Inteligência Artificial
Aula 4
1
Conhecimento
• para que possamos resolver problemas e
chegar a um estado-meta, através de
diferentes técnicas necessitamos representar
o conhecimento de forma que possa ser
manipulado;
• lida-se com duas entidades:
– Conhecimento: o fato, ou seja, verdades em
algum mundo relevante;
– Representação do Conhecimento:o fato em
algum formalismo escolhido, que será
“realmente” manipulado por programas de
computador;
2
• O conhecimento expresso em IA possui
propriedades um pouco diferenciadas dos
tradicionais “banco de dados”;
– não armazenamos dados simplesmente pelos
dados;
– temos que de alguma forma “conectar” as
informações;
– o conhecimento a ser expresso é volumoso,
nem sempre com informações precisas e em
constante evolução;
– as técnicas utilizadas para representação deste
conhecimento deve possuir as seguintes
características:
• capturar generalizações através de propriedades
importantes;
3
• Ser compreendido pelas pessoas que o fornecem;
• ser facilmente modificado para correção de erros ou
reflexão de mudanças no mundo do problema que
está sendo representado;
• limitação das possibilidades combinatórias;
• o conhecimento é informação estruturada:
– pode aparecer de diferentes formas:
•
•
•
•
•
•
•
forma de objetos,
proposições e definições,
conceitos e relações,
teoremas e regras,
algoritmos,
estratégias e táticas e
metaconhecimento (conhecimento sobre o
conhecimento);
4
• Uma base de conhecimento:
– constituída de fatos e de um conjunto de regras
e heurísticas que permitem a derivação de
outros fatos;
– há mais descrições que dados, ou seja, a
informação está associada à função de
interpretação existente no sistema, os fatos e
regras estão organizados em unidades que
facilitam a inferência (modo como o raciocínio
percorre a representação do conhecimento heurísticas) de novos fatos ;
• trabalha-se com quatro tipos de
conhecimento:
5
– Conhecimento do domínio: situado à nível de
aplicação formado por conhecimentos e termos
básicos do domínio, obtido em livros;
– Conhecimento genérico: situado à nível de
tarefa,formado por regras fornecidas por um
especialista baseado na sua experiência,
conceitos adquirido ao longo dos anos;
– Conhecimento básico:situa-se à nível de
capacidade, formado por modelos ( regras
interrelacionadas, hipóteses);
– Conhecimento formal: situa-se à nível de
tecnologia, constituído de estratégias ou
heurísticas;
• trabalha-se ainda com duas filosofias de
conhecimento: certo e incerto;
6
• Conhecimento certo:
– modelo completo, consistente e imutável do
domínio;
– adição de novos conhecimento não implica em
mudanças na base de conhecimento ( revisão de
crenças), a base já está consolidada;
– nesse caso, em um dado momento, um fato é
tido como verdadeiro ou tido como falso ou
nem verdadeiro ou falso;
– não há dúvida com relação a este
conhecimento;
• Conhecimento incerto:
– que não é indiscutível, está associado a alguma
7
medida de incerteza;
– a incerteza descreve crenças de acordo com a :
• confiabilidade da informação;
• imprecisão da linguagem de representação do
conhecimento utilizada;
• informação parcial;
• agregação ou resumo das informações provenientes
de múltiplas fontes;
– o médico ao diagnosticar uma doença, com
base em alguns sintomas, lida com graus de
incerteza de diagnosticar a doença
corretamente;
8
– não se pode ter certeza que ao se sair de casa
com uma hora de antecedência, se chagará ao
aeroporto em tempo de se embarcar no voô
pretendido, mas apenas se pode afirmar que se
tem um chance de, por exemplo 85% de não
perder o voô... Não pode-se prever com
exatidão a ocorrência de incidentes , pneu
furado, congestionamentos, acidentes...
– A incerteza devido a confiabilidade da
informação pode estar presente em fatos ou
regras mal definidas;
– a incerteza associada a imprecisão da
linguagem de representação, a interpretação da
regra difere da seu significado formal;
9
– a incerteza associada a informação parcial, o
conhecimento não é expresso na sua totalidade ,
desta maneira temos um conhecimento parcial,
aproximado, inexato e impreciso (baixa
confiabilidade) ex.:
• “Ayrton Senna morreu em um acidente
automobilístico, ocasionado por uma flha mecânica,
durante o Grand Prix de Imola, em 1994” ( parcial :
não explicita qual foi a falha que ocorreu;
• “A morte do Senna foi provocada por uma falha no
sistema de direção do seu Fórmula 1” (aproximado
: não explica o tipo de falha);
• “Ao bater no muro de proteção, Senna sofreu uma
desaceleração de cerca de 314 Km/h para zero, em
frações de milésimos de segundos.” ( linguagem
10
imprecisa);
• “Algumas fotos de amadores, feitas no dia da
corrida, aparentemente mostraram um defeito na
suspensão. Alguns pilotos e ex-pilotos acham que
foi a barra de direção” (informações conflitantes de
fontes diversas);
– a incerteza associada a agregação de
informação de múltiplas fontes, gerando
informações imperfeitas conflitantes, ex:
• a sessão começa entre 20:00 e 21:00
• a sessão começa próximo as 20:30
• É provável que a sessão comece À 20:15.
• Para que possamos representar o
conhecimento devemos adquiri-lo, esta é
função de um engenheiro do conhecimento.11
Representação do Conhecimento
• Formalização e estruturação de
conhecimento em um computador, de forma
que possa ser manipulado produzindo um
comportamento inteligente;
• baseado em cognição: máquina de
inferência agindo em cima da base de
conhecimentos, tipo de raciocínio adotado;
• a representação do conhecimento pode ser
analisada em termos da sua adequação ao
fatos do mundo real e aos problemas que se
12
propõe a solucionar;
• A adequação se refere a metafísica, epistemologia ou
heurística:
– metafísica = parte da filosofia que procura determinar as regras
fundamentais do pensamento, ou seja, o mundo construído não
apresenta contradições com os aspectos da realidade sendo
apresentada;
– epistemologia = estudo da teoria do conhecimento e
metodologia, natureza do conhecimento. Na IA estuda-se os
tipos de fatos disponíveis sobre o mundo, como podem ser
representadas em computador e que regras permitem a
derivação de conclusões legítimas a partir deles;
– heurística= processo de raciocínio (caminhos) necessários para
solução de problemas;
13
• a representação do conhecimento respeita
uma semântica formal, a qual é expressa
através de um sistema de símbolos físicos:
– um sistema de símbolos físicos é composto por
símbolos, expressões (instâncias de símbolos) e
processos sobre expressões que permitem a
modificação, criação, reprodução e destruição de
expressões. Pode ser vista como uma máquina que
produz, no tempo, uma coleção progressiva de
estruturas de símbolos (representação do
conhecimento);
– a semântica é o relacionamento entre o mundo real e a
representação formal do conhecimento;
14
• Em 1982, foi criada por Brian Smith a Hipótese de
Representação de Conhecimento , qualquer processo
inteligente realizado por uma máquina, será formado
por ingredientes estruturais que : serão naturalmente
percebido pelos observadores externos como uma
descrição proposicional do conhecimento exibido pelo
processo, e independentemente de tal atribuição
semântica externa, terão um papel formal, causal e
essencial na geração do comportamento que manifesta
tal conhecimento;
15
– Representação declarativa do conhecimento
baseado na lógica;
– utilização de uma máquina de inferência para
obtenção de conseqüências explícitas das
sentenças lógicas ( + conhecimento);
• com o desenvolvimento de alguns sistemas
de IA percebeu-se que não pode existir uma
generalização( padronização) dos
programas:
– constatou-se que grande parte do conhecimento
necessário para solucionar os problemas é
especifico ao domínio da aplicação, sendo
difícil a construção de programas gerais
16
eficientes;
• Hipótese de Reflexão: a representação do
conhecimento conta com o conhecimento
declarativo, o mecanismo interpretador e a
capacidade de introspeção ( conhece sobre si
mesmo e seu raciocínio - metaconhecimento);
Sistemas de Representação de Conhecimento
• um bom sistema deve possuir:
– adequação representacional: capacidade de
representar os tipos de conhecimento necessários
ao domínio;
– adequação inferencial ( capacidade de manipular
as estruturas de forma a derivar novas, a partir de
conhecimentos antigos;
17
– Eficácia inferencial: capacidade de agregar informações
adicionais à estrutura de conhecimento existente, para
direcionar os mecanismos de inferência para direções
mais promissoras;
– eficácia aquisitiva: capacidade de acomodar facilmente
novas informações na base de conhecimento;
• até então não foi desenvolvida um sistema
que otimize todas estas técnicas para
representação de todos os tipos de
conhecimento.;
• não existe uma métrica formal para medir
qual esquema de representação é mais
adequado a um determinado problema;
18
• Existem três abordagem para representação
do conhecimento:
– declarativa ou lógica;
– procedimental;
– estrutural;
Representação Declarativa
– conhecimento:
• descrito através de fatos postulados como verdadeiros;
• conjunto de procedimentos para manipulá-los;
– base de conhecimento vista como uma teoria ou
um conjunto de teoremas numa teoria;
– semântica bem definida (raciocínio monotônico);
19
– Conhecimento especificado sem fornecer o uso
que será feito dele = aspectos estáticos;
– exemplo:
• esquema de representação lógica e redes semânticas;
Representação Procedimental
– conhecimento:
• descrito através de procedimentos para sua utilização;
• representação de conhecimento a respeito do
comportamento da aplicação;
– sabe “como” utilizar o conhecimento:
• fatos relevantes;
• aplicação otimizada das inferências( heurísticas
específicas de acordo com o domínio da aplicação);
– facilidade de codificação;
20
– Entendimento do processo de raciocínio;
– exemplo:
• regras de produção;
Representação Estrutural
– conhecimento:
• descrito com objetos e relações sobre as entidade a
serem modeladas;
• conceitos, hierarquias, classes, instâncias;
– base de conhecimento = coleção de objetos e
suas relações;
– enfatiza aspecto estrutural ( organizacional) do
domínio;
– utilizado em raciocínio por analogia, estatístico;
21
– exemplo:frames e scripts;
• Além do sistema de representação do
conhecimento escolhido é necessário
informações sobre o escopo e a granularidade,
ou seja, “ qual porção do mundo externo pode
ser representada no sistema!!” e “ em que nível
de detalhes!!”;
– estas questões são facilmente respondidas, mas
dependem totalmente da aplicação particular que
será implementada;
– granularidade de um sistema = performance
desejada, ou seja, “tudo que o sistema deve
conhecer pode ser representado com este esquema
de representação de conhecimento!!”
22
• Fatores para a seleção de um esquema de
Representação de Conhecimento :
– Se existir um formato natural de representação
do conhecimento utilizado por especialista, no
domínio específico da aplicação, utilize-o ( o
formato-pré-codificado torna mais rápida a
construção de bases de conhecimento, pois não
é necessária uma transformação para armazenar
o conhecimento;
– selecione a representação de conhecimento que
possa produzir resultados que melhor refletem
o tipo de inferências que normalmente será
feito no problema específico;
– dependência das inferências;
23
Raciocínio
• O processo de raciocínio associado a
determinado esquema de representação de
conhecimento permite que se chegue a
conclusões adequadas a partir do
conhecimento e de regras gerais disponíveis;
• raciocínio = processo pelo qual, através de
proposições conhecidas, se chega a outras
proposições a que se atribuem graus variados
de verdade:
– tirar conclusões a partir de um conjunto de fatos;
24
– diagnosticar causas possíveis para uma
condição;
– gerar hipóteses acerca de uma situação;
– analisar os fatos e os dados de um problema;
– demonstrar um teorema;
– resolver um problema;
– argumentar;
• em IA existem dois tipos de raciocínio:
monotônico e não-monotônico:
• Monotônico:
– lida com o conhecimento certo, baseado em
lógicas clássicas, caracterizado por:
25
• os fatos necessários à solução de um problema estão
presentes no sistema ou podem ser deriváveis dos
fatos presentes através do uso dos axiomas e regras
de inferência da lógica de primeira ordem;
• os fatos ( e sua representação) são consistentes;
• a medida que novos fatos se tornam disponíveis, se
eles forem consistentes com todos os outros já
definidos, nenhum dos fatos existentes será alterado;
– não existe mecanismo de revisão de crenças, o
sistema aumenta seu estoque de verdade a
medida que o conhecimento é acrescentado e
inferências são realizadas;
• Não-monotônico:
– raciocínio derrotável;
26
– uma inferência não-monotônica pode ser
invalidada (derrotada) pela adição de novas
informações que violem suposições feitas
durante o processo de raciocínio original;
– quando um fato novo é acrescentado à base ou
um fato é removido, podem ocorre contradições
entre os fatos existentes, sendo necessário um
mecanismo para lidar com tais conflitos;
27
Raciocínios considerados não-monotônicos:
– Raciocínio default:
• permite tirar conclusões baseado naquilo que tem mais chance de
ser verdadeiro, na ausência de informação contrária;
• utiliza expressões válidas em geral, mas é capaz de identificar
exceções;
• exemplo: sabemos que Tweety é um pássaro, temos evidência
(não-conclusiva) de que ele pode voar. Então concluímos que ele
voa, pois não temos nenhuma informação contrária.
Posteriormente, ao descobrirmos que Tweety é um pinguim,
podemos rever nossa posição e concluir que ele não pode voar;
– Raciocínio minimalista:
• idéia de que se algo é verdadeiro e relevante, faz sentido assumir
que foi inserido na base de conhecimento ou pode ser derivado a
partir dela;
28
– Abdução:
• tipo de raciocínio formal em que dadas duas fbf, (A B ) e (B),
assumir A, se for consistente;
• esta conclusão não se obtém através das regras de lógica de
primeira ordem, e pode estar errada , mas na falta de outra
informação pode representar o melhor palpite;
Processos de raciocínio
• divididos em:
–
–
–
–
–
formal;
procedimental;
analógico;
por abstração e generalização;
meta-nível;
29
• Raciocínio Formal:
– manipulação sintática de estruturas de dados
visando obter novas estruturas a partir de regras
de inferências pré-definidas;
– aplicado em esquemas de representação de
conhecimento baseados em lógica, ou seja,
sistema de representação declarativo;
– processos de dedução, indução e abdução são
tipos de raciocínio formal sendo a dedução a
única formalmente correta, pois os outros
processos de acordo com o domínio da
aplicação podem produzir resultados inválidos
(informações insuficientes);
30
– Raciocínio Dedutivo:conclui-se novos fatos
através de inferências baseadas em uma teoria
formal que descreve o domínio da aplicação;
• teoria formal = axiomas e regras, que representam o
conhecimento prévio;
• o sistema raciocina por inferência dedutiva;
• e aumenta seu conhecimento aplicando regras de
inferência no conhecimento inicial;
• tipos de inferência utilizados: modus ponens, modus
tollens, silogismo hipotético, especialização,
generalização e resolução;
– Raciocínio Indutivo:de acordo com um
conjunto de exemplos ou dados particulares, o
sistema procura inferir conceitos ou leis gerais
31
(generalizar a partir de fatos simples);
• Utilizado em aprendizagem de máquina;
• exemplo: a partir da existência de um conjunto grande de corvos,
todos eles negros, é razoável supor que todos os corvos são negros;
– Raciocínio por Abdução: raciocínio a partir dos efeitos
para as possíveis causas:
• assim, de um determinado efeito surge uma causa, na falta de
informação contrária, é razoável supor que o efeito foi gerado pela
causa sugerida;
• exemplo: se sabemos que “ se local da cultura for sangue, a
morfologia do organismo for bastonete, a mancha gram do
organismo for gram-positiva e o doente está em perigo então a
identidade do organismo (CAUSADOR DA INFECÇÃO) é
Pseudomonas-aeruginosa” e desejando provar que o causador da
infecção é a bactéria Pseudomonas -aeruginosa, admitimos, por
hipótese, que seja ela ( talvez por falta de outras alternativas).
32
• Este raciocínio é geralmente utilizado em sistemas
especialistas;
– o raciocínio de senso comum é de natureza
dedutiva;
• Raciocínio Procedimental:
– usa simulação para responder questões e
resolver problemas;
– representação procedimental do conhecimento,;
– utilizado quando temos um algoritmo para
resolução do problema;
– representa micromundos, (SMA);
– utilizado par representar propriedades
matemáticas e suas relações espaciais, objetos
33
físicos;
• Raciocínio Analógico:
– analogia = mapeamento entre elementos de um
domínio fonte em um domínio alvo;
– processo que determina relações entre dois
domínios, adaptando e aplicando o
conhecimento num domínio, em tarefas
semelhantes, em outro domínio;
– de difícil representação par a IA;
– utilizado em demonstração de teoremas, e em
representações de conhecimento analógicas
como: mapas, modelos, diagramas, imagens,...
• Raciocínio por Abstração e
Generalização:
– geração de conceitos mais amplos (classe);
34
– A partir de exemplo típicos ( generalização de
informações) e de contra-exemplos
(especialização) chegamos a conclusões;
– exemplo: mundos dos blocos;
• é natural acreditar que, sabendo que “canários tem
asas” , “bem-te-vis tem asas” e “sabiás tem asas”,
acreditar que todos os pássaros tem asas;
• falta de detalhes para implementação;
– utilizado em aprendizagem de máquina e
micromundos;
• Raciocínio meta-nível:
– baseado em metaconhecimento (utilidade e
disponibilidade do conhecimento sobre o
domínio da aplicação);
35