CIn- UFPE

1

Agentes Baseados em Conhecimento

CIn- UFPE

2

De volta ao exemplo de West...

West é criminoso ou não? • “A lei americana diz que é proibido vender armas a uma nação

hostil. Cuba possui alguns mísseis, e todos eles foram vendidos pelo Capitão West, que é americano”

Como resolver automaticamente este problema de classificação?

Segundo a IA (simbólica), é preciso:• Identificar o conhecimento do domínio (modelo do problema)• Representá-lo utilizando uma linguagem formal de

representação• Implementar um mecanismo de inferência para utilizar esse

conhecimento

Solucionando o caso do cap. West (linguagem natural)

A) odo americano que vende uma arma a uma nação hostil é criminosoB) Todo país em guerra com uma nação X é hostil a XC) Todo país inimigo político de uma nação X é hostil a XD) Todo míssil é um armaE) Toda bomba é um armaF) Cuba é uma naçãoG) USA é uma naçãoH) Cuba é inimigo político dos USAI) Irã é inimigo político dos USA

conh

ecim

ento

pré

vio

J) West é americanoK) Existe um mísseis em cubaL) Os mísseis de cuba foram vendidos por West co

nhec

imen

to

do p

robl

ema

novo

co

nhec

imen

to

M) Cuba possui um míssel M1 - de KO) M1 é uma arma - de D e NP) Cuba é hostil aos USA - de F, G, H e CQ) M1 foi vendido a Cuba por West - de L, M e NR) West é crimonoso - de A, J, O, F, P e Q

CIn- UFPE

4

Questões levantadas pelo exemplo

Seria possível resolver esse problema com busca?

Por que?

CIn- UFPE

5Limitações da resolução de problemas por Busca

Agentes de Busca são muito eficientes na solução de problemas que podem ser formalizados por:• 1. um estado inicial;• 2. ações (operadores);• 3. um conjunto de estados finais.

Porém, não são capazes de resolver problemas que exigem raciocínio baseado em conhecimento sobre o mundo:• porque seu modelo do mundo é pobre e o raciocínio é limitado• e.g., diagnóstico médico, controle aero-espacial, prova de

teoremas, sistemas especialistas em geral,...• mesmo em casos aparentemente solucionáveis por busca

(planejamento), pode ser preciso adicionar conhecimento explícito

CIn- UFPE

6

Plano de aula

Agentes Baseados em Conhecimento (BC)• definição geral

Categorias de conhecimento e de raciocínio

Linguagens de representação de conhecimento

Mecanismos de raciocínio

Arquitetura e algoritmo básico do Agente BC (caso dedutivo)

Sistemas baseados em conhecimento

CIn- UFPE

7

Agentes Baseados em Conhecimento

São agentes que• conhecem seu mundo

– esse conhecimento está representado na Base de Conhecimento• raciocinam sobre suas possíveis ações

– com auxílio de uma Máquina de Inferência

Sabem:• o estado atual do mundo (propriedades relevantes)• como o mundo evolui• como identificar estados desejáveis do mundo• como avaliar o resultado das ações• conhecimento sobre conhecimento (meta-conhecimento)• etc.

CIn- UFPE

8

Esclarecendo... Dados:

• cadeias numéricas ou alfanuméricas que não possuem significado associado

• podem ser fatos ou figuras a processar

Informação:• dados organizados• significam alguma coisa para quem os recebe

Conhecimento:• representa objetos (entidades) de algum domínio, com suas

propriedades e relações

Meta-conhecimento:• conhecimento sobre o conhecimento disponível

– ex. regras sobre “como” manipular as regras sobre conhecimento que estão em uma base

CIn- UFPE

9

Categorias de Conhecimento

Procedimental:• fatos e seqüências de instruções para manipular esses fatos

– ex.: como desmontar uma bicicleta

Declarativo:• representação descritiva dos fatos, relacionamentos e regras

– as partes de uma bicicleta e seus relacionamentos – o pai do pai é o avô

Episódico:• fatos vividos, casos, exemplos...

– ex. D. Maria tem dor de cabeça e dengue

CIn- UFPE

10

Categorias de Raciocínio (Inferência)

Dedução: fatos + regras de inferência => novos fatos.• ex. Onde há fogo, há fumaça. Aqui tem fogo, logo...

Abdução: inverso da dedução.• ex. Se há fumaça, há fogo.

Indução: parte-se dos fatos para gerar regras.• ex. Se Sr. Antônio, assim como D. Maria, tem dor de cabeça

e dengue, então todo mundo que tem dengue, tem dor de cabeça.

Analógico: casos + regras de adaptação• ex.: Para construir este hospital, vou me basear no projeto

daquele outro

CIn- UFPE

11Agentes Baseados em Conhecimento (dedutivo)

Principais componentes:• Base de Conhecimento• Mecanismo de Inferência

Base de Conhecimento:• contém sentenças em uma Linguagem de Representação

de Conhecimento– representações de fatos e regras

• conhecimento em forma “tratável” pelo computador– ex. míssil é uma arma, M1 é um míssil

Mecanismo (máquina) de Inferência:• responsável por inferir, a partir do conhecimento da base,

novos fatos ou hipóteses intermediárias/temporárias– ex. M1 é uma arma

CIn- UFPE

12Agentes Baseados em Conhecimento Dedutivo: Arquitetura

sensoresAgente

efetuadores

a m

b i

e n

t e Base de ConhecimentoMáquina de Inferência (Raciocínio)

Mecanismo de Aprendizagem - opcional

Tell

TellAsk

Tell - - adiciona novas sentenças à BCAsk - consulta a BC

CIn- UFPE

13Implementando raciocínio (dedutivo): laço principal de TODO agente

Programa Agente Baseado em Conhecimento

t := 0 //contador de tempoenquanto Agente-BCAgente-BC vivo, faça

TellTell(BC, Percepções-SentençaPercepções-Sentença(percepção,t)) ação <- AskAsk(BC, Pergunta-AçãoPergunta-Ação(t)) ExecutaExecuta(ação) TellTell(BC, Ação-SentençaAção-Sentença(ação,t)) t <- t + 1

CIn- UFPE

14

Sistemas baseados em conhecimento

Sistemas baseados em conhecimento• Têm uma base de conhecimento e uma máquina de

inferência associadas• Formalizam e implementam parte dos agentes

Qual a diferença?• Agentes interagem com o ambiente onde estão imersos

– através dos sensores e efetuadores

CIn- UFPE

15Ciclo de vida dos sistemas baseados em conhecimento

Nível de Conhecimento

Nível Lógico

Nível de Implementação

BC

AQUISIÇÃO

FORMALIZAÇÃO

IMPLEMENTAÇÃO

REFINAMENTO

linguagem natural

linguagem de representação deconhecimento

linguagens de programação

CIn- UFPE

16

Engenharia do Conhecimento

Engenharia do Conhecimento• estuda como construir uma Base de Conhecimento (BC)

1. Nível do conhecimento: aquisição de conhecimento• conhecimento em “estado puro” - linguagem natural

– e.g., táxi automático: a ponte Princesa Isabel liga a Rua da Imperatriz à Rua Nova

2. Nível lógico: formalização• conhecimento codificado em sentenças - linguagem formal

– e.g. sentença lógica: liga(Ponte-PI,RI,RN)

3. Nível de máquina: implementação• estrutura de dados representando as sentenças do nível lógico

– e.g., listas, tabelas, objetos, etc.

CIn- UFPE

17Linguagens de Representação do Conhecimento

Linguagens de programação:• são precisas, porém não são suficientemente expressivas

Linguagens naturais:• são muito expressivas, porém são ambíguas

Linguagens de representação de conhecimento (LRC):• utilizadas para expressar as sentenças das BC• estão entre as anteriores...• existem 3 grandes classes:

– linguagens (predominantemente) declarativas– linguagens procedimentais– linguagens híbridas

CIn- UFPE

18Tipos de Linguagens de Representação do Conhecimento

Linguagens procedimentais: dizem como• representam fatos (através de constantes ou variáveis

instanciadas) e seqüências de instruções para manipular esses fatos

• representação e implementação estão intrinsecamente ligados– ex. C, Pascal, Lisp, ...

Linguagens declarativas: dizem o que• representam fatos, seus relacionamentos e regras

(conhecimento puro)– esse conhecimento necessita ser processado por algum código!

• Linguagens Lógicas (ex. Lógica de primeira ordem)• Linguagens baseadas em Regras (ex. regras se-então)• Linguagens baseadas em Objetos (ex. frames, ontologias, etc.)

CIn- UFPE

19Tipos de Linguagens de Representação

do Conhecimento

Linguagens híbridas• objetos + regras• lógica + objetos • lógica + objetos + regras • etc...

CIn- UFPE

20Linguagens de Representação do

Conhecimento

Uma Linguagem de Representação do Conhecimento é definida por:

1) uma sintaxe, que descreve as configurações que podem constituir sentenças daquela linguagem;

2) uma semântica, que liga cada sentença aos fatos no mundo que ela representa

– cada sentença faz uma afirmação a respeito do mundo;– o agente acredita nas sentenças que correspondem a sua

configuração interna.

E geralmente ... • tem um mecanismo de inferência associado = raciocínio

CIn- UFPE

21

Representação & Raciocínio Raciocínio é um processo de construção de novas sentenças a

partir de sentenças existentes.

Raciocínio plausível (sound):• garante que as novas sentenças representam fatos que se seguem

dos fatos representados pelas sentenças existentes na BC.• implementa a relação de “implicação” entre sentenças

implicasentenças

Representação sem

ântic

a

sentenças

Mundofatos

sem

ântic

a

segue-sefatos

Solucionando o caso do cap. West (em LPO)A) x,y,z Americano(x) Arma(y) Nação(z) Hostil(z) Vende(x,z,y) Criminoso(x)B) x Guerra(x,USA) Hostil(x)C) x InimigoPolítico(x,USA) Hostil(x)D) x Míssil(x) Arma(x)E) x Bomba(x) Arma(x)F) Nação(Cuba)G) Nação(USA)H) InimigoPolítico(Cuba,USA)I) InimigoPolítico(Irã,USA)co

nhec

imen

to p

révi

o

J) Americano(West)K) x Possui(Cuba,x) Míssil(x) L) x Possui(Cuba,x) Míssil(x) Vende(West, Cuba,x) co

nhec

imen

to

do p

robl

ema

novo

co

nhec

imen

to M) Possui(Cuba,M1) - Eliminação: quantificador existencial eN) Míssil(M1) conjunção de KO) Arma(M1) - Modus Ponens a partir de D e NP) Hostil(Cuba) - Modus Ponens a partir de C e HQ) Vende(West,Cuba,M1) - Modus Ponens a partir de L, M e NR) Criminoso(West) - Modus Ponens a partir de A, J, O, F, P e Q

CIn- UFPE

23

Direções do raciocínio dedutivo

Raciocínio progressivo • dos dados à conclusão - data-driven inference • as regras da BC são usadas para gerar informação nova

(novos fatos) a partir de um conjunto inicial de dados• os fatos gerados passam a fazer parte da BC

– ex.: criminoso(West).

Raciocínio regressivo• da hipótese aos dados - goal-directed inference• usa as regras da BC para responder a perguntas• prova se uma asserção é verdadeira

– ex.: criminoso(West)?• só processa as regras relevantes para a pergunta (asserção)

Principais sistemas de raciocínio declarativos/dedutivos

regraslógica objetos híbridos

Programação em lógicaSistemas de produção

Sistemas de manutenção da verdade

Provadores de teoremaSistemas Redes Semânticas

Sistemas FramesSistemas de Lógica descritiva

Sistemas OO

regras+objetoslógica+objetos

lógica+objetos+funções

Tipologia de sistemas baseados em conhecimento (LRC+MI)

CIn- UFPE

25

Implementando Regras

Sistemas de Produção• Restringem a lógica mais do que a programação em lógica,

mas são mais eficientes

• Geralmente usam Encadeamento Progressivo.– Exemplos: OPS-5, CLIPS, SOLAR.

Linguagens de Programação Lógica

• Restringem a lógica, não permitindo o tratamento completo da negação, da disjunção e/ou da igualdade.

• Geralmente usam Encadeamento Regressivo.– Exemplos: Prolog, MRS, Life.

Sistemas de manutenção da verdade• Truth-maintenance systems (TMS)• Mantêm a base de conhecimento consistente.

CIn- UFPE

26

Implementando Objetos

Sistemas de Redes Semânticas• BC: nós (representando objetos) conectados por arcos

(representando a relação binária entre eles).– Exemplos: KRL, SNEPS, NETL, Conceptual Graphs.

Sistemas Frames• Consistem em uma hierarquia de frames (quadros) conectados

por atributos, onde os frames representam objetos do mundo e atributos usualmente a relação entre eles.

– Exemplos: KRIPTON, OWL, FRAIL, KODIAK.

Linguagens de classes• hierarquia de objetos encapsulando comportamento e estrutura

e com comunicação via envio de mensagens– Exemplos: Smalltalk, Lisp-CLOS, Java, ...

CIn- UFPE

27

Abordagem Híbrida

Sistemas híbridos• combina as vantagens de cada sistema e ainda mais

algumas de engenharia de software

Exemplos• eoops: objetos + regras (C++/Clips, Smalltalk/NéOpus,

Java/Jeops,...)• lógica + objetos (ObjLog),• lógica + objetos + funções (LIFE), etc...

CIn- UFPE

28

Critérios de avaliação de LRC

Expressividade: o que é possível dizer facilmente na linguagem?

Inferência disponível: que tipo de inferência é possível fazer na linguagem?

Corretude: a inferência é plausível (sound)? A semântica é bem definida?

Eficiência: a inferência se realiza em um tempo razoável?

Modularidade: é fácil identificar e reutilizar partes do conhecimento?

Legibilidade: é fácil de ler e entender o que está escrito?

Eficiência aquisicional: é fácil adicionar conhecimento?