1
Sistemas Especialistas
Prof. Júlio Cesar NievolaPPGIA – PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
O que é um Especialista?
Pessoa que é largamente reconhecida como sendo capaz de resolver um tipo particular de problema que a maioria das pessoas ou não écapaz de resolver ou não resolve de maneira tão eficiente.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Conhecimento do Especialista
Aprendizado teórico (escola e livros)
Aprendizado pela experiênciaConhecimento Nulo
Teorias Gerais
ConhecimentoCompilado
ConhecimentoSuperficial
Conhecimento Profundo
Teorias de domínio e performance
Princípios, axiomas e leis
Heurísticas
Treinamento
Ensino
Prof. Júlio Cesar Nievola PPGIa - PUCPR
O que é um Sistema Especialista?
Sistema que utiliza técnicas apropriadas para a representação do conhecimento e sua manipulação, exibindo o comportamento de um especialista em um determinado domínio do saber.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Ciclo de vida de SEs
� Análise de viabilidade� Projeto conceitual� Aquisição de conhecimento� Representação do conhecimento� Teste e Validação� Uso em campo� Manutenção
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Análise de viabilidade
� Existem outras formas de solução do problema?� A tarefa tem um foco dirigido?� Os especialistas são melhores que os amadores?� As regras mudam muito rapidamente?� Há um especialista humano disponível e
interessado?� A tarefa é ensinada ou documentada?� Qual será o critério de sucesso ou fracasso?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Projeto Conceitual
� Quais são os principais objetos, entidades ou conceitos no domínio do conhecimento?
� Como devem ser descritos os objetos, entidades e conceitos?� Quais são as relações importantes que existem entre os objetos?� Que restrições sofrem estas relações no domínio do
conhecimento?� Quais são as características gerais do problema a ser tratado?� Como o sistema especialista obterá informações sobre o
problema atual?� Como o sistema irá interagir com o usuário?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aquisição do Conhecimento
� O conhecimento é obtido de:� Especialistas humanos;� Casos históricos;� Fontes de referência.
� É uma parte crucial da construção do SE� Difícil de ser realizado pois inclui extração,
interpretação para posterior representação
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Etapas da Aquisição do Conhecimento
Envolve 5 etapas:� Identificação: escolha dos participantes, características,
recursos e objetivos;
� Conceitualização: especificar como os conceitos e as relações existentes entre eles são descritos pelo especialista;
� Formalização: mapeamento dos conceitos para representação formal;
� Implementação: filtrar o conhecimento formalizado para uma estrutura representativa de uma ferramenta;
� Teste: verificar a precisão e eficiência da AC através do protótipo.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Representação do Conhecimento
� Formas de representação clássicas:� Rede semântica (“semantic network”)� Regras de produção (“production rules”)� Quadros (“Frames”)� Meta-conhecimento
� Facilidade de construção e interpretação versus poder de representação
� Representação híbrida
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Rede Semântica
�Forma mais antiga de representação de conhecimento
�Conjunto de nós (objetos) conectados por um conjunto de arcos (relações entre os objetos)
�Normalmente representada em forma de grafo
�Origem: Quillian (1978) – modelo computacional da memória humana
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Exemplo de Rede Semântica
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Rede Semântica – “João deu um livro a Maria”
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Raciocínio com Rede Semântica� Arcos especiais permitem herança de
propriedades� A é-um B : A é um elemento de um conjunto ou
classe B� A é-parte B : A é uma das partes disjuntas das quais
B é formado� Demais arcos (traços): específicos do domínio,
representam propriedades de conceitos� Redes Semânticas na forma de árvores: simples e
eficientes� Redes Semânticas com heranças múltiplas e/ou arcos
que definam exceções: complexo e com política de herança pouco intuitiva
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Regras de Produção� Forma geral:
IF <condição> THEN <conclusão>� O impacto de uma inferência pode ser
modificado por um fator de confiança� Exemplo:
IF: The grain stain is gram-negative & Themorphology is rod & The patient is at risk
THEN: Suggest (credibility = 0.6) that the infectingagent is Pseudomonas.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frames e Scripts (1)� Permitem a expressão das estruturas internas dos objetos (frames) ou
eventos (scripts), mantendo a possibilidade de representar herança de propriedades
� Origem� Marvin Minsky (A Framework to Represent Knowledge, 1975),
método para análise de cenas, modelagem da percepção visual e compreensão da linguagem natural
� Roteiros: Schank e Abelson (1975-77), sistemas de quadros especializados na descrição de seqüências de eventos
� Componentes� Atributos (“slots”): através de valores descrevem as características do
objeto representado pelo frame� Hierarquia de especialização: rede de arcos é-um ligando frames que
permite herança� Facetas: propriedades dos atributos que definem o tipo de valores e as
restrições de número associadas ao atributo
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frames e Scripts (2)
� Características� Herança de propriedades� Raciocíno guiado por expectativas: atributos com valores típicos
ou a priori, ou valores de exceção (“default values”)� Ligação procedimental: um atributo pode ser associado a um
procedimento que deve ser executado quando certas condições forem satisfeitas (“daemon”)
� Tipos� if-modify: o que fazer quando é alterado o valor do atributo� if-necessary: o que fazer se for consultado o valor do atributo� if-delete: o que fazer se for eliminado o valor do atributo
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frames� Estrutura de dados que reúne todas as
informações (atributos e valores) sobre um objeto que pertence a um domínio
� Consiste em um conjunto de itens (“slots”)� Nome: cujo valor é o nome do próprio frame� AKO (“a-kind-of”): cujo valor é o nome do
frame hierarquicamente superior� Facetas: contém informações que descrevem
os slots
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Exemplo de Frame
(Nome do Frame)
(nome do slot)(nome da faceta) : valor
(nome do slot)
(nome do slot)
(nome da faceta) : valor
(nome da faceta) : valor
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frame descrevendo um cômodo e uma sala
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frame: rede de cômodos numa casa
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Teste e Validação
� Testes para verificação do desempenho em casos conhecidos
� Validação:� Conclusões - validação do comportamento
entrada-saída do sistema� Raciocínio - verificação da forma como se
chega às conclusões� Método de raciocínio - forma de trabalho
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Uso em campo e Manutenção
� Trabalho com novas situações� Manutenção da interface:
� Alteração mais fácil que o mecanismo de inferência
� Avaliação e aceitação do sistema pelo usuário dependem da qualidade da interface
� Mecanismos de alteração da base de conhecimentos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas de Produção� Raciocínio avante (“forward chaining”):
parte-se dos dados procurando chegar a conclusões.
� Raciocínio para trás (“backward chaining”): formulam-se hipóteses e tenta-se comprová-las através dos dados disponíveis.
� Estratégia mista.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Componentes de um SE� Base de conhecimento: representa a informação
(fatos e regras) que um especialista utiliza, representada computacionalmente
� Linguagem para representação do conhecimento
� Mecanismo de inferência (motor de inferência): responsável pelas deduções sobre a base de conhecimento
� Outros: explanação, aquisição, interface
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas Especialistas
Máquina deInferência
Base deConhecimentos
Base deFatos
Interface com o usuário
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Shell para SE
� Shell + Base de Conhecimentos = SE� Funções:
� Auxílio à construção da base de conhecimentos, permitindo inserir conhecimento em estruturas de representação do conhecimento prontas
� Fornecer métodos de inferência que raciocinem sobre a BC e os fatos fornecidos
� Fornecer uma interface adequada ao usuário
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas Especialistas Históricos
� MYCIN (doenças infecciosas do sangue)� CATS-1 (diagnóstico em locomotivas)� VM (gerenciamento de ventilação para pacientes
pós-cirurgia cardíaca)� R1/XCON (configuração de minicomputadores
VAX para DEC)� Guidon (auxílio ao ensino)� Expert Sinta – Universidade Federal do Ceará
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Indicativos de Uso de SE’s
� A experiência humana pode ser perdida
� A experiência humana é esparsa
� A experiência é necessária em muitos locais
� A experiência é necessária em ambientes hostis
� A solução de tarefas tem um alto retorno
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Viabilidade do Uso de SE’s� As tarefas requerem habilidades cognitivas� Conhecimento especializado� Não há solução algorítmica� Tarefas moderadamente complexas� Conhecimento relativamente estático� Existem especialistas genuínos� Especialistas são melhores que amadores
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Limitações dos SE’s� Esquemas de representação mistos� O conhecimento é infinito� Conhecimento contraditório/inconsistente� Há necessidade de intermediários
� Dificuldade de extensão além do conhecimento do especialista
� O raciocínio é limitado� Há dificuldade de validar o conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Personagens envolvidos na construção de um SE
� Construtor de ferramentas
� Engenheiro de Conhecimento
� Especialista
� Apoio
� Usuário
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Ciclo de Base de um Motor de Inferência
Fase de Avaliação
Restrição
Resoluçãode Conflitos
Filtragem
Fase de Execução
Execução das ações
Ações sobre oambiente
BF e BR podemser alterados
Eventualmente paradaou retorno
Eventualmente paradaou retorno
Prof. Júlio Cesar Nievola PPGIa - PUCPR
O Gargalo no Desenvolvimento
� Gargalo na construção de SE:passagem do conhecimento do especialista para o engenheiro de conhecimento e conseqüentemente para o sistema
� Solução: técnicas automatizadas de aquisição de conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBC x Sistema Convencional� Para um sistema inteligente ser classificado como
SBC, ele deve ser capaz de:� Questionar o usuário usando uma linguagem de fácil
entendimento para reunir informações necessárias� Desenvolver uma linha de raciocíno a partir dessas
informações e do conhecimento que contém para resolver o problema; deve lidar com regras e informações incompletas, imprecisas e conflitantes
� Explicar seu raciocínio� Conviver com seus erros, mas com desempenho
satisfatório (similarmente ao especialista humano)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Propriedades dos SBCs� Tudo que se sabe sobre o problema deve estar
explicitamente representado na base de conhecimentos do sistema
� A base de conhecimentos deve ser interpretada por um mecanismo de inferência
� Os problemas resolvidos por SBCs são aqueles para os quais não é conhecido um procedimento determinístico� Em geral o conhecimento é utilizado para contornar a
exponencialidade da formulação do problema
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Diferenças entre Sistemas
Podem e devem explicitar seuraciocínio
Explicação do raciocício é difícil
Conhecimento representadoexplicitamente e separado do código que o manipula e interpreta
Conhecimento embutido no código do programa
Busca heurísticaAlgoritmos determinísticos
Conceitos, relações entreconceitos e regras
Dados e relações entre dados
Representação do ConhecimentoEstrutura de Dados
SBCsSistemas Convencionais
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBCs e SEs� SBCs resolvem problemas usando conhecimento
específico sobre o domínio da aplicação� SEs são SBCs que resolvem problemas ordinariamente
resolvidos por humanos� Profunda interação com especialista
� SBCs podem ser classificados como SEs quando o desenvolvimento do mesmo é voltado para aplicações nas quais o conhecimento a ser manipulado restringe-se a um domínio específico e conta com um alto grau de especializaçao� Mas os termos SBC e SE são usados indistintamente na área
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBC e Sistema EspecialistaExibem comportamento
inteligente através dahabilidade no uso de
heurísticas
Tornam explícito odomínio de conheci-
mento além desepará-lo do
sistema
Aplicam conhe-cimento especialista
na resolução deproblemas difíceis
do mundo real
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Tipos de Aplicações de SBC� Classes de tarefas em que os SBCs tem sido aplicados
� Interpretação e análise de dados: processamento de imagens, reconhecimento de fala, análise de circuitos elétricos
� Classificação: diagnóstico de doenças, determinação de falhas em máquinas
� Monitoramento: usinas nucleares, tráfego aéreo� Planejamento: ações de robôs, experimentos em genética, ações
militares� Projeto: leiaute de circuitos e de computadores, tubulações de
aviões
� Surgimento de diversas ferramentas de auxílio àconstrução e execução de SBCs, linguagens de representação do conhecimento e literatura especializada
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Número de SBCs desenvolvidos por ano
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Percentagem de SBC por tipo de problema
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Desempenho� Para fazer com que um SBC chegue perto
do desempenho de um especialista humano o sistema deve� ter grande quantidade de conhecimento
disponível� conseguir ter acesso a este conhecimento
rapidamente� ser capaz de raciocinar adequadamente com
este conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Áreas de aplicação
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Estrutura Básica de um SBC
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Componentes Básicos de um SBC� Sistemas Baseados em Conhecimento
� Conhecimento + Inferência
� SBC tem dois componentes principais� Uma Base de Conhecimentos que captura o
conhecimento específico do domínio� Um Motor de Inferência consistindo de
algoritmos para manipular o conhecimento representado na Base de Conhecimentos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Base de Conhecimentos
� O conhecimento é representado na Base de Conhecimentos usando uma das técnicas de Representação do Conhecimento como: regras de produção, redes semânticas, frames, scripts etc.
� SBCs também podem usar uma mistura de técnicas de representação do conhecimento: estes tipos de sistemas são chamados de Sistemas Híbridos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Certeza do Conhecimento� Conhecimento também pode incluir
probabilidades ou fatores de incerteza, os quais podem ser usados para� melhorar a corretude das tomadas de decisão� ajudar a resolver conflitos� melhorar recursos de explicação
� Técnicas para lidar com incerteza incluem� método Bayesiano� Teoria da Evidência de Dempster-Schafer� Teoria da Certeza (fatores de certeza)� Lógica Fuzzy
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Motor de Inferência� Inclui um interpretador que aciona regras
de uma base de conhecimentos e executa itens da agenda
� Um agendador que mantém o controle da agenda
� Um verificador de consistência que tenta manter uma representação consistente da solução que surge
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Inferência com Regras de Produção� Um Sistema Baseado em Conhecimento
que utiliza regras de produção faz uso de estratégias de raciocínio� Encadeamento progressivo (“forward
chaining”)� Encadeamento regressivo (“backward
chaining”)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Progressivo (1)� A direção de busca é dos dados para as
metas ou hipóteses� SE cond1 & cond2 & … & condN
ENTÃO Ação1� Direção da Busca: � O que podemos concluir a partir dos
dados?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Progressivo (2)� A parte esquerda da regra é comparada
com a descrição da situação atual contida na memória de trabalho
� As regras que satisfazem a descrição tem sua parte direita executada, o que em geral significa a introdução de novos fatos na memória de trabalho
� Problemas típicos: planejamento, projeto e classificação
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia Avante-1 (Integra imediatamente as conclusões)
Procedimento Estabelecer-um-Fato(Fato)Se Fato pertence à Base-de-Fatos então retornar “Sucesso”Retornar Executar-um-Ciclo(Base-de-Regras)
Procedimento Executar-um-Ciclo(Regras, Fato, Uma-Regra)Se Regras é vazio então retornar “Falha”Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. a 1a. encontrada)Regras ← Regras diminuída de Uma-RegraSe todos os fatos da premissa de Uma-Regra pertencem à Base-de-Fatos então
InícioSe a conclusão de Uma-Regra é Fato então
Retornar “Sucesso”Juntar a conclusão de Uma-Regra à Base-de-Fatos (se ela ainda não pertence)Base-de-Regras ← Base-de-Regras diminuída de Uma-RegraRetornar Executar-um-Ciclo(Base-de-Regras)Fim
Retornar Executar-um-Ciclo(Regras)* Base-de-Regras é uma variável global; Regras é uma variável local
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia Avante-2 (Faz o Encadeamento em Largura)Procedimento Estabelecer-um-Fato(Fato, Fatos-Novos)
Se Fato pertence à Base-de-Fatos então retornar “Sucesso”Retornar Executar-um-Ciclo(Base-de-Regras, lista vazia, Fato)
Procedimento Executar-um-Ciclo(Regras, Fatos-Novos, Fato, Uma-Regra)Se Regras é vazio então
Se Fatos-Novos está vazia então retornar “Falha”Base-de-Fatos ← Base-de-Fatos aumentada com Fatos-NovosRetornar Executar-um-Ciclo(Base-de-Regras, lista vazia, Fato)
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. a 1a. encontrada)Regras ← Regras diminuída de Uma-RegraSe todos os fatos da premissa de Uma-Regra pertencem à Base-de-Fatos então
Se a conclusão de Uma-Regra é Fato entãoRetornar “Sucesso”
Juntar a conclusão de Uma-Regra à FatosNovos (se ela ainda não pertence)Base-de-Regras ← Base-de-Regras diminuída de Uma-Regra
Retornar Executar-um-Ciclo(Regras, FatosNovos, Fato)
* Base-de-Regras é uma variável global; Regras é uma variável local
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Regressivo (1)� A direção da busca é das metas ou
hipóteses para os dados� SE cond1 & cond2 & … & condN
ENTÃO Ação1� Direção da busca: � É possível provar a hipótese a partir dos
dados?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Regressivo (2)� O sistema é controlado por uma lista de objetivos� Um objetivo pode ser satisfeito diretamente por
um elemento da memória de trabalho ou podem existir regras que permitam inferir algum dos objetivos correntes, isto é, contenham uma descrição deste objetivo em suas partes direitas
� As regras que satisfazem esta condição tem suas partes esquerdas adicionadas à lista de objetivos correntes
� Problemas típicos: diagnóstico
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia para Trás - 1 (cria subproblemas em largura)Procedimento Estabelecer-um-Fato(FATO)Se Fato pertence à Base-de-Fatos então retornar “sucesso”Retornar Estabelecer1(Base-de-Regras)Procedimento Estabelecer1(Regras)Se Regras é vazio então retornar “falha”Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. o 1o. encontrado)Regras ← Regras diminuído de Uma-RegraSe Uma-Regra comporta Fato como conclusão então
Se Estabelecer2(Uma-Regra) = “sucesso” então retornar “sucesso”Retornar Estabelecer1(Regras)Procedimento Estabelecer2(A-Regra)Fatos ← todos os fatos que compõe a premissa de A-RegraRetornar Estabelecer-Conjunção-de-Fatos(Fatos)Procedimento Estabelecer-Conjunção-de-Fatos(Os-Fatos)Se Os-Fatos é vazio então retornar “sucesso”Um-Fato ← escolha de um elemento qualquer de Os-Fatos (p.ex. o 1o. encontrado)Os-Fatos ← Os-Fatos diminuído de Um-FatoSe Estabelecer-Um-Fato(Um-Fato) = “falha” então retornar “falha”Retornar Estabelecer-Conjunção-de-Fatos(Os-Fatos)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia para Trás - 2/1 (em largura, salvo se uma regra conclui diretamente)
Procedimento ESTABELECER-UM-FATO(FATO)Se FATO pertence à BASE-DE-FATOS então retornar “sucesso”CONFLITO ← todas as regras de BASE-DE-REGRAS que tem FATO como parte
conclusãoSe ESTABELECER-DIRETO1(CONFLITO) = “sucesso” então retornar
“sucesso”Retornar ESTABELECER1(CONFLITO)Procedimento ESTABELECER-DIRETO1(REGRAS)Se REGRAS é vazio então retornar “falha”UMA-REGRA ← escolha de um elemento qualquer de REGRAS (p.ex. a 1a.
encontrada)REGRAS ← REGRAS diminuída de UMA-REGRAFATOS ← todos os fatos que compõe a premissa de UMA-REGRASe FATOS está incluso na BASE-DE-FATOS então retornar “sucesso”Retornar ESTABELECER-DIRETO1(REGRAS)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia para Trás - 2/2Procedimento ESTABELECER1(REGRAS)Se REGRAS é vazio então retornar “falha”UMA-REGRA ← escolha de um elemento qualquer de REGRAS (p.ex. a primeira
encontrada)REGRAS ← REGRAS diminuído de UMA-REGRASe ESTABELECER2(UMA-REGRA) = “sucesso” então retornar “sucesso”Retornar ESTABELECER1(REGRAS)Procedimento ESTABELECER2(A-REGRA)FATOS ← todos os fatos que compõe a premissa de A-REGRARetornar ESTABELECER-CONJUNÇÃO-DE-FATOS(FATOS)Procedimento ESTABELECER-CONJUNÇÃO-DE-FATOS(OS-FATOS)Se OS-FATOS é vazio então retornar “sucesso”UM-FATO ← escolha de um elemento qualquer de OS-FATOS (p. ex. o primeiro
encontrado)OS-FATOS ← OS-FATOS diminuído de UM-FATOSe ESTABELECER-UM-FATO(UM-FATO) = “falha” então retornar “falha”Retornar ESTABELECER-CONJUNÇÃO-DE-FATOS(OS-FATOS)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Linguagens de Representação do Conhecimento� Quadros (“frames”)
� Scripts
� Redes Semânticas
� Lógica
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Componentes Adicionais� São necessários para interagir com o motor
de inferência e a base de conhecimentos� Usuário� Um modo dos usuários interagirem com o
sistema� Um lugar para armazenar o conhecimento
usado no trabalho� Uma maneira de se conseguir ajuda do
sistema
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBC Básico
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Usuário� SBCs são projetados para interagir com vários
tipos de usuários, agindo de diferentes maneiras conforme as circunstâncias
� Um leigo procurando ajuda direta - modo consultor
� Um estudante que quer aprender – modo instrutor
� Um construtor de SBC melhorando ou aumentando a
base de conhecimentos – modo acompanhante
� Um especialista – modo cooperativo
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Memória de Trabalho� Armazena condições iniciais, hipóteses
intermediárias e decisões, e soluções finais� A informação é classificada em três tipos
� Planos (como resolver o problema)� Agenda (ações potenciais a serem
executadas)� Soluções (soluções candidatas e hipóteses
intermediárias)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Facilidades de Explicação� O módulo que facilita a explicação pode justificar
as conclusões e auxiliar a explicar o comportamento do SBC
� Isto é feito através de questões interativas� Por quê o sistema faz uma pergunta em particular?� Como o sistema alcança a conclusão correta?� Por quê uma certa alternativa é rejeitada?� Qual é a tática atual do sistema para alcançar a
conclusão?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aquisição de Conhecimento� Como o sistema adquire conhecimento?
� Como o conhecimento é inicialmente trazido para dentro do sistema?
� Como o sistema adquire novos conhecimentos?
� Como este conhecimento pode ser testado?� Quais componentes necessitamos
acrescentar ao sistema para realizar estas funções?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBC Completo
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Conhecimento Especialista� Adquirir conhecimento especialista para uma
base de um SBC envolve� obter informações dos especialistas e/ou fontes
documentais� classificação desta informação em declarativa
(factual) e procedural� codificação desta informação num formato utilizado
pelo SBC� checagem de consistência do conhecimento
codificado com o conhecimento existente no sistema
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Engenheiro do Conhecimento� Estrutura a área do problema� Interpreta, traduz e integra conhecimento
especialista ao sistema� Traça analogias� Apresenta contra-exemplos� Traz à luz conceitos difíceis� Checa a consistência do conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Refinamento do Conhecimento� Futuros SBCs serão capazes de monitorar,
analisar, aprender e melhorar suas próprias performances, resultando numa base de conhecimento mais aprimorada e num raciocínio mais efetivo
� Nos SBCs atuais esta tarefa é do Engenheiro do Conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas de Produção� Vantagens
� Modularidade� Uniformidade� Naturalidade
� Desvantagens� Ineficiência em tempo de execução� Complexidade do fluxo de controle