Inteligencia Artificial – FIB-UPC                          Ontologías   Inteligencia Artificial – FIB-UPC                 ...
Inteligencia Artificial – FIB-UPC                                              Ontologías   Inteligencia Artificial – FIB-...
Inteligencia Artificial – FIB-UPC                                                    Ontologías   Inteligencia Artificial ...
Inteligencia Artificial – FIB-UPC                                          Ontologías   Inteligencia Artificial – FIB-UPC ...
Inteligencia Artificial – FIB-UPC                                             Ontologías   Inteligencia Artificial – FIB-U...
Inteligencia Artificial – FIB-UPC                                            Ontologías   Inteligencia Artificial – FIB-UP...
Inteligencia Artificial – FIB-UPC                                              Ontologías   Inteligencia Artificial – FIB-...
Inteligencia Artificial – FIB-UPC    Ontologías   Inteligencia Artificial – FIB-UPC    Ontologías




María Teresa Abad, ©...
Inteligencia Artificial – FIB-UPC    Ontologías   Inteligencia Artificial – FIB-UPC    Ontologías




María Teresa Abad, ©...
Inteligencia Artificial – FIB-UPC    Ontologías   Inteligencia Artificial – FIB-UPC    Ontologías




María Teresa Abad, ©...
Inteligencia Artificial – FIB-UPC    Ontologías   Inteligencia Artificial – FIB-UPC    Ontologías




María Teresa Abad, ©...
Inteligencia Artificial – FIB-UPC    Ontologías   Inteligencia Artificial – FIB-UPC    Ontologías




María Teresa Abad, ©...
Inteligencia Artificial – FIB-UPC    Ontologías   Inteligencia Artificial – FIB-UPC    Ontologías




María Teresa Abad, ©...
Upcoming SlideShare
Loading in …5
×

3 Rc2 Ontologias 2

3,419 views
3,293 views

Published on

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

No Downloads
Views
Total views
3,419
On SlideShare
0
From Embeds
0
Number of Embeds
36
Actions
Shares
0
Downloads
0
Comments
0
Likes
4
Embeds 0
No embeds

No notes for slide

3 Rc2 Ontologias 2

  1. 1. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías 1. INTRODUCCIÓN Y DEFINICIONES El conocimiento puede verse como ‘información acerca de la información’. Básicamente es una información semánticamente rica. Un conjunto de conocimientos formalmente representado (base de conocimiento, ONTOLOGÍAS sistema basado en el conocimiento, agente) descansa sobre una conceptualización explícita o implícita en la que se describe una visión abstracta y simplificada del mundo que queremos representar con un determinado propósito. En la conceptualización se incluyen: los objetos y otras entidades, cuya existencia se asume en el área de interés, y las relaciones entre ellas. 1. Introducción y definiciones Una ontología es, precisamente, una especificación explícita de una (o una parte de una) 2. Motivación. conceptualización que incluye un vocabulario de términos y la especificación del significado de cada uno de ellos (el sentido del término). Podemos decir que define un 3. Componentes y tipos de ontologías. vocabulario común para los que necesitan compartir información sobre un dominio. 4. Proceso de desarrollo de ontologías. An ontology is a explicit specification of a conceptualization (Gruber, 1993). 5. Aplicaciones. El término Ontología proviene de la filosofía y es una disciplina que trata de dar cuenta de manera sistemática de la Existencia. A menudo se ha confundido con la disciplina de 6. Lenguajes y herramientas para el diseño de ontologías la Epistemología, que versa sobre el saber y el conocimiento. En el mundo real cualquier cosa conocida, que existe, tiene un nombre asociado. En el Anexo: Algunas de las ontologías más relevantes. ámbito de la IA, un sistema inteligente sólo conoce lo que se puede representar en un lenguaje dado. Por este motivo, es razonable utilizar el término ‘ontología’ para designar ‘lo que el sistema conoce’. Cuando el conocimiento de un dominio se representa gracias a un formalismo declarativo, el conjunto de objetos que se han representado se denominan el ‘universo del discurso’. Este conjunto de objetos, y las relaciones descriptibles entre éstos, se reflejan mediante un vocabulario representacional con el que un programa representa el conocimiento. Desde el punto de vista de la IA podemos describir la ontología de un programa si definimos un conjunto de términos representacionales. En esta ontología, las definiciones asocian nombres de entidades con el universo de discurso (p.ej. clases, relaciones, funciones y otros objetos) por medio de texto que puede ser leído y que describe lo que significan los nombres y los axiomas formales que restringen la interpretación y velan por el buen uso de los términos. En este sentido abunda la siguiente definición: An ontology defines the basic terms and relations comprising the vocabulary of a topic area as well as the rules for combining terms and relations to define extensions to the vocabulary (Neches et al., 1991). Ahora bien, si hablamos de compartir conocimiento, utilizaremos el término ontología para referirnos a una especificación de la conceptualización. Es decir, una ontología es una descripción (lo que una especificación es a un programa) de los conceptos y relaciones que existen para un agente o una comunidad de agentes. Esta definición de ontología es consistente con el uso de una ontología como grupo de definiciones conceptuales, pero más general. María Teresa Abad, © LSI 2003/2004 1 María Teresa Abad, © LSI 2003/2004 2
  2. 2. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías Aunque el formalismo de representación coincida, cada uno de los sistemas puede • estar implementado en un lenguaje diferente o utilizando una herramienta distinta. Supongamos que el formalismo y el entorno computacional coinciden. Aún en ese • caso podemos tener problemas léxicos. Por ejemplo, el aserto ‘persona X es baja’ puede estar representado de dos formas distintas ‘baja(x)’ y ‘¬alta(x)’. Si mezclamos las dos expresiones en el nuevo sistema, es imposible establecer la secuencia de inferencias en la que ambas sentencias estén involucradas simultáneamente dado que el léxico usado no es uniforme. Superados los problemas léxicos, pueden aparecer problemas semánticos. Éstos se • producen cuando se utiliza el mismo término pero con significados distintos. Por ejemplo, el término ‘análisis’ se puede referir a uno de sangre en medicina o a una actividad a realizar durante el ciclo de vida de un producto software. Adicionalmente, pueden aparecer sinónimos, es decir, diferentes términos para • referirse al mismo concepto. Un problema de sinónimos siempre causa un problema léxico, pero la inversa no es cierta (obsérvese que ‘bajo’ y ‘alto’ no son sinónimos). Las suposiciones ocultas suponen una gran barrera para la reutilización. Por • Las definiciones en una KB y en una ontología. ejemplo, en un sistema médico para manejar una actividad rutinaria, el tiempo necesario para la actividad médica se trata de forma implícita. Ahora bien, si En el mundo de las ontologías no existen verdades absolutas ya que éstas son entidades intentamos reutilizar el sistema pero para cubrir una situación de emergencia, construidas artificialmente que se crean, no se descubren, y especifican una forma del podemos tener serios problemas ya que el tiempo de intervención del equipo médico ver el mundo, por tanto, un punto de vista. Por este motivo existen diversidad de es una cuestión crítica. técnicas (provinentes de la IA o de la ingeniería del software o de bases de datos) que Y para acabar, otro problema relacionado con las suposiciones es el de la pérdida de • permiten modelar una ontología. Ahora bien, hay que destacar que el modelo sólo se conocimiento ligado al sentido común, es decir, es posible y fácil olvidar incluir en podrá considerar una ontología si contiene un modelo de conocimiento consensuado y la ontología algo importante porque se asume que es algo que ”todo el mundo sabe” compartido por la comunidad de interés. (lo que, evidentemente, no es cierto). In short, a commitment to a common ontology is a guarantee of consistency, but not Existen algunas estrategias para resolver estos problemas. completeness, with respect to queries and assertions using the vocabulary defined in • Traductores entre formalismos y lenguajes. Se podrían desarrollar herramientas para the ontology (Viegas, E.;Mahesh, K. y Nirenburg,S., 1999). solventar los problemas debidos a la heterogeneidad de formalismos, etc. El problema es que en el proceso de traducción se puede perder expresividad (por Pese a todo lo dicho anteriormente, en general se tiene una noción de lo que es una ejemplo, cuando el lenguaje objetivo es menos expresivo que el lenguaje original). ontología bastante diluida y se hacen sinónimos, salvando las distancias, taxonomía y • Las ontologías podrían constituir un almacén (repositorio) de vocabulario para ontología. Los expertos en el tema distinguen las ontologías que son principalmente resolver los problemas de léxico, semánticos, de sinónimos así como los de las taxonomías (llamémoslas ontologías superficiales, lightweight ontologies) de las que suposiciones efectuadas. modelan el dominio más en profundidad y en las que la semántica del dominio está más restringida (éstas serán las ontologías profundas, heavyweight ontologies). Pero hay otra alternativa, totalmente distinta, consistente en compartir conocimiento con aplicaciones ya construidas. Se organiza una red distribuida de agentes en la que un agente pregunta a otro siguiendo un protocolo de comunicación establecido 2. MOTIVACIÓN previamente. Sistemas independientes llevan a cabo otras tareas complementarias. Pero esta aproximación también tiene inconvenientes: Para compartir conocimiento es Existe un problema básico de falta de entendimiento entre bases de conocimiento, o necesario compartir el vocabulario y su significado, disponer de un protocolo de software general, que teóricamente deberían compartir una buena parte de conocimiento comunicación entre agentes y de un ‘interlingua’( lenguaje intermedio). En el punto 6 se ya que resuelven problemas pertenecientes a la misma área de interés. El uso de habla de un par de ellos (KIF y PIF). ontologías permite compartir y reutilizar conocimiento común. Ahora bien, en la reutilización de una o varias ontologías ya existentes para construir un nuevo sistema se Resumiendo, la utilización extendida y estandarizada de ontologías resolvería muchos han identificado los siguientes problemas: problemas. Existiría un entendimiento compartido que unificaría diferentes puntos de • La heterogeneidad de los formalismos de representación del conocimiento. Cada vista y que sería útil para: sistema tiene su propio formalismo de representación (reglas, frames, etc.) y sus - Compartir conocimiento común sobre la estructura de la información, bien entre mecanismos de inferencia. Es difícil compaginar los diferentes formalismos en el personas bien entre agentes software. nuevo sistema. - Permitir la reutilización del conocimiento sobre el domino. María Teresa Abad, © LSI 2003/2004 3 María Teresa Abad, © LSI 2003/2004 4
  3. 3. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías - Hacer explícitas las suposiciones sobre el dominio. - Separar el conocimiento operacional del conocimiento sobre el dominio. - Analizar el conocimiento sobre el dominio. 3. COMPONENTES Y TIPOS DE ONTOLOGIAS Se puede describir una ontología utilizando diferentes lenguajes: - lenguaje natural, y hablamos de ontologías ‘altamente informales’, - una forma estructurada y restringida de lenguaje natural, y entonces hablamos de ontologías ‘semi informales’, - un lenguaje artificial y formalmente definido, y hablamos de ‘semi formal’(p.ej.: Ontolingua, OWL) y, por último, - un lenguaje artificial perfectamente definido (semántica formal, teoremas y pruebas de completitud, etc.) que denominamos ‘rigurosamente formal’. En este código ?travel es una variable, las instrucciones dentro del bloque :axiom-def son sentencias KIF que establecen que Flight es un tipo de Travel y la cardinalidad de los atributos. El bloque encabezado por :def establece las condiciones necesarias sobre los argumentos. En esta definición se establece que todo viaje tiene una única fecha de salida y llegada, un nombre de compañía y como mínimo un precio por una tarifa simple con la compañía. Las clases pueden representar conceptos abstractos (creencias, sentimientos, etc.) o conceptos específicos (persona, máquina, mesa, etc.) • Relaciones R: C1 x C2 x … x Cn-1 x Cn Van a representar las interacciones entre clases Ci, es decir, entre conceptos. Las relaciones más habituales son binarias. P.ej.: Subclase_de: Concepto1 x Concepto2 Concectado_con: Componente1 x Componente2 Siguiendo con el ejemplo de la clase Travel: Definición de la clase Research-Topic en un lenguaje semi informal Gruber (1993) propuso utilizar técnicas de IA, frames y lógicas de primer orden, para modelar ontologías. Identificó los 5 componentes básicos que se detallan a continuación: • Clases: Son las ideas a formalizar y representan los conceptos en el sentido más amplio. Las clases en una ontología se suelen organizar en taxonomías a las que se les pueden aplicar los mecanismos de herencia. El siguiente ejemplo ilustra la clase Travel en Ontolingua. También podemos representar relaciones con una aridad superior a dos. María Teresa Abad, © LSI 2003/2004 5 María Teresa Abad, © LSI 2003/2004 6
  4. 4. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías También se pueden utilizar técnicas de ingeniería del software, como por ejemplo UML (Unified Modeling Language), para modelar ontologías. UML está muy extendido y es fácilmente comprensible por un gran número de personas que no forman parte de la comunidad de la IA. Además los modelos tienen una representación gráfica standard y existen multitud de herramientas CASE. • Funciones F: C1 x C2 x … x Cn-1 Cn Son casos especiales de relaciones donde se identifican elementos mediante el cálculo de una función. P.ej.: Madre_de: Persona Mujer Precio_coche_usado: Modelo x Año x Kilómetros Precio Siguiendo con el ejemplo, veamos la función Pays que calcula el precio de una habitación después de aplicar un descuento. • Instancias. Se usan para representar elementos o individuos en una ontología. Siguiendo con el ejemplo, viene a continuación una instancia del concepto AA7462 Diagrama de clases y objetos en UML para la ontología de viajes. que llega a Seattle el 8 de febrero de 2002 y cuesta 300. Las técnicas de bases de datos con los diagramas Entidad/Relación ofrecen otra posibilidad para modelar ontologías. Pero comparando los modelos obtenidos aplicando técnicas de IA, que producen ontologías profundas, con los obtenidos aplicando técnicas de ingeniería del software o bases de datos, que producen ontologías superficiales, se observa que las técnicas de IA restringen mucho más las posibles interpretaciones de los términos descritos en la ontología. • Axiomas. Los axiomas formales sirven para modelar sentencias que son siempre ciertas. Normalmente se usan para representar conocimiento que no puede ser Las ontologías se pueden clasificar teniendo en cuenta diferentes criterios. En la formalmente definido por los componentes descritos anteriormente. Además literatura pueden encontrarse muchas posibilidades. Veamos dos de ellas: también se usan para verificar la consistencia de la propia ontología. a) El alcance de su aplicabilidad: • Ontologías de Dominio. Proporcionan el vocabulario necesario para describir un dominio dado. Incluyen términos relacionados con: - los objetos del dominio y sus componentes (‘estetoscopio’, ‘quirófano’, …), - un conjunto de verbos o frases que dan nombre a actividades y procesos que tienen lugar en ese dominio (‘anestesiar’, ‘dar a luz’, …) y - conceptos primitivos que aparecen en teorías, relaciones y fórmulas que regulan o rigen el dominio (‘después de nacer el mejor valor para el test APGAR del bebé es 10’). María Teresa Abad, © LSI 2003/2004 7 María Teresa Abad, © LSI 2003/2004 8
  5. 5. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías c) Actividades integrales (necesarias para un buen desarrollo de la ontología): Adquisición de conocimiento, integración con otras ontologías, evaluación y documentación. Ontologías de Tareas. Proporcionan el vocabulario para describir términos • involucrados en los procesos de resolución de problemas los cuales pueden estar Etapa de conceptualización. relacionados con tareas similares en el mismo dominio o en dominios distintos. Incluyen nombres, verbos, frases y adjetivos relacionados con la tarea (‘objetivo’, En general, las metodologías proporcionan un conjunto de directrices que indican cómo ‘planificación’, ‘asignar’, ‘clasificar’, …) hay que llevar a cabo las actividades identificadas en el proceso de desarrollo, qué Ontologías Generales: Representan los datos generales que no son específicos de • técnicas son las más apropiadas en cada actividad y qué produce cada una de ellas. un dominio. Por ejemplo, ontologías sobre el tiempo, el espacio, ontologías de conducta, de causalidad, … No existe una metodología estándar para la creación de ontologías, pero pueden distinguirse 4 pasos básicos en el proceso de creación. b) La granularidad de la conceptualización (cantidad y tipo de conceptualización): 1. Identificación del propósito y del alcance: Se trata de especificar el contexto de Terminológicas: Especifican los términos que son usados para representar • aplicación y el modelado del punto de vista que queremos describir. El contexto de conocimiento en el universo de discurso. Suelen ser usadas para unificar vocabulario la aplicación describe el dominio, los objetos de interés y las tareas que van a en un dominio determinado (contenido léxico y no semántico) realizarse. El modelado del punto de vista describe el tipo de modelo, p.ej., • De Información: Especifican la estructura de almacenamiento de bases de datos. dinámico-estático, funcional-causal, etc. Ofrecen un marco para el almacenamiento estandarizado de información (estructura 2. Construcción de la ontología: Podemos distinguir las siguientes etapas: Captura, de los registros de una BD) Codificación (representación explícita de la conceptualización en un lenguaje • De modelado del conocimiento: Especifican conceptualizaciones del formal) e Integración de las ontologías existentes (determinar si se va a reutilizar y conocimiento. Poseen una rica estructura interna y suelen estar ajustadas al uso cómo alguna de las ontologías existentes). particular del conocimiento que describen (términos y semántica) 3. Evaluación: Evaluación del diseño definitivo. Se tendrán en cuenta aspectos como la posible reutilización de la ontología construida. 4. Documentación y reutilización. Como es habitual, la documentación debe 4. PROCESO DE DESARROLLO DE ONTOLOGÍAS desarrollarse paralela a la realización de las etapas anteriores. Debe incluirse la justificación de las decisiones tomadas, la evaluación realizada, el conocimiento El proceso de desarrollo de ontologías se refiere a las tareas que hay que llevar a cabo adicional para usarla, etc. También ha de ser indexada y colocada con las ontologías para construirlas. Adaptando el estandar establecido por la IEEE en 1991 (Institute of existentes para su posible reutilización. Electrical and Electronics Engineers) para el desarrollo de software general, las tareas identificadas para el desarrollo de ontologías se clasifican en 3 categorías: Entre las metodologías existentes podemos destacar METHONTOLOGY (1998), una a) Actividades ligadas al manejo del proyecto: Planificación, control del propuesta de Asunción Gómez-Pérez y su equipo de la Facultad de Informática de la seguimiento de la planificación y asegurar la calidad del producto. UPM (Universidad Politécnica de Madrid). b) Actividades orientadas al desarrollo de la ontología: Especificación, conceptualización, formalización, implementación y mantenimiento. María Teresa Abad, © LSI 2003/2004 9 María Teresa Abad, © LSI 2003/2004 10
  6. 6. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías Es conveniente que en el diseño de la ontología se tengan en cuentan los siguientes 6. LENGUAJES Y HERRAMIENTAS PARA EL DISEÑO DE ONTOLOGÍAS principios: 1. Claridad y objetividad. La ontología debe proporcionar al usuario el significado de Existen multitud de lenguajes que permiten la representación de ontologías: OIL los términos de forma objetiva y en lenguaje natural para facilitar su comprensión. (Ontology Inference Layer), DAML (DARPA Agent Mark-Up Language), SHOE, 2. Completitud. Las definiciones han de expresarse en términos necesarios y TopicMaps, OCLM, Ontolingua, LOOM, CycL, etc. No todos ellos permiten el mismo suficientes. nivel de expresividad a la ontología construida ni tampoco ofrecen las mismas 3. Coherencia. Debe permitir hacer inferencias que sean consistentes con las funcionalidades. definiciones. 4. Máxima extensibilidad monótona. Las especializaciones o generalizaciones deben A la hora de elegir un lenguaje para la definición de una ontología deben tenerse en poder incluirse en la ontología sin necesidad de revisar las definiciones ya cuenta los siguientes aspectos. existentes. 1. El lenguaje debe poseer una sintaxis bien definida para poder ‘leer’ con facilidad la 5. Principio de distinción ontológica. Las clases de una ontología deben ser disjuntas. ontología definida. El criterio usado para aislar el conjunto de propiedades que consideramos 2. Debe tener una semántica bien definida para comprender perfectamente el invariantes en una instancia de una clase se denomina criterio de identidad. funcionamiento de la ontología. 6. Diversificación. Se han de diversificar las jerarquías incluidas para aumentar la 3. Debe tener suficiente expresividad para poder capturar varias ontologías. potencia de los mecanismos de herencia múltiple. 4. Debe ser fácilmente mapeable desde/hacia otros lenguajes ontológicos. 7. Estandarización. Se ha de intentar usar un vocabulario lo más universal posible. 5. Debe ser eficiente a la hora de realizar razonamiento. 8. Minimización de la distancia semántica entre conceptos emparentados. Conceptos similares estarán agrupados y representados utilizando las mismas primitivas. Por otro lado, merece la pena destacar dos lenguajes intermedios, KIF y PIF, que son 9. Mínimo compromiso ontológico. Debe hacer la menor cantidad posible de los que usan aplicaciones heterogéneas e independientes cuando necesitan intercambiar suposiciones acerca del mundo modelado. conocimiento. KIF (Knowledge Interchange Format): Desarrollado por el grupo de trabajo • Interlingua de la universidad de Standford en 1992 con el propósito de resolver el 5. APLICACIONES problema de la heterogeneidad en los lenguajes de representación del conocimiento. Por tratarse de un mecanismo de representación de conocimiento, las áreas de Se trata de un lenguaje formal con notación tipo Lisp para escribir los axiomas en aplicación de las ontologías son muy amplias y pueden utilizarse en áreas tan diversas las definiciones de Ontolingua. como: - Ingeniería del conocimiento - Representación del conocimiento - Procesamiento del lenguaje natural - Sistemas de información cooperativos - Integración inteligente de información - Recuperación de información - Gestión del conocimiento - Comercio electrónico, etc. Están especialmente recomendadas en las situaciones en las que sea necesario: - Establecer comunicación entre personas y organizaciones con el fin de unificar diferentes áreas de investigación. - Permitir la interoperatividad entre sistemas software usando las ontologías como un lenguaje intermedio para unificar diferentes lenguajes y herramientas. - Aumentar los beneficios de la ingeniería de sistemas ya que el uso de ontologías facilita la construcción de software clásico o basado en el conocimiento porque permite que los sistemas se puedan reutilizar, sean fiables y estén especificados. En el anexo se puede encontrar información sobre algunas de las ontologías más relevantes. Ejemplo de KIF María Teresa Abad, © LSI 2003/2004 11 María Teresa Abad, © LSI 2003/2004 12
  7. 7. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías PIF (Process Interchange Format): Tiene el mismo propósito que el anterior, es ANEXO: Algunas de las ontologías más relevantes. • decir, facilitar compartir el conocimiento entre diferentes procesos software. En su desarrollo, de 1993 a 1996, participaron grupos del MIT, de Standford, de Toronto, etc. Permite dar soporte al intercambio de descripciones de procesos del mundo de los negocios dentro de una organización y entre varias organizaciones. Y ya para acabar, un par de herramientas: Ontology Server (1995): es un conjunto de herramientas y servicios que dan soporte • a la construcción de ontologías que comparten grupos geográficamente distribuidos. Se desarrolló en el laboratorio de Sistemas de Conocimiento de la universidad de Standford. Este servidor es una extensión de Ontolingua. Al comienzo el término Ontolingua se usaba para referirse tanto al lenguaje para representar ontologías como a la herramienta utilizada para construirlas. Hoy en día el término se utiliza para referirse al lenguaje proporcionado por el Ontology Server. La arquitectura de este servidor permite el acceso a una librería de ontologías, a traductores de lenguajes (LOOM, IDL, CLIPS, etc.) y a un editor para crear y navegar por una ontología. Se puede acceder al servidor a través de la URL: http://www-ksl- svc.stanford.edu:5915. Protégé-2000: Es una herramienta que permite al usuario la construcción de • ontologías de dominio, generar formularios de entrada de datos y efectuar la propia entrada de datos. Además es una plataforma que permite el acceso a aplicaciones externas y basadas en el conocimiento generando salidas gráficas diversas (diagramas de todo tipo, animación, etc.). Por último, también es una biblioteca a la que otras aplicaciones pueden acceder y se les permite visualizar las bases de conocimiento de que dispone. Esta herramienta está disponible en: http://protege.stanford.edu/. Si este tema ha despertado tu curiosidad, más cosas en: http://babage.dia.fi.upm.es/ontoweb/wp1/OntoRoadMap/index.html http://www.cs.utexas.edu/users/mfkb/related.html http://www.fb10.uni-bremen.de/anglistik/langpro/webspace/jb/info- pages/ontology/ontology-root.htm http://www.kr.org/top/ http://www.ontoresearch.org y el magnífico libro (¡el papel también existe!) recién editado: Ontological Engineering with examples from the areas of Knowledge Management, e- Comerce and the Semantic Web. Asunción Gómez-Pérez, Mariano Fernández-López y Oscar Corcho. Springer-Verlag, 2004. ______________________________________________________________________ En la elaboración de este documento se ha utilizado material de diferentes autores aunque la aportación principal se debe a material diverso de Asunción Gómez-Pérez. María Teresa Abad, © LSI 2003/2004 13 María Teresa Abad, © LSI 2003/2004 14
  8. 8. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías María Teresa Abad, © LSI 2003/2004 15 María Teresa Abad, © LSI 2003/2004 16
  9. 9. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías María Teresa Abad, © LSI 2003/2004 17 María Teresa Abad, © LSI 2003/2004 18
  10. 10. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías María Teresa Abad, © LSI 2003/2004 19 María Teresa Abad, © LSI 2003/2004 20
  11. 11. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías María Teresa Abad, © LSI 2003/2004 21 María Teresa Abad, © LSI 2003/2004 22
  12. 12. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías María Teresa Abad, © LSI 2003/2004 23 María Teresa Abad, © LSI 2003/2004 24
  13. 13. Inteligencia Artificial – FIB-UPC Ontologías Inteligencia Artificial – FIB-UPC Ontologías María Teresa Abad, © LSI 2003/2004 25 María Teresa Abad, © LSI 2003/2004 26

×