AI_10_1

Jak opisa

wiat w j

zyku FOL?

W j

zyku logiki pierwszego rz

du mo

na „z marszu”

opisa

prosty układ logiczny lub

wiat Wumpusa.

Jednak nawet wtedy s

problemy, gdy

logika

„niczego nie wie” o

wiecie – nawet tego,

e 1

≠

Opis

wiata rzeczywistego jest nieporównanie

bardziej skomplikowany, gdy

istnieje niezliczone mnóstwo ró

nych rzeczy,

F.A. Dul 2007

istnieje niezliczone mnóstwo ró

nych rzeczy,

- mi

dzy rzeczami zachodz

skomplikowane relacje,

- w

wiecie wyst

puj

zdarzenia,

wiat si

zmienia (ewoluuje).

Aby uj

ąć

cał

zło

ono

ść

wiata w j

zyku FOL nale

posłu

ontologi

, pozwalaj

kategoryzowa

i systematyzowa

obiekty i zdarzenia.

Jest to zagadnienie

reprezentacji wiedzy

Jak opisa

wiat w j

zyku FOL?

Zasadnicza trudno

ść

reprezentacji

wiata polega

na tym,

e jego opis logiczny musi by

zupełny.

Człowiek rozumuje przyjmuj

c wiele faktów jako

domy

lnych – model

wiata otwartego.

Logika nie ma wbudowanego zestawu faktów
domy

lnych – model

wiata zamkni

tego.

Pomini

cie pewnych faktów mo

e prowadzi

F.A. Dul 2007

Pomini

cie pewnych faktów mo

e prowadzi

do bł

dnych wniosków.

Trzeba wi

c znale

źć

reprezentacj

faktów i reguł

domy

lnych która jest zupełna a zarazem efektywna.

10.1. In

ynieria ontologiczna

Ontologia

(metafizyka, „Nauka o wszystkim co istnieje”)

jest działem filozofii odpowiadaj

cym na pytania dotycz

struktury rzeczywisto

ci: przedmiotów, czasu, przestrzeni...

• OE rozwa

a takie poj

cia jak: działania, czas, obiekty

fizyczne czy wiarygodno

ść

• OE mo

na uwa

za uogólnienie In

ynierii Wiedzy (KE)

ynieria ontologiczna

(OE) zajmuje si

problemem ogólnej

elastycznej reprezentacji

wiata.

© F.A. Dul 2007

Ontologia wy

sza

(upper ontology) definiuje ogólne ramy

dla koncepcji dotycz

cych reprezentacji

wiata.

da reprezentacja logiczna

wiata ma ograniczenia.

Przykład: pomidor jest zwykle czerwony i okr

gły, ale mo

zielony,

ółty, pomara

czowy; owoce mog

znacznie ró

kształtami, wielko

, itp.

Problemami reprezentacji s

wyj

tki i niepewno

ść

okre

Ontologia wy

sza definiuje i klasyfikuje w sposób

hierarchiczny obiekty i zdarzenia wyst

puj

ce w

wiecie.

10.1. In

ynieria ontologiczna

Ontologia wy

sza

wiata (niewielka cz

ęść

)

Zbiory

Liczby

Obiekty

reprezentowalne

Przedziały

Miejsca

Obiekty

fizyczne

Procesy

Obiekty abstrakcyjne

Zdarzenia uogólnione

Wszystko

Ludzie

Zwierz

Agenci

Ciecz

Gaz

Ciało

stałe

Czas

Masa

Kategorie

Sentencje

Miary

Chwile

Rzeczy

Materia

© F.A. Dul 2007

da koncepcja poziomu ni

szego jest

specjalizacj

koncepcji

poziomu wy

szego.

Cechy i zadania ontologii wy

szej

• Ontologia ogólna powinna da

zastosowa

do ka

dej

dziedziny szczegółowej.

Do dziedziny szczegółowej nale

y doda

aksjomaty

słuszne dla tej dziedziny.

• W ka

dej wi

kszej dziedzinie ró

ne obszary wiedzy

powinny by

ujednolicone.

Ró

ne obszary wiedzy musz

zazwyczaj by

czone

w celu opisu dziedziny szczegółowej.

10.1. In

ynieria ontologiczna

© F.A. Dul 2007

w celu opisu dziedziny szczegółowej.
Wymaga to komplementarno

ci (przystawania) opisów

(np. opisów czasu i przestrzeni).

• Co nale

y wyrazi

w ramach ontologii wy

szej?

Kategorie, Miary, Obiekty zło

one,

Czas, Przestrze

Zmiany, Zdarzenia, Procesy,
Obiekty fizyczne, Substancje, Obiekty mentalne,
Pogl

dy,...

10.2. Kategorie i obiekty

• Kategoria

jest zbiorem (swoich) elementów.

• Reprezentacja wiedzy wymaga podzielenia obiektów

na kategorie.

– Oddziaływanie (interakcja) ma miejsce na poziomie

obiektów.

– Wnioskowanie zachodzi na poziomie kategorii.

• Kategorie pozwalaj

identyfikowa

obiekty na podstawie

postrzeganych własno

ci, np.

© F.A. Dul 2007

postrzeganych własno

ci, np.

Okr

gły

∧

Czerwony

∧

kki

∧

Połyskuj

⇒

Pomidor

• Kategorie mog

reprezentowane w logice pierwszego

du na dwa sposoby:

– jako predykaty:

Pomidor(x)

– poprzez sprowadzanie (reifying) kategorii do zbiorów

obiektów:

Pomidory

Organizacja kategorii

• Kategorie zwi

zane s

relacj

dziedziczenia

(por. z j

zykiem C++), np.:

– ka

dy egzemplarz

ywno

ci jest jadalny;

– owoc jest podklas

ywno

ci;

– jabłko jest podklas

owoców;

– zatem jabłko jest jadalne.

• Definiowanie

systematyki

poprzez relacje kategorii

10.2. Kategorie i obiekty

da kategoria bardziej

© F.A. Dul 2007

Ssaki

Osoby

Kobiety

ęŜ

czy

Maria

Jan

Element

Podzbiór

da kategoria bardziej

szczegółowa dziedziczy
cechy kategorii ogólniejszej
z której si

wywodzi.

Przykład
Kobiety dziedzicz

cechy

osób, np. wzrost, wag

;

podobnie m

ęŜ

czy

ni.

Kobiety i m

ęŜ

czy

ni maj

jednak pewne cechy

odmienne...

10.2. Kategorie i obiekty

Opis kategorii w logice pierwszego rz

• Obiekt jest elementem kategorii

Element( BB

, PiłkaDoKoszykówki )

• Kategoria mo

e by

podklas

innej kategorii

Podzbiór( PiłkaDoKoszykówki , Piłki )

• Wszystkie elementy kategorii maj

pewne własno

∀

x Element(x,PiłkaDoKoszykówki)

⇒

Okr

gły(x)

© F.A. Dul 2007

• Wszystkie elementy kategorii mog

rozpoznane

po pewnych własno

ciach

∀

x (Pomara

czowy(x)

∧

Okr

gły(x)

∧

rednica(x)=24.5 cm

∧

Element(x,Piłki)

⇒

Element(x, PiłkaDoKoszykówki))

• Kategoria jako cało

ść

ma pewne własno

Element( Psy , GatunkiOswojone )

10.2. Kategorie i obiekty

Relacje pomi

dzy kategoriami

• Dwie lub wi

cej kategorie s

rozł

czne

eli nie maja

wspólnych elementów:

Rozł

czne(s)

⇔

(

∀

∈

∧

∈

∧

≠

⇒

Przeci

cie(c

) = { } )

Przykład

Rozł

czne( { zwierz

ta, warzywa } )

• Zbiór kategorii s tworzy

dekompozycj

kompletn

© F.A. Dul 2007

• Zbiór kategorii s tworzy

dekompozycj

kompletn

kategorii c je

eli wszystkie elementy zbioru c s

pokryte

przez kategorie z s:

DekompozycjaKompletna(s,c)

⇔

(

∀

i i

∈

⇒

∃

∈

∧

∈

)

Przykład

DekompozycjaKompletna(

{Amerykanie, Kanadyjczycy, Meksykanie},

AmerykaniePółnocni ).

10.2. Kategorie i obiekty

Relacje pomi

dzy kategoriami

• Podział

jest to rozł

czna dekompozycja kompletna:

Podział(s,c)

⇔

Rozł

czny(s)

∧

DekompozycjaKompletna(s,c)

Przykład

Podział( {M

ęŜ

czy

ni,Kobiety} ,Osoby).

Czy jest podziałem dekompozycja

({Amerykanie, Kanadyjczycy, Meksykanie}, AmerykaniePółnocni )

Nie, bo niektórzy

AmerykaniePółnocni

maj

podwójne obywatelstwo.

© F.A. Dul 2007

Nie, bo niektórzy

AmerykaniePółnocni

maj

podwójne obywatelstwo.

• Kategorie mog

zdefiniowane przez podanie

warunków koniecznych i dostatecznych dla elementów

∀

x Kawaler(x)

⇔

ęŜ

czyzna(x)

∧

Dorosły(x)

∧

Nie

onaty(x)

10.2. Kategorie i obiekty

Struktura fizyczna kategorii

• Obiekt mo

e by

ęś

innego obiektu:

ęść

(Bukareszt,Rumunia)

ęść

(Rumunia,EuropaWschodnia)

ęść

(EuropaWschodnia,Europa)

• Predykat Cz

ęść

jest przechodni (a tak

e zwrotny),

zatem mo

emy wnioskowa

ęść

(Bukareszt,Europa)

© F.A. Dul 2007

• Definicja formalna predykatu Cz

ęść

∀

x Cz

ęść

(x,x)

∀

x,y,z Cz

ęść

(x,y)

∧

ęść

(y,z)

⇒

ęść

(x,z)

• Struktura fizyczna cz

sto jest okre

lona przez zale

strukturalne pomi

dzy cz

ęś

ciami, np.

Dwunóg(a)

⇒

(

∃

,b) (Noga(

)

∧

Noga(

)

∧

Ciało(b)

∧

ęść

(

,a)

∧

ęść

(

,a)

∧

ęść

(b,a)

∧

Przył

czony(

,b)

∧

Przył

czony(

,b)

∧

≠

∧

(

∀

) (Noga(

)

⇒

(

∨

) ) )

10.2. Kategorie i obiekty

Miary

• Obiekty maj

wysoko

ść

, mas

, cen

, ....

Warto

ci przypisane tym cechom to

miary

• Funkcje liczbowe okre

laj

ce jednostki miar:

Długo

ść

) = Cale(1.5) = Centymetry(3.81).

• Konwersje pomi

dzy jednostkami:

∀

i Centymetry( 2.54 x i ) = Cale(i).

© F.A. Dul 2007

• Miary mog

posłu

do opisu obiektów:

rednica( PiłaDoKosza

) = Cale(9.5).

• Niektóre miary nie maj

skali: Pi

kno, Trudno

ść

, etc.

– Najwa

niejsza cecha miar: mog

uporz

dkowane.

– Nie nale

y przywi

zywa

zbytniej wagi do konkretnych

warto

ci.

Jabłko mo

e mie

“wy

mienito

ść

” 0.9 lub 1.0.

10.2. Kategorie i obiekty

Substancje i obiekty

•

wiat składa si

z obiektów prostych i zło

onych.

• Pewne obiekty s

niepodzielne (np. krzesło), za

inne

podzielne (np. masło).

• Obiekty niepodzielne to

rzeczy

(things)

domy, koty, twierdzenia, ...

niepodzielne to

materia

(stuff),

woda, energia, masło, ....

• Reprezentacja materii w j

zyku FOL.

© F.A. Dul 2007

• Reprezentacja materii w j

zyku FOL.

„Ka

da cz

ęść

masła jest masłem”

∈

Masło

∧

ęść

(y,x)

⇒

∈

Masło.

• Niektóre własno

ci s

wewn

trzne (

intrinsic

) i niepodzielne

sto

ść

, kolor, zapach, temperatura topnienia, ...

inne – zewn

trzne (

extrinsic

)

masa, długo

ść

, kształt, ...

• Materia ma

tylko

własno

ci wewn

trzne.

• Rzecz

jest za

dy obiekt maj

chocia

jedn

własno

ść

zewn

trzn

10.2. Reprezentacja wiedzy

Rodzaje naturalne

• Niektóre kategorie s

zdefiniowane

le, np. trójk

ty.

• Wiele kategorii nie ma jednak precyzyjnych definicji,

np. krzesło, krzak, ksi

ąŜ

ka, ...

Pomidory mog

czerwone, zielone,

ółte, zazwyczaj s

okr

głe.

Kategorie takie stanowi

rodzaje naturalne

• Rozwi

zanie: kategoria

Typowe

okre

laj

ca podstawowe

cechy elementów kategorii naturalnej c,

© F.A. Dul 2007

cechy elementów kategorii naturalnej c,

Typowe(c)

⊆

Przykład

∀

x, x

∈

Typowe(Pomidory)

⇒

Czerwony(x)

∧

Kulisty(x).

Za pomoc

kategorii Typowe mo

na opisa

ne fakty

dotycz

ce kategorii bez formułowania

cisłych definicji.

• U

yteczno

ść

poj

cia

cisła definicja

jest w

tpliwa.

Stwierdzenie “Papie

jest kawalerem”, które wynika

z definicji

cisłej, jest niezbyt fortunne...

10.3. Działania, zdarzenia i sytuacje

• Wnioskowanie o wyniku

działania jest podstaw

działania agenta z baz

wiedzy.

• Jak mo

ledzi

zmiany

wiata w logice pierwszego

du?

W logice zda

nale

y okre

stan w ka

dej chwili czasu.

© F.A. Dul 2007

stan w ka

dej chwili czasu.

• Sytuacje

to zdarzenia zmieniaj

dyskretnie w czasie.

• Sytuacje „przeskakuj

” od zdarzenia

do zdarzenia – nie ma mo

liwo

zmiany stanu pomi

dzy zdarzeniami.

• Rachunek sytuacji

opisuje zmiany

sytuacji w wyniku kolejnych działa

10.3. Działania, zdarzenia i sytuacje

Zasady rachunku sytuacji

• Działania s

termami logicznymi, np. Skr

ęć

(WPrawo).

• Sytuacje s

termami logicznymi zło

onymi z:

• sytuacji pocz

tkowej

• wszystkich sytuacji wynikaj

cych z działa

a wykonanych

w sytuacjach s,

Wynik(a,s)

[ lub Zrób(a,s) ]

• Potoki

(fluent) s

to funkcje i predykaty które zmieniaj

z sytuacji na sytuacj

, np.

Trzymanie(G , S )

© F.A. Dul 2007

Trzymanie(G

, S

)

• Istniej

tak

e predykaty wieczne (eternal), np.

Złoto(G

)

• Wynik ci

gu działa

jest okre

lony (zdeterminowany)

przez poszczególne działania.

• Zadanie projektowania

: wywnioskowa

wynik danego

gu działa

• Zadanie planowania

: znale

źć

g działa

który

zapewnia po

Ŝą

dany wynik.

10.3. Działania, zdarzenia i sytuacje

Opis działa

w rachunku sytuacji

• Najprostszy rachunek sytuacji potrzebuje do opisu zmian

dwóch aksjomatów:

– Aksjomat mo

liwo

: przeprowadzi

działanie je

eli

jest to mo

liwe

WarunkiWst

pne

⇒

liwe(a,s)

Przy(Agent,x,s)

∧

Przyległy(x,y)

⇒

liwe(Id

(x,y),s)

– Aksjomat wyniku

: opisa

zmiany wywołane działaniem

liwe(a,s)

⇒

Zmiany w wyniku działania a

© F.A. Dul 2007

liwe(a,s)

⇒

Zmiany w wyniku działania a

liwy(Id

(x,y),s)

⇒

Przy(Agent,y,Wynik(Id

(x,y),s))

• Jak opisa

to, co w

wiecie si

nie zmienia?

– Problem kadru

: reprezentacja wszystkich sytuacji które

nie zmieniaj

– Aksjomat kadru

: co si

nie zmienia podczas działa

Przy(o,x,s)

∧

≠

Agent)

∧

Trzyma

(o,s)

⇒

Przy(o,x,Wynik(Id

(y,z),s))

10.3. Działania, zdarzenia i sytuacje

Rachunek zdarze

Rachunek sytuacji opisuje zdarzenia dyskretne w czasie.

Rachunek zdarze

opisuje stany zmieniaj

ce si

w czasie

w sposób ci

gły.

W rachunku zdarze

istnieje mo

liwo

ść

zaistnienia pewnego

zdarzenia w dowolnej chwili.

Aksjomat rachunku zdarze

T(f,t

)

⇔

∃

e, t ZdarzaSi

(e,t)

∧

Inicjalizuje(e,f,t)

∧

(t < t

)

© F.A. Dul 2007

T(f,t

)

⇔

∃

e, t ZdarzaSi

(e,t)

∧

Inicjalizuje(e,f,t)

∧

(t < t

)

∧

Przerwanie(f,t,t

)

Przerwanie(f,t,t

)

⇔

∃

e, t

ZdarzaSi

(e,t

)

∧

czy(e,f,t

)

∧

(t < t

)

∧

< t

)

Potok f jest inicjalizowany w pewnej chwili t, a ko

czy si

w chwili t

Potok f mo

e by

zako

czony w chwili t

< t

przez pewne

zdarzenie e.

10.3. Działania, zdarzenia i sytuacje

Zdarzenia uogólnione

Zdarzenie uogólnione

jest elementem

czasoprzestrzeni, zło

onym ze zdarze

działa

, miejsca, czasu, potoków oraz

obiektów.

Przykład

„Druga wojna

wiatowa”

Podzdarzenia

(subevents) s

elementami zdarzenia uogólnionego.
Element kategorii c jest podzdarzeniem zdarzenia

© F.A. Dul 2007

Element kategorii c jest podzdarzeniem zdarzenia
lub przedziału i

E(c,i)

⇔

⇔ ∃

e e

∈

∧

Subevent(e,i)

Przykład

Subevent( BitwaOAngli

, DrugaWojna

wiatowa)

Procesy

to zdarzenia zmieniaj

ce si

w czasie w sposób

gły.

Procesy ró

tym od zdarze

, czym materia ró

ni si

od rzeczy.

10.4. Obiekty i zdarzenia mentalne

• Agent mo

e mie

pogl

dy i wyci

wnioski prowadz

do nowych pogl

dów.

• Agent powinien te

przewidywa

, co my

inni agenci.

• Wymaga to modeli stanów my

lowych w czyjej

głowie

oraz procesów zmieniaj

cych te stany.

• Obiekty mentalne

to takie stany mentalne w czyjej

głowie

(lub w bazie wiedzy), jak:

wiedza

przekonania

potrzeby

• Zdarzenia mentalne

to procesy wnioskowania w których

uczestnicz

obiekty mentalne.

© F.A. Dul 2007

• Zdarzenia mentalne

to procesy wnioskowania w których

uczestnicz

obiekty mentalne.

• Wiedza i przekonanie agenta a na temat zdania p:

Wie(a,p), Wierzy(a,p).

• Relacja pomi

dzy wiedz

a przekonaniem: je

eli jest si

przekonanym

o czym

i je

eli to jest

prawda

, to si

wie,

Wierzy(a,p)

∧

⇒

Wie(a,p).

• Przekonanie zapisane za pomoc

aksjomatu rachunku

zdarze

T( Wierzy(Jan , Superman(Leci) ) , Dzisiaj ).

10.6. Systemy wnioskowania dla kategorii

Kategorie stanowi

podstawowe cegiełki dla reprezentacji

zło

onych systemów wiedzy.

Istniej

dwa rodzaje reprezentacji i wnioskowania dla

kategorii:

sieci semantyczne

logika opisowa

Sieci semantyczne:

• umo

liwiaj

wizualizacj

bazy wiedzy;

• zawieraj

efektywne algorytmy wnioskowania o własno

ciach elementów na podstawie ich przynale

© F.A. Dul 2007

ciach elementów na podstawie ich przynale

do kategorii.

Logika opisowa:

• u

ywa j

zyka formalnego do budowania i ł

czenia definicji

kategorii;

• dostarcza efektywnych algorytmów do wyznaczania relacji

zawierania pomi

dzy kategoriami.

10.6. Systemy wnioskowania dla kategorii

Sieci semantyczne

Sieci semantyczne reprezentuj

graficznie obiekty, kategorie
obiektów oraz relacje pomi

dzy

obiektami.

Ssaki

Osoby

Kobiety

ęŜ

czy

Maria

Jan

Element

Siostra

Podzbiór

Nogi

Ma matk

Nogi

Sieci semantyczne stanowi

alternatyw

opisu logicznego.

Sieci semantyczne umo

liwiaj

wnioskowanie z dziedziczeniem.

Dziedziczenie:

liczba nóg = 2

Jan:
liczba
nóg = 1

© F.A. Dul 2007

Maria

Jan

Kategoria Kobiety dziedziczy wszystkie

własno

ci kategorii Osoby.

Powi

zania odwrotne, np.

∀

p,s MaSiostr

(p,s)

⇔

Siostra(s,p)

pozwalaj

znacznie zwi

kszy

efektywno

ść

wnioskowania.

Wady sieci semantycznych:

• Poł

czenie mo

e reprezentowa

tylko relacje binarne.

na temu zaradzi

poprzez potraktowanie twierdzenia jako zdarzenia.

• Reprezentacja warto

ci domy

lnych jest narzucona przez

mechanizm dziedziczenia.

wnioskowanie z dziedziczeniem.

(Porównaj z programowaniem
orientowanym obiektowo – np. C++).

10.6. Systemy wnioskowania dla kategorii

Logika opisowa

Logika opisowa (description logic) została opracowana
specjalnie do opisu definicji i własno

ci kategorii.

Logika opisowa powstała jako formalizacja sieci
semantycznych.
Najwa

niejszymi zadaniami logiki opisowej s

• Subsumpcja

: sprawdzanie czy dana kategoria jest

podzbiorem innej kategorii poprzez porównanie ich
definicji.

© F.A. Dul 2007

definicji.

• Klasyfikacja

: sprawdzanie czy dany obiekt nale

do kategorii.

• Zgodno

ść

: czy kryteria przynale

ci do kategorii

logiczne spełnialne (satisfiable).

Najwa

niejszym aspektem logiki opisowej jest poło

enie

nacisku na mo

liwo

ść

przeprowadzenia wnioskowania.

Wad

logiki opisowej jest nieobsługiwanie przez ni

negacji

i alternatywy.
Logika opisowa do zapisu zda

ywa j

zyka C

LASSIC.

10.7. Wnioskowanie z informacj

domy

Reprezentacja informacji domy

lnej wymaga uwagi.

To, co dla człowieka jest domy

lnie oczywiste, nie jest takie

dla logicznego systemu wnioskuj

cego.

Przykład Wykłady w semestrze letnim: NS101, NS102, NS106, TE101.
Ile wykładów b

dzie prowadzonych?

• Odpowied

bazy wiedzy:

cztery

przy zało

eniach,

– informacja jest zupełna (wszystkie nie wyra

one jawnie zdania s

fałszywe –

zało

enie

wiata zamkni

tego

);

– ró

ne obiekty maj

ró

ne nazwy -

zało

enie nazw unikalnych

• Odpowied

logiki:

od jednego do niesko

czenie wielu

© F.A. Dul 2007

• Odpowied

logiki:

od jednego do niesko

czenie wielu

– Logika nie czyni zało

domy

lnych.

Informacji domy

lna wymaga zatem

dopełnienia

Umo

liwiaj

logiki niemonotoniczne

Ograniczenie

(circumscription) umo

liwia zapis faktów

prawdziwych tylko dla wybranych obiektów.

Logika domy

lna

(default logic) u

ywa

reguł domy

lnych

postaci

P : J

, ..., J

/ C

do zapisu faktów, np.

Ptak(x) : Leci(x) / Leci(x)

oznacza

e je

eli Ptak(x) jest prawd

i je

eli Leci(x) jest zgodne z baz

wiedzy, to Leci(x) mo

e by

przyj

te domyslnie.

10.8. Systemy utrzymywania prawdy

Wiele wnioskowa

ma charakter przybli

ony – ich wyniki

nie s

absolutnie pewne.

Wywnioskowane przez nie fakty mog

zatem fałszywe

i powinny by

wycofane z bazy (

weryfikacja pogl

Załó

e baza wiedzy KB zawiera zdanie P i chcemy

doda

do niej zdanie

TELL(KB,

→

sprzeczno

ść

Aby unikn

ąć

sprzeczno

ci nale

y wycofa

bł

dne zdanie

z bazy wiedzy;

Wycofa

(KB,P)

© F.A. Dul 2007

z bazy wiedzy;

Wycofa

(KB,P)

Pojawia si

jednak problem ze zdaniami wywnioskowanymi

wcze

niej ze zdania P.

Do rozwi

zywania takich problemów słu

Ŝą

systemy

utrzymywania prawdy

(truth maintenance systems).

Systemami takimi s

np. JTMS, ATMS.

Systemy utrzymywania prawdy zawieraj

mechanizmy

wyja

niaj

– pozwalaj

ce wyznaczy

zbiór wszystkich

zda

poci

gaj

cych zdanie P.

10.9. Projekt powszechnej ontologii

wiata CYC

Projekt

CYC

(enCYClopedia) ma na celu stworzenie

obszernej ontologii oraz bazy danych dla ogólnej i potocznej
wiedzy o

wiecie.

Celem jest stworzenie ogólnej bazy wiedzy umo

liwiaj

cej

wnioskowanie automatyczne na podobie

stwo ludzkiego.

Stan aktualny: baza wiedzy zawiera

ponad milion

faktów,

reguł oraz poj

ęć

potocznych, np. „Every tree is a plant” .

Wiedza zapisana jest w j

zyku

CycL

opartym na rachunku

predykatów, podobnym do j

zyka LISP, np.

© F.A. Dul 2007

Wiedza zapisana jest w j

zyku

CycL

opartym na rachunku

predykatów, podobnym do j

zyka LISP, np.

USPresident(GeorgeWBush)

→

#$isa #$GeorgeWBush #$USPresident

System wnioskowania umo

liwia odpowiadanie na pytania

zadawane przez u

ytkownika.

W zamierzeniu docelowym CYC ma umo

liwia

komunikacj

z u

ytkownikiem w j

zyku naturalnym oraz ma si

uczy

Podzbiór

OpenCYC

jest baz

uproszczon

, dost

na zasadach licencji Open Source.
Ambitne zamierzenia programu CYC s

jednak krytykowane.

Systemy ekspertowe

Wiedza na temat dziedziny jest bardzo cenna, gdy

pozwala okre

racjonalne działania.

Ogrom zgromadzonej wiedzy oraz subtelne nieraz
zale

ci pomi

dzy jej składnikami czyni

jednak

korzystanie z niej procesem bardzo

mudnym.

Efektywne wykorzystanie wiedzy wymaga wi

narz

dzi wspomagaj

cych, które pozwol

ogarn

ąć

F.A. Dul 2007

narz

dzi wspomagaj

cych, które pozwol

ogarn

ąć

cało

ść

oraz wyci

skomplikowane wnioski.

Narz

dziami umo

liwiaj

cymi kompleksowe

wykorzystywanie wiedzy s

systemy ekspertowe

Podstaw

systemów ekspertowych stanowi

: j

zyk

logiki oraz ontologia wy

sza

wiata.

10.10. Systemy ekspertowe

Systemy ekspertowe (eksperckie, z baz

wiedzy)

to programy wspomagaj

ce korzystanie z wiedzy

i ułatwiaj

ce podejmowanie decyzji.

System ekspertowy mo

e by

uwa

any za

model ekspertyzy

zło

ony z

bazy wiedzy

procedury wnioskowania logicznego

Cechy systemy ekspertowych:

• s

sko wyspecjalizowane,

• mog

wspomaga

lub nawet zast

powa

ekspertów

w danej dziedzinie,

© F.A. Dul 2007

w danej dziedzinie,

• mog

dostarcza

rad, zalece

i diagnoz dotycz

cych

problemów tej dziedziny.

Systemy ekspertowe s

tworzone przez in

ynierów wiedzy

w ramach metod in

ynierii ontologicznej.

ródła informacji i dane dla systemów ekspertowych:

• wiedza ekspertów danej dziedziny,
• heurystyki (dla domysłów, przypuszcze

, itp. ),

• modele u

ywane w dziedzinie,

• analiza wcze

niejszych rozwi

10.10. Systemy ekspertowe

Elementy systemu ekspertowego:

•

Szkielet systemu

w skład którego wchodz

•

Mechanizm wnioskowania (maszyna wnioskuj

ca)

Główny składnik systemu ekspertowego wykonuj

cy cały

proces rozumowania w trakcie rozwi

zywania problemu

postawionego przez u

ytkownika;

•

Interfejs u

ytkownika

Umo

liwia udzielanie informacji systemowi (TELL)

oraz zadawanie pyta

, odbieranie od systemu

odpowiedzi i wyja

nie

(ASK);

© F.A. Dul 2007

odpowiedzi i wyja

nie

(ASK);

•

Edytor bazy wiedzy

Pozwala modyfikowa

wiedz

zawart

w systemie,

umo

liwiaj

c tym samym jego rozbudow

;

•

Mechanizm wyja

niaj

Element interfejsu u

ytkownika, który umo

liwia uzyskanie

informacji:

- dlaczego system udzielił takiej, a nie innej odpowiedzi,
- dlaczego system zadał u

ytkownikowi okre

lone pytanie.

10.10. Systemy ekspertowe

•

Baza wiedzy

Deklaratywna posta

wiedzy ekspertów z danej

dziedziny zapisana za pomoc

wybranego sposobu

reprezentacji wiedzy

, najcz

ęś

ciej

reguł

lub

ram.

•

Baza danych zmiennych

Pami

ęć

robocza przechowuj

pewne fakty

wprowadzone w trakcie dialogu z u

ytkownikiem;

Umo

liwia odtworzenie sposobu wnioskowania

Elementy systemu ekspertowego:

Umo

liwia odtworzenie sposobu wnioskowania

systemu i przedstawienie go u

ytkownikowi

za pomoc

mechanizmu wyja

niaj

cego.

Pozyskiwaniem wiedzy od

ekspertów

zajmuj

ynierowie wiedzy

Pozyskiwanie wiedzy to zwykle długi i

mudny proces, gdy

wiedza stosowana przez ekspertów ma charakter intuicyjny
i praktyczny, cz

sto trudny do werbalizacji.

10.10. Systemy ekspertowe

Zadania realizowane przez systemy ekspertowe:

•

Interpretacja

– formułowanie wniosków lub opisów

na podstawie „surowych” danych.

•

Predykcja

– przewidywanie skutków danego stanu.

•

Diagnoza

– okre

lanie przyczyn złego funkcjonowania

na podstawie objawów.

•

Projektowanie

– znajdowanie konfiguracji elementów

systemu spełniaj

cych warunki projektu.

systemu spełniaj

cych warunki projektu.

•

Planowanie

– wyznaczanie ci

gu działa

które pozwol

osi

ąć

cel.

•

Monitorowanie

– porównywanie rzeczywistego zachowania

systemu z zało

onym.

•

Instruowanie

– wykrywanie i poprawianie bł

dów uczniów.

•

Sterowanie

– sterowanie zło

onymi systemami.

10.10. Systemy ekspertowe

Zasady bazy wiedzy opartej na regułach
W skład regułowej bazy wiedzy wchodz

•

Fakty

(asercje) – uznane za prawdziwe informacje

dotycz

ce opisywanej dziedziny.

•

Reguły

– zwi

zki zachodz

ce miedzy faktami w formie

ELI przesłanka TO wniosek

Przesłankami i wnioskami w regułach s

fakty.

Wnioskowanie polega na realizacji (

„odpaleniu”

) reguły.

Wnioskowanie polega na realizacji (

„odpaleniu”

) reguły.

Odpalenie reguły nast

puje wtedy, gdy jej przesłanki

wyst

puj

w bazie faktów i s

prawdziwe.

W wyniku odpalenia reguły wynikaj

cy z niej wniosek

jest dodawany do bazy faktów.

Wniosek jednej reguły mo

e stanowi

przesłank

dla innej

– jest to

wniosek po

redni

Wniosek, który stanowi odpowied

na zadane pytanie

jest

wnioskiem ko

cowym

10.10. Systemy ekspertowe

Reprezentacja reguł
Reguły mog

reprezentowane:

- jako zbiór warunków

ELI przesłanka TO wniosek

- w postaci

drzewa decyzyjnego

Drzewo decyzyjne jest to graficzna posta

reguł.

Drzewo decyzyjne obrazuje powi

zania pomi

dzy faktami.

Przykład Drzewo decyzyjne diagnozy rozruchu samochodu

Czy silnik zapala?

Czy rozrusznik pracuje?

Nie

Tak

Nie

Czy paliwo dopływa do silnika?

Czy

wiec

wiatła?

Tak

Nie

Tak

Nie

Czy w zbiorniku jest paliwo?

Tak

Nie

Pompa

Rozrusznik

Akumulator

Brak paliwa

Zapłon

10.10. Systemy ekspertowe

Uwzgl

dnianie niepewno

ci faktów i reguł

Niepewno

ść

wiedzy mo

e by

reprezentowana na ró

sposoby: probabilistycznie, logik

wielowarto

ciow

lub

rozmyt

oraz stopniem pewno

ci.

Stopie

pewno

ci pozwala uwzgl

dni

wiedz

heurystyczn

intuicyjn

, przybli

zdemu faktowi i ka

dej regule przyporz

dkowany jest

współczynnik pewno

(certainity factor, CF) z przedziału

[-1,1], przy czym:

-1

oznacza,

e fakt lub reguła jest

nieprawdziwa

-1

oznacza,

e fakt lub reguła jest

nieprawdziwa

oznacza,

e stopie

prawdziwo

ci faktu lub reguły jest

nieokre

lony

oznacza,

e fakt lub reguła jest

prawdziwa

Przy wnioskowaniu reguły wybierane s

w kolejno

ci zale

nej

od stopnia ich prawdziwo

ci.

Współczynniki pewno

ci faktów s

okre

lone a priori lub te

zdefiniowane przez u

ytkownika.

Współczynniki pewno

ci wniosków s

wyznaczane na podsta-

wie współczynników pewno

ci przesłanek oraz współczynnika

pewno

ci reguły, z której wynikaj

10.10. Systemy ekspertowe

Maszyna wnioskuj

Maszyna wnioskuj

ca (kontroler wywodu, inference engine)

jest to program prowadz

cy wnioskowanie.

Na podstawie faktów i reguł maszyna wnioskuj

ca generuje

nowe fakty b

ce odpowiedziami na pytania u

ytkownika.

Podstawow

zasad

wnioskowania jest reguła

modus

ponens

( A

⇒

B ) , A

———————

Wnioskowanie mo

e by

prowadzone:

•

bez hipotezy

- generowanie nowych faktów tak długo,

zostan

odpalone wszystkie mo

liwe reguły;

Pytanie

„Co wynika z XXX ?”

•

z hipotez

- weryfikacja (udowodnienie) konkretnej

hipotezy na podstawie faktów zawartych w bazie wiedzy;
Pytanie

„Czy jest prawd

e XXX ?”

10.10. Systemy ekspertowe

Podstawowe algorytmy wnioskowania:

• w przód;

–

wnioskowania z hipotez

lub bez.

• wstecz;

–

tylko wnioskowania z hipotez

• mieszane;

–

rodzaj wnioskowania przeł

czany w zale

ci od reguły.

Algorytm wnioskowania

• Znalezienie kolejnej reguły mo

liwej do odpalenia,

– kolejno

ść

wyboru reguł zale

y od przyj

tej strategii

• Odpalenie reguły,
• Dodanie uzyskanych wniosków do bazy wiedzy,
• Koniec gdy:

• znaleziono odpowied

(wnioskowanie z hipoteza),

• gdy wszystkie reguły zostały odpalone (bez hipotezy).

10.10. Systemy ekspertowe

Przykład wnioskowania

na odpali

reguły

Odpalenie reguły

;

Wynik

BF = { P , Q , R ,

}

Baza reguł:

: P

∧∧∧∧

Q ⇒

⇒

: S

∧∧∧∧

T ⇒

⇒

: R ⇒

⇒

: S

∧∧∧∧

R ⇒

⇒

Hipoteza:

Czy

∈

→

NIE

Hipoteza jest wnioskiem

Baza faktów

BF = { P, Q , R }

Wnioskowanie w przód

Wnioskowanie wstecz

Wynik

BF = { P , Q , R ,

}

na odpali

reguły

Odpalenie reguły

;

Wynik

BF = { P , Q , R ,

}

na odpali

reguły

Odpalenie reguły

;

Wynik

BF = { P , Q , R ,

}

na odpali

reguł

Odpalenie reguły

;

Wynik

BF = { P , Q , R ,

}

Nale

y sprawdzi

jej przesłanki:

Czy

∈

→

NIE

Hipoteza robocza:

Hipoteza robocza jest wnioskiem

Nale

y sprawdzi

jej przesłanki:

Czy

∈

→

TAK

Czy

∈

→

TAK

Odpali

reguł

Hipoteza robocza

została

udowodniona,

BF = { P , Q , R ,

}

Czy

∈

→

TAK

Odpali

reguł

Hipoteza

została udowodniona,

BF = { P , Q , R ,

}

10.10. Systemy ekspertowe

Szkielety systemów ekspertowych
Zamiast tworzy

systemy ekspertowe od podstaw, u

ywa si

gotowych szkieletów systemów ekspertowych (expert system
shell).
Szkielet to system ekspertowy bez bazy wiedzy.
Popularnym systemem szkieletowym jest EMYCIN, który
powstał z pełnego systemu MYCIN.
Najpopularniejsze szkielety systemów ekspertowych:

- CLIPS,

- CLIPS,
- JESS,
- MANDRAX.

zyki systemów ekspertowych

Klasycznym j

zykiem u

ywanym przy tworzeniu systemów

ekspertowych s

zyki

Prolog

LISP

zyki te posiadaj

wbudowane mechanizmy wnioskowania

logicznego.
Niektóre j

zyki, np.

Sphinx

maj

wbudowane szkieletowe

systemy ekspertowe.

10.10. Systemy ekspertowe

Zalety stosowania systemów ekspertowych:

• Naturalna reprezentacja wiedzy, łatwa do zrozumienia

przez u

ytkownika systemu;

• Łatwo

ść

modyfikacji i rozbudowy bazy wiedzy;

• Mo

liwo

ść

przyrostowego tworzenia systemu;

• Porz

dkowanie i kodyfikowanie wiedzy ekspertów;

• Rozwi

zywanie specjalistycznych problemów jako

ciowych

w których istotne jest do

wiadczenie;

• Zwi

kszenie dost

pno

ci fachowej ekspertyzy – dobra

• Zwi

kszenie dost

pno

ci fachowej ekspertyzy – dobra

rzadkiego i kosztownego.

• Ł

wiedz

wielu ekspertów, mog

c przewy

sza

wiedz

pojedynczego eksperta;

• Stabilno

ść

i powtarzalno

ść

ekspertyz;

• Niezale

ść

ekspertyz od czynników zewn

trznych;

10.10. Systemy ekspertowe

Systemy ekspertowe w medycynie

•

MYCIN

(1972) Stanford University

System diagnozuj

cy zaka

enia krwi i pomagaj

cy dobra

wła

ciwy antybiotyk.

• PUFF (1979)

System pomocy przy diagnozie niewydolno

ci płuc.

• INTERNIST / CADUCEUS (1974 / 1984)

Wspomaganie diagnoz wi

kszo

ci chorób wewn

trznych.

• BABY

Monitorowanie intensywnej opieki medycznej noworodków

• BABY

Monitorowanie intensywnej opieki medycznej noworodków

• QMR (1988) (Quick Medical Record)

Wspomaga diagnozy ponad 4000 chorób

10.10. Systemy ekspertowe

•

DENDRAL

(1964) Stanford University

System wspomagaj

cy wyznaczanie struktury molekularnej

stek chemicznych na podstawie danych ze spektrometru

masowego.

• CRYSALIS (1979)

System wspomagaj

cy identyfikacj

struktury białek na podstawie

analizy widmowej i map g

sto

ci elektronowej.

• CASD

System wspomagaj

cy analiz

reakcji chemicznych.

Systemy ekspertowe w chemii, biologii i rolnictwie

System wspomagaj

cy analiz

reakcji chemicznych.

• MOLGEN

Planowanie eksperymentów z DNA w genetyce molekularnej.

• PLANT/ds

Diagnozy chorób soi.

• PLANT/cd

Diagnozy strat w uprawach kukurydzy spowodowanych przez
g

sienic

zbo

ówk

10.10. Systemy ekspertowe

•

PROSPECTOR

(1978) Stanford University

System dla geologów; pomaga w znajdywaniu rud metali.

• DESIGN ADVISOR (1989)

Wspomaganie projektowania układów scalonych.

• TOP SECRET (1989)

Klasyfikacja tajnej dokumentacji dotycz

cej broni j

drowej.

• R1/XCON (1978) Carnegie-Mellon University

Wspomaganie projektowania komputerów VAX w firmie DEC.

Systemy ekspertowe w innych dziedzinach

Wspomaganie projektowania komputerów VAX w firmie DEC.

• MACSYMA (1968)

System algebry symbolicznej.

• GATES (1988)

System wspomagania kontroli ruchu lotniczego na lotnisku JFK.
Pomaga przydziela

bramki startuj

cym i l

duj

cy samolotom.

• INVEST (1985) Karlsruhe Universitat

System doradztwa inwestycyjnego dla banków.

• LENDING ADVISOR / UNDERWRITING ADVISOR

(1987)

System konsultacyjny dla banków i firm ubezpieczeniowych;
Doradza przy szacowaniu ryzyka inwestycyjnego.

Systemy ekspertowe

Systemy ekspertowe znajduj

szerokie zastosowanie

w wielu obszarach działalno

ci człowieka: chemii,

medycynie, biologii, bankowo

ci, wojsku, lotnictwie,

projektowaniu i innych.

Systemy ekspertowe sprawdzaj

zwłaszcza

w takich dziedzinach jak np. medycyna, w których
brak modeli rekompensowany jest ogromn

wiedz

F.A. Dul 2007

brak modeli rekompensowany jest ogromn

wiedz

praktyczn

, opart

na statystyce i do

wiadczeniu

gromadzonym przez wielu specjalistów w długim
okresie czasu.

Zaawansowane systemy ekspertowe cz

sto góruj

jako

formułowanych diagnoz nad ekspertami -

lud

mi.

Podsumowanie

• Reprezentacja wiedzy wymaga ontologii ogólnej obejmuj

cej

ró

ne obszary wiedzy.

• Ontologia wy

sza opiera si

na kategoriach oraz rachunku

zdarze

• Działania, zdarzenia i czas mog

reprezentowane

zarówno w rachunku sytuacji, jak i bardziej ekspresyjnym
rachunku zdarze

lub procesów.

• Stany mentalne agenta mog

reprezentowane

• Stany mentalne agenta mog

reprezentowane

za pomoc

ła

cuchów przekona

• Sieci semantyczne oraz logika opisowa słu

Ŝą

do reprezentacji

kategorii.

• Zało

enie

wiata zamkni

tego umo

liwia pomini

cie du

ilo

ci informacji negatywnych.

• Do efektywnej aktualizacji wiedzy słu

Ŝą

systemy

utrzymywania prawdy.

• Systemy ekspertowe wykorzystuj

szeroko ontologi

do reprezentacji wiedzy ogólnej i szczegółowej.