Ia labidi p1

INTELIGÊNCIA ARTIFICIAL

DR. SOFIANE LABIDI
SOFIANE.LABIDI@GLOBO.COM

1

Overview
I. 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

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 4

Livros

• A Practical Guide to Knowledge Acquisition
A. Carlisle Scott, J. E. Clayton and E. L. Gibson.
Addison-Weslay Publisher.
• Knowledge Engineering
D. N. Chrafas.
Van Nostrand Reinhold Publisher.
• Knowledge Acquisition as Modeling
K. M. Ford and J. F. Bradshaw Editors.
J. Wiley & Sons Publisher.
• CommonKADS Library for Expertise Modelling
J. Breuker and W. V. de Velde Editors.
IOS Press..


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


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/


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

Inteligência Artificial (IA)

• Inteligência Artificial:
– Ciência que estuda o fenômeno da Inteligência.

• Objetivo:
– Modelar e Simular a inteligência;
– Fazer a máquina “pensar”!

Definição (1)

• Conjunto de Técnicas para a construção de máquinas
“inteligentes” capazes de resolver problemas
complexos.

(Nilson).


Definição (2)

• Tecnologia de Processamento de informação que
envolve processos de raciocínio, aprendizado e
percepção.
(Winston)


Definição (3)

• Ramo da Informática que tenta simular
comportamentos humanos inteligentes.

(Luger e Stubble)


Definição (4)

• Engenharia que tem por objetivo de conceber máquinas
capazes de resolver tarefas que, quando executadas pelo
homem, requerem da Inteligência.


Comportamento Inteligente ?

• Percepção;
• Resolução de Problemas;
• Tomada de decisão;
• Compreensão;
• Aprendizagem;
• etc.

IA & INFORMÁTICA

ENGENHARIA
DE SOFTWARE

BANCO DE INTELIGÊNCIA
DADOS ARTIFCIAL


IA & CIÊNCIAS HUMANAS
CIÊNCIAS HUMANAS PSICLOGIA

SOCIOLOGIA

IA INFORMÁTICA

LÓGICA
FILOSOFIA
17

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.


IA e As Ciências Cognitivas

• Inter-relação de diversas áreas:
Inteligência Artificial
Neurociências Lingüística

Ciência Cognitiva

Psicologia Cognitiva Filosofia da Mente


IA Vs. Informática Clássica (1)

• Um programa comum só pode fornecer respostas às
situações para as quais ele foi concebido.

Soluções Algorítmicas!


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.


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).


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).


Histórico

• 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.


1952-69: O Entusiasmo

• Desenvolvimento, por Newell e Simon, do GPS : “General Problem
Solver”.
• 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 de
1a ordem.


Simulação da Inteligência?

• Reprodução fiel dos processos mentais?
• Reproduzir os efeitos (os resultados)?


Problemática!

• Entender a Mente humana e imitar
seu comportamento, é uma das tarefas mais
complexas que a ciência está tentando resolver!


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.


Inteligência?

• Capacidade para solucionar problemas abstratos
(Sternberg).

• Capacidade para resolver problemas que são
importantes, em um determinado ambiente ou
comunidade (Gardner).

Máquina Inteligente!

“Um computador é inteligente se ele parece humano
para o homem.”

A. Turing


Teste de Turing (1)

“The Turing Test Page”
B C
Sistema
Máquina Intermediário Homem

A


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 a
máquina.
• A máquina é “inteligente” se o interrogador A é incapaz de
descobrir quem de B e C é a máquina.

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.


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).


Simulação da Inteligência

• Duas Abordagens:
– Conexionista (ou Ascendente);
– Cognitiva / Simbólica (ou Descendente).


Conexionismo

• Objetivo:
Tentar construir replicas eletrônicas às redes neuronais.

• Neurônio: Célula ativa, fundamental a todo sistema nervoso
animal.


Problemática

• Uma pessoa possui ~100 milhões de neurônios!
enquanto os maiores sistemas usam o equivalente de
algumas centenas de neurônios.

• Mas ela já deu bastante resultados satisfatórios.


Cognição

• Objetivo:

Tentar reproduzir os processos cognitivos humanos
graças a programas computacionais complexos.


Problemática

• Especificamente: Aquisição de Conhecimentos.

• A IA é essencialmente associada à abordagem cognitiva.


Simulação da Inteligência

IA

EVOLUTIVA
CONEXIONISTA

SIMBÓLICA


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!


Teorias da Inteligência

• Jean Piaget
• Testes psicométricos (QI)
• Processamento de Informações
• Inteligências Múltiplas (Gardner)
• Etc.

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.


Piaget
• Segundo Piaget, existe um mecanismo básico de aquisição do
conhecimento, consistindo em um processo de equilíbrio entre
assimilação e acomodação.
– Assimilação: incorporação de novas informações aos esquemas já
existentes.
– Acomodação: modificação destes esquemas.
• O resultado final da interação entre assimilação e acomodação é a
equilibração.


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.

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.


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.

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.


Inteligência Múltipla
• Musical
• São oito inteligências:
• Corporal-Cinestésica
• Lógico-Matemática
• Lingüística
• Espacial
• Interpessoal
• Intrapessoal
• Naturalista.

Inteligências Múltiplas

2+2=4

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.


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.


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.


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?

Áreas de Pesquisa da IA

PROCESS.
SISTEMAS
LINGUAGEM
ESPECIALISTAS
NATURAL
IA

BUSCA DE
ROBÓTICA SOLUÇÕES

LÓGICA AGENTES DE
NEBULOSA SOFTWARE


Tarefas

• Planejamento
• Predição
• Concepção
• Diagnóstico
• Reparação
• Monitoramento
• etc.

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.

Campos de Aplicações da IA
• Medicina;
• Engenharia;
• Educação;
• Negócio;
• Indústria;
• Meteorologia;
• Acidentologia;
• Militares; etc.

Linguagens de IA

• Programação Funcional
– LISP, SCHEME, ML, SML, etc.
• Programação Lógica
– PROLOG, etc.
• Programação por Atores
– ABCL, Plasma, Mering, etc.


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!

Conclusão

• Será que é possível, um dia, a máquina consiga superar a inteligência
humana?


Conclusão

• Maiores Conferências :
– ENIA, SBRN, SBIE, WRI (nacionais)
– SBIA, IJCAI (internacional)

• Maior Revista :
– Artificial Intelligence Magazine


Parte 2. SISTEMAS BASEADOS EM CONHECIMENTO

63

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.


SBC Vs. Sistemas Especialistas

• Observação:
Não se deve confundir Sistemas Baseados em
Conhecimentos e Sistemas Especialistas (um SE
é um caso específico de SBC).


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.


Ciclo de Vida de um SBC

FC

Design/Imple-
CC CB MC MC mentação

Aquisição de Conhecimento Artefato


Parte 3. AQUISIÇÃO DE CONHECIMENTO

68

Dados Vs. Informações

• Dados
• Informações
• Conhecimentos

• Conhecer:
• Memorização do Conhecimento;
• Uso do Conhecimento.

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.


Dados, Informação, Conhecimento
CONHECIMENTO
INFORMAÇÃO
DADOS

C C
I C
D I I
D I C
D D I I C
D D I
I
D D D D
D D


Dados, Informação, Conhecimento

CONHECIMENTO

SE NÃO HOUVER FISCALIZAÇÃO
INFORMAÇÃO
DADO

ENTÃO NÓS PODEMOS POR 8 PESSOAS EM UM CARRO


Expertise

• É a Habilidade de: • Baseada sobre:
– Ação; – Conhecimento; e
– Resolução de problemas; e – Experiência.
– Tomada decisão.


Aquisição de Conhecimentos

• São as atividades necessárias para:
– Coleta; e
– Modelagem dos conhecimentos.
• Objetivo:
Fornecer ao futuro sistema a base de sua competência.


Engenharia do Conhecimentos

• Knowledge Engineering surgiu no final dos anos 70
voltada para sistemas especialistas e sistemas de bases
de conhecimento.


Engenheiro do Conhecimento

• É o responsável pela fase de Aquisição de Conhecimentos.
(“Knowledge Engineer”, “Cogniticien”)


Engenheiro do Conhecimento


Dois pontos de vistas

1. Definir uma representação (“fiel”) do conhecimento
do experto.
Faz da AC uma simples transferência de conhecimentos.


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 problemas
associados a essa tarefa.

AC como uma Atividade de Modelagem

• Os primeiros métodos de AC erram Ad-hoc: Prototipagem
rápida.
• A partir de 1985, AC ficou vista como uma Atividade de
Modelagem:
A construção de um SBC é um processo criativo, que define
um “Modelo Conceitual”.

Modelagem?

• É a atividade de abstração (simplificação) de uma parte do
mundo real.

• Ela depende da visão e do interesse de quem modela!


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.


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”.


Processo de AC

Esquema do Modelo Modelo
Conceitual Conceitual
Problema
4
3

Artefato
1 2

Expertise Parcial
AC


1: AC dirigida por Dados

• Objetivo: Análise das atividades do especialista e dos
futuros usuários do sistema, para:
– Caracterizar (identificar) a expertise
(representação parcial da expertise)
– Definir os objetivos do sistema
(definição da interação sistema-usuário)


1: AC dirigida por Dados

• Duas abordagens:
– Exploração do discurso do experto; e
– Foco sobre o modelo conceitual.


Exploração do Discurso

• 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.


Foco no Modelo Conceitual

• Focalizar diretamente a definição do MC.
• O MC serve para filtrar e estruturar os conhecimentos
adquiridos:
É um guia eficiente para o processo de AC:
“Qual é o tipo da tarefa? ”, “Quando terminar”, etc.
• Exemplo: a metodologia KADS

2. Construção do Esquema do MC

• É a definição de um vocabulário abstrato que permite a
descrição e a estruturação dos conhecimentos do experto e
que serão usados pelo sistema.
• É um quadro para a conceitualização composto por:
– primitivas epistimológicas que servirão como base conceitual
para a modelagem.
– estruturas correspondentes a algumas formas genéricas.
• Objetivo: facilitar a tarefa de modelagem.

Dificuldades

• Quais as primitivas realmente adequadas para uma aplicação
específica?

• Quais são as primitivas universais? Se existem!


Processo Iterativo

• 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.


3. Instanciação do Esquema do MC

• Aquisição dirigida por Modelo!
O esquema do MC identifica os conhecimentos a
serem adquiridos e seus papéis no processo de
resolução de problemas.
• Construir um MC completo Instanciar o Esquema.


4. Operacionalização do MC

• 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.


Soluções

• A fase de implementação do MC passa pela definição de um
modelo de concepção (Design Model). Exemplo: KADS.
• As estruturas de modelagem são codificadas em uma
linguagem (que combina as programações : a objeto, lógica,
e funcional). Exemplo:
• Construção de modelos operacionais em uma arquitetura
multiagentes. Exemplo: MAPS.


As Exigências da Operacionalização

• 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.


Importância do Mapeamento

• A Necessidade de Atualização da Base de Conhecimentos; e
• Explanação do Raciocínio.


Necessidades de Atualização

• A Manutenção da BC necessita de várias feedbacks nas fases
da concepção:
• Isto seria facilitado se o modelo operacional reflete, pelo
menos parcialmente, o MC.
• Assim, caso haja uma inconsistência no sistema, podemos
identificar o componente do modelo conceitual que precisa
ser atualizado.


Necessidades de Explanação

• A explanação e justificação do raciocínio é uma necessidade
para a aceitação dos SBCs. A maioria se baseia nos traços de
raciocínio.
• Graças ao modelo conceitual, explicações melhores podem
ser geradas colocando mais informações sobre as estratégias
de raciocínio dentro do MC Exploração mais rigorosa do
traço!


Princípios da Correspondência Estrutural

• A maioria dos trabalhos sobre a operacionalização do MC
são baseados neste princípio (Reinders et al., 91) :
• A cada tipo de conhecimento usado na modelagem de
uma expertise (tarefa, inferência, conhecimentos do
domínio) corresponde uma estrutura de dados
adequada!


Analogia: Arquitetura Ansi-Sparc

O que? Usuário
Nível Externo

O que? SGBD (Administrador)
Nível Conceitual

Como? SGBD (Administrador) e
Nível Interno
Onde? Sistema Operacional


Conclusão

• A AC é a fase mais importante na construção de SBC.
• Ela condiciona o grau de aceitação do artefato pelo
usuário.
• É uma fase muito complexa (“the Bottleneck”):
– Dificuldade de exteriorização explicitação do conhecimento
pelo especialista experto;
– Dificuldade de modelagem e de operacionalização

Parte 4. REPRESENTAÇÃO DE CONHECIMENTO

102

IA Conhecimento

• Conhecer: É uma operação ativa que precisa da:
– memorização de Informações; e do
– bom uso dessas informações.
Procurar representar os conhecimentos


Engenharia de Conhecimento

AQUISICÃO DE REPRESENTAÇÃO
CONHECIMENTO DO CONHECIMENTO


Exemplo de Representação

CONHECIMENTO

SE NÃO HOUVER FISCALIZAÇÃO
INFORMAÇÃO
DADO

ENTÃO NÓS PODEMOS POR 8 PESSOAS EM UM CARRO


Representação do Conhecimento

• “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”.


Representação do Conhecimento

• Visa levar o “conhecimento” para a máquina e dotá-la de
alguma capacidade de raciocínio (reasoning).


Representação?

• Convenção sintática e semântica para descrição das
informações.
• Ela deve :
– Explicitar o conhecimento e
– Ser manipulável.


Representação?

– 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.


Variedade do Conhecimento

• Duas Visões:
– Declarativo Vs. Processual



• Conhecimento Declarativo:
– Conhecimento sobre o domínio

• Conhecimento Processual:
– Conhecimento sobre a resolução de problema



• Conhecimento Declarativo:
• O homem quando se comunica usa freqüentemente Enunciados
Declarativos, por exemplo :

– “Paris é a capital da França”
– “Meu irmão tem 25 anos”
– “O Maranhão fica no norte do Brasil”



• Conhecimento Processual (Imperativo):
• Nós precisamos também passar ordens (informações
imperativas):
– São ordens que devem ser executadas
– Os comandos são ordenados (execução seqüencial)
– O interlocutor não tenta interpretar, ele deve somente
executar.


• Conhecimento Processual (Imperativo):
– São enunciados simples
– São independentes de seus contexto de utilização
– Não são verificados como verdadeiros ou falsos (isto é
feito depois).



• Conhecimento Superficial: (shallow knowledge)
– Combinação dos conhecimentos processuais e
declarativos para resolução rápida de problemas comuns.
• Conhecimento Profundo: (deep knowledge)
– É o conhecimento fundamental de um domínio:
definições, axiomas, leis gerais, princípios, relações
causais, etc.


• Objetos Complexos
• Fatos, leis, teorias, enunciados
• Crenças, pontos de vista
• Ambigüidade, incerteza, incompletude
• Evolução
• Quantificação
• Espaço-Temporal

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 devem
ter uma representação específica?


Evolução

• O que fazer das informações que não estão mais válidas?
• Elas devem ser retiradas? Como então, explicar decisões
anteriores?
• Como achar as informações deduzidas a partir delas?


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.

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”


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


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.


Uma Boa Representação

• Adequação da Representação
• Adequação da Inferência
• Eficiência da Inferência
• Eficiência da Aquisição


Adequação da Representação

• É o poder da representação (expressividade).


Adequação da Inferência

• Uma representação deve permitir fazer inferências, ou
seja, deduções de novos conhecimentos.


Eficiência da Inferência

• Favorecer (usando algumas informações adicionais)
alguns caminhos de pesquisa.


Eficiência da Aquisição

• Facilitar a aquisição de novos conhecimentos pelo
usuário e/ou pelo sistema.


Formalismos de Representação

• Lógica
• Sistemas de Produção
• Redes Semânticas
• Frames
• Grafos Conceituais
• Imperativo / Processual
• Árvore de Decisão

Representação “Lógica”

131

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.


Exemplo de Representações

• Está Chovendo
CHOVENDO
• Bimbo é um Gato
Gato(Bimbo)
• Adriana gosta de nadar
Gosta (Adriana,Nadar)
• Todo Homem é Mortal
X: Homem(X) Mortal(X)

Lógica: Limitações

– A inferência lógica não é sempre o modo de raciocínio
privilegiado pelo ser humano;
– Os conhecimentos humanos são contextuais
porém a lógica não permite representar isso;
– Parcelamento do conhecimento;
– Pouca estruturação das informações;
– Variedade de tipos de lógica.

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: , ).


Críticas

• A Lógica Clássica:
– Mundo fechado
– Inadequação à resolução de problemas complexos (exceção, ...)
Lógica Não-Clássica


Lógica Não-Clássica

– Lógica Multi-Valorada
– Lógica Modal


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.


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 )

Vantagem

• A Formalização


Sistemas de Produção


Formalismo de Regras

• É o formalismo de representação de conhecimento
mais familiar:
IF <Premissas> AND / OR
THEN <Conclusões>

Falamos de Sistemas de Produção.

Formalismo de Regras

Par condição-ação

CONDIÇÃO AÇÃO

SE CONDIÇÃO ENTÃO AÇÃO

Antecedente Conseqüente

Exemplo

SE X é animal e
X tem pele e
X “amamenta”

ENTÃO X é mamífero.


Tipos de Regras

• Regras de Ordem 0
• Regras de Ordem 0+
• Regras de Ordem 1
• Regras de Ordem Superior


Regras de Ordem 0

• Tudo é constante (não tem variáveis)
(Uso da lógica proposicional)

• Exemplo:
animal, mamífero, etc.


Regras de Ordem 0+

• Uso de <Objetos, Atributos, Valores>

Exemplo:
Se Temperatura da Sala > 28
Então Estado do Ar-Condicionado = Ligado


Regras de Ordem 1

• 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 Superior

• Uso da lógica de variáveis e quantificadores incluindo os
operadores:
– Existencial e
– Universal .


Componentes de um SP

• 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.

Exemplo de SP

(Patient-ID ’4531)
(Patient-Name ’Edilson)
IF (Patient-Temp ’40) AND (Patient- ....) ...
(Patient-Temperature ’40)
(Patient-... ’...) THEN (assert (Patient-Complaint ’Dengue))

IF (Patient-Complaint ’Dengue)
THEN (assert (Remedy ’Thylenol))


Meta-Regras

• Exemplo:
SE Veículo é Velho e
Problema para ligar o motor
ENTÃO aplicar em prioridade as regras
sobre a bateria
....


Sistemas de Produção com Meta-Regras

Dados Observados

“Match” Memória
Meta-Regras
de Trabalho

Selecionar Alterar

Memória “Fire” Saída
Interpretação
de Regras


Estratégias de Controle

– Encadeamento para frente

– Encadeamento para trás

– Sistema híbrido


Gestão da Incerteza

• FC: Fator de Certeza (Mycin)

FC(Regar) = FC(Premissa) * FC(Conclusão)


FC da Premissa

• 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.

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 pelo
ser humano.
• Atualização fácil de novos conhecimentos: Evolução e
Explanação, etc.

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).


Conclusão

VANTAGENS DESVANTAGENS

Modularidade Tempo
de execução
Uniformidade
Fluxo de controle
Naturalidade complexo


Redes Semânticas


Redes Semânticas

• Redes Semânticas:
– São Grafos representando os conceitos de
um domínio e seus relacionamentos semânticos.

• Origem:
– Trabalhos de (Quilan, 62)

Exemplo

is-a
Veículo Adriana
ako
mãe
part-of possui is-a
Motor Carro Eduardo Pessoa
cor idade

Cinza 25


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 ...)


Exemplo: Herança (isa, ako)

ako
Objeto

Velocidade tem
ako

Meio-Transporte part-of
Rodas
ako
ako
Part-of
Cavalo Carro Motor

is-a
cor isa
Meu-Carro Vermelho Cor

Exemplo: Filtragem

possui é-um
Carro Eduardo Pessoa
idade
25

• Request:
- “Qual é a idade de Eduardo?”
- “Existe uma pessoa que possui um carro?”
Prof. Dr. Sofiane Labidi
165

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
166

Correspondência com a LPO

• Uma rede semântica pode ser mapeada em uma
Representação na LPO (Lógica da Primeira Ordem):

nós termos
retas relações


Exemplo

is-a
Carla Mulher Mulher(Carla)
idade Idade(Carla,18)
18

ako
Homem Animal X: Humano(X) Animal(X)


Herança!
Objeto-Voador
ako

Pássaro
ako
Pingüim

Bimbo voa? is-a
bimbo
Solução:
A sob-classe deve mascara a super-classe!?


Problemática

• Semântica exata de um nó e das ligações?
• Representações canônicas em um domínio específico?
• Representação do tempo? crenças, hipóteses? etc.
• Definição da herança!


Arco (Winston, MIT)

BLOCO

pos
isa
isa
B3
isa
B2
suporta B1
suporta

Não-contato
B1 B2
pos pos
Vertical


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).


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 estruturas
complexas.


Estruturas complexas

• Objetos estruturados (compostos)

• Categorias de Objetos.


Frame
• Um Frame (ou moldura) é um objeto complexo descrito por um
conjunto de campos (atributos, propriedades, etc.), chamados “slots” e
de 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.

Exemplo

Criança
ako : Pessoa
Sexo : Masculino
Idade : Domínio: [0..12]
End. : Domínio {SL,SP,...} André
isa : Criança
Idade : 8
End. : São Luís


Exemplo

Macaco
ako : Animal
Sexo : Domínio: {M,F}
Idade : Integer Banana
Mora. : Defaut: selva ako : Fruta
Alimento : Defaut: banana Cor : Amarela
Providência : Bananeira


Slots
• Hierarquia:
Ako, Isa
• Propriedades:
Idade, Cor, Sexo, possui, ...
• Propriedades Estruturais:
part-of
• Relações entre Objetos:
perto-de, acima, ...
• Papéis:
pai, servidor, ...

Valores por Defaut
• Exp.

Em FRL

Reunião

Date $DEFAULT (hoje)


Restrições: Exp. (em FRL)

FRAME Slots Facetas

AKO: Atividade

$REQUIRE:
Reunião (existe ?Participante
Participantes
(papel „Presidente))

$PREFER:
Duração (not (> ?Duração 1h30))


Demônios

• Procedimentos executados automaticamente na leitura ou
modificação do valor do atributo, ao qual ele está associado
(Event-based Execution).


Ex. em FRL

FRAME Slots Facetas

AKO: Objeto

$REQUIRE: (AKO Pessoa)
Atividade $If-Needed (pedir)
Participantes
(preencher relação-participantes)

$REQUIRE: (AKO Intervalo)
Duração $If-Added (adicionar-ao-plano)


KEE

• Em KEE (Sistema de Frames)

– Valores Ativos:
Métodos aplicados automaticamente
na modificação ou leitura de um slot.


Herança

• Os frame podem ser organizados em uma hierarquia.
• Temos herança de:
• Valores,
• Estruturas, e
• Demônios.


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 KEE
Herança de tudo na criação de uma Sub-classe, e somente dos Member-
Slots que ficam Own-Slots da instância em uma instanciação.


Herança dos Valores

• Questão:
Como os valores dos atributos e de suas facetas são
transmitidos?

• Em KEE
Na instanciação (ligação Member.of), temos: Herança das
restrições e das descrições por defaut dos Member-Slots.

Mecanismo de Inferência

• Herança

• Restrições

• Demônios


Exp. Sistemas de Frames

• FRL : MIT 77.
• RLL : Lenat, 80.
• SRL : Fox, 85.
• KRL : Xerox.
• KEE
• Units, KL-One

Aplicações

• Análise de cenas
• Compreensão da percepção visual
• etc.


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.


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.


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.


Grafos Conceituais


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).

Grafo Conceitual

• É um grafo bipartido onde os nós representam:

• Conceitos ; ou

• Relações entre conceitos.


Grafo Conceitual: Primícias

• Para criação de Grafos conceituais precisamos definir
antecipadamente:
– Os Tipos de Conceitos;
– Os Conceitos; e
– As Relações Conceituais.

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.

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.


Tipos predefinidos

• Para cada sistema de Grafos Conceituais (GC) existe uma
série de tipos predefinidos.
• Uma relação < é definida sobre os tipos exprimindo o fato
que alguns tipos de conceitos são incluídos em outros.
• Exp:
Gato < Mamífero < Animal < Objeto-Físico
Sob-Tipo Super-Tipo

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.

Exp. de Lattice

Animal

Animal Mamífero
Silvestre

Elefante Tigre

Esta hierarquia não obedece às regras de um lattice


Exp. de Lattice
Top

Animal

Animal
Silvestre
Animal
Doméstico

Tigre
Elefante

Há herança múltipla.
Bottom

Referentes
• Referente Genérico
GATO: *
Significado: , <<qualquer gato>> ou <<um gato>>
• Referente Individual
GATO: #25 GATO: Bimbo
Significado: <<O indivíduo # 25 é um gato>>
<<o gato n. 25>> <<o gato chamado Bimbo>>
Há unicidade do referente

Relações conceituais
• Mostram os papeis que os conceitos têm em relação aos outros
conceitos. 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 relações
unárias (o NOT), triplas (BETW), etc.

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.


Representação

• Os grafos conceituais podem ser representados sob duas
formas :
– Literal (notação linear); ou

– Gráfica.


Exemplo de GC

A frase <<João vai a Fortaleza>> é representada em um GC:

PESSOA: João AGENTE IR:* DESTINO CIDADE: Fortaleza

Representação Linear:
[ IR: *] --
{
(AGENTE)  [PESSOA:João] ;
(DESTINO)  [CIDADE:Fortaleza] ;
}

Exemplo de GC

A frase <<João vai a Fortaleza de Moto>> é representada em um GC:

PESSOA: João AGENTE IR:* DESTINO CIDADE: Fortaleza

Representação Linear: INSTRUMENTO MOTO:*
[ IR: *] --
{
(AGENTE)  [PESSOA:João] ;
(DESTINO)  [CIDADE:Fortaleza] ;
(INSTRUMENTO)  [MOTO:*] ;
} Prof. Dr. Sofiane Labidi 209

Exemplos de GC

• O que representa este grafo?

PESSOA AGENTE COME OBJETO TORTA


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”.


GC e LPO

• John Sowa definiu o operador para conversão de
Grafos Conceituais em Formulas da Lógica de Primeira
Ordem.


Afirmações / Operador

• : Transformação em uma formula lógica de primeira ordem:

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)


Afirmações / Operador

<<O gato preto bimbo está sentado na mesa>>

GATO: Bimbo AGENTE SENTADO LOCAL MESA

ATRIBUTO PRETO

x,y,z Gato(“Bimbo”) Agente(“Bimbo”,x) Sentado(x)
Local(x,y) Mesa(y) Atributo(“Bimbo”,z) Preto(z)


Operador (2)

<<Um homem está olhando para seus pés>>

HOMEM: * AGENTE OLHAR OBJETO PÉS

PART-OF

x,y,z Homem(x) Agente(x,y) Olhar(y)
Objeto(y,z) Pés(z) PartOf(z,x)


Operador (3)

• A hierarquia de tipos implica algumas afirmações lógicas:
– Homem Sob-Tipo Pessoa
– x, Homem(x) Pessoa(X)


Modalidades

• Indicação de possibilidades, necessidades, etc. :
“João pensa que um gato está sentado no tapete”

PESSOA: JOÃO AGENTE PENSA

OBJETO

PROPOSIÇÃO: GATO:* AGENTE SENTA LOCAL TAPETE


Negação

Não


Exemplo


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 podem
ocorrer.
• Exp. Para o conceito ir são associadas as relações: destino, agente e
instrumento.


Exp. O conceito “Ensinar”

PROFESSOR AGENTE ENSINA RECEPTOR ALUNO

OBJETO Disciplina

Grafo canônico associado ao tipo de conceito ensinar


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


Exemplo de Especialização

PESSOA AGENTE COME OBJETO TORTA

restrição

GAROTA AGENTE COME OBJETO TORTA


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.


Simplificação

• Exclua qualquer relação duplicada entre dois conceitos.
• Isto pode acontecer depois de uma junção (união).


Exp.

GAROTA AGENTE COME OBJETO TORTA

MANEIRA RÁPIDA
AGENTE


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).

Conclusão

• Formalização.
• Operadores sobre os grafos conceituais interessantes para
permitir o raciocínio.
• Um méodo para a realização de deduções (em lógica de
primeira ordem).
• Notação bem definida e muito flexível.

Orientação a Objeto
(em anexo)


Árvores de Decisão


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).

A Vitima conheça o assassino
e o faz confiança 0,72

0,9

A Vitima Não há sinal O Crime aconteceu na casa
não “lutou” 0,8 de rombamento 1 da vítima 1

1 1 1

Os móveis Além do Não há traços A porta de
O crime O crime O crime
ferimento não de pés levando entrada e as
não mudarem janelas estavam aconteceu na aconteceu aconteceu
há marcas de do exterior ao
de lugar fechados e biblioteca da no quarto no salão da
agressão V 1corpo
F 1 intatos V 1 vítima
V1 V 0,8 232 vítimaF 1
da vítima F 1

Imperativo ou Processual


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);

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!

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.


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.


Conclusão Geral

• Coleta de conhecimentos a partir de especialistas que não são
expertos em IA ou em Informática.
• Permitir a presença simultânea de vários tipos de representações
e de raciocínio.
• Superar os detalhes das linguagens de programação
Knowledge Level.


Fim da Primeira Parte

Obrigado!
239

Ia labidi p1

Mais conteúdo relacionado

Mais procurados

Semelhante a Ia labidi p1

Ia labidi p1