Your SlideShare is downloading. ×
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Technologie Semantyczne - Wykłady
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Technologie Semantyczne - Wykłady

442

Published on

Technologie Semantyczne - Wykład …

Technologie Semantyczne - Wykład
dr Paweł Kapłański, Cognitum Sp. z o.o.

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
442
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
4
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. 1Technologie Semantycznedr Paweł KapłańskiCognitum Sp. z o.o.p.kaplanski@cognitum.eu
  • 2. 2Agenda• Wprowadzenie• Logika (rachunek predykatów, pierwszego rzędu)• Logika Opisowa i OWL• Kontrolowane języki naturalne• Systemy zarządzania wiedzą• Przyszłość ...
  • 3. 3Trzy światyThree Worlds (Roger Penrose 1995)Mental worldPlatonicmathematicalworldPhysical world3
  • 4. 4AI - Gdzie jesteśmyJęzyknaturalnyKomputerJęzyksztucznyCzłowiekKnowledgeRepresentation& ReasoningKomunikacjamiędzyludzkaProgramowanieText MiningHAL 90004
  • 5. 5The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Formalna reprezentacja wiedzy1) Oparta o logikę2) Ontologie (informatyczne)3) Monotoniczność wiedzy zapisanej w logice (pierwszego rzędu)4) Systemy dowodzenia (przykład: autor - Lewis Carroll)a. Kaczki nie tańczą walcab. Oficer nigdy nie odmawia walcac. Czy wśród moich kaczek są oficerowie?Aristotle (the Organon - termlogic - 384-322 BC)Gottlob Frege (Begriffsschrift –formal logic system -1879)Kurt Goedel (incompletenesstheorem - 1931)Alfred Tarski (model-theoreticdefinition of semantic - 1936)Saul Kripke ("possible worlds"semantics for modal logic -1959)
  • 6. 6The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.System zarządzania wiedzą1) Klasyfikacjaa. Semi-Formalne (Frames, Semantic-Nets)b. Formalne (bazują na logice)c. Przechowują wiedzę (ontologie) i pozwalająna jej przetwarzanie2) Bazujące na Logice Opisoweja. Baza technologii semantycznych z rodzinyOWLb. …
  • 7. 7The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.1) Szybkość działania1) Formalizmy są trudne do „policzenia”2) SRIOQ => N2NExpTime2) Trudne do stosowania przez „zwykłych” ludzi.3) Kontrolowany Język naturalnya. Podzbiór języka naturalnego o zredukowanej gramatyce i słownictwieb. Posiada semantykę formalnąc. Powinien być pozbawiony niejednoznacznościd. Powinien być intuicyjnye. Powinien pozwalać na stworzenie edytora predyktywnego (strukturalnego)4) Cognitum FluentEdytorBariery[Newspeak (Nowomowa) –George Orwell (powieść:„1984”)] bazujacy na BasicEnglish (Orwell 1942-1944)ACE (Attempto ControlledEnglish) - University of ZurichPENG (Processable English)
  • 8. 8LOGICFormal Semantics
  • 9. 9What is logic?• Logic is a formal system for manipulating facts so that trueconclusions may be drawn– “The tool for distinguishing between the true and the false”(Averroes)• Syntax: rules for constructing valid sentences– E.g., x + 2  y is a valid arithmetic sentence, x2y + is not• Semantics: “meaning” of sentences, or relationship betweenlogical sentences and the real world– Specifically, semantics defines truth of sentences– E.g., x + 2  y is true in a world where x = 5 and y = 7
  • 10. 10Propositional logic: Syntax(Rachunek zdań)• Atomic sentence:– A proposition symbol representing a true or false statement• Negation:– If P is a sentence, P is a sentence• Conjunction:– If P and Q are sentences, P  Q is a sentence• Disjunction:– If P and Q are sentences, P  Q is a sentence• Implication:– If P and Q are sentences, P  Q is a sentence• Biconditional:– If P and Q are sentences, P  Q is a sentence• , , , ,  are called logical connectives
  • 11. 11Propositional logic: Semantics• A model specifies the true/false status of each proposition symbolin the knowledge base– E.g., P is true, Q is true, R is false– With three symbols, there are 8 possible models, and they can be enumeratedexhaustively• Rules for evaluating truth with respect to a model:P is true iff P is falseP  Q is true iff P is true and Q is trueP  Q is true iff P is true or Q is trueP  Q is true iff P is false or Q is trueP  Q is true iff P  Q is true and Q  P is true
  • 12. 12Truth tables• A truth table specifies the truth value of a compositesentence for each possible assignments of truth values to itsatoms• The truth value of a more complex sentence can be evaluatedrecursively or compositionally
  • 13. 13Logical equivalence• Two sentences are logically equivalent iff true in samemodels: α ≡ ß iff α╞ β and β╞ α(╞ - logical consequence)
  • 14. 14Entailment(konsekwencja)• Entailment means that a sentence follows from thepremises contained in the knowledge base:KB ╞ α• Knowledge base KB entails sentence α if and only if αis true in all models where KB is true– E.g., x + y = 4 entails 4 = x + y
  • 15. 15Inference/Reasoning(wnioskowanie)• Logical inference: a procedure for generating sentencesthat follow from a knowledge base KB• An inference procedure is sound (słuszna, prawidłowa) ifwhenever it derives a sentence α, KB╞ α (consequence)– A sound inference procedure can derive only true sentences=> all provable statements are true• An inference procedure is complete (kompletna) ifwheneverKB╞ α, α can be derived by the procedure– A complete inference procedure can derive every entailedsentence
  • 16. 16Inference• How can we check whether a sentence α is entailed by KB?• How about we enumerate all possible models of the KB (truthassignments of all its symbols), and check that α is true in everymodel in which KB is true?– Is this sound?– Is this complete?• Problem: if KB contains n symbols, the truth table will be of size 2n• Better idea: use inference rules, or sound procedures to generatenew sentences or conclusions given the premises in the KB
  • 17. 17Inference rules• Modus Ponens• And-elimination , premisesconclusion
  • 18. 18Inference rules• And-introduction• Or-introduction,
  • 19. 19Inference rules• Double negative elimination• Unit resolution  ,
  • 20. 20Resolution• Example:: “The weather is dry”: “The weather is rainy”γ: “I carry an umbrella” , ,or
  • 21. 21Resolution is complete• To prove KB╞ α, assume KB   α and derive a contradiction• Rewrite KB   α as a conjunction of clauses,or disjunctions of literals– Conjunctive normal form (CNF)• Keep applying resolution to clauses that contain complementary literalsand adding resulting clausesto the list– If there are no new clauses to be added, then KB does not entail α– If two clauses resolve to form an empty clause, we have a contradiction and KB╞α ,
  • 22. 22Inference, validity, satisfiabilityA sentence is valid (zawsze prawdziwe) if it is true in all models,e.g., True, A A, A  A, (A  (A  B))  BValidity is connected to inference via the Deduction Theorem:KB ╞ α if and only if (KB  α) is validA sentence is satisfiable if it is true in some modele.g., A B, CA sentence is unsatisfiable if it is true in no modelse.g., AASatisfiability is connected to inference via the following:KB ╞ α if and only if (KB α) is unsatisfiable
  • 23. 23Decidability?• The question of the existence of an effectivealgorithm that can and will return a Boolean trueor false value (instead of looping indefinitely).• Propositional logic is decidable!
  • 24. 24Complexity of inference• Every known inference algorithm has worst-caseexponential running time• Efficient inference possible for restricted cases
  • 25. 25Summary• Basic concepts of logic:– syntax: formal structure of sentences– semantics: truth of sentences wrt models– entailment: necessary truth of one sentence given another– inference: deriving sentences from other sentences– soundness: derivations produce only entailed sentences– completeness: derivations can produce all entailed sentences• Resolution is complete for propositional logic
  • 26. 26First-order logic(Logika Pierwszego Rzędu)• Propositional logic assumes the world consists ofatomic facts• First-order logic assumes the world containsobjects, relations, and functions
  • 27. 27Syntax of FOL• Constants: John, Sally, 2, ...• Variables: x, y, a, b,...• Predicates: Person(John), Siblings(John, Sally), IsOdd(2), ...• Functions: MotherOf(John), Sqrt(x), ...• Connectives: , , , , • Equality: =• Quantifiers: , • Term: Constant or Variable or Function(Term1, ... , Termn)• Atomic sentence: Predicate(Term1, ... , Termn) or Term1 = Term2• Complex sentence: made from atomic sentences using connectivesand quantifiers
  • 28. 28Using FOL: The Kinship Domain• Brothers are siblingsx,y Brother(x,y)  Sibling(x,y)• “Sibling” is symmetricx,y Sibling(x,y)  Sibling(y,x)• Ones mother is ones female parentm,c (Mother(c) = m)  (Female(m)  Parent(m,c))
  • 29. 29Semantics of FOL• Sentences are true with respect to a model and an interpretation• Model contains objects (domain elements) and relations amongthem• Interpretation specifies referents forconstant symbols → objectspredicate symbols → relationsfunction symbols → functional relations• An atomic sentence Predicate(Term1, ... , Termn) is true iff theobjects referred to by Term1, ... , Termn are in the relation referredto by predicate
  • 30. 30Universal quantification• x P(x)• Example: “Everyone at PW is smart”x At(x,PW)  Smart(x)Why not x At(x,PW)  Smart(x)?• Roughly speaking, equivalent to the conjunction of all possibleinstantiations of the variable:At(John, PW)  Smart(John)  ...At(Richard, PW)  Smart(Richard)  ...• x P(x) is true in a model m iff P(x) is true with x being eachpossible object in the model
  • 31. 31Existential quantification• x P(x)• Example: “Someone at PW is smart”x At(x,PW)  Smart(x)Why not x At(x,PW)  Smart(x)?• Roughly speaking, equivalent to the disjunction of all possibleinstantiations:[At(John,PW)  Smart(John)] [At(Richard,PW)  Smart(Richard)]  …• x P(x) is true in a model m iff P(x) is true with x being some possibleobject in the model
  • 32. 32Properties of quantifiers• x y is the same as y x• x y is the same as y x• x y is not the same as y xx y Loves(x,y)“There is a person who loves everyone”y x Loves(x,y)“Everyone is loved by at least one person”• Quantifier duality: each quantifier can be expressed using the otherwith the help of negationx Likes(x,IceCream) x Likes(x,IceCream)x Likes(x,Broccoli) x Likes(x,Broccoli)
  • 33. 33Equality• Term1 = Term2 is true under a given model ifand only if Term1 and Term2 refer to the sameobject• E.g., definition of Sibling in terms of Parent:x,y Sibling(x,y) [(x = y)  m,f  (m = f)  Parent(m,x) Parent(f,x)  Parent(m,y)  Parent(f,y)]
  • 34. 34Decidable?(Rozstrzygalna?)• Sound (all provable statements are true)• Complete (all true statements are provable).• The logical consequence relation is notdecidable.
  • 35. 35Why “First order”?• FOL permits quantification over variables• Higher order logics permit quantification overfunctions and predicates:P,x [P(x)  P(x)]x,y (x=y)  [P (P(x)P(y))]
  • 36. 36DESCRIPTION LOGIC & OWLWeb Ontology Language
  • 37. 37“John gave Mary a bookabout frogs.”personisa isajohn maryactor recipientevent1objectB1isa topicbook frogsisaGivingEvent
  • 38. 38Description Logic• Mostly used in Semantic-Web– The math behind OWL• DL is fragment of FOL (mapping exists):– (i) Decidable, (ii) Variable free syntax• Complexity vs. Responsiveness– Effective reasoning implemented (In Optimistic scenarios)• It is possible to Verbalize it in CNL– ACE OWL– Fluent-English OWL
  • 39. 39
  • 40. 40DL definition of “Happy Father”(Example from Ian Horrocks, U Manchester, UK)
  • 41. 41DL-examples
  • 42. 42Formalism for Ontology Languages:Description Logics
  • 43. 43*.jpgRDFenhancedWebsite”Semantic Web In A Box”• A Semantic Web in A Box ArchitectureRDF RepositorySearch View Update ManageInternetAgents*.gif *.asp*.html*.jspFrom Jens Jacob Anderson’s Semantic Web Tutorial
  • 44. 44What is Semantic Web?• Semantic Web is an initiative of World Wide Web consortium(http://www.w3.org/2001/sw/)• Semantic Web is a set of Languages and Tools for machine processing ofinformation stored in WWW• You can think of it as being an efficient way of representing data on the WorldWide Web, or as a globally linked Knowledge Base.• Task: Semantic Web is about efficient Knowledge Representation mechanism forWWW. (AI)• Goal: Semantic Web is about efficient Reasoning/understanding Systemsrequired for integration of distributed data .
  • 45. 45Web Languages+ Web languages already extended to facilitate content descriptionXML Schema (XMLS)RDF and RDF Schema (RDFS)+ RDFS recognisable as an ontology languageClasses and propertiesRange and domain of propertiesSub/super-classes (and properties)+ But RDFS not a suitable foundation for Semantic WebToo weak to describe resources in sufficient detail+ Requirements for web ontology language:Compatible with existing Web standards (XML, RDF, RDFS)Easy to understand and use (based on familiar KR idioms)Formally specified and of “adequate” expressive powerpossible to provide automated reasoning supportIan Horroks, Logical Foundations for the Semantic Web
  • 46. 46Why DL are used as formalism of Semantic Web ?• FOL –sound, complete, but not decidable• Proposition Logic- sound, complete, decidable,but has low expressive power• DL- has sound, complete, decidable inferenceprocedure; has reasonable expressive power• Alternatives to DL- decidable fragments of FOL-Horn logic (prolog), F-Logic
  • 47. 47
  • 48. 48
  • 49. 49OWL-Web Ontology LanguageExtracts from: Ian Horroks, Logical Foundations for the Semantic Web+ Three species of OWLOWL full is union of OWL syntax and RDFOWL DL restricted to FOL fragment - SROIQOWL EL restricted to EL++.+ Benefits from many years of DL researchWell defined semanticsFormal properties well understood (complexity,decidability)Known reasoning algorithmsImplemented systems (highly optimised)
  • 50. 50CONTROLLED NATURAL LANGUAGEVerbalization of DL
  • 51. 51Controlled Natural Language• A subset of natural language with a reduced grammar andvocabulary• Translates to the logic.• Should be unambiguous• Should be intuitive• Should be supported by a predictive editor• [Newspeak – George Orwell „1984”]• ACE (Attempto Controlled English) - University of Zurich• PENG (Processable English)• OASE-English
  • 52. 52Problems• Ambiguity– “I see the girl with a telescope”• Common meaning – background knowledge• Knowledge engineering
  • 53. 53DL Expressions
  • 54. 54
  • 55. 55
  • 56. 56
  • 57. 57FLUENT EDITOR 4 OWLEksperymenty
  • 58. 58PRZYKŁADYPraktyka
  • 59. 59The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Przykład:Historia Haliny i Edwarda: Czy ożenek popłaca?A-BoxHalina ma-wiek 16 lat.Edward ma-wiek 21 lat.Edward ma-żonę Halinę.Edward sprzedał-narkotyki Helenie.T-BoxKażdy pełnoletni jest osobą-fizyczną, która ma-wiek większy-równy 18 lat,i/lub zwarł-związek-małżeński.Ktoś jest małoletni wtedy-i-tylko-wtedy-gdy nie jest pełnoletni.Każdy nieletni jest osobą-fizyczną, która ma-wiek mniejszy-niż 17 lat.Jeśli ktoś ma-żonę lub ma-męża to ten ktoś zawarł-związek-małżeński.Jeśli pewien mężczyzna ma-żonę pewną kobietę to ta kobieta ma-mężatego mężczyznę.Każdy, kto zawarł-związek-małżeński jest mężczyzną, który ma-wiekwiększy-równy 18 lat, lub jest kobietą, która ma-wiek większy-równy 16 lat.
  • 60. 60The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Przykład:Historia Haliny i Edwarda: Czy ożenek popłaca?WnioskiEdward sprzedał-narkotyki nieletniej.Helena zawarła-związek-małżeński. => Helena jest pełnoletnia.Helena jest nieletnia i jest pełnoletnia.Interpretacja-AkcjaSprzedaż narkotyków małoletniemu jest kwalifikowaną postaciąprzestępstwa, to jest powoduje zaostrzenie kary za popełnienie tego rodzajuprzestępstwa.Czy Edward powinien mieć zaostrzoną karę, jako że sprzedał narkotykiosobie nieletniej?NieGdyby z nią się nie ożenił miałby zaostrzenie kary (byłaby małoletnia).Nieletni został tutaj wprowadzony dla zmylenia postrzegania problemu.
  • 61. 61Przykład:Historia Haliny i Edwarda: Czy ożenek popłaca?• ModułyMirekHalina, EdwardRomekPełnoletni, MałoletniZwiązek-małżeńskiNieletni Sprzedaż narkotykówOsoba-fizyczna
  • 62. 62The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Źródła złożoności wnioskowaniaprzyczynowo - skutkowego• Dowodzenie prawdziwości twierdzenia (powszechny algorytm tableau):polega na przeszukiwaniu w systematyczny sposób wszystkich możliwości, wcelu znalezienia kontrprzykładu na twierdzenie przeciwne do danego => gdyznajdziemy to znaczy ze twierdzenie jest prawdziwe.• W ogólności (np. w logice pierwszego rzędu) nie jest możliwe skonstruowaniealgorytmu, który to dla wszystkich twierdzeń da w skończonym czasiekompletną (tak/nie, a nie tak/nie/może) odpowiedź - jest to zagadnienie wogólności nierozstrzygalne.• Logika pierwszego rzędu jest monotoniczna - dodanie kolejnych twierdzeńdodaje nową wiedzę, lecz nie wpływa na dotychczasowe wnioski.• To, co jest dla nas zawsze dostępne (teoretycznie) jest rozstrzygalne ikompletne.• Logika opisowa (podzbiór logiki pierwszego rzędu) pozwala na zapis wiedzydostępnej (teoretycznie) dla nas. W logice opisowej SROIQ (o dużejekspresywności) (górne ograniczenie = NExp2Time - 2^2^n naniedeterministycznej maszynie Turinga). W rzeczywistości (praktycznie)możliwe dzięki modularnej strukturze praktycznych ontologii.http://www.nature.com/nphys/journal/v1/n2/fig_tab/nphys162_F1.html
  • 63. 63The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Modyfikacje• Monotoniczność a modyfikacje w wiedzy- Dodawanie kolejnych twierdzeń nie generuje problemów- Problemy pojawiają się, gdy fragmenty wiedzy usuwamy by zamienić je zinnymi – modyfikujemy.• Jednoczesność dostępu- problem zachowania spójności,- edycja kolaboratywna: wielu chce zmodyfikować wiedzę- problem również dotyczy modyfikacji (gdy jedynie dodajemy jedyniewiedzę w sposób kolaboratywny to problem redukuje się do przecięciaczasowego wiedzy) – różni ludzie mogą otrzymać w tym samym czasieróżne wnioski, ale po pewnym czasie otrzymają takie same).- Gdy wielu modyfikuje wiedzę, wówczas potrzeba jest synchronizacja. Bezsynchronizacji możliwa jest utrata spójności logicznej -> wnioski nie będąodpowiadały wnioskom powstałym przy bazie wiedzy synchronicznej.http://notebookofjay.blogspot.com/2011/08/page-282-library-so-big-it-doesnt-need.html
  • 64. 64The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.WidocznośćMonotoniczność:1) Dodawanie wiedzy, bez modyfikowania – nie wprowadza żadnychdodatkowych kosztów.2) Złożoność zadania modyfikacji wiedzy zależy od liczby modułów odniej zależnych. Im „wyżej-poziomowy” moduł tym większy koszt ->Wówczas trzeba unieważnić wszystkie wnioski, które wynikały zpoprzedniego stanu wiedzy i co gorsza – wywnioskować WSZYSTKO,co jest związane z nową wiedzą w zmienionym świecie. Np. rewolucjakopernikańska -> jak przepisać wszystkie podręczniki?3) Widoczność wiedzy, zachowanie spójności – różni użytkownicy mogą wróżnych momentach czasu, z różnych miejsc widzieć „odrobinę” innąwiedzę – ze względu na rozproszenie
  • 65. 65The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.OWA i Monotonicznosc1) Brak wiedzy to nie jest negacja – Open World Assumption, Brakwiedzy znaczy tylko tyle, że nie wiadomo – nic ponadto2) Jeśli Romek jest pełnoletni i nie wyspecyfikowano czy sprzedajenarkotyki czy też ich nie sprzedaje to znaczy ze nic o tym niewiadomo – (w prawie – domniemanie niewinności – Default Logic(nie jest monotoniczna!)– np. pingwiny – domyśłnie ptaki latają).3) Musimy wyspecyfikować, lub musi bezpośrednio wynikać zprzesłanek, że Romek nie sprzedaje narkotyków, aby mieć dowód wlogice nie posługując się domniemaniem niewinności (np. Romekjest w śpiączce …. )
  • 66. 66SYSTEM ZARZADZANIA WIEDZĄPraktyka
  • 67. 67The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Możliwości technologiczne1) Prawo Moora działa – otwierają się nowe możliwości2) Potrafimy składować olbrzymie ilości danycha. Pojedynczy komputer (laptop) ma dysk około 1 TB = 1000 GBb. Klastry komputerów składują setki/tysiące PB (PB = 1000 TB)3) Przetwarzanie tak dużych ilości informacji możliwe dzięki rozproszeniuna klaster (partycjonowaniu) – BigData - algorytmy działające naklastrze muszą być odpowiednio zaprojektowane4) Chmura – możemy dzierżawić duże klastry obliczeniowe na godziny
  • 68. 68The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Cognitum Ontorion1) Algorytm modularyzacji2) Partycjonowaniewnioskowania –rozpraszanie na klaster3) Uruchamianie zadań4) Rozproszony magazynwiedzy – oparty oCassandre NoSQL5) Edytor w CNL6) Wydajny7) Skalowalny
  • 69. 69distributed knowledge database connectivitymanipulate and query knowledge with Ontorion server directly
  • 70. 70Scenariusz: Wyszukiwarka semantyczna• Wyniki wyszukiwania bazują na ontologiiwyższego poziomu (twardej wiedzy) nałożonejna zwykłą wyszukiwarkę pełnotekstową• Inteligentne podpowiedzi
  • 71. 71System will support semantic enhanced searchwith reasoning and keywords suggestions.Results:1. “… Flood in Damascus. …”2. “… Tornado over Liban. …”3. “… Explosion kills people in Cairo. …”4.Disasters in Middle-East ?violence in Syriaviolence in Syriaviolence in Slovakiaviolence in South-Afrika?
  • 72. 72System will support semantic enhanced searchwith reasoning and keywords suggestions.Results:1. “… Assassination of Al-Assad. …”2. “… Kidnapping of Syrian-official. …”Results:1. “… Flood in Damascus. …”2. “… Tornado over Liban. …”3. “… Explosion kills people in Cairo. …”Violence-Act against Syrian-government ?Disasters in Middle-East ?violenceviolenceviolinviolet?violence in Syriaviolence in Syriaviolence in Slovakiaviolence in South-Afrika?
  • 73. 73
  • 74. 74Scenariusz: Zarządzanie wiedzą (call-center)• Automatyczne generowanie formularzy(Semantic Guidelines)• Edycja wiedzy w CNL
  • 75. 75Expert
  • 76. 76New eventAre people injured?DoneRisk of dangerous substance involved.Event is a Communication-Disaster.Tanker induces Black-Smoke.Tanker induces Sick-Children-Result.1enter where?/ /X12-1234-AAmbulance will be called.Special Fire-Fighters squad will be called.Risk of unavailable team.click on item to learnthe detailsUser
  • 77. 77Clinical Decision Support SystemWnioskowanie w logiceopisowejKOMPUTERCNLGeneratedMVCTerapeutaExpert Onkolog
  • 78. 78Clinical Decision Support System (Onco-CDSS)ONTOLOGYCancer Ontology (CO)with formal logicCancer Ontology (CO)with CNLPredictiveCNL EditorReasoningServicesCancer Therapist (CP)Cancer Expert (CE)CP INTERFACEEvidence Based Medicine ReferencesAutomatically GeneratedInterface FormTherapeutic option based on clinicalpractice guidelines in CNLKNOWLEDGEESMO guidelineinternal medicine, surgery,radiotherapy, drugsEvidence Based MedicineReferencesPatients heathrecordsSelectedtherapeutic optionSEMANTICDATABASE
  • 79. 79Scenariusz: Zarządzanie infrastrukturą• Opis infrastuktury w postaci ontologii
  • 80. 80Ontorion™ ServerEnterpriseOntorion™ ServerLightFluent Editor™ 2ExpressFluent Editor™ 2ProfessionalFluent Editor™ 2Web ComponentStandalone desktop version.Ontology server with reasoning.ENCNL Semantic tagging Semantic Search Querying and Asking GuideliningSemantic Q&AWeb ComponentSemantic GuidelineWeb ComponentSemantic SearchWeb ComponentFE CNL APIenables CNL ontologies to custom applicationsOntorion APIenables Ontorion integration with customerapplications: executing custom actions$ $$Any huge documentrepositoryOntologydatabaseSemantic ContentTaggingXXX Component
  • 81. 81The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Idąc dalejIBMs Blue Gene/P massively parallel supercomputer
  • 82. 82Monitoring Semantyczny Inernetu• Bing, Google i inne wyszukiwarki– zwracają „najlepsze” wyniki,– wyniki trudne do opracowania• Google Alerts– zgłasza nową treść gdy wykryje zmianę względem cache’a• Monitoring Mediów – słowo klucz PERSONALIZACJA:– Wyniki dopasowane do potrzeb badacza• System filtrów• Profil klienta– Dokładne wyniki – o wysokiej jakości– Kategoryzacja źródeł informacji– Analiza wyników
  • 83. 83Przypadek 1)• Dziennikarz / Badacz„Szukając inspiracji i tematu artykułu, częstoprzeglądam serwisy internetowe, albo szukamna własną rękę. Internet jest jednak takprzesycony informacjami, że ciężko znaleźć tenajbardziej istotne.”„Doda” –(a)„Donald Tusk” –(a), [aA]„Eksmisja na bruk” –(a), [aA]
  • 84. 84Przypadek 2)• Dostawca IT / e-Commerce„Potrzebowaliśmy monitorować na bieżąco,czego szukają nasi potencjalni klienci, jakichrozwiązań, jakich cech, jakie mają problemy.”„Jaki ... CRM ... polecacie ... ?” –(a), [aA]„Kupić ... program ... .” –(a), [aA]„Splatter vision” (FBI):skanowanie tłumu z odległości -świadomie ale bez skupiania sięna jednostce
  • 85. 85Przypadek 3)• Agencja reklamowa„Aby skutecznie działać na rynku, musieliśmywiedzieć co o naszych produktach i marce pisząnasi odbiorcy.”„Coca-Cola” [aA]„Pepsi” [aA]
  • 86. 86Przypadek 4)• Salon meblowy„IKEA” [aA]„Black Red White” [aA]„Informacje na temat konkurencji są dla Nasbardzo istotne. Do tej pory zdobycie tychinformacji wiązało się z poświęceniem dużejilości czasu, na żmudne poszukiwania.”
  • 87. 87Sieci społecznościoweMedium demokratycznie(pierwszy raz w historii ludzkości)• Anonimowe,otwarte – dla wszystkich– Blogi– Fora internetowe• Odwzorowujące rzeczywistość,zamknięte – hierarchia uprawnień– Facebook– Twitter– Linkedin
  • 88. 88Jak to mierzyć?• Analiza statystyczna:– Zorientowana na poszczególne węzły- liderzy opinnii• Analiza treści:– Przeszukiwanie pod względemsłów kluczowych• Analiza topologii sieci– Badanie spójności sieci,wyszukiwanie słabo spójnych fragmentów
  • 89. 89Ważne dla świata?W przyszłości mogłoby to:• Zapobiegać sytuacjom kryzysowym– Wyłapywać jednostki niebezpieczne– Ograniczać skutki epidemii• W tym medialnych
  • 90. 90The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Modelowanie zjawisk emergentnych1. Zjawisk emergentnych nie można związać jedynie z zachowaniemczęści składowych – wnoszą one nową wartość do systemua. Kryształ Bizmutub. Kopiec Termitówc. Gra Life Conwaya : Szybowiec –> OTCA metapixel2. Czy można modelować społeczności? Technologicznie wydaje się tomożliwe– 7 * 109 ludzi – istnienie całej populacji (np. żywy/martwy) < 1 GBa. Jeśli każdego człowieka opiszemy 1 kB to możemy całą populację(tak opisaną) ludzkości składować na jednym twardym dyskuprosto ze sklepu za około 600złb. Na gridzie 1000 komputerów możemy takie wielkości przetwarzaćefektywnie (algorytm Map/Reduce)– 1 komputer 1GBc. Niech przetwarzanie 1GB zajmie 1 godzinę (1 człowiek/3,6sek) ->koszt jednej iteracji na chmurze ok. 300złd. Ile potrzeba iteracji? – co z analizą wyników modelowania?
  • 91. 91The company, product and service names used in this web site are for identification purposes only.All trademarks and registered trademarks are the property of their respective owners.Architektura Symulatora SemanticHive1) Agenci reprezentowani w logice.2) Wiedza zmieniająca się w pętlisprzężenia zwrotnego, podwpływem narzuconych z góryreguł3) Analiza wyników wymagarozproszenia procesu na klaster
  • 92. 92Pytania?dr Paweł Kapłańskihttp://www.cognitum.eu/Company/Jobs.aspxCognitum Sp. z o.o.

×