I. A capacidade de resolver problemas complexos de forma flexível (Piaget, Sternberg);
II. Habilidades variadas como lógica, linguagem, música, espacialidade e interpessoal (Teoria das Inteligências Múltiplas de Gardner);
III. O processamento de informações e tomada de decisões para lidar com situações novas (Teoria do Processamento de Informações).
2. 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
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 4
5. 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..
Prof. Dr. Sofiane Labidi 5
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 6
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 7
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 10
11. Definição (1)
• Conjunto de Técnicas para a construção de máquinas
“inteligentes” capazes de resolver problemas
complexos.
(Nilson).
Prof. Dr. Sofiane Labidi 11
12. Definição (2)
• Tecnologia de Processamento de informação que
envolve processos de raciocínio, aprendizado e
percepção.
(Winston)
Prof. Dr. Sofiane Labidi 12
13. Definição (3)
• Ramo da Informática que tenta simular
comportamentos humanos inteligentes.
(Luger e Stubble)
Prof. Dr. Sofiane Labidi 13
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 14
15. Comportamento Inteligente ?
• Percepção;
• Resolução de Problemas;
• Tomada de decisão;
• Compreensão;
• Aprendizagem;
• etc.
Prof. Dr. Sofiane Labidi 15
16. IA & INFORMÁTICA
ENGENHARIA
DE SOFTWARE
BANCO DE INTELIGÊNCIA
DADOS ARTIFCIAL
Prof. Dr. Sofiane Labidi 16
17. IA & CIÊNCIAS HUMANAS
CIÊNCIAS HUMANAS PSICLOGIA
SOCIOLOGIA
IA INFORMÁTICA
LÓGICA
FILOSOFIA
17
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 18
19. IA e As Ciências Cognitivas
• Inter-relação de diversas áreas:
Inteligência Artificial
Neurociências Lingüística
Ciência Cognitiva
Psicologia Cognitiva Filosofia da Mente
Prof. Dr. Sofiane Labidi 19
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 20
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 21
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 22
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).
Prof. Dr. Sofiane Labidi 23
24. 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.
Prof. Dr. Sofiane Labidi 24
25. 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.
Prof. Dr. Sofiane Labidi 25
26. Simulação da Inteligência?
• Reprodução fiel dos processos mentais?
• Reproduzir os efeitos (os resultados)?
Prof. Dr. Sofiane Labidi 26
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 27
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 28
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 29
31. Teste de Turing (1)
“The Turing Test Page”
B C
Sistema
Máquina Intermediário Homem
A
Prof. Dr. Sofiane Labidi 31
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 a
máquina.
• A máquina é “inteligente” se o interrogador A é incapaz de
descobrir quem de B e C é a máquina.
Prof. Dr. Sofiane Labidi 32
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 33
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 34
35. Simulação da Inteligência
• Duas Abordagens:
– Conexionista (ou Ascendente);
– Cognitiva / Simbólica (ou Descendente).
Prof. Dr. Sofiane Labidi 35
36. Conexionismo
• Objetivo:
Tentar construir replicas eletrônicas às redes neuronais.
• Neurônio: Célula ativa, fundamental a todo sistema nervoso
animal.
Prof. Dr. Sofiane Labidi 36
37. 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.
Prof. Dr. Sofiane Labidi 37
38. Cognição
• Objetivo:
Tentar reproduzir os processos cognitivos humanos
graças a programas computacionais complexos.
Prof. Dr. Sofiane Labidi 38
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 41
42. Teorias da Inteligência
• Jean Piaget
• Testes psicométricos (QI)
• Processamento de Informações
• Inteligências Múltiplas (Gardner)
• Etc.
Prof. Dr. Sofiane Labidi 42
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 43
44. 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.
Prof. Dr. Sofiane Labidi 44
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 45
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 46
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 47
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 48
49. Inteligência Múltipla
• Musical
• São oito inteligências:
• Corporal-Cinestésica
• Lógico-Matemática
• Lingüística
• Espacial
• Interpessoal
• Intrapessoal
• Naturalista.
Prof. Dr. Sofiane Labidi 49
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 51
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 52
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 53
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 54
55. Áreas de Pesquisa da IA
PROCESS.
SISTEMAS
LINGUAGEM
ESPECIALISTAS
NATURAL
IA
BUSCA DE
ROBÓTICA SOLUÇÕES
LÓGICA AGENTES DE
NEBULOSA SOFTWARE
Prof. Dr. Sofiane Labidi 55
56. Tarefas
• Planejamento
• Predição
• Concepção
• Diagnóstico
• Reparação
• Monitoramento
• etc.
Prof. Dr. Sofiane Labidi 56
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 57
58. Campos de Aplicações da IA
• Medicina;
• Engenharia;
• Educação;
• Negócio;
• Indústria;
• Meteorologia;
• Acidentologia;
• Militares; etc.
Prof. Dr. Sofiane Labidi 58
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 59
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 60
61. Conclusão
• Será que é possível, um dia, a máquina consiga superar a inteligência
humana?
Prof. Dr. Sofiane Labidi 61
62. Conclusão
• Maiores Conferências :
– ENIA, SBRN, SBIE, WRI (nacionais)
– SBIA, IJCAI (internacional)
• Maior Revista :
– Artificial Intelligence Magazine
Prof. Dr. Sofiane Labidi 62
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 64
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 65
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 66
67. Ciclo de Vida de um SBC
FC
Design/Imple-
CC CB MC MC mentação
Aquisição de Conhecimento Artefato
Prof. Dr. Sofiane Labidi 67
69. Dados Vs. Informações
• Dados
• Informações
• Conhecimentos
• Conhecer:
• Memorização do Conhecimento;
• Uso do Conhecimento.
Prof. Dr. Sofiane Labidi 69
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 70
71. 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
Prof. Dr. Sofiane Labidi 71
73. Expertise
• É a Habilidade de: • Baseada sobre:
– Ação; – Conhecimento; e
– Resolução de problemas; e – Experiência.
– Tomada decisão.
Prof. Dr. Sofiane Labidi 73
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 74
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 75
76. Engenheiro do Conhecimento
• É o responsável pela fase de Aquisição de Conhecimentos.
(“Knowledge Engineer”, “Cogniticien”)
Prof. Dr. Sofiane Labidi 76
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 78
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 problemas
associados a essa tarefa.
Prof. Dr. Sofiane Labidi 79
80. 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”.
Prof. Dr. Sofiane Labidi 80
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 81
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 82
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 83
84. Processo de AC
Esquema do Modelo Modelo
Conceitual Conceitual
Problema
4
3
Artefato
1 2
Expertise Parcial
AC
Prof. Dr. Sofiane Labidi 84
85. 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)
Prof. Dr. Sofiane Labidi 85
86. 1: AC dirigida por Dados
• Duas abordagens:
– Exploração do discurso do experto; e
– Foco sobre o modelo conceitual.
Prof. Dr. Sofiane Labidi 86
87. 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.
Prof. Dr. Sofiane Labidi 87
88. 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
Prof. Dr. Sofiane Labidi 88
89. 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.
Prof. Dr. Sofiane Labidi 89
90. Dificuldades
• Quais as primitivas realmente adequadas para uma aplicação
específica?
• Quais são as primitivas universais? Se existem!
Prof. Dr. Sofiane Labidi 90
91. 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.
Prof. Dr. Sofiane Labidi 91
92. 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.
Prof. Dr. Sofiane Labidi 92
93. 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.
Prof. Dr. Sofiane Labidi 93
94. 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.
Prof. Dr. Sofiane Labidi 94
95. 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.
Prof. Dr. Sofiane Labidi 95
96. Importância do Mapeamento
• A Necessidade de Atualização da Base de Conhecimentos; e
• Explanação do Raciocínio.
Prof. Dr. Sofiane Labidi 96
97. 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.
Prof. Dr. Sofiane Labidi 97
98. 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!
Prof. Dr. Sofiane Labidi 98
99. 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!
Prof. Dr. Sofiane Labidi 99
100. Analogia: Arquitetura Ansi-Sparc
O que? Usuário
Nível Externo
O que? SGBD (Administrador)
Nível Conceitual
Como? SGBD (Administrador) e
Nível Interno
Onde? Sistema Operacional
Prof. Dr. Sofiane Labidi 100
101. 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
Prof. Dr. Sofiane Labidi 101
103. IA Conhecimento
• Conhecer: É uma operação ativa que precisa da:
– memorização de Informações; e do
– bom uso dessas informações.
Procurar representar os conhecimentos
Prof. Dr. Sofiane Labidi 103
104. Engenharia de Conhecimento
AQUISICÃO DE REPRESENTAÇÃO
CONHECIMENTO DO CONHECIMENTO
Prof. Dr. Sofiane Labidi 104
106. 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”.
Prof. Dr. Sofiane Labidi 106
107. Representação do Conhecimento
• Visa levar o “conhecimento” para a máquina e dotá-la de
alguma capacidade de raciocínio (reasoning).
Prof. Dr. Sofiane Labidi 107
108. Representação?
• Convenção sintática e semântica para descrição das
informações.
• Ela deve :
– Explicitar o conhecimento e
– Ser manipulável.
Prof. Dr. Sofiane Labidi 108
109. Representação?
• Convenção sintática e semântica para descrição das
informações.
• Ela deve :
– Explicitar o conhecimento e
– Ser manipulável.
Prof. Dr. Sofiane Labidi 109
110. 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.
Prof. Dr. Sofiane Labidi 110
112. Variedade do Conhecimento
• Conhecimento Declarativo:
– Conhecimento sobre o domínio
• Conhecimento Processual:
– Conhecimento sobre a resolução de problema
Prof. Dr. Sofiane Labidi 112
113. Variedade do Conhecimento
• 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”
Prof. Dr. Sofiane Labidi 113
114. Variedade do Conhecimento
• 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.
Prof. Dr. Sofiane Labidi 114
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 é
feito depois).
Prof. Dr. Sofiane Labidi 115
116. Variedade do Conhecimento
• 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.
Prof. Dr. Sofiane Labidi 116
117. Variedade do Conhecimento
• 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.
Prof. Dr. Sofiane Labidi 117
118. Variedade do Conhecimento
• Objetos Complexos
• Fatos, leis, teorias, enunciados
• Crenças, pontos de vista
• Ambigüidade, incerteza, incompletude
• Evolução
• Quantificação
• Espaço-Temporal
Prof. Dr. Sofiane Labidi 118
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 devem
ter uma representação específica?
Prof. Dr. Sofiane Labidi 119
120. 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?
Prof. Dr. Sofiane Labidi 120
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 121
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 122
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 123
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 124
125. Uma Boa Representação
• Adequação da Representação
• Adequação da Inferência
• Eficiência da Inferência
• Eficiência da Aquisição
Prof. Dr. Sofiane Labidi 125
127. Adequação da Inferência
• Uma representação deve permitir fazer inferências, ou
seja, deduções de novos conhecimentos.
Prof. Dr. Sofiane Labidi 127
128. Eficiência da Inferência
• Favorecer (usando algumas informações adicionais)
alguns caminhos de pesquisa.
Prof. Dr. Sofiane Labidi 128
129. Eficiência da Aquisição
• Facilitar a aquisição de novos conhecimentos pelo
usuário e/ou pelo sistema.
Prof. Dr. Sofiane Labidi 129
130. Formalismos de Representação
• Lógica
• Sistemas de Produção
• Redes Semânticas
• Frames
• Grafos Conceituais
• Imperativo / Processual
• Árvore de Decisão
Prof. Dr. Sofiane Labidi 130
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.
Prof. Dr. Sofiane Labidi 132
133. 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)
Prof. Dr. Sofiane Labidi 133
134. 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.
Prof. Dr. Sofiane Labidi 134
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 135
136. Críticas
• A Lógica Clássica:
– Mundo fechado
– Inadequação à resolução de problemas complexos (exceção, ...)
Lógica Não-Clássica
Prof. Dr. Sofiane Labidi 136
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 138
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 139
142. Formalismo de Regras
• É o formalismo de representação de conhecimento
mais familiar:
IF <Premissas> AND / OR
THEN <Conclusões>
Falamos de Sistemas de Produção.
Prof. Dr. Sofiane Labidi 142
143. Formalismo de Regras
Par condição-ação
CONDIÇÃO AÇÃO
SE CONDIÇÃO ENTÃO AÇÃO
Antecedente Conseqüente
Prof. Dr. Sofiane Labidi 143
144. Exemplo
SE X é animal e
X tem pele e
X “amamenta”
ENTÃO X é mamífero.
Prof. Dr. Sofiane Labidi 144
145. Tipos de Regras
• Regras de Ordem 0
• Regras de Ordem 0+
• Regras de Ordem 1
• Regras de Ordem Superior
Prof. Dr. Sofiane Labidi 145
146. Regras de Ordem 0
• Tudo é constante (não tem variáveis)
(Uso da lógica proposicional)
• Exemplo:
animal, mamífero, etc.
Prof. Dr. Sofiane Labidi 146
147. Regras de Ordem 0+
• Uso de <Objetos, Atributos, Valores>
Exemplo:
Se Temperatura da Sala > 28
Então Estado do Ar-Condicionado = Ligado
Prof. Dr. Sofiane Labidi 147
148. 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.
Prof. Dr. Sofiane Labidi 148
149. Regras de Ordem Superior
• Uso da lógica de variáveis e quantificadores incluindo os
operadores:
– Existencial e
– Universal .
Prof. Dr. Sofiane Labidi 149
150. 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.
Prof. Dr. Sofiane Labidi 150
151. 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))
Prof. Dr. Sofiane Labidi 151
152. Meta-Regras
• Exemplo:
SE Veículo é Velho e
Problema para ligar o motor
ENTÃO aplicar em prioridade as regras
sobre a bateria
....
Prof. Dr. Sofiane Labidi 152
153. Sistemas de Produção com Meta-Regras
Dados Observados
“Match” Memória
Meta-Regras
de Trabalho
Selecionar Alterar
Memória “Fire” Saída
Interpretação
de Regras
Prof. Dr. Sofiane Labidi 153
154. Estratégias de Controle
– Encadeamento para frente
– Encadeamento para trás
– Sistema híbrido
Prof. Dr. Sofiane Labidi 154
155. Gestão da Incerteza
• FC: Fator de Certeza (Mycin)
FC(Regar) = FC(Premissa) * FC(Conclusão)
Prof. Dr. Sofiane Labidi 155
156. 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.
Prof. Dr. Sofiane Labidi 156
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 pelo
ser humano.
• Atualização fácil de novos conhecimentos: Evolução e
Explanação, etc.
Prof. Dr. Sofiane Labidi 157
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 158
159. Conclusão
VANTAGENS DESVANTAGENS
Modularidade Tempo
de execução
Uniformidade
Fluxo de controle
Naturalidade complexo
Prof. Dr. Sofiane Labidi 159
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 161
162. Exemplo
is-a
Veículo Adriana
ako
mãe
part-of possui is-a
Motor Carro Eduardo Pessoa
cor idade
Cinza 25
Prof. Dr. Sofiane Labidi 162
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 163
164. 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
Prof. Dr. Sofiane Labidi 164
165. 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
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
166
167. Correspondência com a LPO
• Uma rede semântica pode ser mapeada em uma
Representação na LPO (Lógica da Primeira Ordem):
nós termos
retas relações
Prof. Dr. Sofiane Labidi 167
168. Exemplo
is-a
Carla Mulher Mulher(Carla)
idade Idade(Carla,18)
18
ako
Homem Animal X: Humano(X) Animal(X)
Prof. Dr. Sofiane Labidi 168
169. Herança!
Objeto-Voador
ako
Pássaro
ako
Pingüim
Bimbo voa? is-a
bimbo
Solução:
A sob-classe deve mascara a super-classe!?
Prof. Dr. Sofiane Labidi 169
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 170
171. Arco (Winston, MIT)
BLOCO
pos
isa
isa
B3
isa
B2
suporta B1
suporta
Não-contato
B1 B2
pos pos
Vertical
Prof. Dr. Sofiane Labidi 171
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).
Prof. Dr. Sofiane Labidi 172
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 estruturas
complexas.
Prof. Dr. Sofiane Labidi 174
176. 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.
Prof. Dr. Sofiane Labidi 176
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 177
178. Exemplo
Macaco
ako : Animal
Sexo : Domínio: {M,F}
Idade : Integer Banana
Mora. : Defaut: selva ako : Fruta
Alimento : Defaut: banana Cor : Amarela
Providência : Bananeira
Prof. Dr. Sofiane Labidi 178
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 179
180. Valores por Defaut
• Exp.
Em FRL
Reunião
Date $DEFAULT (hoje)
Prof. Dr. Sofiane Labidi 180
181. Restrições: Exp. (em FRL)
FRAME Slots Facetas
AKO: Atividade
$REQUIRE:
Reunião (existe ?Participante
Participantes
(papel „Presidente))
$PREFER:
Duração (not (> ?Duração 1h30))
Prof. Dr. Sofiane Labidi 181
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 182
183. 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)
Prof. Dr. Sofiane Labidi 183
184. KEE
• Em KEE (Sistema de Frames)
– Valores Ativos:
Métodos aplicados automaticamente
na modificação ou leitura de um slot.
Prof. Dr. Sofiane Labidi 184
185. Herança
• Os frame podem ser organizados em uma hierarquia.
• Temos herança de:
• Valores,
• Estruturas, e
• Demônios.
Prof. Dr. Sofiane Labidi 185
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 KEE
Herança 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 186
187. 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.
Prof. Dr. Sofiane Labidi 187
189. Exp. Sistemas de Frames
• FRL : MIT 77.
• RLL : Lenat, 80.
• SRL : Fox, 85.
• KRL : Xerox.
• KEE
• Units, KL-One
Prof. Dr. Sofiane Labidi 189
190. Aplicações
• Análise de cenas
• Compreensão da percepção visual
• etc.
Prof. Dr. Sofiane Labidi 190
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 191
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 192
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 193
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 195
196. Grafo Conceitual
• É um grafo bipartido onde os nós representam:
• Conceitos ; ou
• Relações entre conceitos.
Prof. Dr. Sofiane Labidi 196
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 197
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 198
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 199
200. 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
Prof. Dr. Sofiane Labidi 200
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 201
202. Exp. de Lattice
Animal
Animal Mamífero
Silvestre
Elefante Tigre
Esta hierarquia não obedece às regras de um lattice
Prof. Dr. Sofiane Labidi 202
203. Exp. de Lattice
Top
Animal
Animal
Silvestre
Animal
Doméstico
Tigre
Elefante
Há herança múltipla.
Bottom
Prof. Dr. Sofiane Labidi 203
204. 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
Prof. Dr. Sofiane Labidi 204
205. 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.
Prof. Dr. Sofiane Labidi 205
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 206
207. Representação
• Os grafos conceituais podem ser representados sob duas
formas :
– Literal (notação linear); ou
– Gráfica.
Prof. Dr. Sofiane Labidi 207
208. 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] ;
}
Prof. Dr. Sofiane Labidi 208
209. 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
210. Exemplos de GC
• O que representa este grafo?
PESSOA AGENTE COME OBJETO TORTA
Prof. Dr. Sofiane Labidi 210
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 211
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 212
213. 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)
Prof. Dr. Sofiane Labidi 213
214. 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)
Prof. Dr. Sofiane Labidi 214
215. 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)
Prof. Dr. Sofiane Labidi 215
216. Operador (3)
• A hierarquia de tipos implica algumas afirmações lógicas:
– Homem Sob-Tipo Pessoa
– x, Homem(x) Pessoa(X)
Prof. Dr. Sofiane Labidi 216
217. 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
Prof. Dr. Sofiane Labidi 217
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 podem
ocorrer.
• Exp. Para o conceito ir são associadas as relações: destino, agente e
instrumento.
Prof. Dr. Sofiane Labidi 220
221. Exp. O conceito “Ensinar”
PROFESSOR AGENTE ENSINA RECEPTOR ALUNO
OBJETO Disciplina
Grafo canônico associado ao tipo de conceito ensinar
Prof. Dr. Sofiane Labidi 221
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 222
223. Exemplo de Especialização
PESSOA AGENTE COME OBJETO TORTA
restrição
GAROTA AGENTE COME OBJETO TORTA
Prof. Dr. Sofiane Labidi 223
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 224
225. Simplificação
• Exclua qualquer relação duplicada entre dois conceitos.
• Isto pode acontecer depois de uma junção (união).
Prof. Dr. Sofiane Labidi 225
226. Exp.
GAROTA AGENTE COME OBJETO TORTA
MANEIRA RÁPIDA
AGENTE
Prof. Dr. Sofiane Labidi 226
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 227
228. 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.
Prof. Dr. Sofiane Labidi 228
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).
Prof. Dr. Sofiane Labidi 231
232. 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
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 234
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 235
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 236
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 237
238. 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.
Prof. Dr. Sofiane Labidi 238