Sistemas Inteligentes Aula Sistemas Baseados em Conhecimento 1

Sistemas Inteligentes Aula: Sistemas Baseados em Conhecimento 1

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

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

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

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

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 novo conhecimento J) West é americano K) Existem mísseis em Cuba L) Os mísseis de Cuba foram vendidos por West M) Cuba possui um míssel M 1 N) M 1 é um míssil O) M 1 é uma arma P) Cuba é hostil aos USA Q) M 1 foi vendido a Cuba por West R) West é crimonoso - de K - de D e N - de F, G, H e C - de L, M e N - de A, J, O, P e Q conhecimento do problema conhecimento prévio Solucionando o caso do cap. West (Linguagem Natural)

Sistemas Baseados em Conhecimento Possuem dois componentes principais (separados): n n Base de Conhecimento Mecanismo de Inferência Base de Conhecimento (BC): n Contém sentenças em uma Linguagem de Representação de Conhecimento “tratável” pelo computador w representações de regras e fatos w ex. , x Míssil(x) Arma(x) Mecanismo (máquina) de Inferência associado: n responsável por inferir, a partir do conhecimento da BC, novos fatos ou hipóteses intermediárias/temporárias w ex. , M 1 é uma arma

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

Tipos de Conhecimento na Máquina 9

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

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

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

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

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

Meta-conhecimento Regras sobre “como” manipular as regras de conhecimento que estão em uma base n Exemplos: w Se R 1 e R 2 podem ser disparadas, escolha sempre R 1 n Ordem da regra na BC w Se R 1 e R 2 podem ser disparadas e R 1 foi disparada mais recentemente que R 2, escolha R 2

Categorias de Raciocínio 16

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

Categorias de Raciocínio Indução n parte dos fatos para gerar regras w fato 1 + fato 2 + fato 3 => regra! w ex. Sr. Antônio, assim como D. Maria, tem dor de cabeça e dengue, então todo mundo que tem dengue, tem dor de cabeça n Transforma conhecimento em extensão em conhecimento em intenção!!

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

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

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

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

Representação & Raciocínio n processo de construção de novas sentenças a partir de sentenças existentes Raciocínio plausível (sound): fatos Mundo Representação sentenças segue-se implica fatos semântica n 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 n sentenças

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

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 novo conhecimento J) West é americano K) Existem mísseis em Cuba L) Os mísseis de Cuba foram vendidos por West M) Cuba possui um míssel M 1 N) M 1 é um míssil O) M 1 é uma arma P) Cuba é hostil aos USA Q) M 1 foi vendido a Cuba por West R) West é crimonoso - de K - de D e N - de F, G, H e C - de L, M e N - de A, J, O, P e Q conhecimento do problema conhecimento prévio Solucionando o caso do cap. West (Linguagem Natural)

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 Inimigo. Político(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) Inimigo. Político(Cuba, USA) I) Inimigo. Político(Irã, USA) novo conhecimento J) Americano(West) K) $ x Possui(Cuba, x) Ù Míssil(x) L) " x Possui(Cuba, x) Ù Míssil(x) Þ Vende(West, Cuba, x) M) Possui(Cuba, M 1) N) Míssil(M 1) O) Arma(M 1) P) Hostil(Cuba) Q) Vende(West, Cuba, M 1) R) Criminoso(West) conhecimento do problema conhecimento prévio Solucionando o caso do cap. West (em LPO) - Eliminação: quantificador existencial e conjunção de K - Modus Ponens a partir de D e N - Modus Ponens a partir de C e H - Modus Ponens a partir de L, M e N - Modus Ponens a partir de A, J, O, F, P e Q

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

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

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

Engenharia do Conhecimento Muito de leve. . . 30

Engenharia do Conhecimento - EC 31

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

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

Desenvolvimento de SBCs 34

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

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

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

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

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

Aquisição do Conhecimento O gargalo na construção dos SBCs 40

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

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

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

Método de Aquisição Manual Entrevistas n estruturadas ou não estruturadas Tracking methods n análise de protocolos e observação especialista Exp li cita ção Engenheiro de conhecimento codificação documentação 44 Base de conhecimento

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

Métodos de Aquisição Automática Aprendizado de máquina n Machine learning Casos e exemplos Indução automática Regras 46

Próxima aula Sistemas baseados em Regras de Produção