Transcript Rappresentazione della conoscenza
Rappresentazione della conoscenza
Applicazioni Knowledge Intensive
• Applicazione che gestiscono conoscenza Esempi: – Sistemi di supporto alle decisioni – Configurazione di prodotti per clienti – Commercio elettronico
Obiettivo Prefissato
• Ottenere sistemi basati sulla conoscenza: – Sistemi che sappiano • gestire • usare la conoscenza
Metodi per immagazzinare la conoscenza 1/3
1. Direttamente negli algoritmi/programmi – Conoscenza cablata (hardwired knowledge) – Esempio: Costruire l’albero delle decisioni • Problema: Dover ricodificare il programma ogni volta che la conoscenza viene è modificata
Metodi per immagazzinare la conoscenza 2/3
2. Basi di dati
– Sono disponibili modelli e sistemi sofisticati per la costruzione di basi di dati
Problemi
1.
La conoscenza è nelle tuple, ma anche nelle query e nei vincoli di integrità 2. Le basi di dati esigono formati standardizzati che non essere previsti nelle informazioni potrebbero che si vuole rappresentare
Esempio di problema che si può verificare usando una base dati
• Informazioni sulle tendenze d’acquisto di – minorenni ( non conosco l’età) – adulti (conosco l’età) – pensionati( so solo che sono over 65)
Problemi
• Se nella base di dati si inserisce l’età, – è necessario inserire valori null per i minorenni e pensionati • Se non si inserisce l’età – si perdono le informazioni riguardanti l’età degli adulti – si perde la suddivisione in segmenti di mercato
Metodi per immagazzinare la conoscenza 3/3
3. Rappresentazione della conoscenza
– Caratteristiche del sistema
1. Tesi di B. Smith
: Sistema in grado di cambiare il suo comportamento in funzione del cambiamento della conoscenza.
Il sistema deve avere: – Una parte che contiene tutta la conoscenza (suddivisa in tuple, query, vincoli di integrità) – Ruolo causale nel comportamento del sistema
TELL ASK
Metodi per immagazzinare la conoscenza 3/3
2. Tesi di H.Levesque
: Approccio funzionale alla rappresentazione della conoscenza Risposte Controlli di consistenza (Tell) Modulo di rappresentazione della conoscenza Recupero di Informazioni Individui, Classi (Ask)
TELL e ASK
• Funzioni TELL: – Aggiungono , tolgono, cambiano la conoscenza modificandone lo stato – Come risposta da parte del sistema ci si aspetta che controlli che sia verificata la consistenza • Funzioni ASK: – Richiedono lo stato senza modificarlo, come risposta da parte del sistema ci si aspetta tuple (record), query o classi: – il sistema deve essere in grado di ragionare sulle informazioni estraendo autonomamente delle conoscenze che sono erano state individuate in precedenza
Intelligenza Artificiale
Obiettivi • Problema: – Fare in modo che una macchina sia in grado di decidere autonomamente • Esempio: “Non soltanto far muovere un robot, ma anche fare in modo che sia in grado di decidere autonomamente dove andare, quando e perché”.
Strumenti necessari
• Inserire nel sistema la conoscenza necessaria • un programma che dica cosa fare in ogni situazione
Reti Semantiche
• Soluzione che risale agli anni 70 • Consiste nell’utilizzare grafi etichettati
Esempio
parte Sistema di Accensione di un’automobile parte Avvolgimento parte Batteria Spinterogeno Connesso a
Caratteristiche delle reti semantiche
• Un sistema automatico deve avere la conoscenza necessaria per poter riparare automaticamente eventuali guasti • Un approccio semantico consente di fare una ricognizione diagnostica sui vari nodi attraverso gli archi di connessione • Se si individua il nodo da cui proviene il problema basta oltrepassarlo e far funzionare la riserva • Se vi è un cambiamento basta sostituire il nodo interessato al cambiamento, anziché l’intero programma (grafo)
Inconvenienti delle reti semantiche
• Problema di natura concettuale sollevato da W. Woods: “ cosa c’è in un arco?” Telefono colore Nero • Domande: – L’etichette porta con sé informazione aggiuntiva?
– Il significato del grafo è: tutti i telefoni sono neri? Oppure il grafo rappresenta soltanto la classe dei telefoni neri?
Soluzione necessaria
Necessità di ragionare in maniera astratta, attraverso simboli che consentano di prescindere dai nomi assegnati B A C
Frames
• In quest’ottica, per formalizzare la conoscenza sono stati introdotti i Frames – Minsky 1975 – Nati da spunti derivati da studi sul linguaggio naturale attraverso l’uso di regole semantiche • Consistono nell’introdurre informazioni e conoscenze distinte e nel fornire collegamenti espliciti tra di esse • Il sistema deve essere in grado di usare le informazioni fornite per estrarre altra conoscenza
FRAME PERSON
NAME: ….
OWN PET: ANIMAL
FRAME DOG OWNER
SPECIALIZATION OF: PERSON ….
OWN PET: DOG
FRAME PETER
MEMBER OF: PERSON ….
OWN PET: FLUFFY Relation
FRAME ANIMAL
……
FRAME DOG
SPECIALIZATION OF: ANIMAL
FRAME FLUFFY
MEMBER OF: DOG
Descrizione dei frames precedenti
• Ogni attributo è detto SLOT • Di ogni attributo va eventualmente specificata la classe di appartenenza • Il frame Person contiene una serie di informazioni sulla classe persona • Il dog owner è un particolare tipo di persona (specification) • Il suo animale domestico è il cane • Il cane fa parte della classe animal
Realization
• Il sistema deve essere in grado di comprendere, poiché Peter ha un own pet chiamato Fluffy che è un cane, che Peter fa automaticamente parte del frame dog owner • Il sistema, a partire da una certa conoscenza, è in grado di estrapolare conoscenza implicita.
Sistemi esperti basati su Frames
Knowledge Engineered Environment KEE • Nati negli anni 80 • Inizialmente hanno avuto sviluppo commerciale • Sistemi basati sull’uso di frames – Basati su regole del tipo: Antecedente Conseguente – Antecedente e conseguente sono basati su frames
Esempio
FRAME SENIOR_CITIZEN
SPECIALIZATION OF: CITIZEN AGE: VALUE CLASS INTEGER; RANGE 60-200;
FRAME FRED
MEMBER OF: SENIOR_CITIZEN • Regola: • IF AGE(x) ≥18 THEN ELIGIBLE TO VOTE • Al sistema è stata fornita l’informazione che Fred è un SENIOR_CITIZEN, ma non è in grado di dedurre che Fred è un votante, poiché non conosce l’età precisa • Non èuò pertanto confrontare l’età di Fred con 18 ( dovrebbe confrontare uno per uno 60, 61, ecc.)
Svantaggi dei sistemi basati su Frames
• La conoscenza è sparsa tra frames e regole • Non tutte le deduzioni possono essere effettuate
Semantica di un sistema di rappresentazione della conoscenza
Formalismo utilizzato
1. Logica del primo ordine – Logica Proposizionale • Sintassi: – Simboli di costante (a,b,c) – Simboli di variabile (x,y,z) – Simboli di predicati (P,Q)
Logica Proposizionale
– Termine • una costante oppure • una variabile – Atomo • un simbolo di predicato a n posti seguito da n termini – Esempio P(a,b,x) è un predicato a 3 posti – Formula • un atomo oppure – F – F – F 1 1 F 2 F 2 F 1 , F 2 , F formule
Logica del Primo ordine
• – – E’ ottenuta dalla logica proposizionale con l’introduzione dei quantificatori sulle formule x F(x) x F(x) F formula in cui appare x • Nata per scrivere in modo non ambiguo qualunque frase del linguaggio naturale 1.
2.
“Everybody needs somebody” x y Needs (x,y) È diverso da: 1.
x y Needs (x,y) 2.
“Somebody needs everybody”
Interpretazione di formule del primo ordine (Tarsky)
• Dominio di interpretazione – insieme di elementi • {a,b,c,…} – costanti • elementi dell’insieme – Una formula del tipo nell’interpretazione se esiste un elemento a tale che F(a) è soddisfatta.
x F(x) è soddisfatta – x F(x) è soddisfatta nell’interpretazione se per tutti gli elementi {a,b,c..}, F(a), F(b), F(c),.. sono – soddisfatte negazione , congiunzione disgiunzione
Definizioni
• Una formula si dice
soddisfacibile
se esiste almeno un’interpretazione che la soddisfa • Una formula si dice
valida
se tutte le interpretazioni la soddisfano
Obiettivi
• Costruire sistemi in cui tutte le regole (formule) siano valide Esempio: – Il sistema è in grado di dedurre che Fred è un votante se può eseguire il confronto tra 18 e tutti gli elementi del range di variazione della sua età ( 60>18,61>18, 62>18,..) – E’ possibile scrivere formule del tipo: • x y Person (x) Own Pet (x,y) → Animal(y) • Se una persona (x) ha un own pet (y) allora è della classe animal
Sistemi di rappresentazione della conoscenza
E’ un sistema : 1.
In cui è possibile usare una qualunque rappresentazione delle conoscenza: – Reti semantiche – Frames, ecc.
Purchè siano ridotta o riducibile a elementi della logica del primo ordine in modo che tutte le formule siano valide
2. Deve derivare TUTTE ( COMPLETO) E SOLE (CORRETTO) le conoscenza implicite IN TEMPO FINITO
Modello
La logica del primo ordine consente di definire un
modello
di un insieme di formule, ossia
una interpretazione che soddisfi ogni formula
Indecidibilità
Un problema è indecidibile se un qualunque algoritmo che tenti di risolverlo è – incompleto (non considera tutti i casi) oppure – scorretto (sbaglia qualcosa) oppure – non termina
Esempio
x DogOwner (x) ( y OwnerPet (x,y)) – Dog Owner (Fred) È soddisfatta dalla costante Fred – Own Pet (Fluffy) È soddisfatta dalla costante Fluffy Dog(y) Ogni modello che soddisfi le 3 formule deve dedurre che Fluffy è un cane, altrimenti non è un modello
Osservazioni
Fred è un DogOwner, ma se ha anche un gatto cosa succede?
Si ha una contraddizione poiché non è stato definito nulla riguardo il gatto ed il suo possesso.
DogOwner(Fred) OwnPet(Fred,Tom) Cat(Tom) Una volta detto che Tom è un gatto è necessario indicare al sistema che Cat e Dog sono due cosa differenti z Cat (z) ( Dog(z))
Inconsistenza
La base di conoscenza è ancora inconsistente infatti da x DogOwner (x) ( y OwnerPet (x,y)) Dog(y) si deduce che, in quanto posseduto da Fred,
Tom è Dog
Da z Cat (z) ( Dog(z)) si deduce che essendo Cat,
Tom non è Dog
Problema
– Una base di conoscenza deve essere in grado di dedurre la conoscenza implicita e di individuare eventuali errori logici connessi – La logica del primo ordine è uno strumento semanticamente accettabile Il problema diventa – Tradurre la logica del primo ordine in un programma eseguibile da una macchina
Indecidibilità nei KBMS
• Per un Knowledge Based Management System (KBMS) calcolare tutte le formule valide di un insieme di formule è un problema indecidibile • Non esiste un algoritmo in grado di risolvere il problema • Nessun linguaggio di programmazione esistente è in grado di risolvere il problema
Semantica Basi di Dati
Logica del primo ordine
Linguaggi di programmazione
Semantica operazionale, denotazionale, ecc.
Modello Concettuale
Diagramma Entità/Relazioni
Modello Logico
•Reticolare •Gerarchico •Relazionale •A Oggetti Unified Modeling Language •Record •Grafi
Rappresentazione della conoscenza
Logica del Primo Ordine Sistemi di rappresentazione della conoscenza e loro linguaggi •Frames •Reti semantiche
Sistemi di rappresentazione della conoscenza
• (Knowledge Language) KL – ONE (1980) • LOOM (1985) • Classic ( primi anni 90)
Classic
Poiché rappresentare tutta la conoscenza è un problema indecidibile si è pensato di adottare una – Espressività limitata Pertanto Classic comprende – costanti – predicati unari (classi) – predicati binari (legami tra classi)
Il problema resta comunque indecidibile
Soluzione adottata da Classic
– Costanti – Concetti (Predicati unari) – Ruoli (Predicati binari) • Sintassi – Formule • Asserzioni su individui (concetti, ruoli)
Esempio
1.
Asserzione su individui:
Primitivo di Manduria
Vino Rosso
Individuo Concetto in una base di dati sarebbe l’aggiunta di una tupla alla relazione Vino Rosso 2.
Asserzione binaria:
Primitivo di Manduria Produttore Cantina Sociale Pliniana
Ruolo
Definizione di Concetti
Vino Rosso = Vino And (Fills Colore Rosso)
ruolo individuo In una base di dati sarebbe una query
Chianti = Vino And (Fills Colore Rosso) And (Fills Provenienza Toscana)
La base di conoscenza è in grado di fare deduzioni: Esempio Primitivo Vino Rosso