Rappresentazione della conoscenza

1
Rappresentazione della conoscenza
2
Applicazioni Knowledge Intensive

• Applicazione che gestiscono conoscenza
• Esempi
• Sistemi di supporto alle decisioni
• Configurazione di prodotti per clienti
• Commercio elettronico

3
Obiettivo Prefissato

• Ottenere sistemi basati sulla conoscenza
• Sistemi che sappiano
• gestire
• usare
• la conoscenza

4
Metodi per immagazzinare la conoscenza 1/3

• Direttamente negli algoritmi/programmi
• Conoscenza cablata (hardwired knowledge)
• Esempio Costruire lalbero delle decisioni
• Problema
• Dover ricodificare il programma ogni volta che la
  conoscenza viene è modificata

5
Metodi per immagazzinare la conoscenza 2/3

• Basi di dati
• Sono disponibili modelli e sistemi sofisticati
  per la costruzione di basi di dati
• Problemi
• La conoscenza è nelle tuple, ma anche nelle query
  e nei vincoli di integrità
• Le basi di dati esigono formati standardizzati
  che non essere previsti nelle informazioni
  potrebbero che si vuole rappresentare

6
Esempio di problema che si può verificare usando
una base dati

• Informazioni sulle tendenze dacquisto di
• minorenni ( non conosco letà)
• adulti (conosco letà)
• pensionati( so solo che sono over 65)
• Problemi
• Se nella base di dati si inserisce letà,
• è necessario inserire valori null per i minorenni
  e pensionati
• Se non si inserisce letà
• si perdono le informazioni riguardanti letà
  degli adulti
• si perde la suddivisione in segmenti di mercato

7
Metodi per immagazzinare la conoscenza 3/3

• Rappresentazione della conoscenza
• Caratteristiche del sistema
• Tesi di B. Smith Sistema in grado di cambiare il
  suo comportamento in funzione del cambiamento
  della conoscenza.
• Il sistema deve avere
• Una parte che contiene tutta la conoscenza
  (suddivisa in tuple, query, vincoli di integrità)
• Ruolo causale nel comportamento del sistema

8
Metodi per immagazzinare la conoscenza 3/3

1. Tesi di H.Levesque Approccio funzionale alla
   rappresentazione della conoscenza

Risposte
Controlli di consistenza (Tell)
TELL
Modulo di rappresentazione della conoscenza
Recupero di Informazioni Individui, Classi (Ask)
ASK
9
TELL e ASK

• Funzioni TELL
• Aggiungono , tolgono, cambiano la conoscenza
  modificandone lo stato
• Come risposta da parte del sistema ci si aspetta
  che controlli che sia verificata la consistenza
• Funzioni ASK
• Richiedono lo stato senza modificarlo, come
  risposta da parte del sistema ci si aspetta tuple
  (record), query o classi
• il sistema deve essere in grado di ragionare
  sulle informazioni estraendo autonomamente delle
  conoscenze che sono erano state individuate in
  precedenza

10
Intelligenza Artificiale

• Obiettivi
• Problema
• Fare in modo che una macchina sia in grado di
  decidere autonomamente
• Esempio
• Non soltanto far muovere un robot, ma anche fare
  in modo che sia in grado di decidere
  autonomamente dove andare, quando e perché.

11
Strumenti necessari

• Inserire nel sistema la conoscenza necessaria
• un programma che dica cosa fare in ogni
  situazione

12
Reti Semantiche

• Soluzione che risale agli anni 70
• Consiste nellutilizzare grafi etichettati

13
Esempio
parte
Sistema di Accensione di unautomobile
Spinterogeno
parte
Batteria
parte
Avvolgimento
Connesso a
14
Caratteristiche delle reti semantiche

• Un sistema automatico deve avere la conoscenza
  necessaria per poter riparare automaticamente
  eventuali guasti
• Un approccio semantico consente di fare una
  ricognizione diagnostica sui vari nodi attraverso
  gli archi di connessione
• Se si individua il nodo da cui proviene il
  problema basta oltrepassarlo e far funzionare la
  riserva
• Se vi è un cambiamento basta sostituire il nodo
  interessato al cambiamento, anziché lintero
  programma (grafo)

15
Inconvenienti delle reti semantiche

• Problema di natura concettuale sollevato da W.
  Woods cosa cè in un arco?

colore
Telefono
Nero

• Domande
• Letichette porta con sé informazione aggiuntiva?
• Il significato del grafo è tutti i telefoni sono
  neri? Oppure il grafo rappresenta soltanto la
  classe dei telefoni neri?

16
Soluzione necessaria

• Necessità di ragionare in maniera astratta,
  attraverso simboli che consentano di prescindere
  dai nomi assegnati

B
A
C
17
Frames

• In questottica, per formalizzare la conoscenza
  sono stati introdotti i Frames
• Minsky 1975
• Nati da spunti derivati da studi sul linguaggio
  naturale attraverso luso di regole semantiche
• Consistono nellintrodurre informazioni e
  conoscenze distinte e nel fornire collegamenti
  espliciti tra di esse
• Il sistema deve essere in grado di usare le
  informazioni fornite per estrarre altra conoscenza

18
FRAME PERSON NAME . OWN PET ANIMAL
FRAME ANIMAL
FRAME DOG OWNER SPECIALIZATION OF PERSON . OWN
PET DOG
FRAME DOG SPECIALIZATION OF ANIMAL
FRAME PETER MEMBER OF PERSON . OWN PET FLUFFY
FRAME FLUFFY MEMBER OF DOG
Relation
19
Descrizione dei frames precedenti

• Ogni attributo è detto SLOT
• Di ogni attributo va eventualmente specificata la
  classe di appartenenza
• Il frame Person contiene una serie di
  informazioni sulla classe persona
• Il dog owner è un particolare tipo di persona
  (specification)
• Il suo animale domestico è il cane
• Il cane fa parte della classe animal

20
Realization

• Il sistema deve essere in grado di comprendere,
  poiché Peter ha un own pet chiamato Fluffy che è
  un cane, che Peter fa automaticamente parte del
  frame dog owner
• Il sistema, a partire da una certa conoscenza, è
  in grado di estrapolare conoscenza implicita.

21
Sistemi esperti basati su Frames

• Knowledge Engineered Environment KEE
• Nati negli anni 80
• Inizialmente hanno avuto sviluppo commerciale
• Sistemi basati sulluso di frames
• Basati su regole del tipo
• Antecedente Conseguente
• Antecedente e conseguente sono basati su frames

22
Esempio
FRAME SENIOR_CITIZEN SPECIALIZATION
OF CITIZEN AGE VALUE CLASS INTEGER RANGE
60-200
FRAME FRED MEMBER OF SENIOR_CITIZEN

• Regola
• IF AGE(x) 18 THEN ELIGIBLE TO VOTE
• Al sistema è stata fornita linformazione che
  Fred è un SENIOR_CITIZEN, ma non è in grado di
  dedurre che Fred è un votante, poiché non conosce
  letà precisa
• Non èuò pertanto confrontare letà di Fred con 18
  ( dovrebbe confrontare uno per uno 60, 61, ecc.)

23
Svantaggi dei sistemi basati su Frames

• La conoscenza è sparsa tra frames e regole
• Non tutte le deduzioni possono essere effettuate

24
Semantica di un sistema di rappresentazione della
conoscenza

• Formalismo utilizzato
• Logica del primo ordine
• Logica Proposizionale
• Sintassi
• Simboli di costante (a,b,c)
• Simboli di variabile (x,y,z)
• Simboli di predicati (P,Q)

25
Logica Proposizionale

• Termine
• una costante
• oppure
• una variabile
• Atomo
• un simbolo di predicato a n posti seguito da n
  termini
• Esempio P(a,b,x) è un predicato a 3 posti
• Formula
• un atomo
• oppure
• ?F
• F1 ? F2
• F1 ? F2

F1 , F2 , F formule
26
Logica del Primo ordine

• E ottenuta dalla logica proposizionale con
  lintroduzione dei quantificatori sulle formule
• ? x F(x)
• ? x F(x)
• Nata per scrivere in modo non ambiguo qualunque
  frase del linguaggio naturale
• Everybody needs somebody
• ? x ? y Needs (x,y)
• È diverso da
• ? x ? y Needs (x,y)
• Somebody needs everybody

F formula in cui appare x
27
Interpretazione di formule del primo ordine
(Tarsky)

• Dominio di interpretazione
• insieme di elementi
• a,b,c,
• costanti
• elementi dellinsieme
• Una formula del tipo ? x F(x) è soddisfatta
  nellinterpretazione se esiste un elemento a tale
  che F(a) è soddisfatta.
• ? x F(x) è soddisfatta nellinterpretazione se
  per tutti gli elementi a,b,c.., F(a), F(b),
  F(c),.. sono soddisfatte
• ? negazione , ? congiunzione ? disgiunzione

28
Definizioni

• Una formula si dice soddisfacibile se esiste
  almeno uninterpretazione che la soddisfa
• Una formula si dice valida se tutte le
  interpretazioni la soddisfano

29
Obiettivi

• Costruire sistemi in cui tutte le regole
  (formule) siano valide
• Esempio
• Il sistema è in grado di dedurre che Fred è un
  votante se può eseguire il confronto tra 18 e
  tutti gli elementi del range di variazione della
  sua età ( 60gt18,61gt18, 62gt18,..)
• E possibile scrivere formule del tipo
• ? x ? y Person (x) ? Own Pet (x,y) ? Animal(y)
• Se una persona (x) ha un own pet (y) allora è
  della classe animal

30
Sistemi di rappresentazione della conoscenza

• E un sistema
• In cui è possibile usare una qualunque
  rappresentazione delle conoscenza
• Reti semantiche
• Frames, ecc.
• Purchè siano ridotta o riducibile a elementi
  della logica del primo ordine in modo che tutte
  le formule siano valide
• Deve derivare TUTTE ( COMPLETO) E SOLE (CORRETTO)
  le conoscenza implicite IN TEMPO FINITO

31
Modello

• La logica del primo ordine consente di definire
  un modello di un insieme di formule, ossia una
  interpretazione che soddisfi ogni formula

32
Indecidibilità

• Un problema è indecidibile se un qualunque
  algoritmo che tenti di risolverlo è
• incompleto (non considera tutti i casi)
• oppure
• scorretto (sbaglia qualcosa)
• oppure
• non termina

33
Esempio

• ? x DogOwner (x) ? (? y OwnerPet (x,y)) ? Dog(y)
• Dog Owner (Fred)
• È soddisfatta dalla costante Fred
• Own Pet (Fluffy)
• È soddisfatta dalla costante Fluffy
• Ogni modello che soddisfi le 3 formule deve
  dedurre che Fluffy è un cane, altrimenti non è un
  modello

34
Osservazioni

• Fred è un DogOwner, ma se ha anche un gatto cosa
  succede?
• Si ha una contraddizione poiché non è stato
  definito nulla riguardo il gatto ed il suo
  possesso.
• DogOwner(Fred)
• OwnPet(Fred,Tom)
• Cat(Tom)
• Una volta detto che Tom è un gatto è necessario
  indicare al sistema che Cat e Dog sono due cosa
  differenti
• ? z Cat (z) ? (?Dog(z))

35
Inconsistenza

• La base di conoscenza è ancora inconsistente
  infatti da
• ? x DogOwner (x) ? (? y OwnerPet (x,y)) ? Dog(y)
• si deduce che, in quanto posseduto da Fred, Tom è
  Dog
• Da
• ? z Cat (z) ? (?Dog(z))
• si deduce che essendo Cat, Tom non è Dog

36
Problema

• Una base di conoscenza deve essere in grado di
  dedurre la conoscenza implicita e di individuare
  eventuali errori logici connessi
• La logica del primo ordine è uno strumento
  semanticamente accettabile
• Tradurre la logica del primo ordine in un
  programma eseguibile da una macchina

Il problema diventa
37
Indecidibilità nei KBMS

• Per un Knowledge Based Management System (KBMS)
  calcolare tutte le formule valide di un insieme
  di formule è un problema indecidibile
• Non esiste un algoritmo in grado di risolvere il
  problema
• Nessun linguaggio di programmazione esistente è
  in grado di risolvere il problema

38
Linguaggi di programmazione
Rappresentazione della conoscenza
Basi di Dati
Semantica operazionale, denotazionale, ecc.
Logica del Primo Ordine
Semantica
Logica del primo ordine
Sistemi di rappresentazione della conoscenza e
loro linguaggi
Modello Concettuale
Diagramma Entità/Relazioni
Unified Modeling Language

• Reticolare
• Gerarchico
• Relazionale
• A Oggetti

• Record
• Grafi

Modello Logico

• Frames
• Reti semantiche

39
Sistemi di rappresentazione della conoscenza

• (Knowledge Language) KL ONE (1980)
• LOOM (1985)
• Classic ( primi anni 90)

40
Classic

• Poiché rappresentare tutta la conoscenza è un
  problema indecidibile si è pensato di adottare
  una
• Espressività limitata
• Pertanto Classic comprende
• costanti
• predicati unari (classi)
• predicati binari (legami tra classi)
• Il problema resta comunque indecidibile

41
Soluzione adottata da Classic

• Costanti
• Concetti (Predicati unari)
• Ruoli (Predicati binari)
• Sintassi
• Formule
• Asserzioni su individui (concetti, ruoli)

42
Esempio

• Asserzione su individui
• Primitivo di Manduria ? Vino Rosso
• in una base di dati sarebbe laggiunta di una
  tupla alla relazione Vino Rosso
• Asserzione binaria
• Primitivo di Manduria Produttore Cantina Sociale
  Pliniana

Individuo
Concetto
Ruolo
43
Definizione di Concetti

• Vino Rosso Vino And (Fills Colore Rosso)
• In una base di dati sarebbe una query
• Chianti Vino And (Fills Colore Rosso)
• And (Fills Provenienza Toscana)
• La base di conoscenza è in grado di fare
  deduzioni
• Esempio
• Primitivo ? Vino Rosso

ruolo
individuo