMERLÉ, 1995).
Prof. Dr. Sofiane Labidi 228
Conclusão
• Formalização.
• Operadores sobre os grafos conceituais interessantes parapermitir o raciocínio.
• Um méodo para a realização de deduções (em lógica deprimeira ordem).
• Notação bem definida e muito flexível.
Prof. Dr. Sofiane Labidi 229
Orientação a Objeto
(em anexo)
Prof. Dr. Sofiane Labidi 230
Árvores de Decisão
Prof. Dr. Sofiane Labidi 231
Arvore de Decisão
• É um caso específico de sistemas de produção onde regras de
produção de ordem 0 são representadas sob forma de uma
árvore.
• Pode-se usar operadores de conjunção ou disjunção para ligar
as premissas (fatos).
232
O crime
aconteceu na
biblioteca da
vítima
A Vitima conheça o assassino
e o faz confiança 0,72
V 1
Não há traços
de pés levando
do exterior ao
corpo
A porta de entrada e as
janelas estavam fechados e
intatosV 1
Além do
ferimento não
há marcas de
agressão
Os móveis
não mudarem
de lugar
V 1 V 0,8
0,9
Não há sinal
de rombamento 1
O Crime aconteceu na casa
da vítima 1A Vitima
não “lutou” 0,8
1 1 1
F 1
O crime
aconteceu
no quarto
da vítima
O crime
aconteceu
no salão da
vítimaF 1 F 1
Prof. Dr. Sofiane Labidi 233
Imperativo ou Processual
Prof. Dr. Sofiane Labidi 234
Procedimentos
function Pessoa(X) return boolean is
if (X = ''Socrates'') or (X = ''Hillary'')
then return true
else return false;
Function Mortal(X) return boolean is
return Pessoa(X);
Prof. Dr. Sofiane Labidi 235
Exercício
• Construa as representações lógicas e GC dessas firmações:
• “Brasileiro Gosta de Futebol”
• “Jorge é casado”
• “O irmão de Jorge tem 20 anos”
• “Um gato preto está sentado sobre a mesa”
• “O gato está olhando para seus pés”
• Qual é a diferença entre as redes semânticas e o modelo de Frames?
• Dar uma representação em Frames de um domínio da sua escolha!
Prof. Dr. Sofiane Labidi 236
Conclusão
• Cada formalismo oferece excelentes ferramentas de
representação.
• Contudo, todos esses formalismos obrigam o usuário a usar:
• um único modo de expressão;
• um tipo pré-estabelecido de raciocínio.
Prof. Dr. Sofiane Labidi 237
Conclusão
• O objetivo não é só representar mas, também permitir o raciocínio (a
inferência) pelo computador (Computer-Based Reasoning).
• Diversidade de modelos com características diferentes.
• Dificuldade de gestão das exceções, incompletude, incerteza, etc.
• Necessidade de modelos híbridos.
Prof. Dr. Sofiane Labidi 238
Conclusão Geral
• Coleta de conhecimentos a partir de especialistas que não sãoexpertos em IA ou em Informática.
• Permitir a presença simultânea de vários tipos de representaçõese de raciocínio.
• Superar os detalhes das linguagens de programaçãoKnowledge Level.
239
Obrigado!
Fim da Primeira Parte
Top Related