Ia labidi p1

INTELIGÊNCIA ARTIFICIAL

1

DR. SOFIANE [email protected]

OverviewI. 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

IA SBC Labidi 2003 P2.ppt



































REFERÊNCIAS BIBLIOPGRÁFICA

3

Prof. Dr. Sofiane Labidi 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.


Livros

• A Practical Guide to Knowledge AcquisitionA. Carlisle Scott, J. E. Clayton and E. L. Gibson.Addison-Weslay Publisher.

• Knowledge EngineeringD. N. Chrafas.Van Nostrand Reinhold Publisher.

• Knowledge Acquisition as ModelingK. M. Ford and J. F. Bradshaw Editors.J. Wiley & Sons Publisher.

• CommonKADS Library for Expertise ModellingJ. 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


http://www.epub.org.br/cm/n07/opiniao/minsky/minsky.htm

http://www.sics.se/ktm/kads.html

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/

http://www.ontology.org/

http://www.ontoweb.org/sig.htm

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

http://www.epub.org.br/publications.htm

http://www.nib.unicamp.br/

http://arti.vub.ac.be/robotic_agents.html




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)

• Ramo da Informática que tenta simular

comportamentos humanos inteligentes.

(Luger e Stubble)


Definição (3)


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.

ENGENHARIADE SOFTWARE

INTELIGÊNCIA ARTIFCIAL

BANCO DE DADOS

16

IA & INFORMÁTICA

Prof. Dr. Sofiane Labidi

IA

LÓGICA

SOCIOLOGIA

PSICLOGIA

FILOSOFIA

INFORMÁTICA

17

IA & CIÊNCIAS HUMANAS

CIÊNCIAS HUMANAS


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:

Ciência Cognitiva

Inteligência ArtificialNeurociências Lingüística

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).

• 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.

24

Histórico



1952-69: O Entusiasmo

• Desenvolvimento, por Newell e Simon, do GPS : “General ProblemSolver”.

• 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 de1a 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)

Sistema

Intermediário

A

Homem

C

Máquina

B“The Turing Test Page”

http://cogsci.ucsd.edu/~asaygin/tt/ttest.html


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 amáquina.

• 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 dealgumas 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

CONEXIONISTA

SIMBÓLICA

EVOLUTIVA

IA


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 doconhecimento, consistindo em um processo de equilíbrio entreassimilação e acomodação.

– Assimilação: incorporação de novas informações aos esquemas jáexistentes.

– Acomodação: modificação destes esquemas.

• O resultado final da interação entre assimilação e acomodação é aequilibração.


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

• São oito inteligências:• Musical

• 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

IA

PROCESS.LINGUAGEM

NATURAL

ROBÓTICA

LÓGICA

NEBULOSAAGENTES DE

SOFTWARE

BUSCA DE

SOLUÇÕES

SISTEMAS

ESPECIALISTAS


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

MCDesign/Imple-

mentaçãoCB MC

FC

Aquisição de Conhecimento Artefato

CC

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

C

C

C

CC

II

I

I

II

I I

DADOS

INFORMAÇÃOCONHECIMENTO

D

D

D D

D

D

D DD D

DD

CONHECIMENTO

SE

ENTÃO

NÃO HOUVER FISCALIZAÇÃO


Dados, Informação, Conhecimento

NÓS PODEMOS POR EM UM CARRO

INFORMAÇÃO

8 PESSOAS

DADO


Expertise

• É a Habilidade de:

– Ação;

– Resolução de problemas; e

– Tomada decisão.

• Baseada sobre:

– Conhecimento; e

– Experiência.


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 problemasassociados a essa tarefa.


AC como uma Atividade de Modelagem

• Os primeiros métodos de AC erram Ad-hoc: Prototipagemrápida.

• A partir de 1985, AC ficou vista como uma Atividade deModelagem:

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

1 2

4

3

Esquema do Modelo Conceitual

ModeloConceitual

Problema

Artefato

ACExpertise Parcial

• Objetivo: Análise das atividades do especialista e dosfuturos usuários do sistema, para:

– Caracterizar (identificar) a expertise(representação parcial da expertise)

– Definir os objetivos do sistema

(definição da interação sistema-usuário)

85

1: AC dirigida por Dados


• Duas abordagens:

– Exploração do discurso do experto; e

– Foco sobre o modelo conceitual.

86

1: AC dirigida por Dados


• 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.

87

Exploração do Discurso


• Focalizar diretamente a definição do MC.

• O MC serve para filtrar e estruturar os conhecimentosadquiridos:

É um guia eficiente para o processo de AC:

“Qual é o tipo da tarefa? ”, “Quando terminar”, etc.

• Exemplo: a metodologia KADS

88

Foco no Modelo Conceitual


• É a definição de um vocabulário abstrato que permite adescrição e a estruturação dos conhecimentos do experto eque serão usados pelo sistema.

• É um quadro para a conceitualização composto por:

– primitivas epistimológicas que servirão como base conceitualpara a modelagem.

– estruturas correspondentes a algumas formas genéricas.

• Objetivo: facilitar a tarefa de modelagem.89

2. Construção do Esquema do MC


• Quais as primitivas realmente adequadas para uma aplicação

específica?

• Quais são as primitivas universais? Se existem!

90

Dificuldades


• 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.

91

Processo Iterativo


• Aquisição dirigida por Modelo!

O esquema do MC identifica os conhecimentos aserem adquiridos e seus papéis no processo deresolução de problemas.

• Construir um MC completo Instanciar o Esquema.

92

3. Instanciação do Esquema 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.

93

4. Operacionalização do MC


• A fase de implementação do MC passa pela definição de ummodelo de concepção (Design Model). Exemplo: KADS.

• As estruturas de modelagem são codificadas em umalinguagem (que combina as programações : a objeto, lógica,e funcional). Exemplo:

• Construção de modelos operacionais em uma arquitetura

multiagentes. Exemplo: MAPS.

94

Soluções


• 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.

95

As Exigências da Operacionalização


• A Necessidade de Atualização da Base de Conhecimentos; e

• Explanação do Raciocínio.

96

Importância do Mapeamento


• A Manutenção da BC necessita de várias feedbacks nas fasesda concepção:

• Isto seria facilitado se o modelo operacional reflete, pelomenos parcialmente, o MC.

• Assim, caso haja uma inconsistência no sistema, podemosidentificar o componente do modelo conceitual que precisaser atualizado.

97

Necessidades de Atualização


• A explanação e justificação do raciocínio é uma necessidadepara a aceitação dos SBCs. A maioria se baseia nos traços deraciocínio.

• Graças ao modelo conceitual, explicações melhores podemser geradas colocando mais informações sobre as estratégiasde raciocínio dentro do MC Exploração mais rigorosa do

traço!

98

Necessidades de Explanação


• A maioria dos trabalhos sobre a operacionalização do MCsão baseados neste princípio (Reinders et al., 91) :

• A cada tipo de conhecimento usado na modelagem deuma expertise (tarefa, inferência, conhecimentos dodomínio) corresponde uma estrutura de dadosadequada!

99

Princípios da Correspondência Estrutural


100

Analogia: Arquitetura Ansi-Sparc

Nível Externo O que? Usuário

Nível Conceitual O que? SGBD (Administrador)

Nível Interno Como? SGBD (Administrador) e

Onde? Sistema Operacional


• A AC é a fase mais importante na construção de SBC.

• Ela condiciona o grau de aceitação do artefato pelousuário.

• É uma fase muito complexa (“the Bottleneck”):

– Dificuldade de exteriorização explicitação do conhecimentopelo especialista experto;

– Dificuldade de modelagem e de operacionalização101

Conclusão


Parte 4. REPRESENTAÇÃO DE CONHECIMENTO

102

• Conhecer: É uma operação ativa que precisa da:

– memorização de Informações; e do

– bom uso dessas informações.

Procurar representar os conhecimentos

103

IA Conhecimento



Engenharia de Conhecimento

AQUISICÃO DECONHECIMENTO

REPRESENTAÇÃODO CONHECIMENTO


Exemplo de Representação

CONHECIMENTO

SE

ENTÃO

NÃO HOUVER FISCALIZAÇÃO

NÓS PODEMOS POR EM UM CARRO

INFORMAÇÃO

8 PESSOAS

DADO

• “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”.

106

Representação do Conhecimento


• Visa levar o “conhecimento” para a máquina e dotá-la de

alguma capacidade de raciocínio (reasoning).

107

Representação do Conhecimento


• Convenção sintática e semântica para descrição das

informações.

• Ela deve :

– Explicitar o conhecimento e

– Ser manipulável.

108

Representação?


• Convenção sintática e semântica para descrição das

informações.

• Ela deve :

– Explicitar o conhecimento e

– Ser manipulável.

109

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.

110

Representação?


111

Variedade do Conhecimento

• Duas Visões:

– Declarativo Vs. Processual


112


• Conhecimento Declarativo:

– Conhecimento sobre o domínio

• Conhecimento Processual:

– Conhecimento sobre a resolução de problema


113


• Conhecimento Declarativo:

• O homem quando se comunica usa freqüentemente EnunciadosDeclarativos, por exemplo :

– “Paris é a capital da França”

– “Meu irmão tem 25 anos”

– “O Maranhão fica no norte do Brasil”


114


• Conhecimento Processual (Imperativo):

• Nós precisamos também passar ordens (informaçõesimperativas):

– São ordens que devem ser executadas

– Os comandos são ordenados (execução seqüencial)

– O interlocutor não tenta interpretar, ele deve somenteexecutar.


115


• Conhecimento Processual (Imperativo):

– São enunciados simples

– São independentes de seus contexto de utilização

– Não são verificados como verdadeiros ou falsos (isto éfeito depois).


116


• Conhecimento Superficial: (shallow knowledge)

– Combinação dos conhecimentos processuais edeclarativos para resolução rápida de problemas comuns.

• Conhecimento Profundo: (deep knowledge)

– É o conhecimento fundamental de um domínio:definições, axiomas, leis gerais, princípios, relaçõescausais, etc.


117


• Conhecimento Superficial: (shallow knowledge)

– Combinação dos conhecimentos processuais edeclarativos para resolução rápida de problemas comuns.

• Conhecimento Profundo: (deep knowledge)

– É o conhecimento fundamental de um domínio:definições, axiomas, leis gerais, princípios, relaçõescausais, etc.


118


• Objetos Complexos

• Fatos, leis, teorias, enunciados

• Crenças, pontos de vista

• Ambigüidade, incerteza, incompletude

• Evolução

• Quantificação

• Espaço-TemporalProf. Dr. Sofiane Labidi

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 devemter uma representação específica?


120

Evolução

• O que fazer das informações que não estão mais válidas?

• Elas devem ser retiradas? Como então, explicar decisõesanteriores?

• 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

131

Representação “Lógica”


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.

133

Exemplo de Representações

• Está ChovendoCHOVENDO

• Bimbo é um Gato

Gato(Bimbo)

• Adriana gosta de nadarGosta (Adriana,Nadar)

• Todo Homem é Mortal

X: Homem(X) Mortal(X)Prof. Dr. Sofiane Labidi


Lógica: Limitações

– A inferência lógica não é sempre o modo de raciocínioprivilegiado pelo ser humano;

– Os conhecimentos humanos são contextuaisporém 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


• É o formalismo de representação de conhecimentomais familiar:

IF <Premissas> AND / OR

THEN <Conclusões>

Falamos de Sistemas de Produção.

Formalismo de Regras


Par condição-ação

AÇÃOCONDIÇÃO

SE CONDIÇÃO ENTÃO AÇÃO

Antecedente Conseqüente

Formalismo de Regras


SE X é animal e

X tem pele e

X “amamenta”

ENTÃO X é mamífero.

Exemplo


• Regras de Ordem 0

• Regras de Ordem 0+

• Regras de Ordem 1

• Regras de Ordem Superior

Tipos de Regras


• 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 0+


• 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 1


• Uso da lógica de variáveis e quantificadores incluindo os

operadores:

– Existencial e

– Universal .

Regras de Ordem Superior


• 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.

Componentes de um SP


(Patient-ID ’4531)

(Patient-Name ’Edilson)

(Patient-Temperature ’40)

(Patient-... ’...)

Exemplo de SP

IF (Patient-Temp ’40) AND (Patient- ....) ...

THEN (assert (Patient-Complaint ’Dengue))

IF (Patient-Complaint ’Dengue)

THEN (assert (Remedy ’Thylenol))


• Exemplo:

SE Veículo é Velho eProblema para ligar o motor

ENTÃO aplicar em prioridade as regras sobre a bateria

....

Meta-Regras


Sistemas de Produção com Meta-Regras

Dados Observados

Saída

“Match”

“Fire”

Selecionar Alterar

Memóriade Trabalho

Interpretação

Meta-Regras

Memóriade 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)


• 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.

FC da Premissa


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 peloser humano.

• Atualização fácil de novos conhecimentos: Evolução eExplanação, 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

Modularidade Tempode execução

Uniformidade

NaturalidadeFluxo de controle

complexo

VANTAGENS DESVANTAGENS


Redes Semânticas


Redes Semânticas

• Redes Semânticas:

– São Grafos representando os conceitos de

um domínio e seus relacionamentos semânticos.

• Origem:

– Trabalhos de (Quilan, 62)


Exemplo

idade

Eduardo Pessoais-a

25

Adriana

mãe

is-a

possuiCarro

cor

Cinza

Veículo

ako

Motorpart-of


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)

cor

ako

is-a

ako

part-of

ako

isa

Part-of

tem

akoObjeto

Meio-Transporte

Meu-Carro

Cavalo Motor

Vermelho Cor

Velocidade

Carro

Rodas


Exemplo: Filtragem

• Request:

- “Qual é a idade de Eduardo?”

- “Existe uma pessoa que possui um carro?”

25idade

Eduardo Pessoaé-umpossui

Carro


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


Correspondência com a LPO

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

nós termos

retas relações


Exemplo

Homem Animalako

18idade

Carla Mulheris-a

Mulher(Carla)

Idade(Carla,18)

X: Humano(X) Animal(X)

Bimbo voa?

Solução:

A sob-classe deve mascara a super-classe!?


Herança!

ako

is-a

ako

Objeto-Voador

bimbo

Pingüim

Pássaro


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)

isa

isa

isa

pospos

pos

suportasuporta

Não-contato

B1B2

BLOCO

B3

B1 B2

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).

173

Frames


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 estruturascomplexas.


Estruturas complexas

• Objetos estruturados (compostos)

• Categorias de Objetos.


Frame

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

Banana

ako : Fruta

Cor : Amarela

Providência : Bananeira

Macaco

ako : Animal

Sexo : Domínio: {M,F}

Idade : Integer

Mora. : Defaut: selva

Alimento : Defaut: banana


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

Reunião

AKO: Atividade

Participantes

Duração

$REQUIRE:

(existe ?Participante

(papel „Presidente))

$PREFER:

(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

Atividade

AKO: Objeto

Participantes

Duração

$REQUIRE: (AKO Pessoa)

$If-Needed (pedir)

(preencher relação-participantes)

$REQUIRE: (AKO Intervalo)

$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 KEEHerança 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 sãotransmitidos?

• 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 umasérie de tipos predefinidos.

• Uma relação < é definida sobre os tipos exprimindo o fatoque 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

Esta hierarquia não obedece às regras de um lattice

Animal

TigreElefante

MamíferoAnimal Silvestre


Exp. de Lattice

Há herança múltipla.

Animal

TigreElefante

Animal Doméstico

Animal Silvestre

Top

Bottom

204

Referentes

• Referente Genérico

• Referente Individual

GATO: *

Significado: , <<qualquer gato>> ou <<um gato>>

GATO: #25

Significado: <<O indivíduo # 25 é um gato>><<o gato n. 25>> <<o gato chamado Bimbo>>

Há unicidade do referente

GATO: Bimbo



Relações conceituais

• Mostram os papeis que os conceitos têm em relação aos outrosconceitos. 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 relaçõesunárias (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 duasformas :

– Literal (notação linear); ou

– Gráfica.


Exemplo de GC

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

[ IR: *] --

{

(AGENTE) [PESSOA:João] ;

(DESTINO) [CIDADE:Fortaleza] ;

}

Representação Linear:

PESSOA: João AGENTE IR:* DESTINO CIDADE: Fortaleza


Exemplo de GC

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

[ IR: *] --

{

(AGENTE) [PESSOA:João] ;

(DESTINO) [CIDADE:Fortaleza] ;

(INSTRUMENTO) [MOTO:*] ;

}

PESSOA: João AGENTE IR:* DESTINO CIDADE: Fortaleza

Representação Linear:INSTRUMENTO MOTO:*


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

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)

• : Transformação em uma formula lógica de primeira ordem:

GATO: Bimbo AGENTE SENTADO LOCAL MESA

ATRIBUTO PRETO


Afirmações / Operador

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

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>>

x,y,z Homem(x) Agente(x,y) Olhar(y)

Objeto(y,z) Pés(z) PartOf(z,x)

HOMEM: * AGENTE OLHAR OBJETO PÉS

PART-OF


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”

OBJETO

PESSOA: JOÃO AGENTE PENSA

PROPOSIÇÃO: GATO:* AGENTE SENTA LOCAL TAPETE

218

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 podemocorrer.

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

instrumento.


Exp. O conceito “Ensinar”

Grafo canônico associado ao tipo de conceito ensinar

PROFESSOR AGENTE ENSINA RECEPTOR ALUNO

OBJETO Disciplina


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

GAROTA AGENTE COME OBJETO TORTA

restrição

PESSOA 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.

MANEIRA

GAROTA AGENTE COME OBJETO TORTA

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 parapermitir o raciocínio.

• Um méodo para a realização de deduções (em lógica deprimeira 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).

232

O crime

aconteceu na

biblioteca da

vítima

A Vitima conheça o assassino

e o faz confiança 0,72

V 1

Não há traços

de pés levando

do exterior ao

corpo

A porta de entrada e as

janelas estavam fechados e

intatosV 1

Além do

ferimento não

há marcas de

agressão

Os móveis

não mudarem

de lugar

V 1 V 0,8

0,9

Não há sinal

de rombamento 1

O Crime aconteceu na casa

da vítima 1A Vitima

não “lutou” 0,8

1 1 1

F 1

O crime

aconteceu

no quarto

da vítima

O crime

aconteceu

no salão da

vítimaF 1 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 sãoexpertos em IA ou em Informática.

• Permitir a presença simultânea de vários tipos de representaçõese de raciocínio.

• Superar os detalhes das linguagens de programaçãoKnowledge Level.

239

Obrigado!

Fim da Primeira Parte

Documents

Ia labidi p1