Representacao do conhecimento inteligencia artificial, Trabalhos de Inteligência Artificial

Baixe Representacao do conhecimento inteligencia artificial e outras Trabalhos em PDF para Inteligência Artificial, somente na Docsity!

UNIVERSIDADE ZAMBEZE

FACULDADE DE CIÊNCIAS E TECNOLOGIA (FCT)

ENGENHARIA INFORMÁTICA

INTELIGÊNCIA ARTIFICIAL

BERNARDINO DAS NEVES FERNANDO

FERNANDO ARMINDO

ZULFICAR ABDULA

AQUISIÇÃO DO CONHECIMENTO

BEIRA

BERNARDINO DAS NEVES FERNANDO

FERNANDO ARMINDO

ZULFICAR ABDULA

AQUISIÇÃO DO CONHECIMENTO

Trabalho apresentado ao curso de Engenharia Informática da universidade Zambeze, como requisito a obtenção de nota da cadeira de Inteligência Artificial. Prof. Francisco Chimbinde BEIRA 2021

Resumo O conhecimento ao ser inserido em um sistema computacional passa por uma série de processos tais como aquisição (descoberta de conhecimento), mineração e finalmente a representação do conhecimento propriamente dita. Este processo tem como finalidade formalizar o conhecimento, ou seja, disponibilizá-lo de uma forma que possa ser facilmente usado e interpretado pelos próprios sistemas computacionais e pelos usuários desses sistemas. Neste trabalho apresentaremos os principais modelos para representar o conhecimento, dando destaque ao processo de descoberta de conhecimento em base de dados e as principais formas de se representar o conhecimento como árvores de decisão, frames e ontologias.

1. Aquisição Do Conhecimento Para utilizar um corpo de conhecimento em uma máquina, é necessário escolher uma maneira de representá-lo. Todo programa de computador contém o conhecimento sobre um determinado problema a ser resolvido. O conhecimento está nos algoritmos que o programa emprega e nos procedimentos de decisão que determinam qual destes algoritmos empregar em determinada circunstância. Quando se carrega um programa em um computador, pode-se dizer que o computador “adquiriu o respectivo conhecimento; entretanto, na maioria dos programas, estas informações não são representadas explicitamente e não podem ser facilmente atualizadas ou manipuladas. A aquisição de conhecimento não pode limitar-se à adição de novos elementos de conhecimento à base de conhecimentos; é necessário integrar o novo conhecimento ao conhecimento já disponível, através da definição de relações entre os elementos que constituem o novo conhecimento e os elementos já armazenados na base. Dois tipos de mecanismos para a definição de tais relações foram propostos: ligar os elementos de conhecimento diretamente através de ponteiros, ou reunir diversos elementos relacionados em grupos (em inglês “clustering''). Outro ponto importante na aquisição de conhecimento é o tratamento de incoerências. Dependendo da forma como o novo conhecimento é adquirido, pode haver erros de aquisição. Estes erros podem resultar da própria natureza do conhecimento, como em dados obtidos através de sensores sujeitos a ruído, ou podem ser gerados pela interface humana existente entre o mundo real e o sistema de representação. Técnicas foram desenvolvidas para evitar erros de aquisição, como, por exemplo, a especificação de regras de aquisição em que o tipo de conhecimento esperado é definido. Estas técnicas são comuns aos sistemas de representação de conhecimento e aos sistemas de gerenciamento de bancos de dados. Por outro lado, uma base de conhecimento pode ser examinada periodicamente com a finalidade de detectar incoerências eventualmente introduzidas no processo de aquisição. Este método é limitado pelo fato de que linguagens de representação razoavelmente expressivas não contam com procedimentos completos de verificação conhecidos. Finalmente, deve-se observar que a adequação do formalismo de

Alguns conceitos não relatados na entrevista podem não ser abordados; fornece uma compreensão fraca do conhecimento procedural, como regras ou estratégias para solucionar problemas. 1.1.3. Estudo de Caso Devido as limitações dos métodos de entrevista, os engenheiros de conhecimento tiveram que recorrer a outras técnicas que tornassem possível a aquisição de conhecimento. Uma alternativa às entrevistas são os estudos de caso. Um caso é um problema que foi solucionado no passado e que contém a solução e a descrição dos passos para obtê-la. Existem duas abordagens para sua utilização durante uma seção de aquisição de conhecimento: retrospetiva e observacional. Na abordagem retrospectiva o especialista é levado a rever um caso e a explicar como o problema foi nele resolvido. A técnica observacional pede aos especialistas para discutirem a solução de um caso enquanto o engenheiro observa o seu processo de resolução. 1.1.4. Descoberta de Conhecimento em Base de Dados O conhecimento ainda pode estar na própria base de dados. De acordo com [Fayyad, 1996], o conceito de descoberta de conhecimento em bases de dados pode ser resumido como o processo não-trivial de identificar padrões novos, válidos, potencialmente úteis e, principalmente, compreensíveis em meio às observações presentes em uma base de dados. O objetivo último da descoberta do conhecimento em bases de dados não é o de simplesmente encontrar padrões e relações em meio à imensa quantidade de informação disponível em bases de dados, e sim a extração de conhecimento inteligível e imediatamente utilizável para o apoio às decisões. O processo de descoberta do conhecimento [Berry, 2000] [Pyle, 1999] é composto por várias etapas. A Figura1 ilustra o ciclo de descoberta do conhecimento em bases de dados e suas etapas. A origem diversa dos dados que serão utilizados, coletados em diferentes instantes de

tempo em lugares distintos, cria um esforço inicial de consolidação e agrupamento de toda a informação que irá servir de base para o processo. A compreensão do negócio e do ambiente no qual os dados estão inseridos é crítica para o entendimento dos mesmos. Figure 1 : Ciclo de descoberta do conhecimento em bases de dados e suas etapas

2. Métodos de Representação de Conhecimento O conhecimento é o destaque dos sistemas de IA. A representação do conhecimento é o componente fundamental em sistemas inteligentes. Pelos mecanismos de representação, os formalismos de IA, o conhecimento é codificado através de objetos, atributos, objetivos, ações e é processado através de estruturas e procedimentos [Bench-Capon, 1990]. Para representar o desempenho de especialistas humanos, o sistema deve possuir não só um conjunto de informações, mas, também, a habilidade de utilizá-las na resolução de problemas de forma criativa, correta e eficaz. Esta habilidade representa uma série de palpites e regras intuitivas que o especialista utiliza para resolver os problemas; sua aplicação possibilita, de uma maneira mais econômica, a chegada a soluções aceitáveis, embora nem sempre ótimas. Um sistema inteligente precisa conhecer o contexto do fato em estudo e reconhecer os processos que causariam mudanças nos fatos. Para resolver problemas, em alguns casos, é recomendado conhecer tudo sobre o problema e quais as possíveis soluções que se pretende encontrar, juntamente com algumas estratégias para solucionar cada problema. O estudo da representação do conhecimento consiste nos caminhos que podem ser trilhados para codificá-lo em um programa computacional. Existem muitas formas de representação do conhecimento através de formalismos computacionais, scripts, frames, redes semânticas, regras, grafos conceituais, representações formulário e os conceitos, objetos e fatos. Esses formalismos podem ser empregados para representar casos em sistemas de RBC e representar domínios em SEs (Weber, 1998). 2.1. Lógica A lógica é a base para a maioria dos formalismos de representação de conhecimento, seja de forma explícita, como nos sistemas baseados na linguagem Prolog, seja disfarçada na forma de representações específicas que podem facilmente ser interpretadas como proposições ou predicados lógicos. É um modo de declaração que representa o conhecimento uma das mais primitivas formas de representação do raciocínio ou conhecimento humano. A lógica preposicional é considerada a

forma mais comum da lógica. Baseia-se em que proposição só pode ter um dos seguintes valores: verdadeira ou falsa. A lógica de predicados é considerada como uma extensão da lógica preposicional. Na lógica de predicados os elementos fundamentais são, além do objeto, também os seus predicados. Uma das principais formas de representar conhecimento em lógica e também manipulá-lo é através da linguagem PROLOG. Prolog é uma linguagem de programação lógica e declarativa. Isso significa que em vez de o programa estipular a maneira de chegar à solução, passo a passo, (como nas linguagens procedimentais ou imperativas), limita-se a fornecer uma descrição do problema que se pretende computar. Usa uma coleção base de dados de fatos e de relações lógicas (regras) que exprimem o domínio relacional do problema a resolver. 2.2. Redes As redes semânticas são grafos direcionados ligados por nós para representar objetos e conexões e a relação entre objetos [Dean et. al., 1995]. A rede semântica é usada para representar elementos de uma representação tal como uma classe, suas instâncias e suas características. Seus arcos são direcionados e representam as relações entre os atributos. Quando um atributo não deve ser herdado, as redes semânticas necessitam de tratamento de exceção. Portanto, uma rede semântica é uma estrutura para a representação do conhecimento definida como um padrão de nodos interligados por arcos rotulados. As redes deste tipo não só captam as definições dos conceitos, mas também, inerentemente, proporcionam ligações com outros conceitos. Uma variedade de redes semânticas tem sido desenvolvida como variações deste simples padrão. Algumas são propostas como modelos da memória humana e significado de representação, enquanto outras são usadas como componentes de compreensão de linguagem e sistemas de raciocínio. Embora seja útil imaginar as redes semânticas utilizando esta notação gráfica característica, é lógico que elas não podem ser representadas desta maneira em um programa de computador. Assim por exemplo, na linguagem LISP, cada nodo seria um átomo, as ligações seriam as propriedades, e os nodos da outra extremidade seriam os valores.

Figure 2 : Visão gráfica de uma árvore de decisão As variáveis são representadas pelas condições mostradas na estrutura acima, as saídas são as ações a serem tomadas. A sequência lógica se trata da ordem que serão dispostas as condições devido ao seu grau de relevância pré-definido no início da criação do modelo. Os ramos da árvore correspondem a cada possibilidade lógica que levam à próxima possibilidade ou à ação a ser tomada. Nem sempre a combinação das condições descritas leva a uma ação definitiva, quando isto ocorre o decisor tem o papel de optar pela ação a ser tomada. 2.5. Ontologias Ontologia é um modelo de dados que representa um conjunto de conceitos dentro de um domínio e os relacionamentos entre estes. Uma ontologia é utilizada para realizar inferência sobre os objetos do domínio. Atualmente, as ontologias compartilham muitas semelhanças estruturais, independente da linguagem em que são expressas. Como mencionado acima a maioria das ontologias descrevem indivíduos (exemplares), classes (conceitos), atributos e relacionamentos. Esta seção descreve cada um desses componentes. Indivíduos (exemplares) são os componentes básicos de uma ontologia. Os indivíduos em uma ontologia podem incluir objetos concretos como pessoas, animais, mesas, automóveis, moléculas, planetas, assim como indivíduos abstratos como números e palavras. Para ser exato,

uma ontologia não precisa necessariamente incluir indivíduos, porém um dos propósitos gerais de uma ontologia é apresentar um meio de classificação de indivíduos, mesmo que estes não sejam explicitamente parte da ontologia. Classes (conceitos) são grupos abstratos, conjuntos ou coleções de objetos. Eles podem conter indivíduos, outras classes, ou uma combinação de ambos. Alguns exemplos de classes: Ontologias se diferenciam nos seguintes aspectos: se classes podem conter outras classes, se uma classe pode pertencer a si mesma, se existe uma classe universal (isto é, uma classe contendo tudo), etc. Algumas vezes estas restrições são feitas para evitar alguns paradoxos conhecidos. Uma classe pode incluir ou estar incluída em outras classes. Por exemplo, Veículo inclui Carro, já que (necessariamente) qualquer coisa que é membro de Carro é também membro de Veículo. A relação de inclusão é utilizada para criar uma hierarquia de classes, geralmente com uma classe geral como Coisa no topo, e classes específicas como Ford Fiesta 2002 na base. Objetos em uma ontologia podem ser descritos através de atributos. Cada atributo tem pelo menos um nome e um valor, e é utilizado para armazenar informação que é específica para o objeto ligado a ele. O valor de um atributo pode ser um tipo de dados completo; neste exemplo, o valor do atributo chamado Motor é uma lista de valores, não um valor simples. Um uso importante dos atributos é a descrição de relacionamentos (também conhecidos como relações) entre objetos na ontologia. Geralmente, uma relação é um atributo cujo valor é outro objeto na ontologia. Muito do poder das ontologias vem da habilidade de descrever estas relações. O conjunto de todas as relações descreve a semântica do domínio. O tipo mais importante de relação é a relação de inclusão (é-superclasse-de, é-um, é- subtipo-de ou é-subclasse-de), que define quais objetos são membros de quais classes de objetos. A adição de relacionamentos é-um cria uma taxonomia hierárquica, uma estrutura de árvore que descreve que objetos se relacionam com quais outros. Nesta estrutura, cada objeto é um "filho" de uma "classe pai". Outro tipo comum de relação é a do tipo parte-de que representa como objetos se combinam para formar objetos compostos. Além das relações comuns como é-um e parte-de, as ontologias geralmente incluem outros tipos de relações que refinam ainda mais a semântica do modelo. Estas relações

3. Bibliografia 1.