O documento aborda a representação do conhecimento na inteligência artificial, destacando sua importância para resolver problemas e a necessidade de efetividade e relacionabilidade com o mundo real. Discorre sobre técnicas de busca, como busca em profundidade e largura, e a avaliação de estados sucessores, além de apresentar diferentes métodos de representação de conhecimento, como redes semânticas, frames e lógica dos predicados. É enfatizada a significância de sistemas baseados em regras, que combinam aspectos de várias abordagens, permitindo uma representação robusta e flexível do conhecimento.

1. Representação
do
conhecimento
Inteligência Artificial (IA)
Discentes:
Edmilson Filipe Matavele
Edson Zunguze
Felizmina Henrique Cavane

2. Representação do Conhecimento
• A representação do conhecimento é uma tarefa crucial na IA, exigindo muito
conhecimento para resolver problemas aparentemente simples.
• O conhecimento deve ser representado de forma eficaz, significativa e
relacionável ao mundo real.
• As técnicas de representação devem capturar generalizações, ser
compreensíveis, facilmente modificáveis, aplicáveis em diversas situações e
úteis para reduzir a faixa de possibilidades na busca de soluções.
• O conhecimento declarativo pode ser representado com modelos relacionais
(como árvores, grafos ou redes semânticas) e esquemas baseados em lógica
(como lógica proposicional e lógica dos predicados).
2

3. Busca
• A busca é uma prática crucial na IA, muitas vezes não há um caminho direto
para encontrar uma solução para um problema.
• Um problema em IA é definido em termos de um espaço de estados possíveis,
incluindo um estado inicial, um ou mais estados finais (objetivos) e um
conjunto de ações que permitem passar de um estado a outro.
• As técnicas de força bruta são muitas vezes ineficientes devido ao grande
número de espaços de busca possíveis.
• Os processos de busca podem ser em profundidade, que utilizam menos
memória e podem encontrar a solução sem examinar grande parte do espaço
de busca.
3

4. Busca em Profundidade
• Esta estratégia deve ser evitada quando as árvores geradas são muito
profundas ou geram caminhos infinitos.
• Para problemas com várias soluções, a busca em profundidade pode ser mais
rápida do que a busca em largura.
4

5. Busca em Largura
• A busca em largura não pesquisa becos sem saída. Se houver uma solução, ela
será encontrada.
• Se houver várias soluções, então uma solução mínima será encontrada
(tamanho do caminho).
• O algoritmo de busca em largura envolve a criação de uma variável chamada
Lista-de-Nós, ajustada para o estado inicial.
• A busca continua até que um estado-meta seja encontrado ou a Lista-de-Nós
fique vazia.
• Para cada regra que pode ser casada com o estado descrito em E, a regra é
aplicada para gerar um novo estado.
• Se o novo estado for um estado-meta, o algoritmo termina e retorna este estado.
• Caso contrário, o novo estado é adicionado ao final de Lista-de-Nós.
5

6. Função dFunção de Custo (FC)e
Avaliação (FA)
• A FA é usada para dar um valor numérico aos estados sucessores de um estado e decidir
continuar a busca pelo sucessor com o “melhor” valor.
• Por convenção, os valores assumidos por uma FA são números não negativos, sendo que
o estado associado ao menor número é considerado o mais promissor.
• A FA do estado meta é frequentemente zero.
Função de Custo (FC)
• As FCs são funções não negativas que medem a dificuldade de ir de um estado para
outro.
• Usando FCs, é possível encontrar não apenas um caminho, mas um bom caminho ou
até mesmo o melhor caminho para alcançar uma meta.
• As FCs referem-se ao passado, enquanto as FAs referem-se ao futuro. As FCs são mais
concretas que as FAs.
6

7. Estratégias de Busca Heurísticas
• Várias estratégias de busca heurísticas podem ser utilizadas, conforme
evidenciado na Tabela 1.2.
• A solução de problemas usando técnicas de busca heurística pode apresentar
dificuldades em definir e usar a FA, especialmente quando não consideram
conhecimento genérico do mundo (ou “senso comum”).
• A FA apresenta um compromisso entre o tempo gasto na seleção de um nó e
a redução do espaço de busca, tornando a tarefa de encontrar o melhor nó a
ser expandido a cada passo tão difícil quanto o problema da busca em geral.
7

8. Representação do Conhecimento
• A representação do conhecimento em IA é crucial para reduzir problemas de ação inteligente a
problemas de busca.
• Uma boa linguagem de representação de conhecimento deve permitir expressar o conhecimento
desejado, deduzir conhecimento a partir de fatos básicos e ter sintaxe e semântica bem definidas.
• A representação do conhecimento deve ser transparente, rápida e computável.
• A lógica assume importância fundamental na representação do conhecimento, com a inferência
desempenhando um papel primordial.
Inferência
• A inferência pode ser por dedução, abdução, indução e analogia.
• Exemplos de inferência incluem “Se há fogo, há fumaça” (dedução), “Se há
fumaça, há fogo” (abdução), e “Se a Carla do Tchan não canta bem, e a
Sheila do Tchan também não canta bem, então nenhuma dançarina canta
bem” (indução).
8

9. Objetos Estruturados e Sistemas de
Produção
• Outras formas de representação do conhecimento utilizam objetos
estruturados e sistemas de produção.
• Objetos estruturados representam o conhecimento como uma coleção de
objetos e relações, enquanto sistemas de produção consistem em um
conjunto de regras se-então e uma memória de funcionamento.
Objetos Estruturados
• Os objetos estruturados são uma forma de representação do conhecimento em
IA.
• O tipo mais simples de objeto estruturado é a rede semântica, que é um grafo
onde os nodos representam conceitos e os arcos representam relações binárias
entre conceitos.
• As redes semânticas podem ser usadas para extrair informações através de
busca, como uma ferramenta explicativa, para explorar exaustivamente um
tópico, ou para encontrar o relacionamento entre dois objetos. 9

10. Redes Semânticas
• As relações mais importantes em redes semânticas são “is-a” (é-um), “ako” (tipo-
de) e “part-of” (parte-de).
• A busca em redes semânticas pode ser usada para derivar informações novas que
não são explicitamente representadas.
• Scripts, também chamados de roteiros, são estruturas que representam o conhecimento
descrevendo a sequência de eventos e fatos presentes em uma determinada ocasião.
• Em scripts, os nós são eventos e os links entre eles são causais, ou seja, um evento
provoca o próximo.
• Scripts são muito similares a frames e são normalmente considerados como uma
subclasse de frames.
• Scripts são usados para auxiliar no entendimento da estrutura e ordem de eventos.
• A partir de um script, é possível inferir informações sobre os agentes envolvidos. Por
exemplo, se Maria foi ao restaurante, comeu uma torta e saiu, pode-se inferir que ela
estava com fome, tinha algum dinheiro, pediu a torta antes de comer, foi atendida por
um garçom e pagou antes de sair
Scripts
10

11. Frames
• Os “frames” são uma variante de redes e são uma forma popular de representar conhecimento em
um Sistema Especialista.
• Em um “frame”, toda a informação pertinente a um conceito particular é armazenada dentro de
uma única entidade complexa.
• Um “frame” é organizado de maneira muito semelhante a uma rede semântica, com nodos
representando conceitos e relações organizados numa hierarquia.
• Cada nodo em um “frame” é definido por uma coleção de atributos denominados “slots” ou facetas,
e seus respectivos valores.
• Procedimentos que estão dentro de “frames” são chamados “demons”. Eles são executados
automaticamente quando a informação contida no “slot” é recuperada ou alterada.
• O uso de “frames” pode facilitar a elicitação do conhecimento, pois utiliza uma forma de
representação de conhecimento similar à utilizada por muitos especialistas.
• Uma das formas mais poderosas de argumentar em “frames” é a herança. “Frames” especializados
podem herdar propriedades de “frames” mais gerais.
• Objetos na programação orientada a objetos são muito similares aos “frames”, tornando as
linguagens orientadas a objetos boas opções para a implementação de sistemas de frames.
11

12. Lógica dos Predicados
• A lógica dos predicados é a linguagem de representação do conhecimento mais importante, permitindo
representar fatos complexos sobre o mundo e derivar novos fatos com garantias de veracidade.
• O mundo da lógica dos predicados consiste de objetos com identidade individual e propriedades
distintas, e relações entre esses objetos.
• A lógica do predicado pode expressar regras como: Se < objeto><atributo><valor > então <
objeto><atributo><valor >.
• Símbolos constantes, variáveis e símbolos funcionais são usados para construir termos. Quantificadores
e símbolos de predicados são usados para construir sentenças.
• Os quantificadores empregados são: o quantificador universal () e quantificador existencial (). O símbolo
 
de igualdade (=) é usado para declarar que dois termos referenciam o mesmo objeto.
• As formas principais de argumentação em lógica dos predicados são unificação e resolução.
• No processo de resolução para provar um teorema, duas cláusulas quaisquer são tomadas e resolvidas
para originar uma nova cláusula. Isso é repetido até que se chegue ao teorema a ser provado.
• A lógica do predicado pode avaliar uma expressão para instanciação das diferentes variáveis e pode
reconhecer que pode ser verdadeira para alguns valores e falsa para outros.
• Por usar regras gerais para representar uma ampla gama de relações específicas, a lógica do predicado
é menos suscetível a uma explosão combinatória na representação do conhecimento do que a lógica
proposicional.
12

13. Sistemas Baseados em Regra
• Sistemas baseados em regras representam o conhecimento em termos de um
conjunto de regras que indicam o que deve ser feito ou o que pode ser
concluído em diferentes situações.
• Um sistema baseado em regras é composto por um conjunto de regras SE-
ENTÃO, um conjunto de fatos e um interpretador que controla a aplicação
das regras.
• Esses sistemas são também chamados de sistemas de produção e são uma
forma natural de representar o conhecimento.
• Eles exibem características desejáveis como modularidade, transparência,
incrementabilidade e a capacidade de serem modificados.
• Existem dois tipos de sistemas baseados em regras: sistemas de
encadeamento para a frente (“forward chaining”) e sistemas de
encadeamento para trás (“backward chaining”).
13

14. Sistemas Baseados em Regras
• Os objetos estruturados são úteis para representar informação declarativa
sobre coleções de relacionamentos de objetos/conceitos, especialmente onde
há uma hierarquia de classe clara e onde se quer usar herança para deduzir
os atributos de objetos em subdivisões de classe dos atributos de objetos na
classe pai.
Objetos Estruturados
• Sistemas baseados em regras podem apresentar erros como regras
redundantes, conflitantes, circulares, com premissas desnecessárias, sem
saída, perdidas, ou em que as premissas nunca são testadas.
• Os componentes principais de um sistema de produção são a memória de
trabalho, a base de regras e o motor de inferência.
• A representação do conhecimento utiliza objetos estruturados, lógica e regras.
14

15. Sistemas Baseados em Regras vs.
Lógica
• Os sistemas baseados em regras são mais adequados para a obtenção de uma
ampla gama de tipos diferentes de conclusões, pois permitem a representação de
fatos bastante complexos e têm sintaxe e semântica bem definidas.
• Enquanto a lógica é usada principalmente de forma declarativa, os sistemas
baseados em regras estão mais preocupados com o conhecimento processual.
Sistemas Baseados em Regras vs.
Lógica
• Alguns sistemas são construídos com base em uma representação híbrida do
conhecimento, onde os “frames” podem ser referenciados por uma regra, as
regras podem ser definidas como “frames” agrupados em classes, e alguns
“slots” de um “frame” podem conter regras.
15

16. Fim.
AGRADECEMOS PELA SUA ATENCAO
16