SistemasEspecialistas JCNievola

Sistemas Especialistas
Prof. Júlio Cesar Nievola

PPGIA – PUCPR
1
O que é um Especialista?
Pessoa que é largamente reconhecida como

sendo capaz de resolver um tipo particular de
problema que a maioria das pessoas ou não é
capaz de resolver ou não resolve de maneira
tão eficiente.
Prof. Júlio Cesar Nievola PPGIa - PUCPR

Conhecimento do Especialista
Teorias de domínio
Treinamento e performance
u r íst icas p eriência Conhecimento

Conhecimento He pela ex Superficial
d izad o
Nulo Apr en
Conhecimento
Compilado
Apren
dizado
Princí te Conhecimento
pios, a órico (esco Profundo
xioma la e liv
s e lei ros)
s
Ensino Teorias Gerais

O que é um Sistema Especialista?
Sistema que utiliza técnicas apropriadas para

a representação do conhecimento e sua
manipulação, exibindo o comportamento de
um especialista em um determinado domínio
do saber.

Ciclo de vida de SEs
Análise de viabilidade
Projeto conceitual
Aquisição de conhecimento
Representação do conhecimento
Teste e Validação
Uso em campo
Manutenção
Análise de viabilidade
Existem outras formas de solução do problema?
A tarefa tem um foco dirigido?
Os especialistas são melhores que os amadores?
As regras mudam muito rapidamente?
Há um especialista humano disponível e
interessado?
A tarefa é ensinada ou documentada?
Qual será o critério de sucesso ou fracasso?

Projeto Conceitual
Quais são os principais objetos, entidades ou conceitos no
domínio do conhecimento?
Como devem ser descritos os objetos, entidades e conceitos?
Quais são as relações importantes que existem entre os objetos?
Que restrições sofrem estas relações no domínio do
conhecimento?
Quais são as características gerais do problema a ser tratado?
Como o sistema especialista obterá informações sobre o
problema atual?
Como o sistema irá interagir com o usuário?

Aquisição do Conhecimento
O conhecimento é obtido de:
Especialistas humanos;
Casos históricos;
Fontes de referência.
É uma parte crucial da construção do SE
Difícil de ser realizado pois inclui extração,
interpretação para posterior representação

Etapas da Aquisição do Conhecimento
Envolve 5 etapas:
Identificação: escolha dos participantes, características,
recursos e objetivos;
Conceitualização: especificar como os conceitos e as relações
existentes entre eles são descritos pelo especialista;
Formalização: mapeamento dos conceitos para representação
formal;
Implementação: filtrar o conhecimento formalizado para uma
estrutura representativa de uma ferramenta;
Teste: verificar a precisão e eficiência da AC através do
protótipo.

Representação do Conhecimento
Formas de representação clássicas:
Rede semântica (“semantic network”)
Regras de produção (“production rules”)
Quadros (“Frames”)
Meta-conhecimento
Facilidade de construção e interpretação
versus poder de representação
Representação híbrida

Rede Semântica
Forma mais antiga de representação de
conhecimento
Conjunto de nós (objetos) conectados por um
conjunto de arcos (relações entre os objetos)
Normalmente representada em forma de grafo
Origem: Quillian (1978) – modelo computacional
da memória humana

Exemplo de Rede Semântica

Rede Semântica – “João deu um
livro a Maria”

Raciocínio com Rede Semântica
Arcos especiais permitem herança de
propriedades
A é-um B : A é um elemento de um conjunto ou
classe B
A é-parte B : A é uma das partes disjuntas das quais
B é formado
Demais arcos (traços): específicos do domínio,
representam propriedades de conceitos
Redes Semânticas na forma de árvores: simples e
eficientes
Redes Semânticas com heranças múltiplas e/ou arcos
que definam exceções: complexo e com política de
herança pouco intuitiva

Regras de Produção
Forma geral:
IF <condição> THEN <conclusão>
O impacto de uma inferência pode ser
modificado por um fator de confiança
Exemplo:
IF: The grain stain is gram-negative & The
morphology is rod & The patient is at risk
THEN: Suggest (credibility = 0.6) that the infecting
agent is Pseudomonas.

Frames e Scripts (1)
Permitem a expressão das estruturas internas dos objetos (frames) ou
eventos (scripts), mantendo a possibilidade de representar herança de
propriedades
Origem
Marvin Minsky (A Framework to Represent Knowledge, 1975),
método para análise de cenas, modelagem da percepção visual e
compreensão da linguagem natural
Roteiros: Schank e Abelson (1975-77), sistemas de quadros
especializados na descrição de seqüências de eventos
Componentes
Atributos (“slots”): através de valores descrevem as características do
objeto representado pelo frame
Hierarquia de especialização: rede de arcos é-um ligando frames que
permite herança
Facetas: propriedades dos atributos que definem o tipo de valores e as
restrições de número associadas ao atributo

Frames e Scripts (2)
Características
Herança de propriedades
Raciocíno guiado por expectativas: atributos com valores típicos
ou a priori, ou valores de exceção (“default values”)
Ligação procedimental: um atributo pode ser associado a um
procedimento que deve ser executado quando certas condições
forem satisfeitas (“daemon”)
Tipos
if-modify: o que fazer quando é alterado o valor do atributo
if-necessary: o que fazer se for consultado o valor do atributo
if-delete: o que fazer se for eliminado o valor do atributo

Frames
Estrutura de dados que reúne todas as
informações (atributos e valores) sobre um
objeto que pertence a um domínio
Consiste em um conjunto de itens (“slots”)
Nome: cujo valor é o nome do próprio frame
AKO (“a-kind-of”): cujo valor é o nome do
frame hierarquicamente superior
Facetas: contém informações que descrevem
os slots

Exemplo de Frame
(Nome do Frame)
(nome do slot)
(nome da faceta) : valor
(nome do slot)
(nome do slot)

Frame descrevendo um cômodo e
uma sala

Frame: rede de cômodos numa casa

Teste e Validação
Testes para verificação do desempenho em
casos conhecidos
Validação:
Conclusões - validação do comportamento
entrada-saída do sistema
Raciocínio - verificação da forma como se
chega às conclusões
Método de raciocínio - forma de trabalho

Uso em campo e Manutenção
Trabalho com novas situações
Manutenção da interface:
Alteração mais fácil que o mecanismo de
inferência
Avaliação e aceitação do sistema pelo usuário
dependem da qualidade da interface
Mecanismos de alteração da base de
conhecimentos
Sistemas de Produção
Raciocínio avante (“forward chaining”):
parte-se dos dados procurando chegar a
conclusões.
Raciocínio para trás (“backward chaining”):
formulam-se hipóteses e tenta-se comprová-
las através dos dados disponíveis.
Estratégia mista.

Componentes de um SE
Base de conhecimento: representa a informação
(fatos e regras) que um especialista utiliza,
representada computacionalmente
Linguagem para representação do conhecimento
Mecanismo de inferência (motor de inferência):
responsável pelas deduções sobre a base de
conhecimento
Outros: explanação, aquisição, interface

Sistemas Especialistas
Base de Base de
Conhecimentos Fatos
Máquina de
Inferência
Interface com o usuário

Shell para SE
Shell + Base de Conhecimentos = SE
Funções:
Auxílio à construção da base de
conhecimentos, permitindo inserir
conhecimento em estruturas de representação
do conhecimento prontas
Fornecer métodos de inferência que
raciocinem sobre a BC e os fatos fornecidos
Fornecer uma interface adequada ao usuário

Sistemas Especialistas Históricos
MYCIN (doenças infecciosas do sangue)
CATS-1 (diagnóstico em locomotivas)
VM (gerenciamento de ventilação para pacientes
pós-cirurgia cardíaca)
R1/XCON (configuração de minicomputadores
VAX para DEC)
Guidon (auxílio ao ensino)
Expert Sinta – Universidade Federal do Ceará

Indicativos de Uso de SE’s
A experiência humana pode ser perdida
A experiência humana é esparsa
A experiência é necessária em muitos locais
A experiência é necessária em ambientes
hostis
A solução de tarefas tem um alto retorno
Viabilidade do Uso de SE’s
As tarefas requerem habilidades cognitivas
Conhecimento especializado
Não há solução algorítmica
Tarefas moderadamente complexas
Conhecimento relativamente estático
Existem especialistas genuínos
Especialistas são melhores que amadores
Limitações dos SE’s
Esquemas de representação mistos
O conhecimento é infinito
Conhecimento contraditório/inconsistente
Há necessidade de intermediários
Dificuldade de extensão além do conhecimento
do especialista
O raciocínio é limitado
Há dificuldade de validar o conhecimento

Personagens envolvidos na construção
de um SE
Construtor de ferramentas
Engenheiro de Conhecimento
Especialista
Apoio
Usuário

Ciclo de Base de um Motor de
Inferência
Fase de Avaliação Fase de Execução
Restrição Execução das ações
BF e BR podem
Filtragem
ser alterados
Resolução Ações sobre o

de Conflitos ambiente
Eventualmente parada Eventualmente parada

ou retorno ou retorno

O Gargalo no Desenvolvimento
Gargalo na construção de SE:
passagem do conhecimento do especialista
para o engenheiro de conhecimento e
conseqüentemente para o sistema
Solução: técnicas automatizadas de
aquisição de conhecimento

SBC x Sistema Convencional
Para um sistema inteligente ser classificado como
SBC, ele deve ser capaz de:
Questionar o usuário usando uma linguagem de fácil
entendimento para reunir informações necessárias
Desenvolver uma linha de raciocíno a partir dessas
informações e do conhecimento que contém para
resolver o problema; deve lidar com regras e
informações incompletas, imprecisas e conflitantes
Explicar seu raciocínio
Conviver com seus erros, mas com desempenho
satisfatório (similarmente ao especialista humano)

Propriedades dos SBCs
Tudo que se sabe sobre o problema deve estar
explicitamente representado na base de
conhecimentos do sistema
A base de conhecimentos deve ser interpretada
por um mecanismo de inferência
Os problemas resolvidos por SBCs são aqueles
para os quais não é conhecido um procedimento
determinístico
Em geral o conhecimento é utilizado para contornar a
exponencialidade da formulação do problema

Diferenças entre Sistemas
Sistemas Convencionais SBCs
Estrutura de Dados Representação do Conhecimento
Dados e relações entre dados Conceitos, relações entre

conceitos e regras
Algoritmos determinísticos Busca heurística
Conhecimento embutido no Conhecimento representado

código do programa explicitamente e separado do
código que o manipula e
interpreta
Explicação do raciocício é difícil Podem e devem explicitar seu
raciocínio

SBCs e SEs
SBCs resolvem problemas usando conhecimento
específico sobre o domínio da aplicação
SEs são SBCs que resolvem problemas ordinariamente
resolvidos por humanos
Profunda interação com especialista
SBCs podem ser classificados como SEs quando o
desenvolvimento do mesmo é voltado para aplicações nas
quais o conhecimento a ser manipulado restringe-se a um
domínio específico e conta com um alto grau de
especializaçao
Mas os termos SBC e SE são usados indistintamente na área

SBC e Sistema Especialista
Exibem comportamento
inteligente através da
habilidade no uso de
heurísticas
Tornam explícito o
Aplicam conhe- domínio de conheci-
cimento especialista mento além de
na resolução de separá-lo do
problemas difíceis sistema
do mundo real

Tipos de Aplicações de SBC
Classes de tarefas em que os SBCs tem sido aplicados
Interpretação e análise de dados: processamento de imagens,
reconhecimento de fala, análise de circuitos elétricos
Classificação: diagnóstico de doenças, determinação de falhas
em máquinas
Monitoramento: usinas nucleares, tráfego aéreo
Planejamento: ações de robôs, experimentos em genética, ações
militares
Projeto: leiaute de circuitos e de computadores, tubulações de
aviões
Surgimento de diversas ferramentas de auxílio à
construção e execução de SBCs, linguagens de
representação do conhecimento e literatura especializada

Número de SBCs desenvolvidos
por ano

Percentagem de SBC por
tipo de problema

Desempenho
Para fazer com que um SBC chegue perto
do desempenho de um especialista humano
o sistema deve
ter grande quantidade de conhecimento
disponível
conseguir ter acesso a este conhecimento
rapidamente
ser capaz de raciocinar adequadamente com
este conhecimento

Áreas de aplicação

Estrutura Básica de um SBC

Componentes Básicos de um SBC
Sistemas Baseados em Conhecimento
Conhecimento + Inferência
SBC tem dois componentes principais
Uma Base de Conhecimentos que captura o
conhecimento específico do domínio
Um Motor de Inferência consistindo de
algoritmos para manipular o conhecimento
representado na Base de Conhecimentos

Base de Conhecimentos
O conhecimento é representado na Base de
Conhecimentos usando uma das técnicas de
Representação do Conhecimento como:
regras de produção, redes semânticas,
frames, scripts etc.
SBCs também podem usar uma mistura de
técnicas de representação do
conhecimento: estes tipos de sistemas são
chamados de Sistemas Híbridos

Certeza do Conhecimento
Conhecimento também pode incluir
probabilidades ou fatores de incerteza, os quais
podem ser usados para
melhorar a corretude das tomadas de decisão
ajudar a resolver conflitos
melhorar recursos de explicação
Técnicas para lidar com incerteza incluem
método Bayesiano
Teoria da Evidência de Dempster-Schafer
Teoria da Certeza (fatores de certeza)
Lógica Fuzzy

Motor de Inferência
Inclui um interpretador que aciona regras
de uma base de conhecimentos e executa
itens da agenda
Um agendador que mantém o controle da
agenda
Um verificador de consistência que tenta
manter uma representação consistente da
solução que surge

Inferência com Regras de Produção
Um Sistema Baseado em Conhecimento
que utiliza regras de produção faz uso de
estratégias de raciocínio
Encadeamento progressivo (“forward
chaining”)
Encadeamento regressivo (“backward
chaining”)

Encadeamento Progressivo (1)
A direção de busca é dos dados para as
metas ou hipóteses
SE cond1 & cond2 & … & condN
ENTÃO Ação1
Direção da Busca:
O que podemos concluir a partir dos
dados?

Encadeamento Progressivo (2)
A parte esquerda da regra é comparada
com a descrição da situação atual contida
na memória de trabalho
As regras que satisfazem a descrição tem
sua parte direita executada, o que em geral
significa a introdução de novos fatos na
memória de trabalho
Problemas típicos: planejamento, projeto e
classificação

Sistema em Cadeia Avante-1 (Integra imediatamente as conclusões)
Procedimento Estabelecer-um-Fato(Fato)
Se Fato pertence à Base-de-Fatos então retornar “Sucesso”
Retornar Executar-um-Ciclo(Base-de-Regras)
Procedimento Executar-um-Ciclo(Regras, Fato, Uma-Regra)
Se Regras é vazio então retornar “Falha”
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. a 1a. encontrada)
Regras ← Regras diminuída de Uma-Regra
Se todos os fatos da premissa de Uma-Regra pertencem à Base-de-Fatos então
Início
Se a conclusão de Uma-Regra é Fato então
Retornar “Sucesso”
Juntar a conclusão de Uma-Regra à Base-de-Fatos (se ela ainda não pertence)
Base-de-Regras ← Base-de-Regras diminuída de Uma-Regra
Retornar Executar-um-Ciclo(Base-de-Regras)
Fim
Retornar Executar-um-Ciclo(Regras)
* Base-de-Regras é uma variável global; Regras é uma variável local
Sistema em Cadeia Avante-2 (Faz o Encadeamento em Largura)
Procedimento Estabelecer-um-Fato(Fato, Fatos-Novos)
Se Fato pertence à Base-de-Fatos então retornar “Sucesso”
Retornar Executar-um-Ciclo(Base-de-Regras, lista vazia, Fato)
Procedimento Executar-um-Ciclo(Regras, Fatos-Novos, Fato, Uma-Regra)
Se Regras é vazio então
Se Fatos-Novos está vazia então retornar “Falha”
Base-de-Fatos ← Base-de-Fatos aumentada com Fatos-Novos
Retornar Executar-um-Ciclo(Base-de-Regras, lista vazia, Fato)
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. a 1a. encontrada)
Regras ← Regras diminuída de Uma-Regra
Se todos os fatos da premissa de Uma-Regra pertencem à Base-de-Fatos então
Se a conclusão de Uma-Regra é Fato então
Retornar “Sucesso”
Juntar a conclusão de Uma-Regra à FatosNovos (se ela ainda não pertence)
Base-de-Regras ← Base-de-Regras diminuída de Uma-Regra
Retornar Executar-um-Ciclo(Regras, FatosNovos, Fato)
* Base-de-Regras é uma variável global; Regras é uma variável local

Encadeamento Regressivo (1)
A direção da busca é das metas ou
hipóteses para os dados
SE cond1 & cond2 & … & condN
ENTÃO Ação1
Direção da busca:
É possível provar a hipótese a partir dos
dados?

Encadeamento Regressivo (2)
O sistema é controlado por uma lista de objetivos
Um objetivo pode ser satisfeito diretamente por
um elemento da memória de trabalho ou podem
existir regras que permitam inferir algum dos
objetivos correntes, isto é, contenham uma
descrição deste objetivo em suas partes direitas
As regras que satisfazem esta condição tem suas
partes esquerdas adicionadas à lista de objetivos
correntes
Problemas típicos: diagnóstico

Sistema em Cadeia para Trás - 1 (cria subproblemas em largura)
Procedimento Estabelecer-um-Fato(FATO)
Se Fato pertence à Base-de-Fatos então retornar “sucesso”
Retornar Estabelecer1(Base-de-Regras)
Procedimento Estabelecer1(Regras)
Se Regras é vazio então retornar “falha”
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. o 1o. encontrado)
Regras ← Regras diminuído de Uma-Regra
Se Uma-Regra comporta Fato como conclusão então
Se Estabelecer2(Uma-Regra) = “sucesso” então retornar “sucesso”
Retornar Estabelecer1(Regras)
Procedimento Estabelecer2(A-Regra)
Fatos ← todos os fatos que compõe a premissa de A-Regra
Retornar Estabelecer-Conjunção-de-Fatos(Fatos)
Procedimento Estabelecer-Conjunção-de-Fatos(Os-Fatos)
Se Os-Fatos é vazio então retornar “sucesso”
Um-Fato ← escolha de um elemento qualquer de Os-Fatos (p.ex. o 1o. encontrado)
Os-Fatos ← Os-Fatos diminuído de Um-Fato
Se Estabelecer-Um-Fato(Um-Fato) = “falha” então retornar “falha”
Retornar Estabelecer-Conjunção-de-Fatos(Os-Fatos)
Sistema em Cadeia para Trás - 2/1 (em largura, salvo se
uma regra conclui diretamente)
Procedimento ESTABELECER-UM-FATO(FATO)
Se FATO pertence à BASE-DE-FATOS então retornar “sucesso”
CONFLITO ← todas as regras de BASE-DE-REGRAS que tem FATO como parte
conclusão
Se ESTABELECER-DIRETO1(CONFLITO) = “sucesso” então retornar
“sucesso”
Retornar ESTABELECER1(CONFLITO)
Procedimento ESTABELECER-DIRETO1(REGRAS)
Se REGRAS é vazio então retornar “falha”
UMA-REGRA ← escolha de um elemento qualquer de REGRAS (p.ex. a 1a.
encontrada)
REGRAS ← REGRAS diminuída de UMA-REGRA
FATOS ← todos os fatos que compõe a premissa de UMA-REGRA
Se FATOS está incluso na BASE-DE-FATOS então retornar “sucesso”
Retornar ESTABELECER-DIRETO1(REGRAS)
Sistema em Cadeia para Trás - 2/2
Procedimento ESTABELECER1(REGRAS)
Se REGRAS é vazio então retornar “falha”
UMA-REGRA ← escolha de um elemento qualquer de REGRAS (p.ex. a primeira
encontrada)
REGRAS ← REGRAS diminuído de UMA-REGRA
Se ESTABELECER2(UMA-REGRA) = “sucesso” então retornar “sucesso”
Retornar ESTABELECER1(REGRAS)
Procedimento ESTABELECER2(A-REGRA)
FATOS ← todos os fatos que compõe a premissa de A-REGRA
Retornar ESTABELECER-CONJUNÇÃO-DE-FATOS(FATOS)
Procedimento ESTABELECER-CONJUNÇÃO-DE-FATOS(OS-FATOS)
Se OS-FATOS é vazio então retornar “sucesso”
UM-FATO ← escolha de um elemento qualquer de OS-FATOS (p. ex. o primeiro
encontrado)
OS-FATOS ← OS-FATOS diminuído de UM-FATO
Se ESTABELECER-UM-FATO(UM-FATO) = “falha” então retornar “falha”
Retornar ESTABELECER-CONJUNÇÃO-DE-FATOS(OS-FATOS)

Linguagens de Representação
do Conhecimento
Quadros (“frames”)
Scripts
Redes Semânticas
Lógica
Componentes Adicionais
São necessários para interagir com o motor
de inferência e a base de conhecimentos
Usuário
Um modo dos usuários interagirem com o
sistema
Um lugar para armazenar o conhecimento
usado no trabalho
Uma maneira de se conseguir ajuda do
sistema

SBC Básico

Usuário
SBCs são projetados para interagir com vários
tipos de usuários, agindo de diferentes maneiras
conforme as circunstâncias
Um leigo procurando ajuda direta - modo consultor
Um estudante que quer aprender – modo instrutor
Um construtor de SBC melhorando ou aumentando a

base de conhecimentos – modo acompanhante
Um especialista – modo cooperativo

Memória de Trabalho
Armazena condições iniciais, hipóteses
intermediárias e decisões, e soluções finais
A informação é classificada em três tipos
Planos (como resolver o problema)
Agenda (ações potenciais a serem
executadas)
Soluções (soluções candidatas e hipóteses
intermediárias)

Facilidades de Explicação
O módulo que facilita a explicação pode justificar
as conclusões e auxiliar a explicar o
comportamento do SBC
Isto é feito através de questões interativas
Por quê o sistema faz uma pergunta em particular?
Como o sistema alcança a conclusão correta?
Por quê uma certa alternativa é rejeitada?
Qual é a tática atual do sistema para alcançar a
conclusão?

Aquisição de Conhecimento
Como o sistema adquire conhecimento?
Como o conhecimento é inicialmente trazido
para dentro do sistema?
Como o sistema adquire novos
conhecimentos?
Como este conhecimento pode ser testado?
Quais componentes necessitamos
acrescentar ao sistema para realizar estas
funções?

SBC Completo

Conhecimento Especialista
Adquirir conhecimento especialista para uma
base de um SBC envolve
obter informações dos especialistas e/ou fontes
documentais
classificação desta informação em declarativa
(factual) e procedural
codificação desta informação num formato utilizado
pelo SBC
checagem de consistência do conhecimento
codificado com o conhecimento existente no sistema

Engenheiro do Conhecimento
Estrutura a área do problema
Interpreta, traduz e integra conhecimento
especialista ao sistema
Traça analogias
Apresenta contra-exemplos
Traz à luz conceitos difíceis
Checa a consistência do conhecimento

Refinamento do Conhecimento
Futuros SBCs serão capazes de monitorar,
analisar, aprender e melhorar suas próprias
performances, resultando numa base de
conhecimento mais aprimorada e num
raciocínio mais efetivo
Nos SBCs atuais esta tarefa é do
Engenheiro do Conhecimento

Sistemas de Produção
Vantagens
Modularidade
Uniformidade
Naturalidade
Desvantagens
Ineficiência em tempo de execução
Complexidade do fluxo de controle

SistemasEspecialistas JCNievola

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

SistemasEspecialistas JCNievola

Enviado por

Direitos autorais:

Formatos disponíveis

Sistemas Especialistas

Prof. Júlio Cesar Nievola

Pessoa que é largamente reconhecida como

Prof. Júlio Cesar Nievola PPGIa - PUCPR

u r íst icas p eriência Conhecimento

Ensino Teorias Gerais

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Sistema que utiliza técnicas apropriadas para

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Interface com o usuário

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Restrição Execução das ações

Resolução Ações sobre o

Eventualmente parada Eventualmente parada

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Dados e relações entre dados Conceitos, relações entre

Conhecimento embutido no Conhecimento representado

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

* Base-de-Regras é uma variável global; Regras é uma variável local

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR

Prof. Júlio Cesar Nievola PPGIa - PUCPR