Representação e Aquisição do Conhecimento

Transcrição

1 Representaçã e Aquisiçã d Cnheciment 1.1 Cnceits básics e terminlgia A utilizaçã intensa d cnheciment trna difícil desempenh d cmputadr. Tarefas tais cm a extraçã de cnceits, relacinâ-ls, fazer deduções e generalizações, etc., praticamente nã sã realizáveis pela máquina. A factibilidade está relacinada cm a generalidade d dmíni: a restriçã d dmíni reduz a cmplexidade d prblema. Pr enquant a ptência d cmputadr ainda é insuficiente para reslver prblemas cm um dmíni abrangente. A seguir alguns terms relacinads: Base d cnheciment É cnjunt de prcediments, heurísticas, dads, etc. que cmpe cnheciment, semelhante a um banc de dads, devem ser realizadas atividades de manutençã. Um sistema de cmputaçã que pssui base de cnheciment chama-se de sistema basead n cnheciment. O engenheir d cnheciment é respnsável pela implantaçã da base d cnheciment, é um prfissinal de ciência da cmputaçã. Especialista d dmíni É um prfissinal altamente capacitad n dmíni n qual está send desenvlvida uma aplicaçã. Na cnstruçã ds sistemas especialistas (SE), especialista d dmíni substitui a engenheir d cnheciment. Inferência É prcess pel qual se deduzem nvas infrmaçõesa partir das existentes na base d cnheciment. Quant mair fr cnheciment armazenad tant menr será a atividade da inferência. Máquina de inferência É a parte da base d cnheciment que cntém s mecanisms (algritms e heurísticas) que prcessam a inferência. Tais mecanisms sã independentes d dmíni. Cm relaçã as métds fracs: A base d cnheciment armazena estad inicial, estad final, teste da meta e a árvre de busca. A máquina de inferência é um métd frac que utiliza e atualiza a base d cnheciment. 1.2 Tips de representaçã d cnheciment 1. Basead em regras

2 O cnheciment se representa usand estruturas chamadas regras, u regras de prduçã, cmpstas de duas partes: cndiçã (se) e açã (entã). A inferência prcessa-se fazend testes da parte se das regras e executand as ações cntidas na parte entã. 2. Basead em hierarquias O cnheciment representa-se através de estruturas de dads rganizadas hierarquicamente. A inferência é prcessada mediante busca e atualizaçã nessas estruturas. 3. Orientad a prcediments O cnheciment está estruturad em um cnjunt de subrtinas. A inferência é prcessada evcand esses prcediments em uma rdem adequada. 4. Orientad a bjets O cnheciment se encapsula em estruturas autônmas (bjets) que se cmunicam pr envi de mensagens. A inferência é realizada mediante uma interaçã entre bjets. 5. Basead em lógica O cnheciment é representad usand frmalisms lógics tais cm: aximas, relações, predicads, etc. A inferência é realizada usand algritms que prvam a certeza u nã das aserções. 6. Orientad a acess Usam prcediments que mnitram as estruturas de dads presentes na base d cnheciment. Quand uma estrutura tem um ds seus camps alterad, prcediment assciad é executad. A inferência é realizada mediante busca e atualizaçã nessas estruturas. Prpriedades de uma base d cnheciment: Cnsistência: nã armazenar infrmaçã cnflituante. Cmpletude: quand nã tem lacunas n cnheciment armazenad. Cerência: quand nã há ilhas d cnheciment. Redundância. Certeza (crrecteza): versões cmpatíveis entre si das unidades d cnheciment. 1.3 Esquemas de representacã d cnheciment Regras de prduçã Sã estruturas d tip: Se cndiçã entã açã

3 send: cndiçã: estabelece um teste cuj resultad depende d estad atual da base d cnheciment açã: mdifica estad atual da base d cnheciment, ist é, acrescentar, retirar u alterar. As regras de prduçã sã adequadas na implementaçã de heurísticas d tip: se acntecer ist faça aquil. É frmalism mais difundid de representaçã d cnheciment. Uma representaçã d cnheciment baseada em regras supõe uma base d cnheciment dividida em três cmpnentes: 1. Memória de trabalh: sã armazenads s dads glbais acessads e manipulads pr regras. É a parcela da base d cnheciment que é alterada cnstantemente. 2. Base de regras: as regras sã armazenadas de maneira cmpilada. 3. Máquina de inferência: ande sã armazenads s mecanisms de verificaçã das cndições e execuçã das ações das regras. Cnjuntamente cm a base de regras nã mudam, sã fixas. O quart cmpnente que é a interface d usuári, e que pde u nã estar embutida na máquina de inferência, administra a cmunicaçã entre sistema e usuári. Figura 3.1 Arquitetura de um sistema de prduçã Cenáris (frames)

4 Um "frame" é um tip de representaçã d cnheciment basead em hierarquias e é adequad para representaçã d cnheciment "descritiv". Um cenári está cmpst de um nme e um cnjunt de slts (sã pares atribut-valr). Cada slt pde ter facetas (meta-slts). As facetas também sã pares atribut-valr que armazenam infrmaçã sbre slt, tais cm: tip: númer real, símbl, lista, etc. interval: ds valres n cas de númers, uma lista cm tds s valres pssíveis. cardinalidade: númer máxim de valre spermitids para slt. default: valr pr missã d slt. se-lid: funçã a ser executada quant valr d slt é acessad. se-escrit: funçã a ser executada se valr d slt é prenchid u alterad. se-necessari: nme da funçã a ser executada em cas de que um slt de valr nã definid seja acessad. Usa-se pr exempl para iniciar valr d slt. Os frames pssuem um slt particular cm fins de hierarquizaçã que é slt EIS-UM. Esse slt liga um frame a um utr mais geral. O prcess de herança e instanciaçã favrece a reutilizaçã de códig. As estruturas de frames sã ativas pis a manipulâ-las disparam-se funções de acess definidas cm facetas. Este frmalism cnsidera-se cm rientad a acess Lógica de predicads Basea-se em estruturas riginais da lógica tais cm: axima, relações, predicads, etc. A sua simplicidade permite desenvlver prcediments para verificaçã de certas prpriedades da base d cnheciment tais cm cmpletude (cmpleteza) e certeza (crrecteza). Pel seu baix pder de representaçã nã permite que tds s dmínis pssam ter seu cnheciment expressad pr estruturas lógicas. Estruturas usuais: 1. Predicad: é uma verificaçã (teste) cuj resultad pderá ser verdadeir u fals dependend d bjet para qual esta-se verificand atribut. 2. Clâusula: estipula para quais bjets um predicad é verdadeir. 3. Relaçã: determina algum tip de relaçã entre dis bjets. 4. Axima: estipula a cnclusã de nvs fats a partir ds já cnhecids.

5 5. Operadres: sã cnectres lógics tais cm ~(negaçã), &(cnjunçã), (disjunçã), etc Objets A representaçã baseada em bjets mdela dmíni através das suas entidades físicas e cnceptuais. Essas entidades chamam-se bjets que sã um cnjunt de dads e prcediments frtemente encapsulads que cdificam cnheciment. Alguns prcediments peram sbre s dads interns d bjet e utrs chamads métds realizam a interface d bjet cm mund exterir. Um bjet pde invcar métds definids em utrs bjets passand-lhes s respectivs parâmetrs de entrada e recebend retrn da sua execuçã. Os bjets estã rganizads em hierarquias, cada bjet pertence a uma classe que pde ser derivada de utra classe, que é cnhecida cm herança. Classe (class) = define esquelet de um bjet. Os bjets se materializam através da criaçã de instancias das classes. A instanciaçã faz que sejam herdads tds s dads e prcediments da classe que a geru. Métds = prcediments (funções, subrtinas). Métds cm finalidades semelhantes pssuem mesm nme, essa prpriedade é plimrfism. Prpriedade de seleçã de métds pels seus parâmetrs de entrada: ligament (binding), que pde ser estátic (a cmpilar a base d cnheciment) u dinâmic (a chamar métd). As facetas e s métds executam prcediments de inferência quand: a infrmaçã que necessitam nã está armazenada ns frames u bjets. necessitam garantir que determinadas relações sejam verificadas quand se alteram s cenáris u bjets. necessitam interatuar cperativamente cm usuári. 1.4 Inferência É prcess em que a base d cnheciment é ampliada em funçã d nível de cnheciment atual presente na base e ds mecanisms de inferência dispníveis. Um mecanism de inferência é um prcediment respnsável pela geraçã de nvas infrmações (fats, hipóteses, etc.) na base d cnheciment. Um mecanism de inferência pde ser rientad pr dads u rientad pr bjets Inferência rientada pr dads É um prcess em que a infrmaçã cntida na base d cnheciment é cmbinada cm a finalidade de gerar nvas infrmações. Em uma representaçã baseada em regras de prduçã, este tip de inferência usa: se... entã... Em uma representaçã baseada em cenáris (frames) a inferência pr dads é dada a través das facetas:

6 se_lid, se_escrit, se_necessari prtant: criar u atualizar slts. Em uma representaçã baseada em bjets, a inferência rientada pr dads prcessa-se mediante execuçã de métds. Cada vez que se evca um métd, acntece uma geraçã de nvas infrmações tant n bjet que abriga cm n bjet que evcu, pis s métds nrmalmente entregam (retrnam) resultads da sua execuçã para bjet que evcu. Em representações baseadas em lógica nã é cmum que prceda a inferência rientada pr dads Inferência rientada pr bjetivs Neste tip de inferência testa-se a certeza de uma hipótese (meta). Em cas afirmativ a hipótese pderá ser acrescentada à base d cnheciment cm fat cmprvad. Nas representações baseadas em lógica, a inferência rientada pr bjetivs tenta estabelecer teste de uma meta dada (cláusula a ser cmprvada). O mecanism de inferência tenta identificar um axima em que a meta aparece na cabeça. Nesse cas têm-se três situações: 1. Se a cauda d axima é verdadeira, a meta está prvada. 2. Se a cauda d axima é falsa, esclhe-se utr axima. 3. Se é indeterminada (é descnhecida a certeza de alguns predicads), estabelecem-se cm submetas s predicads indeterminads. Ns sistemas baseads em regras de prduçã, a inferência rientada pr bjetivs prcessa-se da mesma frma: a parcela ENTAO da regra faz papel de cabeça d axima e a parte SE da regra faz papel da cauda d axima. Nas representações baseadaas em hierarquias e bjets nã é cmum a presença de terms inferência rientads pr bjetivs. Exercíci: Reslver prblema da trre de Hani usand representaçã d cnheciment : a) rientada a prcediments (Lisp); b) rientada a bjets (C++); c) baseada em lógica (Prlg). 1.5 Aquisiçã d cnheciment Uma pssível metdlgia estabelece: um prgrama para prcess de extraçã d cnheciment especializad;

7 uma dcumentaçã d prcess de resluçã de prblemas a ser empregad n sistema especialista; uma representaçã d cnheciment próxima à implementaçã em cmputadr. N cas que a metdlgia use paradigma ds bjets, tant para mdelament cm para mapeament d cnheciment, sã previstas três fases: 1. Familiarizaçã: engenheir d cnheciment mantém um cntat preliminar cm dmíni. 2. Cnceitualizaçã: em que cnheciment é extraíd e estruturad. 3. Prjet e implementaçã: em que a base d cnheciment é cnstruída Fase de familiarizaçã Esta fase pretende identificar e caracterizar: Os bjetivs d sistema especialista Os especialistas que frneceram cnheciment. O dmíni n qual insere-se prblema. O prblema O usuári final d sistema especialista. O ambiente n qual será integrad sistema especialista. Os riscs d prjet (design). Nesta fase desenvlve um papel imprtante engenheir d cnheciment, prque é ele quem rganiza prcess e plan de aquisiçã d cnheciment. 1. Capacitaçã ds participantes: dirigida as especialistas d dmíni, administradres, usuári final e prgramadres. 2. Avaliaçã preliminar: devem ser respndidas questões tais cm: bjetivs d prjet Os especialistas: verificar se sã adequads para frnecer cnheciment. verificar a frmaçã d especialista. identificar cmprmiss d especialista. caracterizar a especialidade (perícia) neste dmíni. O dmíni está bem estruturad e limitad? cnheciment n dmíni é cnfiável? cnheciment está bem dcumentad? existe cnsens em quant à especialidade d dmíni? O prblema nível de estruturaçã d prblema verificar a frma ds dads de entrada a quais tips de errs estarã submetids s dads de entrada? nível de certeza ds dads de entrada existem estratégias algrítmicas de sluçã? prblema pde ser decmpst?

8 atividades necessárias à resluçã d prblema O usuári final características e expectativas d usuári final cm é que vai influenciar SE n métd de trabalh d usuári final interface requerida pel usuári O ambiente características e restrições impstas pel ambiente SE será integrad u stand-alne? SE será centralizad u distribuíd? manutençã d SE Riscs rganizacinal d pessal d especialista d dmíni d prblema d usuári d ambiente tecnlógic 3. Organizaçã d prcess de aquisiçã d cnheciment Elabraçã de dicinári d cnheciment Elabraçã de metdlgia de dcumentaçã e registr, usand pr exempl um CASE. Preparaçã de frmuláris para requisiçã de infrmações a especialista. Prcediments para atualizaçã da base d cnheciment, acess a especialista, etc. Técnicas de aquisiçã d cnheciment a serem empregadas. Lista inicial de equipaments. 4. Plan para aquisiçã d cnheciment: é um resum executiv que deve cnter: Hipóteses e restrições impstas à aquisiçã d cnheciment. Estratégias para minimizar s riscs. Crngrama de atividades, pr exempl PERT/CPM. Prjet funcinal e preliminar d sistema especialista. Crngrama de reuniões cm especialista, usuári, administradres Fase de cnceitualizaçã Nesta fase praticamente se realiza a aquisiçã d cnheciment, tem as seguintes etapas: 1. Levantament da matriz d cnheciment. É um mdel lógic d dmíni, das tarefas, da estratégia de cntrle e ds mecanisms empregads de resluçã de prblemas. O mdel d dmíni: cnsiste em Identificar e descrever s cnceits pertinentes a dmíni. Identificar as relações entre s cnceits. Levantar s fundaments d dmíni.

9 O mdel da tarefa: a sua descriçã; seu mdel de interpretaçã; seu esquema de decmpsiçã e sequência. O mdel estratégic: Plítica de escalnament de tarefas. Pré-cndições para a execuçã das tarefas. Plítica de asignaçã de recurss. O mdel de interpretaçã: Pssibilita um esquelet da estratégia de resluçã de prblema adtad pelas tarefas. Tem a frma de um diagrama similar a diagrama de flux de dads qual está cmpst de um graf cm dis tips de nós: metaclasse e inferência; s arcs determinam flux da infrmaçã. Os nós metaclasse classificam s cnceits em : entrada, saída e armazenament. Os nós de inferência descrevem tip de inferência empregad para transfrmar s dads das metaclasses; pr exempl: abstraçã, especificaçã, generalizaçã, assciaçã d valr, cmparaçã, etc. Levantament das necessidades d usuári: O design da interface. Treinament d usuári. Elabraçã ds manuais d usuári. 2. Estratégias de cperaçã sistema-usuári Aqui se especifica cm interatuarã SE e usuári Determinar a distribuiçã de tarefas. Determinar mdel de cperaçã sistema-usuári. Determinar a cmunicaçã sistema-usuári. 3. Transferência de tecnlgia Cnsiste em divulgar a tecnlgia ds sistemas especialista na rganizaçã em que se desenvlve prjet. Devem ser discriminads: A tecnlgia: análise d seu perfil, custs, vantagens, cmpatibilidade, cmplexidade, etc. Canais de divulgaçã: bletins técnics, semináris, etc. As fases para a sua transferência: expsiçã, inicializaçã, integraçã, instalaçã Prjet e implementaçã A partir da matriz d cnheciment levanta-se: Os bjets que cmpem dmíni. As classes de bjets.

10 As relações entre s bjets 1. Levantament ds bjets Os cnceits levantads n mdelament d dmíni mapeam diretamente em bjets, excet quand: Os cnceits definem prpriedades de bjets (ganhs, frequências de crte, etc.). Neste cas s cnceits cmpem estad ds bjets u seus métds. Cnceits definem relações entre bjets. Pr exempl: cnceit CONTROLAR é uma relaçã entre dis bjets. Cnceits definem classes de bjets, cm acntece cm cnceits genérics cm cntrladres, válvulas, etc. Após de identificads s bjets, devem-se definir s dads que cmpem estad ds bjets e s métds assciads. Pr exempl: bjet mtrdc tem cm estad s atributstensã, ptência e rtaçã, e cm métds: partir, parar, ajustar_rtaca. O seguinte pass é agrupar bjets em classes; pr exempl: pde-se definir a classe mtr, cm tds s atributs de mtrdc. Lg após a identificaçã ds bjets e classes, deve-se tentar que um bjet tenha um cicl de peraçã. 2. Relações entre bjets Levand em cnta a implementaçã, as relações cperam para: definir classes de bjets (relações EIS-UM) decmpr bjets em bjets mais simples (relações PARTE DE) levantar dependências entre bjets identificar bjets frnecedres de serviçs e seus clientes. As relações entre bjets pdem ser visualizadas mediante um diagrama de relações. Referências PAUCAR, Prf.Dr.Lenard; SAAVEDRA, Prf.Dr.Osvald. Métds de busca em inteligência artificial. Dispnível em < Acessad em: 08 de fev. de UFMA-DEE, Sã Luís-MA, Brasil.