Representação do conhecimento

1

Universidade Católica de Pelotas

Centro Politécnico

Engenharia da Computação

Disciplina: Inteligência Artificial

Representação do Conhecimento (1/2)

• Uma boa solução para um problema depende de uma boa representação do conhecimento.

• O conhecimento pode ser expresso de formas distintas:

▫ Parte do raciocínio conduzido pelos humanos

▫ Parte de outros agentes é incerto (difícil usar a lógica)

2

Representação do Conhecimento (2/2)

• Linhas/Paradigmas da IA para construção de Sistemas Inteligentes ▫ Simbólica: Abordagem clássica

▫ Não-Simbólica (Sub-Simbólicos): Abordagem moderna

3

Simbólica (1/2)

• Representa o conhecimento por sentenças declarativas

▫ Mapeado a partir de símbolos, que representam as relações e entidades do domínio do problema.

• Deduz consequências por métodos de raciocínio lógico - segue a tradição lógica

▫ Geralmente baseados em regras;

▫ Possuem conhecimento intensivo do domínio da aplicação;

▫ Construídos por especialistas humanos.

4

Simbólica (2/2)

• É uma abordagem top-down, onde o conhecimento é introduzido explicitamente no sistema. ▫ Esta necessidade faz com que os sistemas simbólicos encontrem

dificuldade para lidar de forma autônoma, em ambientes reais (contínuos) desconhecidos.

• Exemplo:

▫ pai(joão, maria). ▫ pai(joão, eduardo). ▫ João e Maria são parentes!!!

• Relacionados ▫ Redes semânticas ▫ Programação em Lógica

5

Não-Simbólica (1/2)

• O conhecimento não é representado explicitamente por meio de símbolos

• Conhecimento é construído a partir de um processo de aprendizado, adaptação ou inferência (bottom-up). ▫ A semântica do domínio não precisa ser introduzida

explicitamente no sistema. ▫ O sistema pode induzir este conhecimento, através de

um processo de aprendizagem. ▫ Pode ser muito ineficiente aprender adequadamente

em ambientes complexos. ▫ O conhecimento aprendido não se torna facilmente

interpretável pelo usuário.

6

Não-Simbólica (2/2)

• Exemplos:

Sistemas de apoio à decisão, classificação, reconhecimento de padrões, otimização, previsão, controle e automação.

• Relacionados

Redes Neurais Artificiais

Algoritmos Genéticos

Sistemas Nebulosos (Fuzzy).

7

Conhecimento

8

Definição

• ―Conhecimento pode ser definido como a informação armazenada ou os modelos usadas pela pessoa ou máquina para interpretar, predizer e responder apropriadamente ao mundo exterior‖ (Fischler & Firschein, 1987) apud (Rabuske, 1995)

9

Razões para representar o conhecimento

• Recuperar, raciocinar a partir dele e adquirir mais conhecimento ▫ Consulta: responder questões fazendo buscas na base

de conhecimentos ▫ Dedutiva: obter novos resultados a partir do

conhecimento armazenado ▫ Organização: representar implica em organizar o

conhecimento: facilita entendimento, compartilhamento

▫ Interpretação: permite a comparação com modelos pré-estabelecidos

10

Lógica

• Uma das primeiras ferramentas para representação e processamento do conhecimento

• Motivação para uso da lógica:

▫ Ferramenta para fazer dedução em uma base de conhecimento

▫ Uma lógica define:

Sintaxe

Semântica

11

Lógica Proposicional (1/3)

• Referenciada como cálculo proposicional, lógica booleana, lógica das proposições, lógica sentencial....

• Proposições (sentenças) são afirmações que admitem um valor lógico: Verdadeiro ou Falso

• Uma base de conhecimento aqui é representada por um conjunto de proposições

▫ É possível inferir novas proposições

12

Lógica Proposicional (2/3)

• Exemplos de proposições

▫ 1 + 1 = 10

▫ Está chovendo

▫ 2 + 2 = 4

▫ 5 > 4

▫ 1 é um número par

13

Lógica Proposicional (3/3)

• Proposições individuais (atômicas) podem ser reunidas por meio de conectivos

• Alguns conectivos ˄ conjunção ˅ disjunção ¬ negação → condicional

• Possui limitações: ▫ Rex é um cachorro: cachorro(rex) ▫ Todos os cachorros são mamíferos: para expressar isto

é necessário o uso de variáveis e quantificadores

14

Lógica de Predicados

• Consiste da Lógica Proposicional extendida

• Exemplos de quantificadores:

▫ ∃ Existencial ("existe um")

▫ ∀ Universal ("para todo")

• Usando

traidor(tiradentes)

∀x traidor(x) -> enforcado

15

Redes Semânticas

• Basicamente é um grafo dirigido • Qualquer tipo de arco pode ser aceito • Tipos de arcos:

▫ Subconjuntos/subclasses (é_um) ▫ Subparte (é-parte-de) ▫ Arcos de pertinência em conjuntos (instância) ▫ Relacionamentos

• Utilizadas como ferramenta de modelagem para se obter uma representação visual dos objetos do domínio

• Mecanismo de inferência não é associado a representação (salvo herança – é um)

16

Exemplo de Rede Semântica

17

A notação muda...

Frames/Quadros • São estruturas de preenchimento para

representação de objetos ou eventos típicos • Um frame/quadro

▫ Tem um nome ▫ Um conjunto de pares atributo-valor (slots).

• Estão relacionados às redes semânticas ▫ O nome do frame corresponde a um nó numa rede

semântica. ▫ Slots (atributo-valor)

Os atributos são os nomes dos arcos associados ao nó da rede semântica

Os valores correspondem aos nós nas outras extremidades desses arcos.

18

Frames/Quadros

19

Frame: ave Tem: asas

Frame: ave_de_rapina é_um: ave come: carne

Frame: águia é_um: ave_de_rapina

Frame: Flecha instância: águia

Frame: asas

Frame: carne

As arestas têm direção!!!!

Ontologias

• Na filosofia ―O estudo da existência‖

▫ Objetivo: criar sistemas de categorização para organizar a realidade

• Em domínios pequenos e pouco complexos é fácil criar um vocabulário consistente

▫ Imaginem compra pela Internet...

• Criar uma ontologia de tudo...(É possível?)

20

Web Semântica

• Objetivos da Web Semântica: ▫ Estruturar e dar significado ao conteúdo existente nas

páginas Web, de forma que agentes de software possam, a partir do processamento das páginas, realizar tarefas sofisticadas para os usuários.

• A Web Semântica não é uma Web separada, mas

uma extensão da Web atual em que é dada a informação um significado bem definido, de forma a permitir que a cooperação entre computadores e pessoas seja aprimorada (BERNERS-LEE; HENDLER; LASSILA, 2001).

21

Web Semântica: Origem

• Temo cunhado por Tim Berners-Lee • Artigo 2001: ―The Semantic Web‖

▫ http://www.scientificamerican.com/article.cfm?id=the-semantic-web

22

Web Semântica: Cenário

23

Fonte: (BREITMAN, 2005)

Web Semântica

• ―The original Scientific American article on the Semantic Web appeared in 2001.2 It described the evolution of a Web that consisted largely of documents for humans to read to one that included data and information for computers to manipulate. The Semantic Web is a Web of actionable information—information derived from data through a semantic theory for interpreting the symbols. The semantic theory provides an account of ―meaning‖ in which the logical connection of terms establishes interoperability between systems. This was not a new vision. Tim Berners- Lee articulated it at the very first World Wide Web Conference in 1994. This simple idea, however, remains largely unrealized.‖ http://eprints.soton.ac.uk/262614/1/Semantic_Web_Revisted.pdf

24

Web Semântica e Ontologias

• Definição de ontologia muito utilizada na literatura relacionada à Web Semântica ▫ Ontologia é uma especificação formal e

explícita de uma conceitualização compartilhada‖ (GRUBER, 1993).

25

Web Semântica e Ontologias

• Conceitualização: representa um modelo abstrato de algum fenômeno que identifica os conceitos relevantes para o mesmo.

• Explícita: os elementos e suas restrições estão claramente definidos.

• Formal: a ontologia deve poder ser processada computacionalmente.

• Compartilha: deve refletir o conhecimento consensual de um grupo de pessoas (BREITMAN, 2005).

26

Web Semântica

• Na Web Semântica as ontologias são criadas usando padrões relacionados especialmente às linguagens RDF – Resource Description Format e OWL- Web Ontology Language.

27

Classificação das ontologias

• Generalidade: classifica ontologias utilizando generalidade como critério (Guarino, 1998)

28

Ontologias de Nível Superior

Ontologias de Tarefa

Ontologias de Domínio

Ontologias de Aplicação

Também chamadas de Ontologias de Topo descrevem Classes/Conceitos genéricos

Área específica (medicina) Especializam Classes/Conceitos das ontologias de Nível Superior

Tarefas relacionadas a uma área específica (diagnóstico) Especializam Classes/Conceitos das ontologias de Nível Superior

Geradas a partir de especializações de outras ontologias. Papéis desempenhados por entidades do domínio em alguma tarefa

Ontologias: Segundo Espectro Semântico

• Lassila e McGuiness (2001) propõe uma categorização de acordo com o espectro semântico (estrutura interna e conteúdo)

29

Espectro Ontológico (adaptado de Lassila e McGuiness (2001))

Mais Leve (lightyweight) -> Mais Pesada (heavyweight)

Lista de Termos

Glossários Tesauros

Hierarquias tipo-de informais

Hierarquias tipo-de formais

Restrições de valores

Frames (Propriedades)

Restrições Lógicas Axiomas/regras

Componentes da Ontologia

• Classes

• Atributos

• Relacionamentos

• Axiomas

• Instâncias

30

Fonte: Adaptado de(Horridge, et. al., 2007) apud (Machado, 2012)

Componentes da Ontologia

• Classe={t,s,e}

▫ t: termo que nomeia (único)

▫ s: significado

▫ e: estrutura ={{a},h,{r}}

a: atributos

h: hierarquia

r: relações

31

• Classes representam conceitos, geralmente contem atributos e são organizados em taxonomias

Componentes da ontologia

• Atributo: Características (propriedades) que descrevem as classes.

32

Pessoa

nome: String idade: String

Componentes da Ontologia • Tipos de relações (Khoo, Na, 2006) • Relações são a forma que os conceitos

se relacionam com outros conceitos ▫ Taxonomia (is-a)

Generalização / especialização

Herança de Atributos

▫ Partonomia (part-of)

Agregação / Composição

33

Pessoa

Caçador

É um Bicicleta

Roda

parte - de

Animal

Carnívoro Herbívoro

É um

É um

Adaptado de (MACHADO, 2012)

Ontologias Componentes

• Indivíduos/Instâncias

34

Anori

Ubirata

Gazela_02

Bufalo_02

Gazela_01

Felipe

Existem na realidade (Gizzardi and Wagner, 2010)

Adaptado de (MACHADO, 2012)

Classe: Herbívoro

Ontologias componentes

• Indivíduos/Instâncias

35

Anori

Ubirata

Gazela_02

Bufalo_02

Gazela_01

Classe: Caçador eCaçadorDe

Classe: Pessoa

Felipe

Existem na realidade (Gizzardi and Wagner, 2010)

Adaptado de (MACHADO, 2012)

Ontologias Componentes • Axiomas: modelam sentenças sempre verdadeiras

▫ Úteis para inferência de um novo conhecimento

▫ Restringem a interpretação dos estados possíveis de uma conceituação (Guarino et al, 2009)

36

Adaptado de (MACHADO, 2012)

Modelos podem ser imprecisos

37

Pessoa Animal caça N N

Várias Pessoas, que são animais carnívoros, para se alimentar, caçam outros Animais que não são Pessoas

Fonte: (MACHADO, 2012)

Ontologias Componentes

• Axiomas: modelam sentenças sempre verdadeiras

▫ Úteis para inferência de um novo conhecimento

▫ Restringem a interpretação dos estados possíveis de uma conceituação (Guarino et al, 2009)

▫ Ex:

Todo Caçador caça Animais que não são Pessoas;

(∀ Caçador = ∃caça.Animal and (not Pessoa))

Carnívoro é um Animal e alimenta-se de Carne

(∀ Carnívoro= is-a Animal and ∃hasAlimento.Carne)

38

Adaptado de (MACHADO, 2012)

Ontologias - Componentes

• A partir dos axiomas é possível inferir, isto é chegar a outras conclusões

• Exemplo (bem original :P)

▫ Todos os homens são mortais

▫ Sócrates é um homem.

▫ Conclusão: Portanto, Sócrates é mortal.

39

Problemas com Metadados/Web

Semântica • Mentiras

• Preguiça

• Erros no preenchimento

• Chegar a consensos

• ―Metacrap‖: ▫ http://pt.wikipedia.org/wiki/Metacrap

40

Aplicações/Avanços

• The semantic web in action ▫ http://homepages.cwi.nl/~ivan/AboutMe/Publications/SCIAM.pdf

• DBPedia. Extrair dados estruturados da Wikipedia.

▫ http://dbpedia.org/About

▫ http://pt.dbpedia.org/ (em Português)

• Publicando dados de bancos de dados relacionais em RDF ▫ http://www.w3.org/blog/SW/2012/08/14/w3cs-rdb2rdf-documents-have-been-published-as-proposed-

recommendations/

41

Material utilizado/consultado

• RUSSELL, S.; NORVIG, P. Inteligência Artificial. 2. ed. Rio de Janeiro: Campus, 2004.

• RABUSKE, R. A. Inteligência Artificial. Florianópolis: Editora da UFSC, 1995.

• ROSA. J. L. G. Fundamentos da Inteligência Artificial. Rio de Janeiro: LTC, 2011.

• MACHADO, A. Exame de Qualificação – Tema de profundidade: Ontologias, UFRGS, 2012

• BREITMAN, K. Wen Semântica: A Internet do Futuro. Rio de Janeiro: LTC, 2005.

• COPIN, B. Inteligência Artificial. Rio de Janeiro: LTC, 2012. • Páginas Web:

▫ http://www.inf.ufrgs.br/~alvares/INF01048IA/INF01048.html

42