Baixe o app para aproveitar ainda mais
Prévia do material em texto
Introdução à inteligência artificial APRESENTAÇÃO A inteligência artificial (IA) é o ramo da ciência que desenvolve métodos de automação da inteli gência, aplicável tanto para problemas simples e do dia a dia quanto para sistemas complexos de produção e controle. O campo da IA tem um longo histórico de avanços como, por exemplo, o r econhecimento ótico de caracteres, que agora já são considerados rotina. Nesta Unidade de Aprendizagem, você irá entender um pouco sobre a origem e conceito da intel igência artificial, os tipos ou classificações de sistemas inteligentes existentes e a importância de métodos estatísticos utilizados pelos sistemas de inteligência artificial. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Reconhecer o conceito de inteligência artificial e sua história.• Explicar os tipos de inteligência artificial.• Identificar a importância da distribuição, frequência e média para a IA.• DESAFIO A principal característica de um sistema de inteligência artificial que o diferencia dos demais sis temas de informação atuais é que os sistemas de IA são capazes de resolver questões que soment e a mente humana seria capaz de resolver. É muito comum as pessoas se confundirem quando o assunto é um sistema inteligente ou quando se trata apenas de um sistema de automatização de t arefas. Pensando nisso, imagine a seguinte situação: Com base na situação apresentada, responda: O que esse sistema proposto pelo fornecedor precisa apresentar para ser considerado um sistema de inteligência artificial? INFOGRÁFICO O surgimento da inteligência artificial está muito relacionado com a própria computação. Alan T uring, matemático inglês, conhecido como o precursor da computação, foi também um pioneiro na área de inteligência artificial. Confira no Infográfico uma breve evolução da área de inteligência artificial, desde o seu surgim ento até a atualidade. CONTEÚDO DO LIVRO A inteligência artificial, em sua essência, permite que os sistemas tomem decisões de forma inde pendente, precisa e apoiada em dados digitais. Em uma visão otimista, isso multiplica a capacid ade racional do ser humano de resolver problemas práticos, simular situações e pensar em respo stas ou, de forma mais ampla, potencializa a capacidade de ser inteligente. O capítulo Introdução à inteligência artificial, da obra Inteligência artificial, trata da origem da i nteligência artificial como ciência, suas classificações e a importância de alguns métodos estatist icos para sua aplicação. Além disso, explica por que a estatística é fundamental para a base dos s istemas inteligentes. INTELIGÊNCIA ARTIFICIAL Fabricio Machado da Silva Introdução à inteligência artificial Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Reconhecer o conceito de inteligência artificial e sua história. � Analisar os tipos de inteligência artificial. � Identificar a importância da distribuição, frequência e média para a inteligência artificial. Introdução O termo inteligência artificial representa um software diferente dos demais, pois é inteligente e visa fazer os computadores realizarem funções que eram exclusivamente dos seres humanos, por exemplo, praticar a linguagem escrita ou falada, aprender, reconhecer expres- sões faciais, etc. Seu campo tem um longo histórico e muitos avanços, como o reconhecimento de caracteres ópticos, que atualmente são considerados de rotina. Neste capítulo, você estudará a origem e o conceito de inteligência artificial, seus tipos ou suas classificações de sistemas inteligentes e a importância dos métodos estatísticos utilizados pelos sistemas desse software. Origem da inteligência artificial A inteligência artificial está cada vez mais presente no dia a dia, mas essa tecnologia é mais antiga do que você pensa e começou a ser desenvolvida ainda na década de 1950, com o Dartmouth Summer Research Project on Artificial Intelligence (Projeto de Pesquisas de Verão em Inteligência Arti- ficial de Dartmouth) no Dartmouth College, em Hanover, New Hampshire, Estados Unidos. Contudo, seu objeto de estudo continua não sendo muito claro, no sentido em que o ser humano ainda não possui uma definição suficientemente satis- fatória de inteligência e, para compreender seus processos e a representação do conhecimento, deve dominar os conceitos de inteligência humana e conhecimento. Com o decorrer do tempo, surgiram várias linhas de estudo da inte- ligência artificial, como a biológica, que estudava o desenvolvimento de conceitos que pretendiam imitar as redes neurais humanas. Já durante os anos de 1960, essa ciência recebeu o nome de inteligência artificial, e seus pesquisadores pensavam ser possível que máquinas realizassem tarefas humanas complexas, como raciocinar. Depois de um período, na década de 1980, esse estudo sobre redes neurais volta e, nos anos de 1990, ele tem um grande impulso, consolidando-o verdadeiramente como a base das análises de inteligência artificial. Assim sendo, a inteligência artificial foi desenvolvida para que os disposi- tivos criados pelo ser humano pudessem desempenhar determinadas funções sem a interferência humana, mas quais são elas? A cada dia que passa, a resposta fica maior e pode ser entendida por meio de alguns exemplos de suas aplicações. O sistema de inteligência artificial não é capaz apenas de armazenar e ma- nipular dados, como também adquirir, representar e manipular conhecimento. A manipulação inclui a capacidade de deduzir ou inferir novos conhecimentos ou relações sobre fatos e conceitos a partir do conhecimento já existente e utilizar métodos de representação e manipulação para resolver problemas complexos que são frequentemente não quantitativos por natureza. Uma das ideias mais úteis que emergiram das pesquisas é que fatos e regras (conhecimento declarativo) podem ser representados separadamente dos algoritmos de decisão (conhecimento procedimental), tendo um efeito profundo tanto na forma com que os cientistas abordavam os problemas como nas técnicas de engenharia para produzir os sistemas inteligentes. Ao adotar um procedimento particular ou a máquina de inferência, o desenvolvimento de um sistema de inteligência artificial é reduzido à obtenção e codificação de regras e fatos que sejam suficientes para determinado domínio do problema, cujo processo é chamado de engenharia do conhecimento. Portanto, as principais questões a serem contornadas pelo projetista do sistema de inteligência artificial são aquisição, representação e manipulação Introdução à inteligência artificial2 de conhecimento e, geralmente, uma estratégia de controle ou a máquina de inferência que determina os itens de conhecimento acessados, as deduções feitas e a ordem dos passos usados. Na Figura 1, você pode ver tais questões e a inter-relação entre os componentes de um sistema clássico de inteligência artificial. Figura 1. Visão conceitual dos sistemas de inteligência artificial. Fonte: Adaptada de Schutzer (1987). Pesquisa Dedução Conhecimento Sistema IA Aquisição Representação Exemplos de aplicação da inteligência artificial O setor de atendimento ao consumidor é um dos mais beneficiados pela in- teligência artificial, porque a eficiência do chatbot (robô atendente) assegura que todo usuário seja devidamente atendido, solucionando sua dúvida de maneira imediata ou redirecionando-o à área competente. Porém, como o chatbot funciona na prática? Quando o cliente acessa ao site da empresa e deseja tirar dúvidas ou falar com o representante, há um robô de prontidão para respondê-lo por meio do chat, assim, ao mesmo tempo em que isso agiliza o processo, por ocorrer imediatamente, ainda valoriza o tempo dos empregados que prestam o atendimento inicial, permitindo que eles se dediquem a outros processos internos. 3Introdução à inteligência artificial Acesse o link a seguir para ver umexemplo de aplicação da inteligência artificial, como a plataforma digital que pretende solucionar problemas relacionados aos planos de saúde em até três horas; o uso dessa tecnologia na medicina, por exemplo, no tratamento de doenças; e o primeiro hospital da América Latina a usá-la contra o câncer. https://qrgo.page.link/6QoR A chegada das Fintechs no mercado financeiro, antes dominado por tradicionais instituições bancárias, também expandiu as possibilidades do consumidor com inovações incríveis, as quais costumam envolver o uso de inteligência artificial. Quanto à inteligência artificial moderna, oriunda dos anos de 1950 com Alan Turing (criptoanalista), passando por Noam Chomsky (linguista) até HAL 9000 e Watson, desenvolveu-se duas perspectivas que se tornaram conhecidas como inteligência artificial forte e fraca. A inteligência artificial é definida como o estudo dos sistemas que agem de um modo que, a um observador qualquer, pareçam ser inteligentes. Categorizações da inteligência artificial As categorizações da inteligência artificial auxiliam a compreender seu grau de desenvolvimento, que vai desde o mais restrito e específico até a superin- teligência. Assim, de forma geral, qualquer produto dessa ciência pode ser classificado em três categorias. Introdução à inteligência artificial4 Inteligência artificial fraca A inteligência artificial fraca é uma corrente de pesquisa e desenvolvimento que defende que nunca será possível construir máquinas inteligentes no real sentido da palavra, pois, para ela, a inteligência demanda consciência e autopercepção, habilidades impossíveis de serem recriadas. Tudo que se pode fazer envolve imitar comportamentos inteligentes e emoções, bem como resolver problemas, mas nunca a consciência, considerando que isso se resume a um conjunto de cálculos. Inteligência artificial forte Já o grupo da inteligência artificial forte acredita que um dia será possível recriar máquinas capazes de pensar, criar e exibir comportamento inteligente nos moldes humanos, a partir da criação de algoritmos cognitivos que possam executar em computadores. Assim, essas duas correntes são de caráter filosófico e servem para refletir sobre os limites da tecnologia. Superinteligência O termo superinteligência, por sua vez, foi definido pelo filósofo sueco Nick Bostrom como “um intelecto que é muito mais inteligente do que o melhor cérebro humano em praticamente todas as áreas, incluindo criatividade cientí- fica, conhecimentos gerais e habilidades sociais” (BOSTROM, 2003, p. 12–17). Assim, a artificial abrange possibilidades que variam desde o computador um pouco mais inteligente do que um ser humano até aquele milhões de vezes mais inteligente do que uma pessoa em todas as capacidades intelectuais. Nesse tipo hipotético de inteligência artificial, concentram-se hoje as prin- cipais discussões, pois é dessa área que vêm as promessas mais promissoras e assustadoras para o futuro da humanidade: a imortalidade ou a extinção dos seres humanos. Há relatos de que a inteligência artificial será responsável por milhares de pessoas perderem o emprego e, embora isso acontecerá de fato, não precisa ser visto de uma forma tão pessimista. Certamente, surgirão oportunidades de novas aplicações, mas com aprendizado constante. 5Introdução à inteligência artificial Importância da análise estatística de dados A estatística pode ser explicada como um ramo da ciência que busca modelar a incerteza e a aleatoriedade para inferir conclusões para a estimativa de fenômenos futuros, funcionando por meio da coleta, análise e interpretação de dados. Em suma, ela é uma ferramenta para interpretar esses dados. Aliada à inteligência artificial, decorrente do avanço científico em campos como machine learning (o aprendizado de máquinas que substitui a codifica- ção algorítmica por seres humanos) e deep learning (o campo de codificação algorítmica com uso das técnicas de redes neurais artificiais, que imitam o cérebro), a estatística é uma área de apoio para atravessar a Era Big Data e enfrentar todos os inerentes desafios e oportunidades, como na Indústria 4.0 e na Internet of Things (IoT). Na Figura 2, você pode conferir uma representação dos campos da inteligência artificial. Figura 2. Campos da inteligência artificial. Fonte: Adaptada de Crawford (2016, documento on-line). Campo da inteligência arti�cial Aprendizagem profunda Campos de aprendizagem da máquina Introdução à inteligência artificial6 Ao abordar uma problemática envolvendo métodos estatísticos, estes devem ser utilizados antes de se recolher a amostra, planejando a experiência que permitirá essa coleta de dados a fim de, posteriormente, extrair o máximo de informação relevante para o problema e a população da qual eles provêm. Quando você tiver esses dados, precisa agrupá-los e reduzi-los sob forma de amostra, evitando a aleatoriedade. Já o objetivo do estudo estatístico inclui estimar uma quantidade ou testar uma hipótese, utilizando as técnicas convenientes, as quais realçam toda a potencialidade da estatística, na medida em que permitem tirar conclusões sobre uma população e baseiam-se em uma pequena amostra, propiciando uma medida do erro cometido. Distribuição de frequências Na análise de dados, é comum conferir certa ordem aos números e torná-los visualmente mais amigáveis. Assim, o procedimento mais frequente é sua divisão por classes ou categorias, verificando-se o número de indivíduos pertencentes a cada uma. A distribuição de frequências compreende a organização dos dados de acordo com as ocorrências dos diferentes resultados para cada variável. Essas informações podem ser resumidas e visualizadas por meio de tabelas e gráficos. Essa distribuição dos dados pode ser feita de dois modos: relativo ou acu- mulado. A frequência relativa é a apresentação da frequência de valores que aparecem em cada uma das faixas, dividida pela frequência total de valores de um conjunto, geralmente, expressa em porcentagem e sendo representada pela seguinte fórmula: Frequência relativa ( faixa) = ( frequência da faixa) ( frequência total ) 100* O modo acumulado, por sua vez, é a apresentação das frequências acumu- ladas que aparecem em cada uma das faixas, dividida pela frequência total de valores de um conjunto. Assim, uma simples análise da distribuição de frequências tem muito valor. Quando se começa a descrever os dados e a explorá-los, compreende-se um pouco mais a população da qual eles foram extraídos. Esse tipo de análise pode ser caracterizado como exploratório ou uma tentativa de captar a essência das informações contidas nesses dados, por meio da construção de tabelas e 7Introdução à inteligência artificial gráficos. Em termos mais técnicos, uma análise exploratória consiste na busca de um padrão ou modelo que possa orientar em estudos posteriores. No Quadro 1, você pode ver uma distribuição de frequências e sua análise. Intervalos de classe Frequências 0 | – 10 47 10 | – 20 29 20 | – 30 13 30 | – 40 7 40 | – 50 3 Acima de 50 1 Quadro 1. Exemplo de distribuição de frequências Média aritmética A média é entendida como o ponto de equilibração entre os dados de uma distribuição, considerando os desvios dos valores. Já a média aritmética seria o valor que equilibra os dados — como o ponteiro de uma balança — e equi- valeria ao ponto central da massa de um conjunto deles (NOVAES; COUTI- NHO, 2009). Os estudos anteriores sobre média apontam diferentes aspectos conceituais que precisariam ser abordados na escola, por exemplo, Strauss e Bichler (1988) investigaram essa compreensão entre 80 estudantes com 8 a 12 anos, em Israel, e elencaram sete propriedades que deveriam ser ensinadas para se ter o domínio do conceito de média. No Quadro 2, você pode ver as propriedades da média segundo Strauss e Bichler (1988). Introdução à inteligência artificial8 Fonte: Adaptado de Strauss e Bichler (1988). Propriedades (P) Significado P1A média está localizada entre os valores extremos. P2 A soma dos desvios a partir da média é zero. P3 A média é influenciada por cada um e por todos os valores. P4 A média não coincide necessariamente com um dos valores do banco de dados que a compõe. P5 A média pode ser um número que não tem correspondente na realidade física. P6 O cálculo da média considera todos os valores, inclusive os nulos e os negativos. P7 A média é um valor representativo do banco de dados a partir dos quais ela foi calculada. Quadro 2. Propriedades da média A DeepMind Health faz parte do Google e trabalha com o University College London Hospitals para desenvolver algoritmos de aprendizado de máquinas que detectam diferenças em tecidos saudáveis e cancerosos a fim de melhorar os tratamentos de radioterapia. A pesquisa usa uma técnica chamada de deep learning. CRAWFORD, C. An Introduction to Deep Learning. Algorithmia — AI in Every Application, Seattle, 4 Nov. 2016. Disponível em: https://blog.algorithmia.com/introduction-to- deep-learning/. Acesso em: 27 abr. 2019. 9Introdução à inteligência artificial NOVAES, D. V.; COUTINHO, C. Q. S. Estatística para a educação profissional. São Paulo: Atlas, 2009. 186 p. SCHUTZER, D. Artificial intelligence: na applications-oriented approach. New York: Van Nostrand Reinhold, 1987. 294 p. STRAUSS, S.; BICHLER, E. The development of children’s concepts of the arithmetic ave- rage. Journal for Research in Mathematics Education, Reston, v. 19, n. 1, p. 64–80, Jan. 1988. Leituras recomendadas GONZALO, L. M. Inteligencia humana e inteligencia artificial. Madrid: Palabra, 1987. 167 p. GROOVER, M. P. et al. Robótica: tecnologia e programação. São Paulo: McGraw-Hill, 1989. 401 p. MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Pearson Pren- tice Hall, 2010. 375 p. NAVIDI, W. Probabilidade e estatística para ciências exatas. Porto Alegre: AMGH; Book- man, 2012. 616 p. Introdução à inteligência artificial10 DICA DO PROFESSOR Big data e inteligência artificial são dois dos termos mais falados atualmente no segmento empr esarial. E não é para menos, uma vez que eles estão prometendo (e cumprindo) revolucionar o m undo dos negócios com seus números, dados e algoritmos, o que torna qualquer menção a eles r epleta de expectativas. O big data reúne a imensa quantidade de dados digitais disponível na red e que, quando exposta, permite a criação de modelos que analisam e antecipam o comportament o e a dinâmica de sistemas e interações complexas. Acompanhe a Dica do Professor e saiba mais sobre big data. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. EXERCÍCIOS 1) Os sistemas de inteligência artificial (IA) mudaram a forma como interagimos com a computação. Essas aplicações são capazes de processar, com rapidez, uma quantidad e enorme de dados que têm suas origens nos mais variados meios. Com base nesse conceito, analise as afirmativas abaixo e identifique aquela que está e m conformidade com as características de um sistema de inteligência artificial. A) Coletar dados e apresentar o resultado desses dados são características que por si só justific am um sistema como inteligente. B) Os sistemas de IA devem coletar e analisar os dados, sendo capazes de gerar alguma inferê ncia sobre a manipulação e análise desses dados. C) Sistemas de IA são classificados em IA forte (realiza alguma manipulação e extração do co nhecimento) e IA fraca (realiza coleta e apresentação de dados). https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/885fbba06a68cd60b7889d87e4d37de7 D) Os sistemas de IA atuais substituem por completo a necessidade da interferência humana. E) Os sistemas de IA não manipulam dados, apenas realizam análise sobre os dados coletado s. 2) As aplicações de inteligência artificial são classificadas como fracas, fortes e superinte ligentes. Com relação às categorizações da inteligência artificial, analise as afirmativa s e identifique a que está em concordância com as características da inteligência artifi cial classificada como forte. A) São sistemas capazes de aprender com as ações executadas, aprimorando a si mesmos em s uas técnicas de análise de dados. B) São sistemas mais inteligentes que a mente humana em todas as suas capacidades intelectu ais. C) São os sistemas de IA mais utilizados hoje em dia, capazes de olhar para o passado e gerar alguma inferência. D) Um sistema de IA forte não é capaz de gerar um aprendizado contínuo – essa característica se aplica aos sistemas superinteligentes. E) A inteligência artificial forte é uma técnica que veio para substituir a inteligência artificial classificada como fraca. 3) Considere a afirmativa a seguir: Quando de posse dos dados, procura-se agrupá-los e reduzi-los, sob forma de amostr a, deixando de lado a aleatoriedade presente. Essa afirmativa faz referência a qual método matemático? A) Probabilidade. B) Análise de frequências. C) Média aritmética. D) Curtose. E) Análise de dados. 4) A quantidade de incidências em determinado intervalo de tempo é um indicativo de f requência. Supondo que um sistema de IA esteja coletando esses dados, é correto afir mar que: A) por trabalhar com o conceito de análise de frequência, o sistema de IA pode vir a considera r esse dado para tomar alguma solução. B) esse indicativo de frequência não será um fato relevante para o sistema de IA, sendo desco nsiderado. C) esse indicativo de frequência será levado em consideração e usado pelo sistema, sem neces sidade de análise. D) será um dado tabelado pelo sistema e que, com outras informações relacionadas, pode ser ou não considerado. E) esse indicativo de frequência será utilizado como base histórica para sistemas de IA. 5) Com o passar do tempo, surgem várias linhas de estudo da IA. Uma delas é a biológic a, que estuda o desenvolvimento de conceitos que pretendiam imitar as redes neurais humanas. Nos anos 60, essa ciência recebe a alcunha de inteligência artificial. Os pesq uisadores da linha biológica acreditavam ser possível máquinas realizarem tarefas hu manas complexas como raciocinar, por exemplo. Considerando esse trecho, é possível afirmar que: A) a inteligência artificial veio para substituir o pensamento humano. B) a inteligência artificial é uma ciência nova, com origem no final da década de 90. C) a inteligência artificial não poderá substituir ou acompanhar o pensamento humano. D) a inteligência artificial nunca vai substituir e raciocinar como um ser humano. E) o estudo da IA é antigo, e pesquisadores desenvolveram essa ciência a partir do pensament o humano representado pelas redes neurais. NA PRÁTICA A inteligência artificial, ou computação cognitiva, é a tecnologia que torna uma máquina capaz de tomar decisões baseadas nas informações por ela processadas e nas experiências anteriores, e m constante autoaprendizado, de forma semelhante ao que acontece no cérebro humano. Sendo assim, a inteligência artificial atualmente vem apoiando muito rotinas de setores que lidam com muitas informações, como o jurídico. Confira como a inteligência artificial apoia rotinas do setor jurídico. SAIBA + Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professo r: A história da Inteligência Artificial No link a seguir, confira um pouco do passado, presente e futuro da Inteligência Artificial, desde as primeiras pesquisas, passando pelas revoluções e chegando nas possibilidades pro futuro. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. O impacto da inteligência artificial na indústria financeira A matéria a seguir aborda os impactos da inteligência artificial nas empresas e como ela vem tra nsformando a sociedade e causando impacto na economia global. Não deixe de ler. Aponte a câmera para o código e acesse o link do vídeoou clique no código para acessar. https://www.youtube.com/embed/Lhu8bdmkMCM https://canaltech.com.br/infra/o-impacto-da-inteligencia-artificial-na-industria-financeira-97590/ Engenharia de ontologias APRESENTAÇÃO Durante as duas últimas décadas, cada vez mais atenção tem sido direcionada às ontologias e à Engenharia de Ontologias. As ontologias são agora amplamente utilizadas na Engenharia do Co nhecimento, Inteligência Artificial e Ciência da Computação. Além disso, elas têm sido usadas e m larga escala em diversas aplicações que envolvem gestão do conhecimento, processamento de linguagem natural, comércio eletrônico, integração de grandes bases de dados, na educação e em vários outros campos, como a Web semântica. Já a Engenharia de Ontologias consiste num conjunto de atividades relacionadas às etapas ao lon go do processo de desenvolvimento da ontologia e ao seu ciclo de vida, aos princípios, métodos e metodologias para sua construção e aos conjuntos de ferramentas e linguagens que os suporta m. A Engenharia de Ontologias é uma área que dá a racionalização do design de uma base de conhe cimento, restrições semânticas de conceitos juntamente com teorias e tecnologias sofisticadas qu e permitem acumular conhecimento, que é dispensável para processamento de conhecimento no mundo real. Nesse sentido, uma ontologia, que é um sistema de conceitos fundamentais, ou seja, um sistema de conhecimento prévio de qualquer base de conhecimento, explica a conceitualizaç ão de um determinado domínio. Além disso, ela fornece uma base sólida sobre a qual se pode co nstruir bases de conhecimento compartilhadas para um uso mais amplo do que de uma base de c onhecimento convencional. Nesse contexto, a Engenharia de Ontologias é o próximo passo da E ngenharia de Conhecimento. Nesta Unidade de Aprendizagem, você vai conhecer metodologias que têm sido propostas para direcionar a criação de ontologias, bem como as diferentes ferramentas existentes para facilitar e sse desenvolvimento, uso e reutilização de ontologias. Por fim, você vai compreender como se a plica a metodologia 101 na criação de uma nova ontologia. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Comparar metodologias e o ciclo do processo de desenvolvimento de ontologias.• Identificar as principais ferramentas para criação e manipulação de ontologias.• Descrever a construção de ontologias por meio da metodologia 101.• DESAFIO A diabetes é uma doença que ocorre quando a glicose no sangue está muito alta. Essa glicose é a principal fonte de energia humana e vem dos alimentos ingeridos. A insulina, um hormônio prod uzido pelo pâncreas, ajuda a glicose dos alimentos a entrar nas células para, posteriormente, ser usada como energia. Às vezes, o corpo não produz insulina, ou não o suficiente, ou não a utiliza da melhor forma, faz endo com que a glicose permaneça no sangue e não chegue às células. Nesse contexto, é essenci al ter uma alimentação saudável e fazer atividade física para manter uma boa saúde, melhorar os níveis de glicose e atingir melhores taxas de boa gordura no sangue. Imagine a seguinte situação: Com base na situação apresentada, responda as questões a seguir: a) Suponha que você identificou a necessidade de criar uma ontologia de alimentos e suas infor mações nutricionais para facilitar o desenvolvimento das aplicações relacionadas. Descreva com o seria o desenvolvimento dessa ontologia caso seguisse a metodologia 101. b) Qual(is) ferramenta(s) você recomenda que fosse(m) utilizada(s) para criar e manipular essa o ntologia? Justifique sua escolha. INFOGRÁFICO Para que ontologias possam ser utilizadas na Engenharia de Conhecimento, é essencial que elas estejam incluídas em uma metodologia. Isso porque a ontologia desempenha o papel de espinha dorsal, dando suporte a vários tipos de gestão, recuperação, armazenamento e compartilhamento de informações na Web. Por outro lado, escolher uma metodologia para construí-la pode ser muito difícil, uma vez que u m número considerável de metodologias tem surgido para orientar o processo de desenvolvimen to. Veja, no Infográfico, algumas das principais metodologias propostas para auxiliar o desenvolvi mento de ontologias. CONTEÚDO DO LIVRO As pesquisas de Engenharia de Ontologias têm crescido e ganhado destaque cada vez mais, pois já se reconhece que as ontologias não são apenas para sistemas baseados em conhecimento, uma vez que todos os softwares precisam de modelos do mundo e, sendo assim, podem fazer uso de ontologias no seu design. No capítulo Engenharia de Ontologias, base teórica desta Unidade de Aprendizagem, você conh ecerá diferentes metodologias para criar ontologias, bem como algumas das ferramentas mais uti lizadas para isso, além de aprender na prática como aplicar a metodologia 101 para criar uma no va ontologia. Boa leitura. ENGENHARIA DO CONHECIMENTO OBJETIVOS DE APRENDIZAGEM > Comparar metodologias e o ciclo do processo de desenvolvimento de on- tologias. > Identificar as principais ferramentas para criação e manipulação de onto- logias. > Descrever a construção de ontologias por meio da metodologia 101. Introdução Ontologias são “[...] especificações formais e explícitas de conceituações com- partilhadas” (GUIMARÃES, 2015, p. 61). Podemos encontrar na literatura técnica muita coisa sobre o que as constitui, como podem ser projetadas e onde podem ser utilizadas em aplicações — essas informações podem ser agrupadas no termo “engenharia de ontologias”, que consiste em um conjunto de atividades que dizem respeito ao processo de desenvolvimento da ontologia, ao longo de seu ciclo de vida, aos métodos e metodologias de sua construção, bem como aos conjuntos de ferramentas e linguagens que os suportam (GÓMEZ-PÉREZ; FERNÁNDEZ-LÓPEZ; CORCHO, 2004). Neste capítulo, você vai ver como diferenciar diferentes metodologias propostas para o desenvolvimento de ontologias, vai conhecer as principais ferramentas para que seja possível criá-las e manipulá-las, bem como aplicar a metodologia 101. Engenharia de ontologias Nicolli Souza Rios Alves Metodologias para o desenvolvimento de ontologias Ontologias foram desenvolvidas na área de inteligência artificial (IA) para facilitar o compartilhamento e a reutilização do conhecimento e, desde os anos 1990, elas têm se tornado uma área que só tem crescido entre várias comunidades de pesquisa em IA, bem como em engenharia de conhecimento, processamento de linguagem natural e representação do conhecimento. Tudo isso porque sua definição ronda a ideia de promoção de um entendi- mento compartilhado e comum de um determinado domínio que pode ser comunicado entre pessoas e sistema. Dessa forma, o termo “ontologias” tem se espalhado entre diferentes aplicações atualmente, incluindo o seu uso na integração inteligente de informações, em sistemas de informações cooperativos, na recuperação de informações, na gestão do conhecimento e até em aplicações de e-commerce. Ainda nos anos 1990, com o crescente interesse na área de ontologia, houve também um grande interesse em abordagens para a construção de ontologias a partir do zero, para reutilizar outras já existentes e para usar métodos semiautomáticos que reduzissem o gargalo de aquisição de conhe- cimento do processo de desenvolvimento de ontologias. Nesse contexto, as equipes de desenvolvimento passaram a seguir um conjunto próprio de princípios, critérios de design e fases para a construção manual da ontologia (GÓMEZ-PÉREZ; FERNÁNDEZ-LÓPEZ; CORCHO, 2004). Com isso, teve-se um atraso no desenvolvimento de ontologias dentro e entre as equipes, na sua extensão e na possibilidade de reutilizá-las, bem como em seu uso final em aplicações — tudo isso devido à falta de diretrizes comuns e estruturadas para apoiar esses processos. Somente após um workshop realizado em 1997 para discutir aspectos sobre o uso de ontologias,bem como sua criação e avaliação, começaram a surgir metodologias associadas a diferentes atividades do processo de desenvolvimento de ontologias. Considerando que, para usar ontologias na engenharia do conhecimento, elas devem estar embutidas em uma metodo- logia, nesta seção, vamos ver algumas das principais metodologias propostas para construir novas ontologias por meio da reutilização e da reengenharia de outras ontologias por um processo de fusão ou pela utilização de uma abordagem de aprendizagem de ontologia. Engenharia de ontologias2 Metodologia de Grüninger e Fox A partir da metodologia de Grüninger e Fox, o desenvolvimento de uma ontologia deve ser motivado considerando um cenário, ou seja, possíveis aplicações em que é utilizada, que descreve um problema e suas possíveis soluções, como mostra a Figura 1. Esse cenário pode auxiliar diretamente os desenvolvedores a entender a necessidade da ontologia e como ela pode e será utilizada. Figura 1. Processo de desenvolvimento para ontologias com a metodologia de Grüninger e Fox. Fonte: Adaptada de Breitman, Casanova e Truszkowski (2007). Dessa forma, com base em um ou mais cenários motivadores, surge um conjunto de questões que a ontologia passa a ter o poder de responder, chamadas de questões informais de competência, que podem ser usadas na avaliação dos compromissos das ontologias que foram feitos. Em seguida, faz-se a especificação da terminologia da ontologia, em que, primeiramente, os objetos relevantes são identificados e, a partir disso, os seus atributos são definidos por predicados unários, e relações entre objetos são definidas por predicados n-ários. Depois disso, é necessário, levando em conta os axiomas na ontologia, definir as questões de competência formalmente, que serão utilizadas para diferenciar as ontologias, analisando que tipo de problemas podem resolver. Nessa metodologia, o passo considerado mais difícil na definição de ontologias é definir os axiomas, que devem ser precisos e suficientes para expressar as questões de competência e suas soluções. Por fim, tem-se a criação de teoremas de completude para a ontologia, que vão definir as condições que devem ser tomadas como base para completar as perguntas. Engenharia de ontologias 3 Abordagem KACTUS Esta abordagem tem com objetivo investigar a reutilização do conhecimento em sistemas e a função das ontologias nesse processo. O processo de cria- ção de ontologias a partir do KACTUS tem forte infl uência da possibilidade de reutilização de conceitos defi nidos em ontologias que já existem. Nesse contexto, essa abordagem está condicionada a analisar e adaptar os conceitos de outras ontologias. KACTUS envolve três etapas, como mostra a Figura 2. Figura 2. Processo de desenvolvimento para ontologias com o KACTUS. Primeiramente, captura-se o contexto da aplicação a partir de uma lista de termos relacionados ao domínio. Em seguida, faz-se uma avaliação das ontologias superiores disponíveis, são escolhidas as categorias de nível superior relevantes e, depois, refinadas, estendidas e incorporadas a uma nova ontologia, ou seja, reutilizadas. Por fim, tem-se a refatoração da on- tologia a fim de reorganizá-la e atingir um design que siga os princípios de modularização e organização da hierarquia. Como podemos notar observando a Figura 2, não há processos relacio- nados a documentação, avaliação e evolução da ontologia. Por outro lado, como essa abordagem promove o reuso de ontologias, traz uma série de benefícios, como reduzir o seu tempo e risco de desenvolvimento, induzindo a consistência do vocabulário, a atualização e a adição contínua de novos conceitos, entre outros (BREITMAN; CASANOVA; TRUSZKOWSKI, 2007). Metodologia Methontology Este framework é baseado no padrão IEEE de desenvolvimento de software e dá suporte automatizado para desenvolver ontologias. A Methontology é considerada essencialmente descritiva, já que sugere as atividades específi cas devem ser realizadas para construir ontologias, mas não diz como elas devem ser realizadas. Essas atividades incluem (FERNÁNDÉZ-LOPÉZ; GÓMEZ-PÉREZ; JURISTO, 1997): Engenharia de ontologias4 � atividades de gerenciamento de ontologias — abrangem identificação, agendamento, controle e garantia de qualidade das tarefas a serem realizadas; � atividades orientadas para o desenvolvimento de ontologia — incluem um estágio de pré-desenvolvimento em que são realizados estudos de ambiente e de viabilidade. Depois que a ontologia estiver em vigor, realiza-se: especificação, formalização, implementação e gerenciamento; � atividades de apoio à ontologia — abrange atividades fundamentais que são relacionadas a aquisição de conhecimento, alinhamento, documen- tação, avaliação, integração, fusão e gerenciamento de configurações. A Figura 3 ilustra as etapas do processo de desenvolvimento da Methon- tology. Como podemos observar, a primeira coisa ao construir uma ontologia é a especificação do seu propósito, o nível de formalidade e o escopo da ontologia. Após, é preciso coletar o conhecimento por meio de várias formas, como entrevistas estruturadas e não estruturadas, brainstorming, análise formal e informal de textos e ferramentas para adquirir conhecimento. Figura 3. Processo de desenvolvimento para ontologias com a metodologia Methontology. Fonte: Adaptada de Gómez-Pérez, Fernández-López e Corcho (2004). Engenharia de ontologias 5 Em seguida, é recomendado construir um glossário de termos com todos os conhecimentos que podem ser úteis no domínio em questão. Depois, esses termos são organizados tomando como base os conceitos e verbos para formar tabelas de fórmulas e regras. Depois disso, é necessário verificar se existem ontologias que podem e devem ser usadas nesse caso. Nas fases finais de implementação, temos a codificação da ontologia em uma linguagem formal que pode ser verificada e validada. Por fim, temos a documentação, em que será descrita cada parte desenvolvida da ontologia. Metodologia 101 Esta metodologia descreve uma forma de desenvolver uma ontologia de forma iterativa, começando com um conceito próximo e, depois, fazendo sua revisão e completando com os detalhes. Atualmente, é uma das mais utilizadas para construir ontologias por causa da sua simplicidade. Basicamente, o domínio e o escopo da ontologia são determinados, se- guidos da verificação da possibilidade de já usar uma já existente — e, se for possível, como. Depois, tem-se a produção de uma lista termos necessários e usados e, após a definição de classes e checagem de suas propriedades, finalmente, a criação das instâncias individuais. Mais adiante, veremos o uso dessa metodologia com mais detalhes. Ferramentas para criação e manipulação de ontologias O processo de engenharia de ontologias exige o uso de diversas ferramentas de software. Hoje existe uma série de ferramentas open source e também comerciais disponíveis, as quais auxiliam na criação e na manipulação de várias ontologias chamadas de construtores de ontologia. Essas ferramentas são usadas para construir uma nova ontologia do zero ou para auxiliar o reuso de ontologias existentes, o que geralmente suporta editar, navegar, codificar, manter, documentação, exportar e importar diferentes formatos, visualizações, entre outras funcionalidades. Essas ferramentas podem ser aplicadas a vários estágios do ciclo de vida da ontologia, incluindo criação, implementação e manutenção de ontologias. Vamos conhecer, a seguir, algumas dessas ferramentas, tendo uma visão geral delas, vendo o grupo que as desenvolveu, seus principais recursos e funcionalidades, como baixá-las, entre outras informações. Engenharia de ontologias6 Protégé Ontology Editor É uma ferramenta open source e gratuita desenvolvida pela Universidade de Stanford, sendo uma das mais utilizadas para construir ontologias. O Protegé fornece um conjunto de ferramentas para a construção de modelos de domínio e aplicaçãobaseadas em conhecimento com ontologias a uma crescente comunidade de usuários. O Protegé implementa um conjunto de estruturas para modelar o conheci- mento a ações que auxiliam criar, visualizar e manipular ontologias de várias formas de representação. A ferramenta também é extensível por meio do uso de plug-ins e da API baseada em Java. Além disso, permite definir classes, variáveis de hierarquias de classe, restringir valor de variável e os relacionamentos. A ferramenta vem com diversos pacotes de visualização, como OntoViz e EZPal. A ideia é auxiliar o usuário a visualizar ontologias com ajuda de dia- gramas. Depois de uma atualização, o Protégé passou a incluir uma interface para SWRL (Semantic Web Rule Language), que fica em cima do OWL para fazer matemática, raciocínio temporal e adiciona regras de raciocínio do tipo Prolog. Uma grande vantagem dessa ferramenta se dá pelo fato que a ferramenta dá suporte, ao mesmo tempo, para criadores de ferramentas, engenheiros de conhecimento e especialistas no domínio, diferenciando-a das outras ferramentas disponíveis. Isso porque as outras geralmente são direcionadas ao engenheiro do conhecimento e não têm flexibilidade para meta-modelo. Além disso, o Protégé oferece suporte à edição colaborativa de ontologias, bem como anotações de componentes e mudanças de ontologias. OntoStudio É uma ferramenta comercial baseada na estrutura do IBM Eclipse. Grafica- mente, dá suporte ao desenvolvimento e à manutenção de ontologias. Além disso, considera a arquitetura cliente/servidor, em que as ontologias são gerenciadas em servidores, tornando possível o acesso e a modificação dessas ontologias por vários clientes, bem como permite o desenvolvimento colabo- rativo de ontologias usando o servidor colaborativo OntoBroker Enhancement. O OntoStudio usa uma estrutura de plug-in aberta e possibilita edição da hierarquia de conceitos ou classes. O modelo de dados de representação interna pode ser exportado tanto para DAML + OIL, F-Logic quanto para RDF (S) e OXML, permitindo, também, que ontologias sejam exportadas para banco de dados relacionais por meio do JDBC. A ferramenta, além disso, permite o acesso de ontologias de uma forma orientada a objetos a partir de um API fornecida. Engenharia de ontologias 7 Apollo É uma aplicação de modelagem de conhecimento implementada em Java que permite ao usuário modelar ontologias com primitivas básicas, como instâncias, funções, classes, etc. Sua base de conhecimento define em uma organização de hierarquia de ontologias, que podem ser herdadas de outras e também podem ser utilizadas como se fossem suas próprias. Cada ontologia herda pelo menos uma ontologia — uma ontologia padrão, que contém todas as classes primitivas: boolean, integer, float, string, list, entre outros. Além disso, cada classe pode criar várias instâncias, e uma instância herda todos os slots da classe, que consistem em um conjunto de facetas. Vale ressaltar que essa ferramenta não suporta a visualização de gráfico, web, extração de informações e capacidades multiusuário ou processamento colaborativo; por outro lado, apresenta forte verificação de consistência de tipo, armazenamento de ontologias (somente arquivos) e formato de importação/exportação. Swoop Esta ferramenta é um editor e navegador open source de ontologia OWL baseado na web que contém validação e uma série visualizações de sintaxe de apresen- tação OWL. Além disso, tem suporte de raciocínio similar ao RFD-S e fornece um ambiente de múltiplas ontologias, em que suas entidades e relacionamentos podem passar por comparações, edições e mesclagem de forma adequada. Geralmente, sua navegação é simples e fácil por causa dos recursos de hiperlink na sua interface, bem como por não seguir nenhuma metodologia de construção de ontologias. Por outro lado, com o Swoop, não é possível impor- tar OWL parcialmente, mas é possível buscar conceitos em várias ontologias. A ferramenta utiliza algoritmos de busca que combinam palavras-chave com construções baseadas em OWL DL para identificar conceitos relacionados em ontologias que já existem. TopBraid Composer Free Edition É uma ferramenta de modelagem para a criação e para a manutenção de ontologias que fornece um desenvolvimento direcionado a sintaxe de onto- logias RDF-S e OWL, importação/exportação de regras da Web Semântica de uma série de formatos de dados incluindo RDF-S, XML, Excel, entre outros, bem como consultas na linguagem SPARQL. Engenharia de ontologias8 A TopBraid Composer possui três edições: � Free Edition (FE) — é uma versão básica com apenas um conjunto mí- nimo de recursos; � Standard Edition (SE) — abrange todos os recursos do FE, com a adição de visualizadores gráficos, recursos de importação, suporte avançado de refatoração, entre outros; � Maestro Edition (ME) — abrange todos os recursos do SE mais suporte para TopBraid Live, EVN e Ensemble, bem como SPARQLMotion e muitos outros recursos avançados para o usuário. O TopBraid Composer (FE) é uma ferramenta para desenvolver ontologias profissionalmente baseada na plataforma Eclipse e na API Jena. Essa ferra- menta é considerada um editor completo para modelos RDF-S e OWL, assim como uma plataforma para outros componentes e serviços baseados em RDF. Além disso, permite carregar e salvar qualquer arquivo OWL2 em diferentes formatos como RDF/XML e até mesmo o Turtle. Além disso, também suporta vários mecanismos de raciocínio e verificação de consistência por meio de mecanismo de inferência OWL integrado, meca- nismo de consulta SPARQL e mecanismo de regras. Sua lógica de descrição OWL é apoiada por uma série de mecanismos OWL DL integrados, assim como OWLIM, Jena e Pellet. Metodologia 101 para construir ontologias Nesta seção, você vai conhecer como é o processo de criação de uma ontologia do zero, de forma simplificada, por meio da metodologia 101 (NOY; MCGUINNESS, 2001). Vale destacar que, apesar da existência de diversas metodologias para apoiar a criação e manipulação de ontologias, não há um modo ou metodologia correta para desenvolver ontologias. Além disso, apesar de vários pesquisa- dores da área não considerarem a metodologia 101 como adequada para criar ontologias, ela ainda é uma das mais citadas na literatura, visto que fornece uma série de etapas simples e de fácil entendimento para alguém que deseja criar ontologias pela primeira vez (ISOTANI; BITTENCOURT, 2015). Essa metodologia, assim como a ferramenta Protégé, foi criada por pes- quisadores da Universidade Stanford que juntaram suas experiências obtidas a partir do uso das ferramentas Protégé, Ontolingua e Chimaera para criar essa metodologia. Como mostra a Figura 4, a metodologia 101 é basicamente composta por sete etapas para auxiliar o processo de construção de ontolo- gias. Vamos aprender agora sobre cada uma dessas etapas em mais detalhes. Engenharia de ontologias 9 Figura 4. Ciclo de vida de uma ontologia na metodologia 101. Fonte: Isotani e Bittencourt (2015, documento on-line). Etapa 1: determinar o domínio e o escopo da ontologia A metodologia sugere iniciar o desenvolvimento de uma ontologia a partir da defi nição do domínio e do seu escopo. Essa defi nição pode ser feita res- pondendo as seguintes perguntas (NOY; MCGUINNESS, 2001): � Qual é o domínio que a ontologia cobrirá? � Para que (ou como) vamos usar a ontologia? � Quem mais usará a ontologia? � Para quais tipos de perguntas as informações na ontologia fornecerão respostas? � Quem vai usar e manter a ontologia? As respostas a essas perguntas podem ser expressas como casos de uso, uma vez que são situações que descrevem eventos possíveis que ilustram as respostas. A conclusão bem-sucedida da ontologia pode ser medida pelo grau em que as questões foram abordadas. Vale lembrar que essas respostas podem mudar ao longo do processo de design da ontologia, mas a qualquer momento ajudam a limitar o escopo. Engenharia de ontologias10Etapa 2: considerar o uso de ontologias existentes Vale a pena considerar o que outra pessoa já fez e verificar se podemos refinar e estender as fontes existentes para nosso domínio e tarefas específicos. A política de vocabulário HL7 estabelece que os vocabulários existentes devem ser usados se estiverem disponíveis e atenderem os requisitos do projeto (NOY; MCGUINNESS, 2001). Muitas ontologias já estão disponíveis em formato eletrônico e podem ser importadas para uma ferramenta de apoio ao desenvolvimento de ontologias que estamos utilizando. Usualmente, o formalismo no qual uma ontologia é expressa não importa, já que muitos sistemas de representação de conheci- mento podem importar e exportar ontologias. Assim, mesmo que um sistema de representação de conhecimento não possa trabalhar diretamente com um formalismo particular, geralmente não teremos dificuldade na tarefa de traduzir uma ontologia de um formalismo para outro. Assim, torna-se útil identificar essas ontologias, seja para inclusão, harmonização ou para definir os limites do projeto em questão. Para isso, temos uma série de biblioteca de ontologias reutilizáveis na web e na literatura, como OntoLingua, DAML e outras comercias também, como UNSPSC, RosettaNet e DMOZ. Etapa 3: listar os termos relevantes do domínio Aqui, capturamos os termos do domínio que são importantes para a des- crição do domínio, escrevendo uma lista de todos os termos para os quais gostaríamos de fazer declarações ou explicações para um usuário, como: � Quais são os termos sobre os quais gostaríamos de falar? � Quais propriedades esses termos possuem? � O que gostaríamos de dizer sobre esses termos? Esses podem ser termos comumente utilizados no domínio ou mesmo usados para descrever propriedades e associações. Vale ressaltar que, inicialmente, é importante obter uma lista abrangente de termos sem se preocupar com a sobreposição ou equivalência entre os conceitos que eles representam, as relações entre os termos ou quaisquer propriedades que os conceitos possam ter ou se os conceitos são classes ou slots. Aqui, somente capturá-los é suficiente, não sendo necessário fazer a sua estruturação ou organização. Engenharia de ontologias 11 Etapa 4: definir as classes e a hierarquia de classes É nessa etapa que se inicia a organização e apresentação da estrutura dos termos capturados na etapa anterior. A partir da lista, vamos escolher aqueles que representam objetos que não possuem existência dependente em vez daqueles que descrevem esses objetos. Só para relembrar, o conceito de classe consiste no nome geral escolhido para esses termos. As classes são usadas para denotar o conjunto de objetos compreendidos por um conceito e podem ser associadas a outras classes por meio de relacionamentos de generalização/especialização quando for apropriado. Para isso, existem várias abordagens possíveis no desenvolvimento de uma hierarquia de classes (USCHOLD; GRÜNINGER, 1996), como você confere a seguir. � Top-down (de cima para baixo): esse processo tem início com a de- finição da maioria dos conceitos gerais no domínio e a subsequente especialização dos conceitos. Por exemplo, podemos criar uma classe de conceito geral como fruta e depois especializá-la criando algumas subclasses como fruta ácida, fruta semiácida, fruta doce e fruta ole- oginosa e assim por diante. � Bottom-up (de baixo para cima): esse processo é o contrário do anterior e começaria com a definição das classes mais específicas, as folhas da hierarquia, com o subsequente agrupamento dessas classes em conceitos mais gerais. � Combinação: aqui temos uma combinação dos dois processos anteriores em que definimos primeiro os conceitos mais salientes e depois gene- ralizamos e especializamos de forma adequada. Por exemplo, podemos começar com conceitos de nível superior fruta e depois seguir com conceitos específicos como frutas regionais, sazonais ou algo do tipo. Etapa 5: definir as propriedades das classes — slots Propriedades ou propriedades do objeto se referem às entidades que descre- vem de que forma os indivíduos se relacionam. Assim como com as classes, as propriedades podem ser organizadas em hierarquias. As classes por si só não vão fornecer informações suficientes para res- pondermos as questões de competência da etapa 1. Assim, depois de definir algumas das classes, devemos descrever a estrutura interna de conceitos. Engenharia de ontologias12 Então, já que selecionamos classes da lista de termos criada na etapa 3, é provável que a maioria dos termos que sobraram sejam propriedades dessas classes. Esses termos pode incluir, por exemplo, cor da fruta, corpo, teor de açúcar, nível de acidez, entre outros. A linguagem OWL permite asserções de propriedades negativas, em que não existe um tipo de relacionamento entre dois indivíduos. Esse tipo de informação é bem importante em OWL, uma vez que a postura padrão é a de que tudo é possível até que se diga o contrário. Além disso, chamamos de intervalo da propriedade aquelas classes permitidas para uma propriedade, e domínio da propriedade as classes reais que a propriedade descreve. Etapa 6: definir restrições A propriedade valuetype relaciona um indivíduo a um valor de dados, infor- mação numérica, ao contrário de uma propriedade de objeto que relaciona um indivíduo a outro indivíduo. Como essas propriedades do objeto, os tipos de dados podem ser restringidos pela atribuição de domínios e intervalos. Nesse sentido, os slots podem ter diferentes facetas que descrevem o tipo de valor, os valores permitidos, o número dos valores (cardinalidade) e outras características dos valores que o slot pode assumir. Por exemplo, o valor de um slot de nome (como em “o nome de uma fruta”) é uma string. Ou seja, o nome é um slot com o tipo de valor string. Um slot regiaobrasileira (como em “uma região do Brasil produz essa fruta”) pode ter vários valores, e os valores são instâncias da classe fruta. Vale enfatizar que é de extrema importância que a equipe de engenharia de ontologias não descuide essa etapa de definição de restrições. Devido ao nível de granularidade fino, no qual a equipe deverá examinar cada termo e suas restrições, isso costuma ser negligenciado e, consequentemente, o compromisso da ontologia se perde (ISOTANI; BITTENCOURT, 2015). Etapa 7: criar instâncias Nesta última etapa, criamos instâncias individuais de classes na hierarquia. Para essa definição, é necessário: � escolher uma classe; � criar uma instância individual dessa classe; � preencher os valores da propriedade. Engenharia de ontologias 13 É importante lembrar sempre que essas instâncias devem, no mínimo, satisfazer as perguntas e casos de uso que foram estabelecidos na etapa 1. Aqui, por exemplo, podemos criar uma instância individual de abacate para representar um tipo específico de fruta oleoginosa que também possui cor verde e assim por diante. Noy e McGuinness (2001) apresentam um exemplo na prática de construção de uma ontologia de vinhos ao adotar a Metodologia 101. Você pode aprender como aconteceu todo esse processo, em português, etapa por etapa, a partir da seção 4.4.2 do livro Dados Abertos Conectados, autoria de Seiji Isotani e Ig Ibert Bittencourt (2015). Com base no que foi exposto, podemos notar que o processo de desenvol- vimento de novas ontologias não é uma tarefa fácil, mas, quando se utiliza uma metodologia que seja de simples entendimento e fácil aplicação, esse processo é favorecido. Além disso, o uso de ferramentas de apoio à criação e à manipulação de ontologias é essencial para diminuir o esforço exigido nessas atividades. Referências BREITMAN, K. K.; CASANOVA, M. A.; TRUSZKOWSKI, W. Methods for ontology develop- ment. In: BREITMAN, K. K.; CASANOVA, M. A.; TRUSZKOWSKI, W. Semantic Web: concepts, technologies and applications. London: Springer, 2007. FERNÁNDEZ-LÓPEZ, M.; GÓMEZ-PÉREZ, A.; JURISTO, N. Methontology: from ontologicalart towards ontological engineering. In: SPRING SYMPOSIUM ON ONTOLOGICAL ENGI- NEERING OF AAAI, California, 1997. Proceedings […]. California: Stanford University, 1997. GÓMEZ-PÉREZ, A.; FERNÁNDEZ-LÓPEZ, M.; CORCHO, O. Ontological engineering. London: Springer, 2004. GUIMARÃES, R. C. M. Nomeação de elementos ontológicos para criação de ontologias: uma proposta metodológica. 2015. 171 p. Tese (Doutorado em Ciência da Informação) - Universidade de Brasília, Brasília, 2015. Disponível em: https://www.repositorio.unb. br/bitstream/10482/22049/1/2015_RachelCristinaMelloGuimar%c3%a3es.pdf. Acesso em: 28 dez. 2020. ISOTANI, S.; BITTENCOURT, I. I. Dados abertos conectados: em busca da web do conhe- cimento. São Paulo: Novatec, 2015. E-book. Disponível em: https://ceweb.br/livros/ dados-abertos-conectados//. Acesso em: 28 dez. 2020. NOY, N. F.; MCGUINNESS, D. L. Ontology development 101: a guide to creating your first ontology. Knowledge Systems Laboratory, Stanford University, 2001. Disponível em: https://www.cs.upc.edu/~jvazquez/teaching/sma-upc/docs/ontology101.pdf. Acesso em: 28 dez. 2020. USCHOLD, M.; GRÜNINGER, M. Ontologies: principles, methods and applications. The Knowledge Engineering Review, v. 11, n. 2, 1996. Engenharia de ontologias14 Leitura recomendada SEMAFORA SYSTEMS GMBH. OntoBroker and OntoStudio X. Disponível em: https:// www.semafora-systems.com/ontobroker-and-ontostudio-x. Acesso em: 28 dez. 2020. Os links para sites da web fornecidos neste capítulo foram todos testados, e seu funcionamento foi comprovado no momento da publicação do material. No entanto, a rede é extremamente dinâmica; suas páginas estão constantemente mudando de local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade sobre qualidade, precisão ou integralidade das informações referidas em tais links. Engenharia de ontologias 15 DICA DO PROFESSOR Nos últimos anos, o número de ferramentas propostas para a construção de ontologias tem cresci do exponencialmente. Essas ferramentas são muito importantes, pois seu objetivo é fornecer sup orte para o processo de desenvolvimento de ontologias, diminuindo o tempo e esforço gastos, e para o uso subsequente da ontologia. Veja, nesta Dica do Professor, algumas das principais ferramentas que auxiliam na criação de on tologias. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. EXERCÍCIOS 1) Ontologias são especificações formais e explícitas de conceituações compartilhadas. D esenvolvidas na área de Inteligência Artificial, seu propósito é tornar mais simples o c ompartilhamento e a reutilização do conhecimento. Têm sido propostas diferentes me todologias associadas a diferentes atividades do processo de desenvolvimento de ontol ogia. Sobre a metodologia de Grüninger e Fox, assinale a alternativa correta: A) Na primeira fase, deve-se definir as questões informais de competência para avaliar os co mpromissos das ontologias. B) O segundo passo é escolher um cenário motivador com o intuito de entendimento das nece ssidades da ontologia, como ela pode e vai ser utilizada. C) O terceiro passo corresponde à especificação da terminologia da ontologia, identificando o s objetos relevantes. https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/5b7dce79c3b95e67ed65f4452e99d5af D) O quarto passo se refere à criação de teoremas de completude, quando são definidas as con dições para completar as perguntas. E) Os dois últimos passos são interativos e correspondem à definição formal das questões de competência e dos axiomas. 2) Hoje em dia, pode-se encontrar diversas metodologias para auxiliar no desenvolvime nto de novas ontologias, bem como fazer o reuso daquelas já existentes. Apesar de est arem disponíveis várias metodologias, não há uma forma correta de desenvolver onto logias. O que diferencia uma da outra é a simplicidade e facilidade de usar cada uma delas. Entre essas tantas, temos a abordagem Kactus e a metodologia Methondology: I. A abordagem Kactus tem como objetivo explorar o reuso do conhecimento em siste mas e a função das ontologias nesse contexto. II. As fases do Kactus compreendem reuso, formalização e refinamento da ontologia. III. A Methondology está condicionada à análise e adaptação dos conceitos de outras ontologias. IV. As atividades que devem ser realizadas usando a Methondology incluem gerencia mento e são orientadas para o desenvolvimento e apoio à ontologia. É correto apenas o que se afirma em: A) I e II. B) II e III. C) I e IV. D) I, II e III. E) II, III e IV. Ontologia é uma maneira formal de descrever taxonomias e redes de classificação, de finindo essencialmente a estrutura do conhecimento para vários domínios. Nesse senti do, os substantivos representam classes de objetos, enquanto os verbos representam a s relações entre os objetos. O processo de engenharia de ontologias exige o uso de dive 3) rsas ferramentas de software. A ferramenta Protégé é a mais utilizada para desenvolv er ontologias, pois: I. fornece uma série de ferramentas para a construção de modelos de domínio e aplic ação baseadas em conhecimento com ontologias; II. sua maior desvantagem se concentra na falta de extensibilidade; III. usa a interface Semantic Web Rule Language para fazer matemática e raciocínio temporal, além de adicionar regras de raciocínio. Assinale a alternativa que contém a afirmação correta: A) Apenas a I. B) Apenas a II. C) Apenas a III. D) I e III. E) II e III. Atualmente, há diversas ferramentas open source e também comerciais disponíveis p ara auxiliar a criação e manipulação de várias ontologias. Essas ferramentas são utili zadas para construir uma nova ontologia do zero, auxiliar a reutilização de ontologia s existentes (o que geralmente suporta edição, navegação, codificação, manutenção, d ocumentação) e também exportar e importar diferentes formatos, visualizações, entre outras funcionalidades. Sobre OntoStudio, TopBraid Composer e Swoop, leia as segu intes afirmações: I. Através do Swoop, não é possível importar OWL parcialmente. II. A ferramenta Apollo não suporta visualização de gráfico, Web, extração de infor mações e capacidades multiusuário ou processamento colaborativo. III. A OntoStudio é uma ferramenta comercial que utiliza a arquitetura cliente-servi dor, permitindo que vários clientes acessem e modifiquem essas ontologias. IV. A lógica de descrição OWL na ferramenta TopBraid Composer é apoiada através de diversos mecanismos OWL Full integrados. 4) É correto apenas o que se afirma em: A) I e II. B) II e III. C) III e IV. D) I, II e III. E) II, III e IV. 5) A metodologia 101 foi criada por pesquisadores da Universidade de Stanford que jun taram suas experiências na criação de ontologias com as ferramentas Protégé, Chima era e Ontolingua. Suponha que há necessidade de criar uma ontologia de diferentes ti pos de medicamentos seguindo essa metodologia. O objetivo dessa criação é ajudar n o desenvolvimento de um sistema de recomendação de medicamentos com base em in formações dadas pelo usuário. Em certo momento, são definidos “conceitos”, como p osologia, indicações, efeitos colaterais, contraindicações, entre outros. Essa definição refere-se a qual etapa? Assinale a alternativa correta. A) Determinar o domínio e o escopo. B) Enumerar termos importantes da ontologia. C) Definir classes e hierarquia de classes. D) Definir propriedades das classes. E) Definir as restrições. NA PRÁTICA As imagens médicas são extremamente necessárias para rastrear o progresso de uma doença em curso ou até mesmo descobrir uma nova doença. Imagens como as fornecidas pela ressonância magnética e tomografia computadorizada, por exemplo, permitem que os profissionais de saúde monitorem a eficácia do tratamento e ajustem os protocolos conforme necessário. Vale ressaltar que, quando se tem informações detalhadas egeradas por imagens médicas, é possível fornecer aos pacientes um atendimento melhor e mais acertado. Neste Na Prática, conheça como e por que um grupo de pesquisa construiu uma ontologia para d escrever imagens médicas. SAIBA + Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professo r: Ontologias – Web & Web semântica Nesta aula do professor André Santanché, aprenda mais sobre fundamentos de ontologias em co mputação e a sua relação com Ontologia da Filosofia. Além disso, veja ontologias em RDF e O WL com exemplo prático em Protégé, noções básicas de regras em SWRL e inferência. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Tutorial metodologia 101 (em espanhol) Neste vídeo, você saberá mais sobre como aplicar a metodologia 101 na prática na construção d e ontologias. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Criar ontologia, configurar URI, criar classes, propriedades e indivíduos (Web Protégé) Neste vídeo, aprenda a criar ontologias, suas propriedades, classes e outros atributos usando a fe rramenta Web Protégé da Universidade de Stanford. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. https://www.youtube.com/embed/9jqq8Ahtj0U https://www.youtube.com/embed/uE0D3sVapYQ https://www.youtube.com/embed/O86L-5V8v1A Exemplo de ontologia de cervejas com o Protégé Neste vídeo, veja como Rafael Ferreira criou uma ontologia para representar tipos de cervejas e o domínio de cervejeiros artesanais usando a metodologia 101. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. https://www.youtube.com/embed/IYhWiyYxRns Ontologias na criação de sistemas especialistas APRESENTAÇÃO O conhecimento vai muito além de lembrar certos fatos, significa aprender algo por meio de exp eriências ou por raciocínio, vislumbrando o ser humano desde a antiguidade, e ainda fascina. Co m a informatização de tudo, é natural aspirar a sistemas que possam pensar igualmente aos hum anos, ou ao menos chegar próximo. Para isso, existe uma técnica chamada ontologia, que permit e construir uma base de conhecimento utilizada por sistemas computacionais. Nesta Unidade de Aprendizagem, você vai aprender um pouco dos conceitos que cercam a ontol ogia, alguns dos principais softwares utilizados para seu desenvolvimento e, por fim, ver como a ontologia pode ser associada a sistemas especialistas. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Definir ontologia.• Identificar software para desenvolvimento de ontologias.• Explicar o uso de ontologias em conjunto com sistemas especialistas.• DESAFIO Um dos objetivos do avanço da tecnologia é a diminuição do trabalho humano, não apenas na fo rma braçal, como nas indústrias, mas também em atividades que exigem raciocínio lógico. Está se tornando comum a utilização de sistemas inteligentes em áreas que tinham resistência ao uso de tecnologia, para assim obter resultados mais rápidos, melhores e mais precisos. Qual técnica você pode utilizar para desenvolver esse sistema? Justifique sua resposta. INFOGRÁFICO Toda tecnologia precisa de passos bem definidos para ser colocada em prática. Esses passos irão mostrar todas as ações que precisam ser realizadas para que seus resultados sejam os melhores p ossíveis. Para ontologia, há um processo denominado Ontology Development 101, que descreve um guia de passos interativo que direciona os pesquisadores no desenvolvimento de uma ontolo gia. Veja, no Infográfico, a metodologia Ontology Development 101, as sete etapas que a compõem e o que deve ser feito em cada uma dessas etapas. CONTEÚDO DO LIVRO Imagine como seria interessante se sistemas computacionais pudessem pensar e ajudar a tomar d ecisões mais assertivas. Essa já é uma ação realizada e, para isso, existem algumas técnicas de in teligência artificial. A ontologia é uma técnica de inteligência artificial que visa a construir uma base de conhecimento sólida o suficiente, a fim de que os sistemas computacionais a consumam para inferir novas informações sobre uma base de dados. Os sistemas especialistas utilizam muit o esse procedimento para abstrair informações e conseguir realizar tomada de decisões. No capítulo Ontologias na criação de sistemas especialistas, da obra Sistemas especialistas, base teórica desta Unidade de Aprendizagem, você vai conhecer os principais conceitos da ontologia, quais softwares podem ser utilizados para o desenvolvimento dessa metodologia, bem como a c orrelação da ontologia com sistemas especialistas. Boa leitura. SISTEMAS ESPECIALISTAS OBJETIVOS DE APRENDIZAGEM > Definir ontologia. > Identificar software para desenvolvimento de ontologias. > Explicar o uso de ontologias em conjunto com sistemas especialistas. Introdução A demanda do ser humano por sistemas inteligentes vem crescendo a cada dia. Atualmente, existem diversas técnicas que possibilitam a criação de software capaz de pensar como uma pessoa. A ontologia é uma dessas técnicas, a qual permite a criação de uma base de conhecimento para sistemas desse tipo. Neste capítulo, estudaremos os principais conceitos que envolvem a tecnologia da ontologia. Além disso, conheceremos pacotes de software para desenvolver uma ontologia e veremos como conciliar a ontologia com sistemas especialistas. Ontologia A grande diversidade e o alto volume de informações disponíveis atualmente estabelecem um fator que complica o trabalho de quem busca informações específicas (PALMEIRA; FREITAS, 2007). Muito disso é decorrente da ascensão dos sites, sistemas digitais e redes sociais. Ontologias na criação de sistemas especialistas Marcos Vinicius Bião Cerqueira A partir dessa problemática, faz-se necessária uma ferramenta eficaz para buscar informações, que seja capaz de processar semanticamente aquelas contidas na documentação relacionada à exibição dos dados (PALMEIRA; FREITAS, 2007). Atualmente, existe uma grande variedade de métodos para desenvolver uma ferramenta de busca. Um desses métodos é baseado na criação de regras, em que criamos um modelo que represente o modo de raciocínio e o conhecimento aplicado por algum especialista no âmbito de um contexto específico (RAUTENBERG, 2016). Ao empregarmos regras explícitas para expressar o conhecimento do domínio de um problema, podemos confrontar conhecimentos já existentes com fatos notórios de um problemas que iremos tratar. Dessa forma, é pos- sível inferir novos fatos. Toda essa noção de regras e fatos pode ser expressada por meio de uma ontologia. No sentido filosófico, o termo ontologia refere-se a um sistema de categorias específico que lida com uma certa visão de mundo, e, portanto, pode ser considerada uma área da metafísica. Seu objetivo é classificar uma parte da realidade e definir seu vocabulário e a expressão normativa da teoria (OLIVEIRA; WERNECK, 2003). Em ciência da computação e ciência da informação, a ontologia é um modelo de dados que representa um conjunto de conceitos no domínio e as relações entre eles. Ontologias são usadas para inferir objetos de domínio. As vantagens de criar, usar e aplicar ontologias foram amplamente defendidas e comprovadas na comunidade. Um dos maiores motivos para o estabelecimento da ontologia é a possibilidade de compartilhar informações e reaproveitar conhecimentos em campos específicos. Para realizar tarefas de conhecimento, os engenheiros precisam fazer generalizações. A abstração requer insights metafísicos e ontologia. Nessa linha de pensamento, a ontologia é uma teoria representante de alguns fatos e regras importantes, usados para fins de computação. O termo on- tologia é, portanto, outro nome para essa teoria, geralmente especificado de forma lógica. Com base na definição de ontologia, podemos inferir que ela é essencialpara um sistema de software projetado para pesquisar ou fundir/integrar informações de diferentes comunidades. É o caso das informações contidas na web (mais precisamente na web semântica), pois a ontologia pode repre- sentar a semântica do documento e permitir que aplicativos web e agentes Ontologias na criação de sistemas especialistas2 web utilizem programas. Quando a ontologia está habilitada em aplicativo da web que podem entendê-la e processá-la, no sentido de considerar a capacidade de realizar tarefas em um nível conceitual mais amplo, abre-se caminho para aplicativos que podem surgir no futuro. Sendo assim, o termo ontologia originou-se da filosofia, sendo um nome do ramo da metafísica. No entanto, o significado de ontologia na ciência da computação é uma descrição dos conceitos e relacionamentos que os agentes ou comunidades de agentes devem considerar. Além disso, as ontologias são geralmente escritas como um conjunto de definições de vocabulário formal. Formalmente, uma ontologia pode ser definida pela tupla (I, C, A, R) (CAN- TELE, 2017) em que: � Indivíduos — componentes básicos de uma ontologia, podem ser objetos concretos como planetas, pessoas ou animais, mas também podem ser entidades abstratas, como palavras e números. � Conceitos — classes que representam os indivíduos, outras classes ou ambos. Devemos ter cuidado durante a criação dos conceitos, pois algumas vezes é necessário restringir alguns aspectos para evitar paradoxos. � Atributos — conjunto de dados que um indivíduo possui. Cada atributo tem pelo menos um nome e um valor, possibilitando o armazenamento das informações necessárias para o objeto em questão. � Relacionamento — representa a relação entre conceitos já estabe- lecidos e os indivíduos. Os relacionamentos podem ser subdivididos em dois subconjuntos: H representa as relações de hierarquia e N representa uma determinada ação. A ontologia trabalha com aspectos muito próximos à computação, então existe uma distância muito grande em relação ao modo como os elementos funcionam no mundo real. Logo, é necessário abstrair alguns aspectos para conseguirmos correlacionar esses dois mundos. Para isso, podemos criar conceitos dos elementos existentes no mundo real para, a partir disso, criar- mos modelos referentes aos conceitos. Dessa forma, é possível desenvolver uma ontologia que atenda melhor às necessidades do sistema. A Figura 1 representa esse nível de abstração. Ontologias na criação de sistemas especialistas 3 Figura 1. Níveis de abstração. Fonte: Engenharia... ([201-?, documento on-line). Uma ontologia pode ser classificada quanto ao seu grau de formalismo, sua aplicação e sua função. Quanto ao formalismo, temos as seguintes classificações: � altamente informal — expressa em linguagem natural; � semi-informal — expressa em linguagem natural de forma restrita e estruturada; � semiformal — expressa em linguagem computacional, fortemente definida; � formal — expressa por meio de semântica formal, com teoremas e provas. Quanto à aplicação, pode ser classificada como: � autoria neutra — descrita em linguagem única e convertida para di- versos sistemas (reutilização de informações); � especificação — baseada em uma ontologia de domínio que é utilizada para documentar e manter o desenvolvimento de software. � acesso comum — quando um vocabulário é inacessível e a ontologia permite entender tal informação. Ontologias na criação de sistemas especialistas4 Por fim, podemos classificá-la quanto à sua função: � Ontologia genérica — descreve conceitos amplos que não dependem de um problema específico ou domínio particular. A ideia é construir teorias básicas de caráter bastante abstrato, aplicáveis a qualquer domínio (conhecimento de senso comum). � Ontologia de domínio — descreve conceitos relacionados a um domínio específico. Muito utilizada para descrever um “minimundo”. � Ontologia de tarefa — descreve tarefas ou atividades comuns que podem ajudar a resolver problemas, independentemente da área de conhecimento. � Ontologia de aplicação — descreve conceitos que dependem de um domínio específico e de uma tarefa específica. Deve ser uma especiali- zação da terminologia do domínio correspondente e ontologia de tarefa. Software para ontologia Agora que entendemos o que são ontologias, vamos conhecer um pouco sobre as ferramentas disponíveis no mercado para trabalhar com essa tecnologia. É possível encontrar na literatura diversos pacotes de software que nos ajudam no uso de ontologias, cada qual com suas particularidades. O Quadro 1 mostra alguns exemplos desses sistemas. Quadro 1. Exemplos de software que ajudam no uso de ontologias Apollo Hozo OntoStudio Protégé TopBraid Extensível Plug-ins Não Plug-ins Plug-ins Plug-ins Extensões para importação e exportação de dados Apollo Meta language, OCML, CLOS XML(S), RDF(S), OWL, outros XML(S), RDF(S), OWL, Diagrama UML, outros XML(S), OWL, RDF(S), Excel, outros RDFa, WOL, RDF(s), XHTML, Excel, outros Trabalho colaborativo Não Sim Sim Sim Sim Permite Zoom Não Sim Sim Sim Não Licença Código aberto Software proprietário Software proprietário Código aberto Software proprietário Biblioteca de ontologias Sim Não Sim Sim Sim Fonte: Adaptado de Souza (2018). Ontologias na criação de sistemas especialistas 5 Ferramentas como Apollo e Protégé foram produzidas por estudos em universidades e possuem licença livre, o que nos permite utilizá-los sem problemas (SOUZA, 2018). Já para sistemas como Hozo, OntoStudio e TopBraid é preciso adquirir uma licença específica para utilizá-los. Como exemplo, vamos conhecer um pouco mais da ferramenta Protégé. Além de um editor, ele é um framework para obtenção de conhecimento. Possui suporte a extensões por meio de plug-ins e também permite o de- senvolvimento de aplicações e protótipos eficientes com o auxílio de uma base flexível (SOUZA, 2018). O software Protégé foi desenvolvido pelo grupo Stanford Center for Biomedical Informatics Research e, de acordo com o site oficial, a ferramenta possui mais de 360 mil usuários. Ele é um sistema escrito em Java e possui suporte para as plataformas Linux, Mac OS e Windows. O Protégé está disponível nas versões desktop e web. Uma grande vantagem do Protégé é que na sua versão web há a pos- sibilidade de colaboração entre seus usuários. É possível que mais de um colaborador acesse simultaneamente os arquivos dos projetos, possibilitando que diversos pesquisadores colaborem simultaneamente. Uma das principais características das ferramentas de desenvolvimento colaborativo é permitir aos usuários comentar e discutir o conteúdo e as mu- danças da ontologia que desenvolveram em conjunto. Fazemos isso apoiando a associação de anotações com qualquer componente da ontologia ou quaisquer alterações na ontologia. A ferramenta também fornece suporte para diferentes visualizações de anotação, e os usuários podem personalizá-la especificando diferentes condições de filtro. Além disso, os usuários podem pesquisar as ano- tações disponíveis especificando critérios de pesquisa simples ou complexos. As principais funcionalidades fornecidas pelo Protégé são: � criação de elementos da ontologia, como classes, propriedades, indivíduos; � anotação de mudanças de ontologia, como criação, exclusão, reno- meação de classe, etc.; � suporte para propostas de mudança e votação de propostas; � suporte para filtragem de anotações existentes; � suporte para pesquisa de anotações com base em critérios simples ou complexos; � suporte para tópicos de discussão. Ontologias na criação de sistemas especialistas6 A interface gráfica de usuário do Protégé disponibiliza as funcionalidades de edição e navegação nas anotações. A Figura 2 mostra uma captura de tela do Protégé desktop, em que a interface foi aprimorada por meio de um plug-in com um painel de anotações no qual o usuário pode editar e navegar pelas anotações.
Compartilhar