Instituto de Tecnologia do Paraná
Divisão de Inteligência Artificial
Ontologias em
Gestão do Conhecimento
Dr. Eng. Milton Pires Ramos
[email protected]
TECPAR / DIA
Curitiba - Paraná
[email protected]
Setembro / 2004
Sumário:
1 – Gestão do Conhecimento;
2 – O que gerenciar ??
3 – Representação e Engenharia do Conhecimento;
4 – Ontologias;
5 – Ontologias em GC;
6 – Pesquisa: IAD/SMA, Ontologias e GC.
[email protected]
Setembro / 2004
2
Sociedade do conhecimento
Era do conhecimento infinito
Engenharia do conhecimento
dados ?
informação ??
Gestão do conhecimento
[email protected]
Setembro / 2004
X
Knowledge workers
(trabalhadores do conhecimento)
conhecimento ???
- gestão da informação
- gestão de documentos
- gestão de conteúdos
estratégica
- Inteligência competitiva
empresarial
- gestão de competências
- memória empresarial
- portais corporativos
...
3
Gestão do Conhecimento
Surgimento: Karl Wiig,1986.
“I started out building AI-based expert systems with my group of 35
people back in 1980,” he says. “We built over 100 systems but found that
most were not used after a year. In 1984, we started to look at what was
amiss, and began to look into the role of knowledge in business.” This
trajectory led to the introduction of the concept of ‘knowledge
management’ at an ILO conference in Zurich in 1986, and by then Wiig’s
team had begun to explore factors relating to cognitive science alongside
technology-based solutions. By 1989, the focus of Wiig’s research had
shifted away from technology and towards a more people-centric
approach. With typical modesty, Wiig adds: “But as I am a slow learner,
this transition has taken time.”
<Biografia de Karl Wiig, na chamada do KM Europe 2002>
[email protected]
Setembro / 2004
4
Gestão do Conhecimento
Knowledge Management is the systematic, explicit
and deliberate building, renewal and application of
knowledge to maximize an enterprise’s knowledge
related effectiveness and returns from its
knowledge assets.
Karl Wiig
[Leibowitz, 1999]
[email protected]
Setembro / 2004
5
O que é conhecimento ?
“Conhecimento é o resultado da organização da
informação de acordo com um sistema pessoal de
valores”
[Barthès 2002]
[email protected]
Setembro / 2004
6
tácito
SABEDORIA
complexo
CONHECIMENTO
explícito
INFORMAÇÃO
DADOS
simples
[email protected]
Setembro / 2004
7
A floresta de Compiègne em Outubro
[Barthès 2002]
[email protected]
Setembro / 2004
8
dados
[Barthès 2002]
[email protected]
Setembro / 2004
9
Conhecimento vs valores pessoais
“Conhecimento é o resultado da organização da informação de
acordo com um sistema pessoal de valores”
[Barthès 2002]
[email protected]
Setembro / 2004
10
Conhecimento
Knowledge encompasses the implicit and explicit restrictions
placed upon objects (entities), operations and relationships
along with general and specific heuristics and inference
procedures involved in the situation being modeled.
John Sowa
Knowledge consists of truths and beliefs, perspectives and
concepts, judgments and expectations, methodologies and
know-how.
Karl Wiig
[Leibowitz, 1999]
[email protected]
Setembro / 2004
11
Modernas práticas de administração
Sistemas de Gestão
do Conhecimento
Gestão de pessoas – liderança
Tecnologia da informação
Inteligência artificial
[email protected]
Setembro / 2004
12
O Conhecimento nas organizações
[Grundstein & Barthès 1996]
[email protected]
Setembro / 2004
13
Ciclo de Gestão do Conhecimento
FIND
Identify
Localize
STORE
Formalize
Model
Archive
CRITICAL
KNOWLEDGE
Improve
Update
UPDATE
Access
Diffuse
Exploit
Integrate
DISTRIBUTE
[Grundstein & Barthès 1996]
[email protected]
Setembro / 2004
14
Engenharia do Conhecimento:
<aquisição, modelagem/representação, gestão>
Engenharia do conhecimento - termo usado para
descrever todo o processo de desenvolvimento e
construção de sistemas baseados em conhecimento.
[McGraw & Harbison-Briggs, 1989]
-Sistemas baseados no conhecimento;
-Sistemas especialistas;
-Ontologias;
-Sistemas de gestão do conhecimento.
[email protected]
Setembro / 2004
15
Formas de representação do conhecimento:
- Regras de produção
- Redes semânticas
- Frames (quadros)
- Objetos
[email protected]
Setembro / 2004
16
Regras de produção
SE < premissa 1 >
E < premissa 2 >
ENTÃO < conclusão A >
- Um dos primeiros e mais tradicionais modelos de
representação do conhecimento;
- Bom nível de representação, simples, de fácil
aprendizagem, porém pouco flexível.
- Modelo mais usado na construção de sistemas
especialista.
[email protected]
Setembro / 2004
17
Regras de produção
Sumário:
Inputs
{
If VazaoInj
Then Planta
If VazaoInj
Then PLANTA
VazaoInj :Vazao total da agua de injecao
Particulas :Numero de particulas em suspensao
O2galv :Teor de oxigenio [ON]-line medido por par galvanico
CorrLPR :Taxa de corrosao medida por LPR
>= [VazaoMin]
operandoCorrRE :Taxa de corrosao medida por resstencia eletrica
O2memb :Teor de oxigenio [ON]-line medido por membrana
DeltaP :Perda de carga nos filtros
< [VazaoMin]
BseqO2 :Bomba de injecao de sequestrante de oxigenio [ON]-[OFF]
FORA DE OPERACAO
If Planta operando
and PV12 = [OFF]
Then Planta injetando
If Planta operando
If Planta operando
and Planta com problemas de corrosao
and PV12 = [ON]
Then PLANTA EM RECIRCULACAO and Desaeradora dentro dos parametros operacionais
and BseqO2 = [OFF]
Then Sequestrante de Oxigenio Alarme amarelo
and BOMBA DE INJECAO DE SEQUESTRANTE DESLIGADA
and RELIGAR bomba de injecao de sequestrante de Oxigenio
LABEL rec.injex.oxigenio
"RELIGAR bomba de injecao de sequestrante de Oxigenio"
[email protected]
Setembro / 2004
18
Redes semânticas
Redes semânticas apresentam relações entre elementos em
um domínio. Seus elementos básicos são nós e arcos:
- nós – representam os elementos do domínio;
- arcos – representam as relações entre estes elementos.
Quillian R. Semantic Memory. In M. Minsky (ed) Semantic
Processing. MIT Press, Cambridge, MA, 1968.
[email protected]
Setembro / 2004
19
Abordagens semânticas – idéia básica (Quillian, 1965)
• Modelagem da memória humana
Concept-2
Concept-1
Concept-4
Concept-3
Concept-4
[email protected]
Setembro / 2004
20
Redes Semânticas,
exemplo [Quillian]:
[email protected]
Setembro / 2004
21
Frames (quadros) e objetos
Modelo de representação de conhecimento onde um
elemento de um domínio é representado por um conjunto de
características.
“Um frame possui um nome que identifica o conceito por ele
definido e um conjunto de atributos (slots). Um frame é uma
estrutura de dados complexa, útil para modelar objetos do
mundo real. Assemelham-se a registros de um banco de
dados porém mais poderosos e expressivos.”
Minsky, M.A. A Framework for Representing Knowledge.
McGraw-Hill, New York, 1975.
[email protected]
Setembro / 2004
22
FRAMES (Minsky, 1975)
Minsky 1975
Chair
Chair
color
# feet
red
foot
color
red
4
f1 f2 f3 f4
Prototype - inheritance
Style-Chair
Renaissance-Chair
my-Chair
Is-a
color
guilded
[email protected]
Setembro / 2004
Is-a
# feet
style
4
“Renaissance”
23
Representação de um FRAME
Rennaissance-chair
is-a :
slots
(value style-chair)
style :
facets
(value Rennaissance)
number-of-feet :
(if-needed compute-number-of-feet)
picture :
(if-added draw) (if-removed erase)
[email protected]
Setembro / 2004
24
NUDGE / FRL-0
Goldstein & Roberts 1977
[email protected]
Setembro / 2004
25
Ontologias
“Especificação explícita e formal dos termos de
um domínio e das realações entre eles.”
Tomas Gruber, Stanford University (1993).
[email protected]
Setembro / 2004
26
Ontologias
Uma ontologia define um vocabulário comum para
profissionais que necessitam partilhar informações em um
domínio. Isto excluí definição de conceitos básicos do
domínio e os relacionamentos entre eles.
Por que construir ontologias ??
• Para partilhar o entendimento comum da estrutura da informação
entre pessoas ou agentes software;
• Para permitir a reutilização do conhecimento do domínio;
• Para tornar explícitas as suposições do domínio;
• Para separar conhecimento do domínio do conhecimento operacional;
• Para analisar o conhecimento do domínio .
[email protected]
Setembro / 2004
27
Ontologias
Estrutura de uma ontologia:
Conceitos (classes) Propriedades (slots) Facetas (restrições) Para desenvolver uma ontologia:
 Definir as classes para a ontologia;
 Organizar as classes em uma hierarquia taxonômica;
 Definir os slots e descrever os valores permitidos para estes slots;
 Preencher os valores nos slots para instanciar as classes.
[email protected]
Setembro / 2004
28
Ontologias
[John Sowa – http://www.jfsowa.com.br]
[email protected]
Setembro / 2004
29
Ontologias
[John Sowa – http://www.jfsowa.com.br]
[email protected]
Setembro / 2004
30
Ontologias
Metodologia de desenvolvimento (proposta):
1.
2.
3.
4.
5.
6.
7.
[email protected]
Determinar o domínio e escopo da ontologia;
Considerar a reutilização de ontologias existentes;
Enumerar termos importantes da ontologia;
Definir as classes e sua hierarquia;
Definir as propriedades das classes;
Definir as restrições das propriedades;
Criar as instâncias.
Setembro / 2004
31
Ontologias
Bases de conhecimento e ontologias estão
proximamente relacionadas em sistemas de gestão do
conhecimento. Comunidades estabelecem ontologias,
ou modelos conceituais partilhados, para fornecer uma
estrutura para compartilhar o significado preciso dos
símbolos trocados durante uma comunicação.
[email protected]
Setembro / 2004
32
Inteligência Artificial e Gestão do Conhecimento
Redes semânticas
Ontologias
Bases de conhecimento
FIND
...
Identify
Localize
STORE
Formalize
Model
Archive
CRITICAL
KNOWLEDGE
Improve
Update
UPDATE
Access
Diffuse
Exploit
Integrate
DISTRIBUTE
Sistemas especialistas
Sistemas Multi-Agente
Sistemas CBR
[email protected]
Setembro / 2004
...
33
Sistemas Multi-Agentes em GC
Grupo ANGCOR - Agents Networked Group for
Cooperation and Organization of Research
TECPAR, PUCPR, CEFET-PR, UTP e UTC (França)
Divisão de Inteligência Artificial
TECPAR
[email protected]
Setembro / 2004
34
Assistência
“Digital butler” - Nicolas Negroponte - MIT.
(Being Digital. Alfred A. Knopf, 1995)
“Information superhighway taxi driver” Oren Etzioni - University of Washington.
(Intelligent agents on the Internet: Fact, Fiction, Forecast.
IEEE Expert, Vol. 10, No. 4, August 1995.)
[email protected]
Setembro / 2004
35
Arquitetura
PA 1
Agent "address-book"
User 1
PA 2
Laboratory Network
User 2
Agent "bib-references"
PA n
User n
Agent "postman"
Agent "web-research"
[email protected]
Setembro / 2004
36
Comunicação
(interface c/ a rede)
Ações
(competencias)
Tarefas/projetos
(tarefas
complexas)
CONTROLE
Mundo
(ambiente,
outros agentes)
Si-mesmo
(sua propria
representação,
memória)
Agente genérico
[email protected]
Ontologia
(ontologia
pessoal)
Setembro / 2004
Mestre
(modelo do
usuário,
preferências,
hábitos)
Usuário
(interface c/ mestre)
Modelo do agente assistente
Agente assistente pessoal
(agente genérico + módulo usuário)
37
Comunicação
(interface c/ a rede)
Ações
(competencias)
Tarefas/projetos
(tarefas
complexas)
CONTROLE
Mundo
(ambiente,
outros agentes)
Si-mesmo
(sua propria
representação,
memória)
Agente genérico
[email protected]
Ontologia
(ontologia
pessoal)
Setembro / 2004
Mestre
(modelo do
usuário,
preferências,
hábitos)
Usuário
(interface c/ mestre)
Gestão do Conhecimento Corporativo
Agente assistente pessoal
(agente genérico + módulo usuário)
38
Inteligência Artificial e Gestão do Conhecimento
Sistemas especialistas –
solução específica de um
problema heurístico complexo.
Ontologias –
descrição de um domínio
específico.
CBR –
captura de experiências, memória
da empresa.
[email protected]
Setembro / 2004
39
Inteligência Artificial e Gestão do Conhecimento
“ One of the biggest challenges thrown down by the
discipline in recent years stems from the growing
recognition that knowledge management is
infinitely more complex than most practitioners
like to acknowledge.”
Karl Wiig
As técnicas de inteligência artificial podem contribuir tanto
para facilitar e simplificar a Gestão do Conhecimento,
como para torná-la ainda muito mais complexa !!?!
[email protected]
Setembro / 2004
40
Milton Pires Ramos
[email protected]
DIA – Divisão de Inteligência Artificial
TECPAR - Instituto de Tecnologia do Paraná
Curitiba
[email protected]
Setembro / 2004
Paraná
Brasil
41