Intelig�ncia Artificial - PowerPoint

Document Sample
Intelig�ncia Artificial - PowerPoint Powered By Docstoc
					Inteligência Artificial

        Aula 4




                          1
             Conhecimento
• para que possamos resolver problemas e
  chegar a um estado-meta, através de
  diferentes técnicas necessitamos representar
  o conhecimento de forma que possa ser
  manipulado;
• lida-se com duas entidades:
  – Conhecimento: o fato, ou seja, verdades em
    algum mundo relevante;
  – Representação do Conhecimento:o fato em
    algum formalismo escolhido, que será
    “realmente” manipulado por programas de
                                                 2
    computador;
• O conhecimento expresso em IA possui
  propriedades um pouco diferenciadas dos
  tradicionais “banco de dados”;
  – não armazenamos dados simplesmente pelos
    dados;
  – temos que de alguma forma “conectar” as
    informações;
  – o conhecimento a ser expresso é volumoso,
    nem sempre com informações precisas e em
    constante evolução;
  – as técnicas utilizadas para representação deste
    conhecimento deve possuir as seguintes
    características:
     • capturar generalizações através de propriedades   3
       importantes;
     • Ser compreendido pelas pessoas que o fornecem;
     • ser facilmente modificado para correção de erros ou
       reflexão de mudanças no mundo do problema que
       está sendo representado;
     • limitação das possibilidades combinatórias;
• o conhecimento é informação estruturada:
  – pode aparecer de diferentes formas:
     •   forma de objetos,
     •   proposições e definições,
     •   conceitos e relações,
     •   teoremas e regras,
     •   algoritmos,
     •   estratégias e táticas e
     •   metaconhecimento (conhecimento sobre o
                                                         4
         conhecimento);
• Uma base de conhecimento:
  – constituída de fatos e de um conjunto de regras
    e heurísticas que permitem a derivação de
    outros fatos;
  – há mais descrições que dados, ou seja, a
    informação está associada à função de
    interpretação existente no sistema, os fatos e
    regras estão organizados em unidades que
    facilitam a inferência (modo como o raciocínio
    percorre a representação do conhecimento -
    heurísticas) de novos fatos ;
• trabalha-se com quatro tipos de
  conhecimento:                                       5
  – Conhecimento do domínio: situado à nível de
    aplicação formado por conhecimentos e termos
    básicos do domínio, obtido em livros;
  – Conhecimento genérico: situado à nível de
    tarefa,formado por regras fornecidas por um
    especialista baseado na sua experiência,
    conceitos adquirido ao longo dos anos;
  – Conhecimento básico:situa-se à nível de
    capacidade, formado por modelos ( regras
    interrelacionadas, hipóteses);
  – Conhecimento formal: situa-se à nível de
    tecnologia, constituído de estratégias ou
    heurísticas;
• trabalha-se ainda com duas filosofias de         6

  conhecimento: certo e incerto;
• Conhecimento certo:
  – modelo completo, consistente e imutável do
    domínio;
  – adição de novos conhecimento não implica em
    mudanças na base de conhecimento ( revisão de
    crenças), a base já está consolidada;
  – nesse caso, em um dado momento, um fato é
    tido como verdadeiro ou tido como falso ou
    nem verdadeiro ou falso;
  – não há dúvida com relação a este
    conhecimento;
• Conhecimento incerto:
  – que não é indiscutível, está associado a alguma
    medida de incerteza;                              7
– a incerteza descreve crenças de acordo com a :
   • confiabilidade da informação;
   • imprecisão da linguagem de representação do
     conhecimento utilizada;
   • informação parcial;
   • agregação ou resumo das informações provenientes
     de múltiplas fontes;
– o médico ao diagnosticar uma doença, com
  base em alguns sintomas, lida com graus de
  incerteza de diagnosticar a doença
  corretamente;
                                                        8
– não se pode ter certeza que ao se sair de casa
  com uma hora de antecedência, se chagará ao
  aeroporto em tempo de se embarcar no voô
  pretendido, mas apenas se pode afirmar que se
  tem um chance de, por exemplo 85% de não
  perder o voô... Não pode-se prever com
  exatidão a ocorrência de incidentes , pneu
  furado, congestionamentos, acidentes...
– A incerteza devido a confiabilidade da
  informação pode estar presente em fatos ou
  regras mal definidas;
– a incerteza associada a imprecisão da
  linguagem de representação, a interpretação da
  regra difere da seu significado formal;        9
– a incerteza associada a informação parcial, o
  conhecimento não é expresso na sua totalidade ,
  desta maneira temos um conhecimento parcial,
  aproximado, inexato e impreciso (baixa
  confiabilidade) ex.:
   • “Ayrton Senna morreu em um acidente
     automobilístico, ocasionado por uma flha mecânica,
     durante o Grand Prix de Imola, em 1994” ( parcial :
     não explicita qual foi a falha que ocorreu;
   • “A morte do Senna foi provocada por uma falha no
     sistema de direção do seu Fórmula 1” (aproximado
     : não explica o tipo de falha);
   • “Ao bater no muro de proteção, Senna sofreu uma
     desaceleração de cerca de 314 Km/h para zero, em
     frações de milésimos de segundos.” ( linguagem
                                                      10
     imprecisa);
     • “Algumas fotos de amadores, feitas no dia da
       corrida, aparentemente mostraram um defeito na
       suspensão. Alguns pilotos e ex-pilotos acham que
       foi a barra de direção” (informações conflitantes de
       fontes diversas);
  – a incerteza associada a agregação de
    informação de múltiplas fontes, gerando
    informações imperfeitas conflitantes, ex:
     • a sessão começa entre 20:00 e 21:00
     • a sessão começa próximo as 20:30
     • É provável que a sessão comece À 20:15.
• Para que possamos representar o
  conhecimento devemos adquiri-lo, esta é
  função de um engenheiro do conhecimento.11
 Representação do Conhecimento
• Formalização e estruturação de
  conhecimento em um computador, de forma
  que possa ser manipulado produzindo um
  comportamento inteligente;
• baseado em cognição: máquina de
  inferência agindo em cima da base de
  conhecimentos, tipo de raciocínio adotado;
• a representação do conhecimento pode ser
  analisada em termos da sua adequação ao
  fatos do mundo real e aos problemas que se
                                             12
  propõe a solucionar;
• A adequação se refere a metafísica, epistemologia ou
  heurística:
   – metafísica = parte da filosofia que procura determinar as regras
     fundamentais do pensamento, ou seja, o mundo construído não
     apresenta contradições com os aspectos da realidade sendo
     apresentada;

   – epistemologia = estudo da teoria do conhecimento e
     metodologia, natureza do conhecimento. Na IA estuda-se os
     tipos de fatos disponíveis sobre o mundo, como podem ser
     representadas em computador e que regras permitem a
     derivação de conclusões legítimas a partir deles;

   – heurística= processo de raciocínio (caminhos) necessários para
     solução de problemas;
                                                                13
• a representação do conhecimento respeita
  uma semântica formal, a qual é expressa
  através de um sistema de símbolos físicos:
  – um sistema de símbolos físicos é composto por
    símbolos, expressões (instâncias de símbolos) e
    processos sobre expressões que permitem a
    modificação, criação, reprodução e destruição de
    expressões. Pode ser vista como uma máquina que
    produz, no tempo, uma coleção progressiva de
    estruturas de símbolos (representação do
    conhecimento);

  – a semântica é o relacionamento entre o mundo real e a
    representação formal do conhecimento;
                                                            14
• Em 1982, foi criada por Brian Smith a Hipótese de
  Representação de Conhecimento , qualquer processo
  inteligente realizado por uma máquina, será formado
  por ingredientes estruturais que : serão naturalmente
  percebido pelos observadores externos como uma
  descrição proposicional do conhecimento exibido pelo
  processo, e independentemente de tal atribuição
  semântica externa, terão um papel formal, causal e
  essencial na geração do comportamento que manifesta
  tal conhecimento;




                                                    15
  – Representação declarativa do conhecimento
    baseado na lógica;
  – utilização de uma máquina de inferência para
    obtenção de conseqüências explícitas das
    sentenças lógicas ( + conhecimento);
• com o desenvolvimento de alguns sistemas
  de IA percebeu-se que não pode existir uma
  generalização( padronização) dos
  programas:
  – constatou-se que grande parte do conhecimento
    necessário para solucionar os problemas é
    especifico ao domínio da aplicação, sendo
    difícil a construção de programas gerais
                                                16
    eficientes;
• Hipótese de Reflexão: a representação do
  conhecimento conta com o conhecimento
  declarativo, o mecanismo interpretador e a
  capacidade de introspeção ( conhece sobre si
  mesmo e seu raciocínio - metaconhecimento);
 Sistemas de Representação de Conhecimento
• um bom sistema deve possuir:
  – adequação representacional: capacidade de
    representar os tipos de conhecimento necessários
    ao domínio;
  – adequação inferencial ( capacidade de manipular
    as estruturas de forma a derivar novas, a partir de
    conhecimentos antigos;
                                                          17
  – Eficácia inferencial: capacidade de agregar informações
    adicionais à estrutura de conhecimento existente, para
    direcionar os mecanismos de inferência para direções
    mais promissoras;
  – eficácia aquisitiva: capacidade de acomodar facilmente
    novas informações na base de conhecimento;
• até então não foi desenvolvida um sistema
  que otimize todas estas técnicas para
  representação de todos os tipos de
  conhecimento.;
• não existe uma métrica formal para medir
  qual esquema de representação é mais
  adequado a um determinado problema;
                                                          18
• Existem três abordagem para representação
  do conhecimento:
  – declarativa ou lógica;
  – procedimental;
  – estrutural;

            Representação Declarativa
  – conhecimento:
     • descrito através de fatos postulados como verdadeiros;
     • conjunto de procedimentos para manipulá-los;
  – base de conhecimento vista como uma teoria ou
    um conjunto de teoremas numa teoria;
  – semântica bem definida (raciocínio monotônico);         19
– Conhecimento especificado sem fornecer o uso
  que será feito dele = aspectos estáticos;
– exemplo:
   • esquema de representação lógica e redes semânticas;
          Representação Procedimental
– conhecimento:
   • descrito através de procedimentos para sua utilização;
   • representação de conhecimento a respeito do
     comportamento da aplicação;
– sabe “como” utilizar o conhecimento:
   • fatos relevantes;
   • aplicação otimizada das inferências( heurísticas
     específicas de acordo com o domínio da aplicação);
– facilidade de codificação;                            20
– Entendimento do processo de raciocínio;
– exemplo:
   • regras de produção;
          Representação Estrutural
– conhecimento:
   • descrito com objetos e relações sobre as entidade a
     serem modeladas;
   • conceitos, hierarquias, classes, instâncias;
– base de conhecimento = coleção de objetos e
  suas relações;
– enfatiza aspecto estrutural ( organizacional) do
  domínio;
– utilizado em raciocínio por analogia, estatístico;
– exemplo:frames e scripts;                        21
• Além do sistema de representação do
  conhecimento escolhido é necessário
  informações sobre o escopo e a granularidade,
  ou seja, “ qual porção do mundo externo pode
  ser representada no sistema!!” e “ em que nível
  de detalhes!!”;
  – estas questões são facilmente respondidas, mas
    dependem totalmente da aplicação particular que
    será implementada;
  – granularidade de um sistema = performance
    desejada, ou seja, “tudo que o sistema deve
    conhecer pode ser representado com este esquema
    de representação de conhecimento!!”           22
• Fatores para a seleção de um esquema de
  Representação de Conhecimento :
  – Se existir um formato natural de representação
    do conhecimento utilizado por especialista, no
    domínio específico da aplicação, utilize-o ( o
    formato-pré-codificado torna mais rápida a
    construção de bases de conhecimento, pois não
    é necessária uma transformação para armazenar
    o conhecimento;
  – selecione a representação de conhecimento que
    possa produzir resultados que melhor refletem
    o tipo de inferências que normalmente será
    feito no problema específico;
  – dependência das inferências;                   23
                 Raciocínio
• O processo de raciocínio associado a
  determinado esquema de representação de
  conhecimento permite que se chegue a
  conclusões adequadas a partir do
  conhecimento e de regras gerais disponíveis;
• raciocínio = processo pelo qual, através de
  proposições conhecidas, se chega a outras
  proposições a que se atribuem graus variados
  de verdade:
  – tirar conclusões a partir de um conjunto de fatos;
                                                    24
  – diagnosticar causas possíveis para uma
    condição;
  – gerar hipóteses acerca de uma situação;
  – analisar os fatos e os dados de um problema;
  – demonstrar um teorema;
  – resolver um problema;
  – argumentar;
• em IA existem dois tipos de raciocínio:
  monotônico e não-monotônico:
• Monotônico:
  – lida com o conhecimento certo, baseado em
    lógicas clássicas, caracterizado por:          25
     • os fatos necessários à solução de um problema estão
       presentes no sistema ou podem ser deriváveis dos
       fatos presentes através do uso dos axiomas e regras
       de inferência da lógica de primeira ordem;
     • os fatos ( e sua representação) são consistentes;
     • a medida que novos fatos se tornam disponíveis, se
       eles forem consistentes com todos os outros já
       definidos, nenhum dos fatos existentes será alterado;
  – não existe mecanismo de revisão de crenças, o
    sistema aumenta seu estoque de verdade a
    medida que o conhecimento é acrescentado e
    inferências são realizadas;
• Não-monotônico:
  – raciocínio derrotável;                                26
– uma inferência não-monotônica pode ser
  invalidada (derrotada) pela adição de novas
  informações que violem suposições feitas
  durante o processo de raciocínio original;
– quando um fato novo é acrescentado à base ou
  um fato é removido, podem ocorre contradições
  entre os fatos existentes, sendo necessário um
  mecanismo para lidar com tais conflitos;




                                               27
     Raciocínios considerados não-monotônicos:

– Raciocínio default:
   • permite tirar conclusões baseado naquilo que tem mais chance de
     ser verdadeiro, na ausência de informação contrária;
   • utiliza expressões válidas em geral, mas é capaz de identificar
     exceções;
   • exemplo: sabemos que Tweety é um pássaro, temos evidência
     (não-conclusiva) de que ele pode voar. Então concluímos que ele
     voa, pois não temos nenhuma informação contrária.
     Posteriormente, ao descobrirmos que Tweety é um pinguim,
     podemos rever nossa posição e concluir que ele não pode voar;
– Raciocínio minimalista:
   • idéia de que se algo é verdadeiro e relevante, faz sentido assumir
     que foi inserido na base de conhecimento ou pode ser derivado a
     partir dela;
                                                                          28
   – Abdução:
        • tipo de raciocínio formal em que dadas duas fbf, (A B ) e (B),
          assumir A, se for consistente;
        • esta conclusão não se obtém através das regras de lógica de
          primeira ordem, e pode estar errada , mas na falta de outra
          informação pode representar o melhor palpite;


             Processos de raciocínio
• divididos em:
   –   formal;
   –   procedimental;
   –   analógico;
   –   por abstração e generalização;
   –   meta-nível;
                                                                            29
• Raciocínio Formal:
  – manipulação sintática de estruturas de dados
    visando obter novas estruturas a partir de regras
    de inferências pré-definidas;
  – aplicado em esquemas de representação de
    conhecimento baseados em lógica, ou seja,
    sistema de representação declarativo;
  – processos de dedução, indução e abdução são
    tipos de raciocínio formal sendo a dedução a
    única formalmente correta, pois os outros
    processos de acordo com o domínio da
    aplicação podem produzir resultados inválidos
    (informações insuficientes);
                                                    30
– Raciocínio Dedutivo:conclui-se novos fatos
  através de inferências baseadas em uma teoria
  formal que descreve o domínio da aplicação;
   • teoria formal = axiomas e regras, que representam o
     conhecimento prévio;
   • o sistema raciocina por inferência dedutiva;
   • e aumenta seu conhecimento aplicando regras de
     inferência no conhecimento inicial;
   • tipos de inferência utilizados: modus ponens, modus
     tollens, silogismo hipotético, especialização,
     generalização e resolução;
– Raciocínio Indutivo:de acordo com um
  conjunto de exemplos ou dados particulares, o
  sistema procura inferir conceitos ou leis gerais
  (generalizar a partir de fatos simples);         31
   • Utilizado em aprendizagem de máquina;
   • exemplo: a partir da existência de um conjunto grande de corvos,
     todos eles negros, é razoável supor que todos os corvos são negros;
– Raciocínio por Abdução: raciocínio a partir dos efeitos
  para as possíveis causas:
   • assim, de um determinado efeito surge uma causa, na falta de
     informação contrária, é razoável supor que o efeito foi gerado pela
     causa sugerida;
   • exemplo: se sabemos que “ se local da cultura for sangue, a
     morfologia do organismo for bastonete, a mancha gram do
     organismo for gram-positiva e o doente está em perigo então a
     identidade do organismo (CAUSADOR DA INFECÇÃO) é
     Pseudomonas-aeruginosa” e desejando provar que o causador da
     infecção é a bactéria Pseudomonas -aeruginosa, admitimos, por
     hipótese, que seja ela ( talvez por falta de outras alternativas).


                                                                       32
     • Este raciocínio é geralmente utilizado em sistemas
       especialistas;
  – o raciocínio de senso comum é de natureza
    dedutiva;
• Raciocínio Procedimental:
  – usa simulação para responder questões e
    resolver problemas;
  – representação procedimental do conhecimento,;
  – utilizado quando temos um algoritmo para
    resolução do problema;
  – representa micromundos, (SMA);
  – utilizado par representar propriedades
    matemáticas e suas relações espaciais, objetos
                                                   33
    físicos;
• Raciocínio Analógico:
  – analogia = mapeamento entre elementos de um
    domínio fonte em um domínio alvo;
  – processo que determina relações entre dois
    domínios, adaptando e aplicando o
    conhecimento num domínio, em tarefas
    semelhantes, em outro domínio;
  – de difícil representação par a IA;
  – utilizado em demonstração de teoremas, e em
    representações de conhecimento analógicas
    como: mapas, modelos, diagramas, imagens,...
• Raciocínio por Abstração e
  Generalização:
  – geração de conceitos mais amplos (classe);
                                                 34
  – A partir de exemplo típicos ( generalização de
    informações) e de contra-exemplos
    (especialização) chegamos a conclusões;
  – exemplo: mundos dos blocos;
     • é natural acreditar que, sabendo que “canários tem
       asas” , “bem-te-vis tem asas” e “sabiás tem asas”,
       acreditar que todos os pássaros tem asas;
     • falta de detalhes para implementação;
  – utilizado em aprendizagem de máquina e
    micromundos;
• Raciocínio meta-nível:
  – baseado em metaconhecimento (utilidade e
    disponibilidade do conhecimento sobre o
                                                            35
    domínio da aplicação);

				
DOCUMENT INFO
Shared By:
Categories:
Tags:
Stats:
views:7
posted:5/27/2012
language:Portuguese
pages:35