agentes baseados em conhecimento
DESCRIPTION
Agentes Baseados em Conhecimento. Jacques Robin Geber Ramalho CIn-UFPE. Exemplo introdutório: West é criminoso?. West é criminoso ou não? - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/1.jpg)
Agentes Baseados em Conhecimento
Jacques RobinGeber Ramalho
CIn-UFPE
![Page 2: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/2.jpg)
Exemplo introdutório: West é criminoso?
West é criminoso ou não? “A lei americana diz que é proibido vender armas a uma nação hostil. Cuba possui alguns mísseis, e todos eles foram vendidos pelo Capitão West, que é americano”
Como resolver automaticamente este problema de classificação?
Segundo a IA (simbólica), é preciso:Identificar o conhecimento do domínio (modelo do problema)Representá-lo utilizando uma linguagem formal de representaçãoImplementar um mecanismo de inferência para utilizar esse conhecimento
![Page 3: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/3.jpg)
Agente baseado em conhecimento
Ask
Tell
Retract
Am
bie
nte
Sensores
Atuadores
Base deConhecimentoEspecializada
Máquina deInferênciaGenérica
Representação e
Aquisição deConhecimento
Raciocínio Automátic
o
![Page 4: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/4.jpg)
O que é conhecimento?
Dado, informação ou abstração formatado de maneira a permitir raciocínio por um ser humano ou por uma máquina, por exemplo Classes e objetos Formula da lógica Distribuição de probabilidade prévia e condicional de variáveis aleatórias
O que é raciocínio? Mecanismo sistemático para inferir ou derivar novo conhecimento a partir de novas percepções e/ou de conhecimento prévio, por exemplo: Herança de atributos entre classe, sub-classes e objetos Prova de teorema por refutação, resolução e unificação Cálculo de probabilidade posterior de um evento pelo Teorema de Bayes
![Page 5: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/5.jpg)
Exemplo de raciocínio automáticocom conhecimento: West é criminoso?
Sabendo que:
1. É criminoso para um americano vender armas para uma nação hostil aos EUA
2. Nono tem mísseis3. Nono comprou todos seus
mísseis do Capitão West4. O Capitão West é americano5. Nono é uma nação6. Nono “está” inimiga dos EUA7 . Um míssil é um tipo de arma8. A inimizade é uma forma de
hostilidade9. Os EUA são uma nação
Pode se inferir que:0. O Capitão West é criminoso?
Representando esse conhecimento em lógica dos predicados da 1a ordem
( P,W,N american(P) weapon(W) nation(N) hostile(N) sells(P,N,W) criminal(P)) //1
( W owns(nono,W) missile(W)) //2 ( W owns(nono,W) missile(W)
sells(west,nono,W)) //3 american(west) //4 nation(nono) //5 enemy(nono,america) //6 W missile(W) weapon(W) //7 N enemy(N,america) hostile(N) //8
nation(america) //9
Provador de teorema pode ser usado para tentar inferir:
criminoso(west) //0
![Page 6: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/6.jpg)
Revisão de lógica
Refutação: Para provar BC C verdadeiro, provar BC C falso Porque? Por que (BC C) (BC C) (BC C) BC C
Formal normal (implicativa): Para qualquer formula da lógica dos predicados da 1a ordem, existe uma formula com mesmas valores de verdades da forma: X1, ..., Xk P1(...,Xi,...) ... Pm(...,Xj,...) C1(...,Xu,...) ... Cm(...,Xv,...)
Skolemização: substituir variáveis existencialmente quantificadas por constantes ex, x míssil(x) por míssil(m1)
Regra de resolução (implicativa): Caso proposicional: ((A B) (B C)) (A C) A B e B C se resolvam em A C
Caso da 1a ordem: (A B) (C D) (B) = (C) ((A) (D)) onde é o conjunto de substituições de variáveis que unificam B com C A B e C D se resolvam em (A) (D) pela unificação de B com C via
Unificação: conjunto de substituições variável/constante ou variável1/variável2 em 2 termos a unificar para torná-los iguais
![Page 7: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/7.jpg)
Exemplo de raciocínio automáticocom conhecimento: West é
criminoso? Prova por refutação: mostrar que
( P,W,N american(P) weapon(W) nation(N) hostile(N) sells(P,N,W) criminal(P)) //1
( W owns(nono,W) missile(W)) //2 ( W owns(nono,W) missile(W)
sells(west,nono,W)) //3 american(west) //4 nation(nono) //5
enemy(nono,america) //6
W missile(W) weapon(W) //7 N enemy(N,america) hostile(N) //8 nation(america) //9
criminoso(west) //0
é inconsistente.
1o passo: colocar formula em forma normal
(american(P) weapon(W) nation(N) hostile(N) sells(P,N,W) criminal(P)) // 1
T owns(nono,m1) // skolemização 2a T missile(m1) // 2b (owns(nono,W) missile(W)
sells(west,nono,W)) //3 T american(west) //4 T nation(nono) //5 T enemy(nono,america) //6 missile(W) weapon(W) //7 enemy(N,america) hostile(N) //8
T nation(america) //9
criminoso(west) F //0
![Page 8: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/8.jpg)
Exemplo de raciocínio automáticocom conhecimento: West é criminoso?
2o passo: aplicar regra de resolução a pares de clausulas tal que premissa de uma se unifica com conclusão da outra
(american(P) weapon(W) nation(N) hostile(N) sells(P,N,W) criminal(P)) //1 (T owns(nono,m1)) //2a
(T missile(m1)) //2b (owns(nono,W) missile(W) sells(west,nono,W)) //3
(T american(west)) //4 (T nation(nono)) //5 (T enemy(nono,america)) //6 (missile(W) weapon(W)) //7 (enemy(N,america) hostile(N)) //8
(T nation(america)) //9 (criminoso(west) F) //0
1. Resolver 0 com 1 unificando P/west:american(west) weapon(W) nation(N) hostile(N) sells(west,N,W) F //102. Resolver 10 com 4:weapon(W) nation(N) hostile(N) sells(west,N,W) F //113. Resolver 11 com 7: missile(W) nation(N) hostile(N) sells(west,N,W) F //124. Resolver 12 com 2b unificando W/m1:nation(N) hostile(N) sells(west,N,m1) F //135. Resolver 13 com 5 unificando N/nono:hostile(nono) sells(west,nono,m1) F
//146. Resolver 14 com 8 unificando N/nono:enemy(nono,america) sells(west,nono,m1)
F //157. Resolver 15 com 6: sells(west,nono,m1)
F //168. Resolver 16 com 3 unificando W/m1:owns(nono,m1) missile(m1) F //179. Resolver 17 com 2a: missile(m1) F //18
10. Resolver 18 com 2b: F
![Page 9: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/9.jpg)
Tipos de conhecimento
Intencional x Extensional Diagnóstico x Causal Dedutivo x Terminológico Síncrono x Diácrono Certo x Incerto Explicito x Implícito Preciso x VagoPreciso x Vago Declarativo x ProcedimentalDeclarativo x Procedimental De senso comum x EspecialistaDe senso comum x Especialista Do problema x Meta-conhecimento (controle, explicação, Do problema x Meta-conhecimento (controle, explicação,
reuso)reuso)
![Page 10: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/10.jpg)
Conhecimento intencional x extensional
Conhecimento em intenção:Conhecimento em intenção: Geral ao domínio de aplicação e classe de problema Hierarquia de conceitos (classes de fatos)
ex, X, wumpus(X) monstro(X). Restrições de integridades
ex, X,Y wumpus(X) wumpus(Y) X = Y. Regras de funcionamento do domínio
ex, X,Y smelly(X,Y) (loc(wumpus,X+1,Y) loc(wumpus,X-1,Y) loc(wumpus,X,Y+1) loc(wumpus,X,Y-1).
Esquema de BD, classes de programação orientada a objetos Conhecimento em extensão:Conhecimento em extensão:
Particular da instância do problema a resolver Fatos, i.e., proposições sobre instâncias de conceitos ex, loc(wumpus,2,1) loc(wumpus,1,2) loc(wumpus,2,3)
alive(wumpus,4). alive(wumpus,7).
Dados, exemplos, casos, objetos
![Page 11: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/11.jpg)
Conhecimento terminológico x dedutivo
Conhecimento terminológico: Taxonomia de entidades do domínio e seus relacionamentos estáticos Aspectos estruturais e estacionários ex, M, wumpus(M) monster(M). M,T monster(M) alive(M,T) dangerous(M,T).
Conhecimento dedutivo: Regras de funcionamento e restrições de integridade do domínio Aspectos comportamentais e temporais Ligando elementos em várias regiões da taxonomia ex, M,X,Y,T dangerous(M,T) loc(M,X,Y,T) safe(X,Y,T). X,Y,T loc(agent,X,Y,T) orientation(0,T) forward(T) loc(wall,X,Y+1) loc(agent,X,Y+1,T+1).
![Page 12: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/12.jpg)
Conhecimento causal x diagnóstico
Conhecimento causal: prevê resultados de ações e eventos ex, X,Y,T loc(agent,X,Y,T) orientation(0,T) forward(T) loc(wall,X,Y+1) loc(agent,X,Y+1,T+1).
Conhecimento diagnóstico: forma hipóteses sobre causas de efeitos observados ex, X,Y,T smell(stench,X,Y,T) smelly(X,Y). X,Y smelly(X,Y) (loc(wumpus,X+1,Y) loc(wumpus,X-1,Y) loc(wumpus,X,Y+1) loc(wumpus,X,Y-1)).
![Page 13: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/13.jpg)
Conhecimento sincrónico x diacrónico
Conhecimento diacrónico: Regras de previsão das propriedades do ambiente entre dois instantes T e T+1 devidas a ações ou eventos ex, X,Y,T loc(agent,X,Y,T) orientation(0,T) forward(T) loc(wall,X,Y+1) loc(agent,X,Y+1,T+1).
Conhecimento sincrónico: Regras de propagação das conseqüências não observáveis do ambiente a partir das observadas no mesmo instante T ex, M,X,Y,T dangerous(M,T) loc(M,X,Y,T) safe(X,Y,T).
![Page 14: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/14.jpg)
Conhecimento certo x incerto
Conhecimento certo: Epistemologicamente booleano ex, X,Y smelly(X,Y) smelly(X+1,Y-1) smelly(X-1,Y-1)
loc(wumpus,X,Y+1).
Conhecimento incerto: Epistemologicamente probabilista: ex, X,Y smelly(X,Y,1) (loc(wumpus,X+1,Y,0.25) loc(wumpus,X-1,Y,0.25) loc(wumpus,X,Y+1,0.25) loc(wumpus,X,Y-1,0.25)).
![Page 15: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/15.jpg)
Conhecimento explícito x implícito
Conhecimento explícito: Sentenças simbólicas explicitamente armazenadas na base
de conhecimento
Conhecimento implícito: Axiomas que devem ser verificados para que a base de
conhecimento reflete o ambiente modelado Idealmente documentadas, no entanto muitas vezes
presentes apenas na cabeça do engenheiro do conhecimento
Suposições permitindo codificação mais simples e concisa da base de conhecimento
Explicitar conhecimento implícito necessário para tornar BC facilmente extensível
![Page 16: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/16.jpg)
Conhecimento explícito x implícito: exemplo de explicitação de
conhecimento
A codificação see(glitter) pick. Deixa implícito que:
Existe um único agente no ambiente See é uma percepção Pick é uma ação A visão do agente é limitada a caverna no qual se encontra O ouro é o único objeto a brilhar e o único objeto que o
agente pode pegar
![Page 17: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/17.jpg)
Conhecimento explícito x implícito: exemplo de explicitação de
conhecimento
Quando essas suposições não são mais verificadas, a codificação tem que tornar-se mais explícita, ex: A,C,T,X,Y agent(A) loc(C,[(X,Y)]) time(T) in(A,C,T)
horizCoord(X) verticCoord(Y) percept(A,C,T,vision,glitter) O physObj(O) emit(O,glitter) in(O,C,T).
O physObj(O) emit(O,glitter) ouro(O). O ouro(O) treasure(O). A,C,T,X,Y,O agent(A) loc(C,[(X,Y)]) time(T) in(A,C,T)
horizCoord(X) verticCoord(Y) in(O,C,T) treasure(O) chooseAction(A,T+1,pick(O)).
![Page 18: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/18.jpg)
Tipos de raciocínio
Dedução:Dedução: Utilização de conhecimento completo Previsão com conhecimento causal Diagnóstico com conhecimento diagnóstico
Abdução:Abdução: Utilização de conhecimento incompleto Diagnóstico com conhecimento causal Previsão com conhecimento diagnóstico (incomum)
Indução:Indução: Aquisição (aprendizagem) de conhecimento
Analogia:Analogia: Utilização de conhecimento incompleto Previsão, diagnóstico com conhecimento diagnóstico ou causal
Resolução de restrições:Resolução de restrições: Utilização de conhecimento incompleto Previsão com conhecimento causal Diagnóstico com conhecimento diagnóstico
![Page 19: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/19.jpg)
Dedução
Dedução
CPEC CPCI |= NCEE
ConhecimentoPrévio Causalem Intenção
X c(X) e(X)
ConhecimentoPrévio em Extensão:Causas Observadas
c(a), c(b), ...
Novo Conhecimentoem Extensão:
Efeitos Previstose(a), e(b) ...
Dedução
CPDI CPEE |= NCEC
ConhecimentoPrévio Diagnóstico
em IntençãoX e(X) c(X)
ConhecimentoPrévio em Extensão:Efeitos Observados
e(a), e(b), ...
Novo Conhecimentoem Extensão:
Causas c(a), c(b) ...
![Page 20: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/20.jpg)
Dedução: exemplos
A partir de: Conhecimento prévio causalcausal em intenção: X,Y,T loc(agent,X,Y,T) orientation(0,T) forward(T) loc(wall,X+1,Y) loc(agent,X+1,Y,T+1)
Conhecimento prévio em extensão de causas observadas: loc(agent,1,1,1) orientation(0,1) forward(1) loc(wall,2,1)
Deduzir: Novo conhecimento em extensão de efeito previsto:loc(agent,2,1,2).
A partir de: Conhecimento prévio diagnósticodiagnóstico em intenção: X,Y,T loc(agent,X,Y,T) smell(stench,T) smelly(X,Y).
X,Y smelly(X,Y) loc(wumpus,X+1,Y) loc(wumpus,X-1,Y) loc(wumpus,X,Y+1) loc(wumpus,X,Y-1)).
Conhecimento prévio em extensão de efeito observado
smell(stench,3) loc(agent,2,2,3) Deduzir:
Novo conhecimento em extensão de causa hipotética:
loc(wumpus,3,2) loc(wumpus,1,2) loc(wumpus,2,3) loc(wumpus,2,1)).
![Page 21: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/21.jpg)
Abdução
Abdução
CPCI CPEC NCEC |= CPEE
ConhecimentoPrévio Causalem Intenção
X co(X) ca(X) e(X)
ConhecimentoPrévio em Extensão:• Efeitos Observados
e(a), e(b), ...• Causais Observadas
Incompletasco(a), co(b), ...
Novo Conhecimentoem Extensão:
Causas Hipotéticasca(a), ca(b) ...
Viés sobre Hipóteses:
X ca(X)
![Page 22: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/22.jpg)
Abdução: exemplo
A partir de: Conhecimento prévio causalcausal em intenção:
X,Y,T loc(agent,X,Y,T) orientation(0,T) do(forward,T) loc(wall,X+1,Y) loc(agent,X,Y,T+1)
Conhecimento prévio em extensão incompleto de causas: loc(agent,4,1,1) orientation(0,1) do(forward,1)
Conhecimento prévio em extensão de efeitos observados: loc(agent,4,1,2)
Abduzir: Novo conhecimento em extensão de causacausa hipotética:
loc(wall,5,1)
![Page 23: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/23.jpg)
Indução
Novo ConhecimentoCausal Hipotético
em IntençãoX i(X) e(X)
Indução
CPCI NCCI CPEC |= CPEE
ConhecimentoPrévio em Extensão:• Efeitos Observados
e(a), e(b), ...• Causais Observadas
c(a), c(b), ...
Conhecimento PrévioCausal em Intenção
IncompletoX c(X) i(X)
Viés sobre Hipóteses:
X,Y i(X) Y(X)
![Page 24: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/24.jpg)
Indução: exemplo
A partir de: Conhecimento prévio em extensão:
loc(wall,1,1) loc(wall,0,1) loc(wall,1,2) loc(0,2) ... ... loc(wall,4,5) loc(wall,4,4) loc(wall,3,5) loc(wall,3,4) ... ...
Viés sobre hipótese: P1,P2,P3,P4 {>,<,=}, C {, }, Q1,Q2,Q3 {,}: Q1U1,U2,U3,U4 Q2V1,V2,V3,V4 Q3W P1(U,V1) P2(U,V2) P3(U,V3) P4(U,V4) loc(W,U,V)
Induzir: Novo conhecimento em intenção:
X,Y X<1 X>4 Y<1 Y>4 loc(wall,X,Y)
Variação: Conhecimento prévio em intenção:
X,Y,H,W X<1 X>H Y<1 Y>W loc(wall,X,Y)
![Page 25: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/25.jpg)
Indução: exemplo
6 Y
5 P P B B? P
v6 b
P
4 P v4 v5,7 B? f P O
3 P v3 v8,10 v9 f W P
2 P v2 v11 v12,14
v13 b B? P
1 P v1 v16 v15 b B B? P
0 P P B? P P X
0 1 2 3 4 5 6 7
![Page 26: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/26.jpg)
Analogia
Novo Conhecimentoem Extensão:• Efeitos Previstos e(j) = e(i) ...• Causas Hipotéticas c(h) = c(k)...
ConhecimentoPrévio em Extensão:• Causais Observadas c(i), c(j), c(k), ...• Efeitos Observados e(i), e(k), e(h), ...• Similaridade entre Causas s(c(i),c(j))=m, s(c(j),c(k))=n, ...• Similaridade entre Efeitos s(e(i),e(h))=u, s(e(k),e(h))=v, ...
AnalogiaCPEE CPES CPEC | NCEE
CPEC CPES CPEE | NCEC
Regra de inferência:
X,Y,P,Q (P(X) Q(X) P(Y) s(P(X),P(Y)) l) Q(Y)
m ln lu lv l
![Page 27: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/27.jpg)
Analogia: exemplo
A partir de: Conhecimento prévio em extensão: loc(agent,1,1,3) orientation(agent,180,3) do(forward,3) percept([none,none,none,none,bump],4) loc(agent,1,1,5) orientation(agent,90,5) do(forward,5) percept([none,none,none,none,none],6) loc(agent,1,2,7) orientation(agent,180,7) do(forward,7) percept([none,none,none,none,bump],8) loc(agent,1,2,9) orientation(agent,90,9) do(forward,9) percept([none,none,none,none,none],10)
... loc(agent,1,3,11) orientation(agent,180,11) do(forward,11) ?Medidas de similaridades: ssa = % de símbolos em comum entre as partes situação e ação das sentenças, desconsiderando as variáveis temporais spp = % de símbolos em comum entre as partes próxima percepção das sentenças, desconsiderando as variáveis temporais
Inferir por analogia:percept( [none,none,none,none,bump], 12)
Dado que:ssa(sa5,sa1) = 8/9ssa(sa5,sa1) = 8/9ssa(sa5,sa2) = 7/9
ssa(sa5,sa3) = 8/9ssa(sa5,sa3) = 8/9ssa(sa5,sa4) = 7/9
spp(sa1,sa2) = 6/6spp(sa1,sa2) = 6/6
![Page 28: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/28.jpg)
Resolução de Restrições
Resolução de RestriçõesCPI CPE |= NCE CPI CPE |= NCI
ConhecimentoPrévio em Intenção
X,Y,P a(P,[X,Y]) c(X)+c(Y)c(P)
ConhecimentoPrévio
em Extensão: c(q) = 120
c(d) = 90 c(e) = 60 c(f) = 30 c(g) = 60
Novo Conhecimento
em Extensão:
a(q,[d,f]) a(q,[e,g])
Novo Conhecimento
em Intenção:
X,Y {d,e,f,g}
a(q,[X,Y]) c(X)+c(Y) 120
![Page 29: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/29.jpg)
Agente baseado em conhecimentodedutivo ou abdutivo
Am
bie
nte
Sensores
Atuadores
Base de Conhecimento Extensional (BCE): fatos, objetos
formulas lógicas instanciadas
Máquina de inferênciadedutiva ou abdutiva
Base de Conhecimento Intencional (BCI):regras, classes, formulas lógicas
universalmente quantificadas
Ask
Tell RetractAsk
Não Monotônic
a
![Page 30: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/30.jpg)
Agente baseado em resolução de restrições
Am
bie
nte
Sensores
Atuadores
Base de Conhecimento Extensional (BCE):
restrições instanciadas
Máquina de inferênciadedutiva ou abdutiva
Base de Conhecimento Intencional (BCI):restrições
universalmente quantificadas
Tell RetractAsk
Tell RetractAsk
![Page 31: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/31.jpg)
Agente baseado em conhecimento analógico
Am
bie
nte
Sensores
Atuadores
Base de Conhecimento Extensional (BCE): fatos, objetos
formulas lógicas instanciadasestruturados por similaridadesestruturados por similaridades
Máquina de inferênciaanalógica
AskTell Retract
![Page 32: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/32.jpg)
Agentes baseados em conhecimentona tipologia de arquiteturas de agentes
O agente baseado em conhecimento é: Reflexo? Autômato? Cognitivo? Deliberativo? Otimizador? Adaptativo? Híbrido?
Pode ser qualquer um ! Distinções ortogonais
Existe alguma relação entre arquitetura de agente e tipo de raciocínio?
A qual? Agente adaptativo baseado
em conhecimento inclui necessariamente uma máquina de inferência indutiva ou analógica
![Page 33: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/33.jpg)
Lembram do agente deliberativo?
Am
bie
nte
Sensores
Atuadores
Modelo dosambientes(passados)
e atual
Interpretador de percepçõesRegras: percepção(t) modelo(t-1) modelo(t)
Escolhedor de açãoRegras: resultado([ação(t),...,ação(t+n)]) = modelo(t+n) modelo(t+n) objetivo(t) faz(ação(t))
Atualizador do modelo do ambienteRegras: modelo(t) modelo(t)
Atualizador dos objetivosRegras: modelo(t) objetivos(t-1) objetivos(t)
Objetivos
Previsor de ambientes futurosRegras: modelo(t) ação(t) modelo(t+1) e modelo(t) modelo(t+1)
Modelo dosambientes
futuroshipotéticos
![Page 34: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/34.jpg)
E lembram do agente baseado em conhecimento?
Ask
Tell
Retract
Am
bie
nte
Sensores
Atuadores
Base deConhecimentoEspecializada
Máquina deInferênciaGenérica
![Page 35: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/35.jpg)
Como seria então um agente deliberativo baseado em conhecimento?
Am
bie
nte
Sensores
Atuadores
BCE: modelo dos ambientes
passados e atual
BCE: modelo de ambientes
futuros hipotéticos
BCE: Objetivos
BCI: interpretaçãodas percepções
BCI: atualização do modelo do ambiente
BCI: atualizaçãodo objetivos
BCI: predição deambientes futuros
BCI: estratégia deescolha de ações
Máquina deinferência
![Page 36: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/36.jpg)
Arquitetura alternativa
Am
bie
nte
Sensores
Atuadores
BCE: modelo dos ambientes
passados e atual
BCE: modelo de ambientes
futuros hipotéticos
BCE: Objetivos
BCI: interpretaçãodas percepções
BCI: atualização do modelo do ambiente
BCI: atualizaçãodo objetivos
BCI: predição deambientes futuros
BCI: estratégia deescolha de ações
Máquina deinferência 1
Máquina deinferência 2
Máquina deinferência 3
Máquina deinferência 4
Máquina deinferência 5
![Page 37: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/37.jpg)
Como se obtém conhecimento?
Durante desenvolvimento: Conhecimento em intencao e em extensao inicial
Manualmente via codificação direta Semi-automaticamente via interface de aquisição de conhecimento
Semi-automaticamente via aprendizagem de máquina (indução off-line)
Usando metodologias de engenharia de conhecimento
Durante execução: Conhecimento em extensao
Automaticamente via percepção, dedução, abdução ou analogia
Conhecimento em intencao Automaticamente via analogia ou indução on-line (agente aprendiz situado)
![Page 38: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/38.jpg)
Engenharia do conhecimento
MetodologiaMetodologia para desenvolver sistemas baseados em conhecimento e especialmente bases de conhecimento
Orientação a objetoOrientação a objeto (e também métodos formais) em:(e também métodos formais) em: Linguagens de modelagem, programação e representação do conhecimento
Favoreceu interseção e convergência entre engenharia de software e engenharia de conhecimento
Problemática comum:Problemática comum: Robustez, escalabilidade, estendibilidade, reusabilidade, desenvolvimento distribuído, elicitação do conhecimento de especialista do domínio leigo em informática
Desenvolvimento de uma base de conhecimento:Desenvolvimento de uma base de conhecimento: Geralmente em espiral com três níveis principais de captura de conhecimento
Nível do conhecimento, nível da formalização, nível da implementação
![Page 39: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/39.jpg)
Engenharia de uma base de conhecimento
Elicitação do conhecimento
Formalização do conhecimento
Implementação do conhecimento
Nível do conhecimento:• Nos termos do especialista do domínio de aplicação• Linguagem natural, Notações gráficas ad-hoc
Nível semi-formal:• Notação textual estruturada padrão (XML) • Notação gráfica padrão (UML)• Validação com especialista
Nível formal:• Notação sem ambigüidade com semântica definida matematicamente (Lógica, Probabilidades)• Verificação de consistência
Nível da implementação:• Codificação em uma linguagem de programação• Teste de protótipo
![Page 40: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/40.jpg)
Engenharia de uma base de conhecimento
Elicitação do conhecimento
Formalização do conhecimento
Implementação do conhecimento
Nível do conhecimento:• Nos termos do especialista do domínio de aplicação• Linguagem natural, Notações gráficas ad-hoc
Nível semi-formal:• Notação textual estruturada padrão (XML) • Notação gráfica padrão (UML)• Validação com especialista
Nível formal:• Notação sem ambigüidade com semântica definida matematicamente (Lógica, Probabilidades)• Verificação de consistência
Nível da implementação:• Codificação em uma linguagem de programação• Teste de protótipo
![Page 41: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/41.jpg)
Engenharia de uma base de conhecimento
Elicitação do conhecimento
Formalização do conhecimento
Implementação do conhecimento
Nível do conhecimentoNível do conhecimento:• Nos termos do especialista do domínio de aplicação• Linguagem natural, Notações gráficas ad-hoc
Nível semi-formal:• Notação textual estruturada padrão (XML) • Notação gráfica padrão (UML)• Validação com especialista
Nível formal:• Notação sem ambigüidade com semântica definida matematicamente (Lógica, Probabilidades)• Verificação de consistência
Nível da implementação:• Codificação em uma linguagem de programação• Teste de protótipo
• Entrevistas estruturadas com especialista• Preparação de dados
• Ontologias • Linguagens semi-formais derepresentação do conhecimento
• Linguagens formais derepresentação do conhecimento• Aprendizagem de Máquina
• Compiladores• Máquinas de inferências• Aprendizagem de Máquina
![Page 42: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/42.jpg)
Agente indutivo off-line: fase de treinamento
Base de Dados, Exemplos, Casos representativos do ambiente
fatos, objetosformulas lógicas instanciadas
Máquina de inferênciadedutiva e/ou abdutiva
Base de ConhecimentoIntencional (BCI):regras, classes, formulas lógicas
universalmente quantificadas
Máquina de inferênciaindutiva
Ask
Tell
Retract
Formaçãode Hipóteses
Verificaçãode Hipóteses
Ask
Tell
Retract
Ask
Ask
![Page 43: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/43.jpg)
Agente indutivo off-line: fase de utilização
Am
bie
nte
Sensores
Atuadores
Base de Conhecimento Extensional (BCE): fatos, objetos
formulas lógicas instanciadas
Máquina de inferênciadedutiva e/ou abdutiva
Base de Conhecimento Intencional (BCI)construída por induçãoconstruída por indução::
regras, classes, formulas lógicasuniversalmente quantificadas
Ask
AskTell Retract
![Page 44: Agentes Baseados em Conhecimento](https://reader034.vdocuments.pub/reader034/viewer/2022051417/56814976550346895db6c384/html5/thumbnails/44.jpg)
Agente indutivo situado
Base de ConhecimentoExtensional (BCE):
fatos, objetosformulas lógicas instanciadas
Máquina de inferênciadedutiva e/ou abdutiva
Base de ConhecimentoIntencional (BCI):regras, classes, formulas lógicas
universalmente quantificadas
Máquina de inferênciaindutiva
Ask
Tell
Retract
Formaçãode Hipóteses
Verificaçãode Hipóteses
Ask
Tell
Retract
Am
bie
nte
Sensores
Atuadores