Your SlideShare is downloading. ×
agentes baseados em conhecimento
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

agentes baseados em conhecimento

1,224
views

Published on


0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,224
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
19
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. Agentes Baseados em Conhecimento Jacques Robin CIn-UFPE
  • 2. Agente baseado em conhecimento Ambiente Sensores Efetuadores Base de Conhecimento Especializada Máquina de Inferência Genérica Ask Tell Retract Representação e Aquisição de Conhecimento Raciocínio Automático Ask= consulta; tell = inserção; retract = remoção
  • 3. O que é conhecimento?
    • Dado, informação ou abstração formatado de maneira a permitir raciocínio por um ser humano ou por uma máquina, por exemplo
      • Classes e objetos
      • Formula da lógica
      • Distribuição de probabilidade prévia e condicional de variáveis aleatórias
    • O que é raciocínio?
      • Mecanismo sistemático para inferir ou derivar novo conhecimento a partir de novas percepções e/ou de conhecimento prévio, por exemplo:
        • Herança de atributos entre classe, sub-classes e objetos
        • Prova de teorema por refutação, resolução e unificação
        • Cálculo de probabilidade posterior de um evento pelo Teorema de Bayes
  • 4. Tipos de conhecimento
    • Estático x Dinâmico
    • Do problema x Meta-conhecimento (controle, explicação, reuso)
    • Diagnóstico x Causal
    • Dedutivo x Terminológico
    • Intencional x Extensional
    • Síncrono x Diácrono
    • Certo x Incerto
    • Preciso x Vago
    • Declarativo x Procedimental
    • De senso comum x Especialista
    • Explicito x Implícito
  • 5. Conhecimento estático x dinâmico
    • Conhecimento estático:
      • Hierarquia de conceitos (classes de fatos)
        • ex,  X, wumpus(X)  monstro(X).
      • Restrições de integridades
        • ex,  X,Y wumpus(X)  wumpus(Y)  X = Y.
      • Regras de dedução sobre o domínio
        • ex,  X,Y smelly(X,Y)  (loc(wumpus,X+1,Y)  loc(wumpus,X-1,Y)  loc(wumpus,X,Y+1)  loc(wumpus,X,Y-1).
      • Meta-regras para controle e explicação do raciocínio
        • na dúvida peque a primeira regra
    • Conhecimento dinâmico:
      • Fatos, i.e., proposições sobre instâncias de conceitos
      • ex, loc(wumpus,2,1)  loc(wumpus,1,2)  loc(wumpus,2,3) ex. loc(wumpus,2,3). ex. alive(wumpus,4). ex.  alive(wumpus,7).
  • 6. Conhecimento causal x diagnóstico
    • Conhecimento causal:
      • prevê resultados de ações e eventos
      • ex,  X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1).
    • Conhecimento diagnóstico:
      • forma hipóteses sobre causas de efeitos observados
      • ex,  X,Y,T smell(stench,X,Y,T)  smelly(X,Y).  X,Y smelly(X,Y)  (loc(wumpus,X+1,Y)  loc(wumpus,X-1,Y)  loc(wumpus,X,Y+1)  loc(wumpus,X,Y-1)).
  • 7. Conhecimento terminológico x dedutivo
    • Conhecimento terminológico:
      • ex,  M, wumpus(M)  monster(M).  M,T monster(M)  alive(M,T)  dangerous(M,T).
    • Conhecimento dedutivo:
      • ex,  M,X,Y,T dangerous(M,T)  loc(M,X,Y,T)   safe(X,Y,T).  X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1).
  • 8. Conhecimento intencional x extensional
    • Conhecimento intensional:
      • Fatos ou regras universalmente quantificados
      • ex,  X,Y X = 0  X = 5  Y = 0  Y = 5  loc(wall,X,Y).
    • Conhecimento extensional:
      • Instâncias de conceitos
      • ex, loc(wall,0,1). loc(wall,0,2). loc(wall,0,3). loc(wall,0,4). loc(wall,5,1). loc(wall,5,2). loc(wall,5,3). loc(wall,5,4). loc(wall,1,0). loc(wall,2,0). loc(wall,3,0). loc(wall,4,0). loc(wall,1,5). loc(wall,2,5). loc(wall,3,5). loc(wall,4,5).
  • 9. Conhecimento sincrônico x diacrônico
    • Conhecimento diacrônico :
      • Regras de previsão das propriedades do ambiente entre dois instantes T e T+1 devidas a ações ou eventos
        • ex,  X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1).
    • Conhecimento sincrônico:
      • Regras de propagação das conseqüências não observáveis do ambiente a partir das observadas no mesmo instante T
        • ex,  M,X,Y,T dangerous(M,T)  loc(M,X,Y,T)   safe(X,Y,T).
  • 10. Conhecimento certo x incerto
    • Conhecimento certo:
      • Epistemologicamente booleano
      • ex,  X,Y smelly(X,Y)   smelly(X+1,Y-1)   smelly(X-1,Y-1)  loc(wumpus,X,Y+1).
    • Conhecimento incerto:
      • Epistemologicamente probabilista:
      • ex,  X,Y smelly(X,Y,1)  (loc(wumpus,X+1,Y,0.25)  loc(wumpus,X-1,Y,0.25)  loc(wumpus,X,Y+1,0.25)  loc(wumpus,X,Y-1,0.25)).
  • 11. Tipos de raciocínios: dedução
    • Dado:
      • Conhecimento prévio ou percepção especifica E c sobre instância particular de problema ou ambiente
      • Conhecimento genérico G sobre classe de problema ou ambiente
    • Inferir:
      • Novo conhecimento específico E e sobre instância particular do problema ou ambiente
    • Infere efeito E e de causa E c a partir de modelo do ambiente G
    • Exemplo:
      • Dado
        • E c = loc(agent,1,1,1)  orientation(0,1)  forward(1)   loc(wall,1,2)
        • G =  X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1)
      • Deduz E e = loc(agent,1,2,2).
  • 12. Tipos de raciocínios: abdução
    • Dado:
      • Conhecimentos prévios ou percepções especificos E e e E b sobre instância particular de problema ou ambiente
      • Conhecimento genérico G sobre classe de problema ou ambiente
    • Inferir:
      • Novo conhecimento específico E c sobre instância particular do problema ou ambiente
    • Infere causa E c de efeito E e a partir do contexto E b e modelo do ambiente G
    • Exemplo:
      • Dado
        • E e = loc(agent,1,2,2)
        • E b = orientation(0,1)  forward(1)   loc(wall,1,2)
        • G =  X,Y,T loc(agent,X,Y,T)  orientation(0,T)  forward(T)   loc(wall,X,Y+1)  loc(agent,X,Y+1,T+1)
      • Abduz E c = loc(agent,1,1,1).
  • 13. Tipos de raciocínios: indução
    • Dado:
      • Conjunto de conhecimentos prévios ou percepções específicos E c , E e sobre instâncias particulares de problema ou ambiente
      • Conhecimento prévio genérico G p sobre classe de problema ou ambiente
    • Inferir:
      • Novo conhecimento conhecimento genérico G n sobre classe de problema ou ambiente
    • Infere parte do modelo do ambiente G n a partir de causas E c , efeitos E e e outra parte do modelo do ambiente G p
    • Exemplo:
      • Dado
        • {loc(gold,1,2,1)  glitter(1,2,1), ..., loc(gold,4,4,6)  glitter(4,4,6)}  E c x E e
        • {loc(gold,1,2,1)  glitter(3,2,1), ..., loc(gold,4,4,6)  glitter(2,1,6)}  E c x E e
      • Induz G n =  X,Y,T glitter(X,Y,T)  loc(gold,X,Y,T)
  • 14. Agente baseado em conhecimento dedutivo ou abdutivo Ambiente Sensores Efetuadores Base de Conhecimento Dinâmico (BCD): fatos, objetos formulas lógicas instanciadas Máquina de inferência dedutiva e/ou abdutiva Base de Conhecimento Estático (BCE): regras, classes, formulas lógicas universalmente quantificadas Ask Tell Retract Ask