Representação de Conhecimentos - Regras

Prévia do material em texto

REPRESENTAÇÃO DE CONHECIMENTOS
• Introdução 
• Lógicas
• Regras de Produção e Sistemas Especialistas (SE)
• Redes Semânticas
• Quadros (Frames)
• Roteiros (Scripts)
 
3. REGRAS DE PRODUÇÃO
Representação de regras (ou regras de produção) tem 
as seguintes formas:
1) SE condição ENTÃO ação 
 se certas condições são satisfeitas, então uma ação 
é realizada ou uma conclusão obtida. Isto é 
chamada sistema de reação.
 E.x. SE você está doente
 ENTAO procure um médico 
 
2) SE padrao1 ENTÃO padrao2
Esse tipo de sistema é chamado sistema de dedução.
padrao1: antecedência, i.e., fatos conhecidos pela 
inferência ou oferecidos pelo usuário
padrao2: consequência se as antecedência são suportadas
Ex.: SE x é marido de y
 ENTAO x é homem 
Obs. As consequências de uma regra podem ser 
antecedência de outra regra.
 
3. REGRAS DE PRODUÇÃO
 
• Em um sistema de regras de produção, existem dois tipos de 
 raciocínios que variam quanto a direção em que se procura a 
 solução do problema:
 - encadeamento progressivo (forward chaining)
 - encadeamento regressivo (backward chaining) 
3. REGRAS DE PRODUÇÃO
 
Um Sistema de Dedução para Identificar Animais (Brinquedo)
• Suponha que Robbie, um robô, quer passar um dia no zoo 
 Robbie pode perceber características básicas, tais como cor e 
 tamanho, tem cabelo ou produz leite, etc. Robbie decide construir 
 um sistema de dedução ZOOKEEPER para distinguir os animais.
• Suponha que o zoo só tem sete animais: um macaco, um tigre, 
 um girafa, um zebra, um avestruz, um pingüin e um albatroz. 
3. REGRAS DE PRODUÇÃO
 
Z1: SE x tem cabelo
 ENTÃO, x é um mamífero
Z2: SE x produz leite
 ENTÃO, x é um mamífero
Z3: SE x tem pena
 ENTÃO, x é um pássaro
Z4: SE x voa
 e x poe ovos
 ENTÃO x é um pássaro
O ZOOKEEPER contem as seguintes regras:
Z5: SE x é um mamífero
 x come carne
 ENTÃO x é um carnívoro
Z6: SE x é um mamífero
 x tem dente agudo
 x tem garra
 x tem olhos frontais
 ENTÃO x é um carnívoro
3. REGRAS DE PRODUÇÃO
 
Z7: SE x é um mamífero
 e x tem cascos
 ENTÃO x é um “ungulate”
Z8: SE x é um mamífero
 e x rumina
 ENTÃO x é um “ungulate”
Z9: SE x é um carnívoro
 x tem cor fulvo
 x tem manchas escuras 
 ENTÃO x é um leopardo
Z10: SE x é carnívoro
 x tem cor fulvo
 x tem faixas pretas
 ENTAO x é um tigre
Z11: SE x é um “ungulate”
 x tem perna longa
 x tem pescoço comprido
 x tem cor fulvo
 x tem manchas escuras 
 ENTÃO x é uma girafa
3. REGRAS DE PRODUÇÃO
 
Z12: SE x é um “ungulate”
 x tem cor branco
 x tem faixas pretas
 ENTÃO x é uma zebra
Z13: SE x é um pássaro
 x não voa
 x tem perna longa
 x tem pescoço comprido
 x é preto e branco
 ENTÃO x é um avestruz
Z14: SE x é um pássaro
 x não voa
 x nata
 x é preto e branco
 ENTÃO x é um pinguim
Z15: SE x um pássaro
 x é um bom voador
 ENTÃO x é um albatroz
3. REGRAS DE PRODUÇÃO
 
Encadeamento Progressivo
Suponho que as seguintes seis asserções são em memória de trabalho:
• Stretch tem cabelo
• Stretch rumina
• Stretch tem perna comprida
• Stretch tem cor fulvo
• Stretch tem manchas escuras
ZOOKEEPER vai identificar o animal Stretch a partir das evidências
conhecidas.
3. REGRAS DE PRODUÇÃO
 
Z1
Z8
Z11
Tem perna comprida
Tem pescoço comprido
Tem cor fulvo
Tem manchas escuras
Rumina É um “ungulate”
É uma girafa
É um mamífero
Tem cabelo Primeira ativada 
Segunda ativada
Terceira ativada
Rede de Inferência
3. REGRAS DE PRODUÇÃO
 
Para identificar um animal com ZOOKEEPER (forward-chaining):
 Até que nenhuma regra produza uma nova asserção ou o animal seja
 identificado, faça
 para cada regra
 compara a antecedência da regra com os fatos conhecidos;
 se todas as antecedência da regra são suportadas (casa com
 o conjunto inteiro ou um subconjunto dos fatos conhecidos), 
 afirma a consequência da regra, caso não existe uma asserção 
 idêntica;
 repete para todos casamentos e instanciações alternativas. 
3. REGRAS DE PRODUÇÃO
 
 Encadeamento Regressivo
 
ZOOKEEPER forma uma hipótese que Swifty é um leopardo
Evidencias Conhecidas:
• Swifty tem cabelo
• Switfy tem dente agudo
• Switfy tem garra
• Swifty tem olhos frontais 
• Swifty tem cor fulvo
• Swifty tem manchas escuras
3. REGRAS DE PRODUÇÃO
 
Z1
Z5
Z9
Come carne
Tem pescoço comprido
Tem cor fulvo
Tem garra
É um carnívoro
É um leopardo
É um mamífero
Tem cabelo
1a regra usada
2a regra usada
Z6 É um carnívoro
4a regra usada
3a regra usada
Tem olhos frontais
Tem dente agudo
3. REGRAS DE PRODUÇÃO
 
Para identificar um animal com ZOOKEEPER (backward-chaining):
 Até que todos as hipóteses sejam examinados e nenhuma delas sejam 
 suportadas ou até que o animal seja identificado,
 para cada hipótese
 para cada regra cuja consequência casa com a hipótese 
 corrente 
 tentar suportar a antecedência de cada regra por 
 casamento entre a antecedência e a asserção em 
 memória de trabalho ou por encadeamento pratras
 para outra regra, criando novas hipóteses. Precisa
 examinar todos casamentos e instanciações alternativas.
 se toda antecedência da regra é suportada, anuncie
 o sucesso e conclui que a hipótese é verdadeira. 
3. REGRAS DE PRODUÇÃO
 
Uso de Encadeamento Progressivo ou Encadeamento Regressivo
• Muitos sistemas de regras de produção dedutivo permite aos 
 usuários relacionar os fatos e as conclusões usando tanto 
 encadeamento progressivo quanto regressivo
• Quando um conjunto típico de fatos pode levar a muitas conclusões, 
 seu sistema tem alta nível de fan out, que exige encadeamento
 regressivo;
• Caso contrario, quando uma hipótese típica pode levar muitas
 questões, seu sistema tem alta nível de fan in, que exige 
 encadeamento progressivo;
 
3. REGRAS DE PRODUÇÃO
 
Uso de Encadeamento Progressivo ou Encadeamento Regressivo
• Muitas vezes, nem fan out nem fan in é uma característica 
 dominante. Precisamos levar outras coisas em consideração:
• Se seu interesse é se uma das muitas conclusões for verdadeira, 
 usa-se encadeamento regressivo;
• Você já tem todos fatos na mão e você quer saber tudo o que se
pode concluir a partir dos fatos, usa encadeamento 
 progressivo. 
3. REGRAS DE PRODUÇÃO
 
Resolução de conflitos é onde está a cognição do sistema
• Primeira regra encontrada ?
• Regra de maior prioridade ?
• Regra mais recentemente adicionada na base de dados ?
3. REGRAS DE PRODUÇÃO
 
Vantagens 
• modularidade
fácil eliminar e inserir regras
• uniformidade
tudo na base de dados é do tipo regra
• naturalidade
o que fazer é facilmente representado na forma de regras
3. REGRAS DE PRODUÇÃO
 
Desvantagens
• ineficiência
execução demorada
• interpretador “inteligente”
difícil acompanhar o controle de execução
• sistema tende a ficar vagaroso a medida que o número de 
 fatos aumenta explosão combinatória
3. REGRAS DE PRODUÇÃO4. SISTEMAS ESPECIALISTAS
Segundo Edward Feigenbaum da Universidade de Stanford, 
a definição de sistemas especialistas é:
“Um sistema especialista é composto por programas ‘inteligentes’ 
de computador que usa conhecimentos e procedimentos 
inferenciais, para resolver problemas que necessitam do 
conhecimento especializado de um ou mais especialista humano”
Feigenbaum denominou os projetistas de sistemas baseados em 
conhecimento de engenheiros de conhecimento e se refere à nova 
tecnologia como engenharia do conhecimento.
 
Categorias de Aplicações:
• Interpretação -- tipicamente usam dados de sensores para 
 inferir descrições de situação. 
 Ex:
 O SPE (Rutgers University), que interpreta formas de 
 ondas de um densímetro para distinguir entre as diferentes 
 causas de condições de inflamações em pacientes médicos.
4. SISTEMAS ESPECIALISTAS
 
• Predição -- Este tipo de sistema infere as consequências 
 prováveis de uma dada situação. 
 
Ex:
 PLANT/cd (University of Illinois) prediz o perigo de 
 praga nas plantações de milho usando um modelo de 
 simulação que faz computações necessárias.
4. SISTEMAS ESPECIALISTAS
 
• Diagnóstico e Debugging -- os sistemas de diagnóstico usam 
 situações de descrição, características de comportamento ou 
 conhecimento sobre componentes de projeto para inferir 
 causas prováveis de mal funcionamento. 
 Os sistemas de debugging são responsáveis por encontrar 
soluções para mal funcionamentos. Os sistemas de diagnóstico e 
debugging normalmente trabalham juntos, interagindo com o usuário, 
ajudando-o a encontrar as falhas e então sugerindo cursos de ações 
para corrigi-las.
 Ex:
 O MYCIN (Stanford University) é um exemplo de sistema de
 diagnóstico para infecções bacteriológicas em pacientes 
 hospitalares.
4. SISTEMAS ESPECIALISTAS
 
•Projeto -- desenvolve configurações de objetos baseados em
 um conjunto de restrições do problema. As duas mais 
 populares áreas de aplicações de sistemas de projeto são a 
 biologia molecular e a microeletrônica. 
 
Ex:
 O XCON (Carnegie-Mellon University e Digital Equipment 
 Corporation), por exemplo configura os sistemas de 
 computadores VAX para atender as necessidades de clientes.
4. SISTEMAS ESPECIALISTAS
 
• Monitoração -- compara o comportamento do sistema real ao 
 comportamento esperado. Sistemas de monitoração, por sua 
 natureza, manipulam com tempo, e precisam fazer interpretações 
 de contexto, dependentes do tempo, e dos comportamentos que 
 eles observam.
Ex: 
 O REACTOR (EG&G Idaho), por exemplo, monitora leituras de 
 instrumentos de um reator nuclear, tendo como base de 
 comparação dados de um acidente.
4. SISTEMAS ESPECIALISTAS
 
• Instrução -- estes sistemas funcionam como tutores inteligentes, 
 realizando instruções de diagnóstico, debug e corrigindo o 
 comportamento dos estudantes.
 
Ex: 
 O GUIDON (Stanford University), que ensina a estudantes de 
 medicina regras para selecionar terapias anti-microbióticas para 
 pacientes com infecções bacteriológicas. 
4. SISTEMAS ESPECIALISTAS
 
• Controle -- governa adaptativamente o comportamento geral do 
 sistema. Sistemas de controle precisam incluir um componente 
 de monitoração, para o acompanhamento do comportamento do 
 sistema, bem como os outros tipos de sistemas já vistos. Uma 
 combinação provável de tarefas para sistema de controle é 
 monitoração, diagnóstico, debugging, planejamento e predição.
 Ex:
 O VM (Stanford University) controla o tratamento de um paciente 
 pós-cirúrgico em uma unidade de terapia intensivo.
4. SISTEMAS ESPECIALISTAS
 
• Planejamento -- projeta ações, ou seja, decidem por uma 
 sequência de ações a serem tomadas. As áreas mais comuns de 
 aplicações são a química, a eletrônica e a militar.
 
 Ex:
 O TATR (Rand Corporation), exemplo deste tipo de sistema, 
 projeta bombardeios aéreos a bases aéreas inimigas.
4. SISTEMAS ESPECIALISTAS
 
• Reparação -- segue um planejamento para administrar algum curso 
 prescrito para solução de uma falha. Poucos sistemas de reparação 
 têm sido desenvolvidos, por causa, do fato de que executar uma 
 reparação em um objeto do mundo real adiciona uma dimensão 
 extra à complexidade do problema.
 Ex: 
 O TQMSTUNE (Intellicorp), um sistema de reparação, ajusta um 
 espectrômetro de massa.
4. SISTEMAS ESPECIALISTAS
 
• Para fazer com que um SE chegue perto do 
desempenho de um especialista humano, o sistema 
deve:
– ter grandes quantidades de conhecimento disponíveis;
– conseguir ter acesso a este conhecimento rapidamente; e
– ser capaz de raciocinar adequadamente com este 
conhecimento.
4. SISTEMAS ESPECIALISTAS
 
Usuário
s
Ferramentas de aquisição de 
conhecimento e de 
construção de sistemas
Engenheiro de 
Conhecimento
Base de 
conhecimentos
Modulo de 
explanação
Interface 
do usuário
Mecanismo 
de inferência Base de dados
 
• A base de conhecimento é composta de fatos e regras 
que o sistema conhece sobre o domínio do problema.
• Conhecimento é representado na base de conhecimento 
usando uma das técnicas de RC, incluindo regras de 
produção, redes semânticas, frames e scripts.
• SE também podem usar uma mistura de técnicas de 
RC.
– Estes tipos de sistemas são chamados sistemas híbridos.
4. SISTEMAS ESPECIALISTAS
 
• Conhecimento também pode incluir probabilidades
 ou fatores de incerteza, os quais podem ser usados 
 para:
- melhorar a corretude das tomadas de decisões;
- ajudar a resolver conflitos; e 
- melhorar recursos de explicação.
• Técnicas para lidar com incerteza incluem: 
- o Método Bayesiano; 
- a Teoria da Certeza (Fatores de Certeza); e 
- Lógica Fuzzy.
4. SISTEMAS ESPECIALISTAS
 
• Um motor de inferência manipula os 
conhecimentos. Em representação de regras de 
produção, existem dois tipos de engenhos que 
variam quanto a direção em que se procura a 
solução do problema
– encadeamento progressivo (forward chaining)
– encadeamento regressivo (backward chaining) 
4. SISTEMAS ESPECIALISTAS
 
• O módulo de explanação deve fornecer aos 
usuários do sistema justificativas plausíveis para 
as ações tomadas. 
• Um SE deve ser “aberto para inspeção”, pois 
pouco especialista humano aceita recomendação 
sem entender as razoes. 
4. SISTEMAS ESPECIALISTAS
 
• A base de dados deve armazenar as “evidências” 
 de um problema específico, acompanhar o estado 
 do sistema e armazenar o histórico da evolução 
 do sistema.
• A interface do usuário deve facilitar a 
 comunicação sistema/usuário
4. SISTEMAS ESPECIALISTAS
 
Tratamento de Incerteza - Modelos de Verdade
• O sistema MYCIN gerou, no INPE, uma serie de teses de 
 mestrado na construção de esqueletos (“shells”) para SE’s 
 que levam à implementação do sistema DIAGNOSTICO.
• O conhecimento do sistema DIAGNOSTICO é armazenado
 na forma de regras 
 SE ... ENTÃO ...
 
4. SISTEMAS ESPECIALISTAS
 
Exemplo, 
 SE 1) o corante do organismo for gram-positivo
 e 2) a morfologia do organismo coccus
 e 3) a conformação de crecimento do organismo for grumosa
 ENTÃO,
 Há evidencia sugestiva (0.7) de que a identidade do organismo 
 é estafilococo.
 SE 1) há um sistema sinotico se aproximando 
 e 2) o sistema tem pouca intensidade 
 ENTÃO,
 Existe evidencia (0.4) que as condições degrande escala em SP 
 são favoráveis.
4. SISTEMAS ESPECIALISTAS
 
• O modelo de verdade adotado no sistema DIAGNOSTICO 
 é baseado no modelo de MYCIN. 
• O “fator de crença”, 0 ≤ FC ≤ 1 é associado a cada regra pelo 
 especialista que a cria. Como as premissas de uma regra podem 
 ser conclusões de outras, as premissas também podem estar 
 associados FC’s.
• Para cada uma dada hipótese h, e um dado conjunto de 
 evidencias E, definem-se :
 MC (h, E) = x a medida de crença em h dada E é x
 MD (h, E) = y a medida de descrença em h dada E é y
4. SISTEMAS ESPECIALISTAS
 
• O fator de crença em h dada E é:
 FC(h, E) = MC(h, E) - MD(h, E) = x - y
 Como 0 ≤ x ≤ 1 e 0 ≤ y ≤ 1, então, -1 ≤ FC ≤ 1
• Tanto MC quanto MD são computadas separadamente. No 
 entanto, se uma dela chegar a 1, outra é zerada.
• Também neste modelo, FC(h, E) = -FC(~h, E). 
4. SISTEMAS ESPECIALISTAS
 
Operações para Inferência
1) Conjunção de hipóteses
 MC(h1∧h2, E) = min{MC(h1, E), MC(h2, E)}
 MD(h1∧h2, E) = max{MD(h1, E), MD(h2, E)}
2) Disjunção de hipóteses
 MC(h1∨h2, E) = max{MC(h1, E), MC(h2, E)}
 MD(h1∨h2, E) = min{MD(h1, E), MD(h2, E)}
3) Hipóteses como evidencias
 MC(h1 , h2) = MC’(h1 , h2) ×max{0, FC(h2, E)}
 MD(h1, h2) = MD’(h1 , h2) ×max{0, FC(h2, E)}
4. SISTEMAS ESPECIALISTAS
 
• Onde MC’(h1 , h2) é a medida de crença em h1 se h2 for verdade; 
• Se FC(h2, E) for negativo (indicando uma descrença em h2), 
 então, a crença em h1 dado h2 é zero;
• Note que 4) indica como deve ser calculado a MC da conclusão 
 de uma regra, dados os FC dos premissas. 
4. SISTEMAS ESPECIALISTAS
 
Exemplo: 
 SE 1) FC = 0.5
 e 2) FC = 0.3
 e 3) FC = 0.7
 ENTÃO (0.7) <conclusão>
As premissas podem ser consideradas como hipóteses conjuntas.
Neste caso, por 1)
 FC(1) ∧2) ∧ 3)) = min{0.5, 0.3, 0.7}=0.3
Então, por 3)
 MC (<conclusão>) = 0.7 ×0.3 = 0.21;
 MD (<conclusão>) = 0.3 ×0.3 = 0.09;
 FC(<conclusão>) = 0.21 - 0.09 = 0.12;
4. SISTEMAS ESPECIALISTAS
	Slide 1
	Slide 2
	Slide 3
	Slide 4
	Slide 5
	Slide 6
	Slide 7
	Slide 8
	Slide 9
	Slide 10
	Slide 11
	Slide 12
	Slide 13
	Slide 14
	Slide 15
	Slide 16
	Slide 17
	Slide 18
	Slide 19
	Slide 20
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 30
	Slide 31
	Slide 32
	Slide 33
	Slide 34
	Slide 35
	Slide 36
	Slide 37
	Slide 38
	Slide 39
	Slide 40
	Slide 41
	Slide 42
	Slide 43