Engenharia de Conhecimento

Engenharia de Conhecimento
1
Temas
• Conhecimento na computação (IA).

• Sistemas baseados em conhecimento
• Sistemas especialistas
• Representação de conhecimento
• Engenharia de conhecimento
Conhecimento na computação (IA)
3
Conceitos fundamentais
– Representação de Conhecimento e
raciocínio:
• Uma parte da IA preocupada em estudar
como um agente usa o que ele conhece para
decidir o que fazer.
(Brachman & Levesque, 2004).
• Conhecimento
– "João sabe que x“
• x é substituível por uma sentença declarativa
– "a neve é branca“
• Sentenças declarativas como essa representam
proposições
• Proposição: entidade abstrata que é sobre o mundo
e que pode ser (classicamente) verdadeira ou falsa.
– Conhecimento é que resulta quando um agente toma o
mundo de uma certa maneira e não de outra.
• Representação:
– Uma relação entre dois domínios, onde "um representa o
outro".
– A representação (eventualmente) é concreta e mais
facilmente manipulável que o representado.
– Símbolo:
• Uma representação particularmente importante na IA.
• Uma entidade formal concreta, computacionalmente
processável.
• Raciocínio (na IA):
– Processamento formal de símbolos que representam uma
coleção de proposições em que um agente acredita, para
produzir representações de novas proposições.
– Inferência lógica:
• Um tipo de raciocínio particularmente importante na IA
• Representações geradas pela inferência, são
conclusões lógicas das anteriores.
Por que representação de
conhecimento e raciocínio?
• Mundo de Wumpus
– Ambiente:
• Uma grade de 4X4 áreas
• É possível sentir um cheiro forte em áreas adjacentes ao
Wumpus.
• É possível perceber uma brisa em áreas adjacentes a
poços.
• É possível perceber um brilho na área que está o ouro.
• É possível pegar e largar o ouro.
– Sensores:
• De cheiro, brisa e brilho
– Atuadores:
• Virar para esquerda ou direita, mover-se para a frente,
pegar ou largar o ouro, escalar
4
1 2 3 4
Agente não percebe brisa, nem cheiro forte.
4
1 2 3 4
Agente percebe brisa em (1,2). O que podemos deduzir deste fato?
4
1 2 3 4
Existe pelo menos um poço em (1,3) ou em (2,2)
4
1 2 3 4
Agente volta e para em (2,1), onde percebe um cheiro forte.
O que podemos deduzir deste fato?
4
1 2 3 4
Não pode haver poço em (2,2), porque o agente não percebeu brisa em (2,1).
Não pode haver Wumpus em (2,2), porque o agente não percebeu cheiro em (1,2).
4
É possível representar
o conhecimento do
mundo usando lógica
3 e derivar conclusões a
cada passo usando
métodos de
2 inferência.
1 2 3 4
Não pode haver poço em (2,2), porque o agente não percebeu brisa em (2,1).
Não pode haver Wumpus em (2,2), porque o agente não percebeu cheiro em (1,2).
Exemplo de prova de teorema
– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1
– 𝑅6 : (𝐵1,1 ⇒ (𝑃1,2 ∨ 𝑃2,1 )) ∧ ((𝑃1,2 ∨ 𝑃2,1 ) ⇒ 𝐵1,1 ) (eliminação do bicondicional em 𝑅2 )
– 𝑅7 : (𝑃1,2 ∨ 𝑃2,1 ) ⇒ 𝐵1,1 (eliminação do E em R 6 )
– 𝑅8 : ¬𝐵1,1 ⇒ ¬(𝑃1,2 ∨ 𝑃2,1 ) (contraposição em 𝑅7 )
– 𝑅9 : ¬(𝑃1,2 ∨ 𝑃2,1 ) (Modus Ponens com 𝑅8 e 𝑅4 )
– 𝑅10 : ¬𝑃1,2 ∧¬𝑃2,1 (Regra de De Morgan em 𝑅9 )
– Conclusão: Não tem poços em (1,2) e (2,1)

– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1

– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1

– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1

– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1

– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1

– 𝑅1 : ¬𝑃1,1
– 𝑅2 : 𝐵1,1 ⇔ (𝑃1,2 ∨ 𝑃2,1 )
– 𝑅3 : 𝐵2,1 ⇔ (𝑃1,1 ∨ 𝑃2,2 ∨ 𝑃3,1 )
Premissas
– 𝑅4 : ¬𝐵1,1
– 𝑅5 : 𝐵2,1

• Hipótese da representação de conhecimento
(Smith,1982)
– Qualquer processo inteligente mecanicamente
corporificado será composto de ingredientes estruturais
que:
• observadores externos julgarão como representando
o conteúdo proposicional do conhecimento que todo o
processo exibe.
• serão fundamentais para articular o comportamento
que manifesta este conhecimento
• Segundo (Brachman & Levesque, 2004).
– O desenvolvimento de sistemas que exibam processos
inteligentes é ancorado em representações simbólicas
– Estes sistemas são chamados de sistemas baseados
em conhecimento e o conjunto de suas representações
simbólicas é chamada base de conhecimento
• Cada representação individual em uma base de
conhecimento é uma sentença de uma linguagem
de representação de conhecimento (Russell &
Norvig,2009).
– Linguagens de representação moderna geralmente são
baseadas em lógica.
Sistemas baseados em conhecimento
e sistemas especialistas
24
• Sistemas baseados em conhecimento:
– Representam explicitamente o conhecimento de uma área
– Manipulam este conhecimento através de mecanismos de
inferência para resolver problemas.
– Tecnologia prática, baseada nos desenvolvimentos teóricos da
área de representação de conhecimento e raciocínio.
• Sistemas baseados em conhecimento:
– Representam explicitamente o conhecimento de uma área
– Manipulam este conhecimento através de mecanismos de
inferência para resolver problemas.
– Tecnologia prática, baseada nos desenvolvimentos teóricos da
área de representação de conhecimento e raciocínio.
• Sistemas especialistas:
– Tipo específico de sistema baseado em conhecimento.
– Sistema que simula a performance de um especialista humano
em um dado domínio específico.
– Incorpora conhecimento altamente especializado de um ou mais
especialistas em um dado domínio e tarefa.
• Geralmente representado como heurísticas na forma de
regras.
Principais componentes
Mecanismo de
Algoritmos independentes de domínio
inferência
Base de
Conteúdo dependente de domínio
conhecimento
Mecanismo de
inferência
Base de
conhecimento
Conjunto de sentenças
declarativas que
descrevem o mundo em
uma linguagem formal.
Mecanismo de
inferência
Base de
conhecimento
“A grama é verde”.
“A Lua é cúbica”.
declarativas que “Que dia é hoje?”
descrevem o mundo em “Olá!”
Mecanismo de
inferência
Base de
conhecimento
Mecanismo de
inferência
Base de
conhecimento
• Abordagem declarativa para construção de agentes:

– Tell: Informa o que o agente precisa saber.
– Ask: Pergunta à base de conhecimento que ação deve executar.
• Resposta deve “seguir” do que o agente sabe.
Arquitetura típica
Base de
conhecimento
Engenheiro de Mecanismo de
conhecimento inferência Usuários
Editor da base Interface do

de conhecimento usuário
Mecanismo de
explicação
• Vantagens:
• Vantagens:
– Separa o conhecimento dos procedimentos que o manipulam.
• Facilita a manutenção
• Permite uma maior divisão de tarefas
– Oferece explicações para as conclusões alcançadas.
• Isso é um grande diferencial em domínios críticos.
– Aumenta a disponibilidade de conhecimento especialista (no caso de sistemas
especialistas).
• Torna o conhecimento independente da pessoa.
– Incentiva a estruturação e explicitação do conhecimento.
• O processo de construção do sistema pode em si já trazer benefícios para a
organização e os envolvidos.
– É possível usar o conhecimento já representado para desenvolver novos sistemas,
que resolvem outras tarefas.
• Ex: “dois objetos produzem ruído quando colidem”
• Podemos gerar ou evitar ruído, ou criar hipótese para o que causa ruído.
– É possível estender o comportamento do sistema simplesmente adicionando novo
conhecimento.
• Quando não usar:
• Quando não usar:
– Algoritmos convencionais são conhecidos e eficientes para o
problema.
– O principal desafio é a computação e não o conhecimento.
– Conhecimento não é facilmente capturado.
• Muito conhecimento tácito.
– Situações em que usuários estejam relutantes em adotar
sistemas baseados em conhecimento.
– Tarefas de regressão ou classificação em que dados estão
amplamente disponíveis e suportam as decisões.
• Aprendizado de máquina pode ser uma alternativa melhor.
Sistemas especialistas famosos
• DENDRAL
– Identificação de constituintes químicos
• MYCIN
– Diagnóstico de doenças
• PROSPECTOR
– Análise de dados geológicos
– Descobriu um depósito mineral de $100 milhões
• …
38
• Engenharia de software para sistemas

baseados em conhecimento
• Transforma o processo ad hoc de construir
sistemas baseados em conhecimento em
uma disciplina da engenharia
– Métodos
– Linguagens
– Ferramentas
46
No Moodle: Engenharia de ConhecimentoArtigo2008
Mudança de paradigma
Paradigma de Paradigma de
transferência modelagem
47
Paradigma de transferência
• Típico do início dos anos 80.

• Diferentes tipos de conhecimento eram misturados na mesma
base e a depuração e manutenção eram complicadas.
• Objetivo: era visto como sendo a transferência do
conhecimento de um ser humano para um sistema.
• Suposição: conhecimento estava estruturado, pronto para
aquisição, disponível para o especialista, e possível de ser
transferido diretamente.
– O papel do conhecimento tácito e as dificuldades envolvidas não era
devidamente reconhecido.
48
Paradigma de modelagem
• É o paradigma moderno
• Assume que construir um KBS é uma atividade de modelagem.
• Construir um KBS é desenvolver um modelo computacional
cujo objetivo é viabilizar que o computador exiba capacidade de
resolução de problemas comparáveis ao do especialista
humano.
• O objetivo não é desenvolver um modelo cognitivo adequado,
ou simular o processo cognitivo do expert, mas elaborar um
modelo que atinja resultados semelhantes.
49
Paradigma de modelagem
• Reconhece que enquanto o expert é capaz de articular parte do

seu conhecimento, ele não está consciente de boa parte do seu
conhecimento tácito.
– Por isso, não é possível uma transferência direta.
• Reconhece que o modelo é uma aproximação, em termos de

objetivo.
• A modelagem é um processo cíclico. Novas observações
podem levar a refinamentos, modificações, etc, e guiar novos
processos de aquisição de conhecimento.
• Reconhece que o engenheiro de conhecimento é um mediador
que interfere e que faz avaliações subjetivas.
– O processo é falho.
50
– Uma etapa de avaliação do modelo é necessária.
Modeling view of knowledge
acquisition
“the primary concern of knowledge
engineering is modeling systems in the
world, not replicating how people think”.
Clancy (1993)
51
No Moodle: Knowledge Engineering: Principles and Methods
Nível de Conhecimento de Newell
Walter Van de Velde
52
Nível de Conhecimento de Newell
Comportamento Agente Observador Nível do
Conhecimento
Racionalizar
Mecaniza
Ambiente Nível
Simbólico
Nível da
Implementação
No Moodle: Issues in KL Modelling 53

Princípio da Racionalidade
Descrição de um agente
– O agente possui conhecimento
– Um desses conhecimentos é o objetivo do agente
– O agente pode realizar um conjunto de ações
– O agente escolhe suas ações utilizando o princípio da

racionalidade
• O agente irá selecionar a próxima ação de acordo com

seu conhecimento de que essa ação levará ao objetivo
54
Principal contribuição das idéias de
Newell
Permite definir e compreender o

comportamento do sistema sem que seja
necessário saber como implementar
concretamente o comportamento do agente
55
Principal contribuição das idéias de
Newell
Permite definir e compreender o

comportamento do sistema sem que seja
necessário saber como implementar
concretamente o comportamento do agente
Separação das tarefas de aquisição e
modelagem daquelas que se referem ao
desenvolvimento do sistema!
56
Abordagem de Modelagem
• Modelos formais
• Conceitos representados explicitamente
• Métodos de solução representados
explicitamente e de modo abstrato
• Compartilhamento de conceitos e métodos
• Reuso do modelo
57
Componentes do Modelo
Conhecimento
Objetivos Ações
58
Componentes do Modelo
O que o agente sabe.
Conhecimento
Objetivos Ações
O que o agente deseja. O que o agente pode fazer
O problema a ser resolvido. para atingir o objetivo,
sabendo o que sabe
59
Modelo de perícia (CommonKADS)
• Modelo de domínio
• Modelo de inferência
– Método de resolução de problemas
• Modelo de tarefa
60
Modelos de Domínio
• Especificação formal do conhecimento

envolvido na solução de problemas
Conhecimento
– Especifica: conceitos, propriedades, relações e

restrições típicas do domínio.
– Formal: processável por computador
– Métodos de solução do problema também
modelados de modo abstrato
61
Modelo da Tarefa
• Definem a relação entre os conceitos do

domínios necessários à aplicação e os
Objetivos
métodos de solução de problema abstratos

necessários para obter a solução.
• Realizam a instanciação dos métodos de
solução de problemas
62
Métodos de Solução de Problemas
• Modela o componente dinâmico do conhecimento

• Modelo abstrato aplicável àquela classe de
problemas, que pode se apresentar em mais de um
domínio.
Ações
• Generalização de um padrão de raciocínio

específico, mas não é um raciocínio genérico
• ( NÃO correspondem aos métodos de inferência por
busca, como raciocínio progressivo ou regressivo)
63
Classificação heurística
64
Classificação heurística
• Dado observável no domínio medico: 41 graus C“ pode ser

abstraído para “temperature alta“ pela ação de inferência abstract.
• Esse observável abstrato pode ter matching com uma solução
esperada. Por exemplo: infecção
• Finalmente, a solução pode ser refinada para uma doença
65
específica. Por exemplo: influenza.
Modelo de perícia
66
Desenvolvimento de sistemas
baseados em conhecimento
• Definição de escopo
• Análise de viabilidade
• Processo cíclico:
– Aquisição de conhecimento
– Desenvolvimento de modelos
– Implementação de modelos
– Validação
67
Exercício
• Organizem as idéias que Van Velde

apresenta nas primeiras 3 seções do artigo
Issues in Knowledge Level, disponível no
diretório Engenharia de Conhecimento do
Moodle, através de um mapa conceitual.
• Enviar pelo moodle
69

Engenharia de Conhecimento

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

Engenharia de Conhecimento

Enviado por

Direitos autorais:

Formatos disponíveis

Engenharia de Conhecimento

• Conhecimento na computação (IA).

– Conclusão: Não tem poços em (1,2) e (2,1)

– Conclusão: Não tem poços em (1,2) e (2,1)

– Conclusão: Não tem poços em (1,2) e (2,1)

– Conclusão: Não tem poços em (1,2) e (2,1)

– Conclusão: Não tem poços em (1,2) e (2,1)

– Conclusão: Não tem poços em (1,2) e (2,1)

– Conclusão: Não tem poços em (1,2) e (2,1)

• Abordagem declarativa para construção de agentes:

Editor da base Interface do

• Engenharia de software para sistemas

• Típico do início dos anos 80.

• Reconhece que enquanto o expert é capaz de articular parte do

• Reconhece que o modelo é uma aproximação, em termos de

Walter Van de Velde

No Moodle: Issues in KL Modelling 53

– Um desses conhecimentos é o objetivo do agente

– O agente pode realizar um conjunto de ações

– O agente escolhe suas ações utilizando o princípio da

• O agente irá selecionar a próxima ação de acordo com

Permite definir e compreender o

Permite definir e compreender o

• Especificação formal do conhecimento

– Especifica: conceitos, propriedades, relações e

• Definem a relação entre os conceitos do

métodos de solução de problema abstratos

• Modela o componente dinâmico do conhecimento

• Generalização de um padrão de raciocínio

• Dado observável no domínio medico: 41 graus C“ pode ser

• Organizem as idéias que Van Velde

Você também pode gostar