Tcnicas Para Representao Computacional de Conhecimento

Por Sergio Navega snavega@intelliwise.com Intelliwise AI Research Infoimagem 2005 Resumo Neste artigo apresento algumas tcnicas para representar conhecimento computacionalmente. Inicio com uma exposio terica que procura categorizar o que so smbolos e de que forma eles so tradicionalmente utilizados para representar conhecimento explcito. Em seguida, observaremos os frames, as redes semnticas, os formalismos que usam a lgica e finalmente introduziremos as ontologias. A principal inteno do artigo no descrever esses conceitos profundamente, mas apenas torn-los conhecidos pelo leitor. Introduo H muito tempo as empresas passaram a ser avaliadas por mais do que apenas seus ativos tangveis. Muitas empresas atuais dispem de notvel valor comercial, mesmo sem possuir muitos imveis ou maquinrios prprios. Essas empresas tm boa parte de seu valor atribudo quilo que conhecem. O conhecimento de uma empresa (o seu capital intelectual) representa atualmente um diferencial de importncia vital para o seu sucesso. Neste artigo, apresento alguns conceitos relacionados s mltiplas formas de representao computacional de conhecimento. Dada a vastido do assunto e a limitao de espao, no possvel fazer uma exposio detalhada. Conhecimento e Informao Em termos rigorosos, tudo o que veremos a seguir deveria se referir no a conhecimento, mas sim a informao. Conforme defendo em um outro artigo (veja Navega 2002), conhecimento requer a figura de um agente inteligente com potencial para ao. Livros, documentos e computadores no contm conhecimento, contm apenas informao. Esta se transforma em conhecimento a partir do momento em que entra na mente de um agente (nos dias de hoje, uma pessoa) que possa fazer uso dela. Lidando Com Dois Nveis Alm da distino informao/conhecimento, preciso mencionar que nem tudo o que as pessoas conhecem pode ser representado de forma simblica. Em um outro artigo (veja Navega 2000) mostro que boa parte do conhecimento humano no tem como ser explicitado, constituindo-se de elementos que no podem ter expresso simblica. Esse tipo de conhecimento conhecido como sub-simblico e tem relao com a forma como nossa cognio categoriza o mundo (veja mais detalhes em Harnad 1990). O Que So Smbolos? Smbolos so representaes que usam marcaes em um suporte fsico qualquer. Essas representaes substituem (fazem-se passar) por um objeto ou processo externo. Os smbolos fazem referncia a uma entidade externa, que pode ser um objeto, uma qualidade, um processo, evento, quantidade, etc.

Os smbolos (assim como informao, um conceito associado) precisam necessariamente de um suporte fsico, mas no podem ser confundidos com esse suporte fsico. Smbolos so construes abstratas, no tem massa nem cor, sua existncia necessariamente requer a presena de um observador. esse observador que faz a associao entre o smbolo e aquilo que ele representa. Essa associao conhecida como designao ou denotao. Nesta nossa anlise, h dois nveis de observadores: um observa o smbolo (ou pensa nele) e o associa ao objeto externo. Um segundo observador (ns) observa esse sistema (objeto + observador) e compreende a associao feita1. Aquele primeiro observador realiza uma tarefa que mais complexa do que se pode pensar primeira vista. Visualizar um objeto externo requer desse observador uma capacidade de interpretao, algo que somente um sistema perceptual pode executar. Percepo (ou interpretao) um dos pontos normalmente esquecidos em discusses de sistemas simblicos2. A associao feita entre um smbolo e aquilo que ele denota uma operao mental, s existente na mente do observador, e que requer deste uma sofisticada operao cognitiva. Smbolos Arbitrrios e Icnicos H duas espcies bsicas de smbolos: os arbitrrios e os icnicos. Os smbolos arbitrrios (ou amodais) so representaes que no guardam nenhuma associao intrnseca com o objeto que representam. A palavra LIVRO, por exemplo, no tem nenhuma caracterstica estrutural que a associe ao objeto correspondente. J o smbolo /OO/, por exemplo, guarda alguma proximidade perceptual (similaridade estrutural) com o objeto culos. Essa similaridade suficiente para que esse smbolo possa ser usado em contextos onde a identificao visual faa o observador lembrar-se do objeto real. Praticamente todos os sistemas computacionais atuais s se utilizam de smbolos amodais, j que os smbolos icnicos requerem uma difcil etapa de interpretao perceptual, um dos grandes problemas enfrentados pelos pesquisadores que lidam com inteligncia computacional. Mais informaes sobre este tpico pode ser vista em Barsalou (1999). O Acoplamento Causal Objetos e processos no meio ambiente esto ligados entre si pela causalidade que move o universo3. Essas seqncias de causa-efeito so suficientemente regulares para que possamos represent-las com descries lingsticas, equaes ou expresses lgicas. Em outras palavras, representamos as seqncias causais do universo atravs de grupos associados de smbolos. Disso decorre uma interessante propriedade da relao entre alguns smbolos: eles mantm entre si um tipo de ligao que duplica a correspondente conexo externa. Dizemos que esses smbolos esto causalmente ligados, ou seja, que dispe de um acoplamento causal. Esse acoplamento est representado em nossa mente (ou no interior de um processador de informaes, como um computador) por associaes paralelas correspondente externa. A solidez dessa conexo interna tem, como nica garantia, apenas a regularidade com que descobrirmos regras genricas do universo4. Um sistema informatizado de controle de temperatura, por exemplo, recebe informaes de um sensor que so digitalizadas e transformadas em smbolos. So esses smbolos (por exemplo, 23) que faro o sistema acionar o ar condicionado (ou seja, executar uma ao no mundo real). H pouca chance de esse processo dar errado, por isso no h muita preocupao em haver descompasso entre a temperatura do ambiente (causalidade externa) e aquilo que o sistema tem representado (causalidade interna). Contudo, basta que algum acenda um isqueiro logo abaixo do sensor para introduzir uma desvinculao dessas causalidades.

O histrico de como se obtm representaes simblicas que guardem proximidade causal com o ambiente externo muito maior do que parece: atividade que ns humanos desempenhamos h milnios. Hoje em dia, esse tipo de atividade tem um nome definido: o mtodo cientfico. Atravs do processo de investigao da cincia conseguimos determinar as ligaes (modelos) entre conceitos relativos ao evento que analisamos. Isso se transforma em representaes lingsticas e equaes matemticas (portanto, smbolos) que procuram preservar essa relao de causa-efeito. Usos dos Smbolos Vimos at agora o uso de smbolos levando em conta o efeito de representar objetos e propriedades do ambiente na mente de um agente inteligente. Isto permite que esse agente efetue operaes sobre esses smbolos e que disto conclua algo. Computadores j fazem isso, s que eles ainda no aprendem esses processos por experincia prpria (precisam ser meticulosamente programados). Entretanto, no uso mais corriqueiro dos smbolos, tem-se como finalidade principal a comunicao entre dois ou mais agentes. Para que isto ocorra a contento, necessrio que ambos tenham capacidade similar de associar os smbolos aos seus objetos respectivos (e que sejam os mesmos objetos). Portanto, para a finalidade de compartilhamento de informao, smbolos precisam ser objeto de conveno pblica. Tcnicas para Representao Agora que j vimos essa introduo sobre smbolos, ficar mais fcil entender as diversas caractersticas dos sistemas representacionais. Vale recordar que todos esses mtodos que veremos (que, diga-se novamente, no uma lista exaustiva) possuem como limitao a incapacidade de representar informaes sub-simblicas. Disso deve-se concluir que existe uma significativa parcela do conhecimento empresarial que no tem como ser explicitado e, portanto, no pode ser capturado por sistemas processadores de informao. A maior parte desse conhecimento sub-simblico est armazenado nos crebros das pessoas que compe uma organizao. Introduzindo os Frames Introduzidos por Marvin Minsky (1975), os frames so estruturas compostas de gavetas (slots ou escaninhos) capazes de conter um valor. Um grupo associado de gavetas forma um frame. O contedo de um slot pode estar associado a instncias hierarquicamente superiores. Atravs desse modelo, temos como implementar conceitos como herana, to importante para as modernas linguagens orientadas a objeto. No exemplo abaixo temos um frame que descreve o Piu-Piu, aquele personagem de desenho animado:
Nome do Frame

Piu-Piu
Escaninho (Slot)

-Um Cor Lar

Canrio Amarelo Gaiola Frajola

Contedo do Slot

Estruturas de frames esto associadas montando complexas relaes entre cada conceito. Isto permite que os sistemas baseados em frame possam responder a certas perguntas. No exemplo abaixo, perguntamos ao sistema se o Piu-Piu pode voar:

Questo: Pode o Piu-Piu Voar?

Animais Tem Podem Atrib Atrib Pssaros -Um Animal Tem Asas Pode Voar Tem Penas Canrios -Um Pssaro Pode Cantar Avestruz -Um Pssaro NoPode Voar

Pele Mover Comem Respiram Peixes -Um Animal ....... ......... Salmo ............. Tubaro .............

Piu-Piu -Um Canrio Lar Gaiola Inimigos Frajola

Comeando com o frame inferior direito, observamos que Piu-Piu -UM canrio. Isto nos leva ao frame que define o que um canrio. Sabemos que canrios podem cantar e que canrios so pssaros. Daqui, novamente subimos um nvel at encontrar o frame Pssaros. Inspecionando esse frame determinamos que pssaros podem voar. Disso vem a resposta que Piu-Piu pode voar. Frames podem ser usados em grande nmero, e com o uso de sistemas especificamente desenhados, pode-se obter tempos de processamento mnimos mesmo para consultas sofisticadas. O exemplo abaixo apresenta a interface de um sistema baseado em frames (sistema PARKA):

A implementaco do PARKA em uma CM-5 (Connection Machine, computador paralelo de alto desempenho, que atualmente j est um pouco obsoleto) obteve tempos de processamento de poucas centenas de milisegundos para consultas envolvendo centenas de milhares de frames. Redes Semnticas As Redes Semnticas (Semantic Networks) so construes que representam conhecimento atravs de ns conectados por arcos. As origens das redes semnticas so bastante antigas, tendo sido exploradas pela Filosofia, Psicologia e Lingstica. Um exemplo tpico segue:
Animal Pelos
Coberto Com -Um -Um -Um

Animal-Voador

Coberto Com Tem

Mamferos Roedores
-Um -Um -Um

Penas Asas

-Um

-Um

Morcego Tico Teco

-Um

guia

Bibo

As redes semnticas tambm podem responder a perguntas: Ser que Bibo tem asas? Siga o diagrama, comeando pela parte inferior, observando o n chamado Bibo. Dele conclumos que Bibo -UM morcego e prosseguindo, verificamos que morcego -UM animalvoador. Logo em seguida verificamos que animal-voador Tem asas e assim conclumos que Bibo tem asas. Essa estrutura parece bastante similar dos frames. Mas a similaridade termina quando extenses das redes semnticas entram em ao. Uma dessas extenses so as chamadas redes semnticas proposicionais, onde os ns representam proposies. Os ns podem conter redes aninhadas que especificam mais informaes sobre as proposies. Outras extenses so feitas quando os ns representam conceitos ou relaes entre conceitos, em uma estrutura conhecida como Grafos Conceituais (Conceptual Graphs, cujo principal terico John Sowa5). A capacidade expressiva dessas construes , em muitos casos, superior conseguida pela lgica de primeira ordem (veja adiante). O sistema SNePS (Semantic Network Processing System) um exemplo de implementao de uma rede semntica proposicional, tendo sido desenvolvido por Stuart Shapiro e vrios colegas desde a dcada de 1970. Regras de Produo A febre dos Sistemas Especialistas ocorreu na dcada de 80. Muitos achavam que estvamos diante de sistemas realmente inteligentes. A principal estrutura representacional usada por esses sistemas foram as Regras de Produo. Nelas, procurava-se representar (explicitar) conhecimentos sobre um domnio. As regras dispunham de antecedentes (condies iniciais) e conseqentes (condies finais).

O sistema funcionava adicionando em uma memria de trabalho os dados iniciais fornecidos pelo usurio (uma pergunta, por exemplo). Desses dados, o sistema buscava encontrar as regras que poderiam ser disparadas, ou seja, que tivessem suas condies iniciais satisfeitas por causa do contedo dessa memria de trabalho. Sempre que uma regra disparava, a memria de trabalho recebia a conseqncia correspondente, o que fazia o sistema entrar em um novo ciclo de busca por condies iniciais satisfeitas, at que uma resposta final emergisse. A seguir temos um exemplo de codificao de regras de produo:
Conhecimento Explcito

Se
Estamos no entardecer E o cu est avermelhado

Se
temperaturaForno > 800 E tempoOperacao < 15

Ento
Tempo amanh deve ser bom.

Ento
FecharVlvula V1 E ApresentarAviso A1.

Um dos exemplos mais clssicos foi o sistema MYCIN (1976), especializado no diagnstico de doenas infecciosas. Este o aspecto geral de uma regra do Mycin:

Regras
(<predicado> <objeto> <atributo> <valor>) ( membf cntxt site sterilesites )

Abaixo temos um exemplo de codificao de uma regra:

((and (same cntxt infect primary-bacteremia) (membf cntxt site sterilesites) (same cntxt portal gi) ) (conclude cntxt ident bacteroides tally 0.7))

Vastas seqncias dessas regras compem a base de conhecimento do sistema, algo que, para ser criado, requer o esforo de diversos especialistas. Representando Conhecimento com Lgica Uma das mais tradicionais formas de representar conhecimento tem origem no ramo da Matemtica que investiga a Lgica. Um primeiro formato muito usado chamado de Lgica Proposicional (ou Clculo Proposicional). Nele, usam-se proposies e relaes lgicas entre proposies. As proposies podem ser verdadeiras ou falsas, assim como as expresses montadas com proposies e relaes lgicas.
Conector E Conector OU Implicao Equivalncia Negao

A chamada semntica do Clculo Proposicional define de que forma os valores de validade (verdadeiro ou falso) so obtidos a partir das diversas possibilidades de relao entre as proposies e os conectores lgicos:

P falso falso

Q P P Q falso verdad. falso verdad. verdad. falso falso falso falso

P Q P Q falso falso verdad. falso verdad. verdad. falso

verdad. falso verdad. verdad.

verdad. verdad.

Contudo, o Clculo Proposicional menos expressivo do que a conhecida Lgica de Primeira Ordem (FOL - First-Order Logic, ou Predicate Calculus). Neste caso, lida-se com uma estrutura de representao mais rica, que inclui elementos como: Objetos Relaes Propriedades Funes Variveis Pessoas, veculos, empresas, pocas, etc. Maior que, dentro de, irmo de, etc. Azul, spero, redondo, horizontal, etc. Mais, menos, seguinte, terceiro, etc. ?x, ?y, ?z, etc.

A partir desses elementos, a FOL pode representar sentenas como O rei malvado John governou a Inglaterra em 1200. Essa expressividade garante grande parte do benefcio dessas estruturas. Alm disso, h formas de especificar quantificadores, que delimitam (ou ampliam) o escopo das expresses lgicas. Dois dos principais quantificadores so o Existencial e o Universal:

Quantificador Universal x Gato(x) Mamfero(x)

A expresso acima deve ser lida assim: para qualquer X tal que X seja um gato, isto implica que esse X um mamfero. Este um exemplo do quantificador Existencial:

Quantificador Existencial x Governador(x)

assim que lemos a expresso acima: Existe um X tal que X Governador. Isto nos permite montar expresses que signifiquem frases completas:
Existe algum que amado por todo mundo y x Ama(x, y)

Todo mundo ama alguma pessoa x y Ama(x, y)

Mas no concernente s inferncias que a FOL mostra seu poder. O exemplo abaixo mostra como isso acontece:
x advogado(x) rico(x) Todo Advogado Rico x temCasa(x) rico(x) casaGrande(x) Todo aquele que rico e tem casa, tem casa grande x casaGrande(x) custaManter(x) Quem tem casa grande, gasta muito para mant-la

As expresses acima (com suas tradues em Portugus logo abaixo) fazem parte da base de conhecimentos de um sistema. A partir de alguns dados entrados pelo usurio (por exemplo, Joo um advogado e Joo tem casa), o sistema rapidamente concluir:

advogado(Joo) temCasa(Joo)

Joo gasta muito com sua casa

Este exemplo pode parecer at mesmo trivial, mas imagine o poder desta estratgia quando se dispe de milhares de expresses lgicas coerentes e encadeadas. Compartilhando Conhecimento O processamento automtico de conhecimento (via inferncia lgica, por exemplo) tem sido considerado um grande avano, mas mesmo assim existem diversos problemas tericos ainda sem soluo definitiva6. Contudo, alm de inferncia, representar conhecimento para compartilh-lo tem sido um sonho antigo. Algumas formas j foram tentadas, como o KIF:
KIF Knowledge Interchange Format
(Define-Ontology Example (Slot-Constraint-Sugar topLevelOntology)) (Define-Class Age (?X) :Def (Property ?X)) (Define-Relation Cousin(?s ?p) "Relation type Cousin" :Def (And (Person ?s) (Person ?p))) (Exists ((?j Person)) (And (Name ?j John) (Believer ?j '(Exists ((?m Person) (?p Person) (?a Age)) (And (Name ?m Mary) (Chrc ?m ?a) (Cousin ?m ?p) (Chrc ?p ?a) )) )))

Mais informaes sobre essa metodologia podem ser vistas http://logic.stanford.edu/kif/dpans.html. Outro conhecido estratagema o KQML:

em

KQML Knowledge Query and Manipulation Language

tell(can-ask("O Estado de S. Paulo", 'city(x, "So Paulo")')) ask-if(city(cid2384, "Campinas")) ask-one(x, smoking(x, "Allowed")) ask-all(x, city(x, "Ribeiro Preto") and pets(x, "Allowed"))

Mais informaes em http://www.cs.umbc.edu/kqml/. Contudo, nada teve o impacto no compartilhamento de conhecimento similar quilo que conhecido como Ontologias. Introduzindo as Ontologias Ontologias so formas de conceituar um domnio usando termos que disponham de uma hierarquia e que possam ser facilmente compartilhados. Tom Gruber define ontologias como sendo especificaes de uma conceitualizao. Em geral, ontologias preocupam-se em definir as entidades que ocupam a mente de um agente inteligente (um indivduo, uma empresa, uma nao, etc.) e as relaes que existem entre essas entidades. Ontologias so, portanto, espcies de taxonomias que procuram descrever as entidades (conceitos, atributos, eventos, categorias, etc.) que constituem um domnio do conhecimento. Em alguns casos, esses domnios incluem noes abrangentes, mas na maioria das vezes a principal preocupao definir e especificar domnios especficos, pertencentes ao ramo de atuao de quem est interessado na ontologia. Como um dos principais objetivos das ontologias servir de base estvel para a troca de conhecimentos, muitos tericos dizem que as ontologias devem se preocupar com aqueles detalhes de uma base de conhecimentos que no mudam durante a resoluo de um problema. Essa base fixa a principal fora da ontologia para permitir a troca de informao entre agentes inteligentes. Ontologias s fazem sentido se estiverem sendo propostas para comunidades de usurios, sendo portanto um acordo de cavalheiros. O diagrama a seguir mostra que tipo de informao pode ser explicitada em uma ontologia:
Categorias
Laranja -> Frutas -> Vegetais -> Vida Orgnica

Medidas
Massa, Idade, Preo, Comprimento

Objetos Compostos
Carros, Prdios, Partida de Futebol

Tempo, Espao, Movimento (Mudana)

Sculo XX, Cidade de So Paulo, Viagem Bahia

Eventos e Processos
[aquisio laranjas], [espremer laranjas]

Objetos Fsicos
Elefante, Telefone, Pneu

Substncias
Suco de laranja, Manteiga, Cimento

Objetos Mentais e Crenas

[desejo de comprar laranja], [Louis Lane acredita que Super-Homem sabe voar]

Por Que Precisamos de Ontologias? Uma das principais razes, como j vimos, permitir o compartilhamento de entidades entre usurios. Mas existe uma outra forte razo: no possvel representar o universo com nveis arbitrrios de detalhes. Sempre que precisamos discorrer sobre algum domnio (por exemplo, os conceitos associados a uma instalao industrial), devemos restringir essa representao a partes especficas do universo (aquilo que estamos chamando de domnios), com detalhes suficientes para permitir a resoluo de problemas relativos a um objetivo ou tarefa especficos. Isto envolve elaborar uma Conceitualizao, ou seja, montar um conjunto abstrato de objetos e outras entidades que so assumidas como existentes nesse domnio especfico, alm de relaes e funes sobre esses elementos. A escolha de um conjunto como esse envolve um compromisso ontolgico (ontological commitment), que deve ser aceito por todos os usurios. Comparando Ontologias com Banco de Dados Pode parecer, primeira vista, que Ontologias so desnecessrias, visto termos hoje em dia uma grande variedade de bancos de dados. Contudo, h importantes diferenas entre esses dois esquemas. Nos banco de dados, as informaes esto normalmente estruturadas em tabelas e registros. Portanto, esse um formato que mistura nveis distintos, pois em um mesmo registro podemos encontrar informaes sobre pessoas, salrios, cargos, departamentos, idade, etc. Todas essas informaes pertencem a nveis muito diferentes. Em um repositrio que usa Ontologias, as informaes esto agrupadas dentro de uma hierarquia, o que permite estabelecer uma espcie de categoria para cada item. Assim, haveria um item pessoa e, abaixo deste, itens sobre salrio, idade, tempo de servio, etc. Acima do item pessoa encontraramos departamento, chefe, unidade, projetos de que participa, etc. Observe, contudo, que toda essa descrio representa aspectos comuns do dia-a-dia, justamente onde uma ontologia no tem tanto valor. Imagine a vantagem de usar essa hierarquia quando temos noes tcnicas complexas ou conceitos muito especficos, cujos nomes e relaes precisam ser compartilhados entre muitas pessoas. Como Montar Ontologias? Estes so os passos tpicos para providenciar a elaborao de uma ontologia:
Definir o Vocabulrio Representar o Conhecimento Construo da KB

Em muitos casos, a ontologia pode iniciar a partir de um modelo j existente (um modelo antigo prprio ou de outra empresa). Isto envolve esta seqncia de passos:

Vocabulrio j existente

Reuso e Adaptao

Novo Vocabulrio

10

De acordo com Guarino, estes so alguns dos critrios que devem ser usados para montar ontologias: Particionamento O que considerado como parte de uma entidade? Quais as propriedades das partes? Quais os tipos de partes? Integridade O que considerado como um Inteiro? Em que sentido suas partes esto conectadas? Identidade Como a entidade pode mudar mantendo a identidade? Quais so suas propriedades essenciais? Em que circunstncias a entidade perde a identidade? Mudana de partes/ponto de vista alteram a identidade? Dependncia Entidade pode existir sozinha? Depende de outras entidades? Nveis em Ontologias H trs nveis em ontologias elaboradas, conforme mostra o diagrama a seguir:
Top Level Core Ontologies Domain Ontologies

O nvel mais superior (Top Level) contm entidades e relaes que fazem parte do conhecimento de senso comum. So usualmente noes que esto nas mentes das pessoas, no importando se especialistas ou leigos. Algumas dessas relaes e conceitos podem ser do conhecimento de crianas. H vrios modelos de ontologias disponveis atualmente (um exemplo o CYC) que disponibilizam esse top level. O segundo nvel (Core Ontologies) j reflete um tipo de conhecimento mais abstrato e elaborado. Em geral, esse nvel lida com conceituaes pertencentes a uma educao formal, onde so estabelecidas relaes mais complexas entre entidades. O ltimo nvel onde a atividade principal dos engenheiros do conhecimento reside: no nvel de domnio so explicitados os conceitos e relaes que podem ser especficos da empresa. Este o nvel que maior utilidade tem, no s em relao lgica de representao, mas principalmente no efeito de compartilhamento que permite. O diagrama a seguir mostra apenas o primeiro nvel do top level de quatro ontologias tpicas:

11

Thing

CYC
IndividualObject Intangible Represented

Um-Thing
Configuration Element Sequence

GUM
Generalized Upper Model

Thing

WordNet
Living NonLiving

Thing
Concrete Process Object Abstract

Sowa

Um Exemplo de Ontologia: Mikrokosmos O projeto Mikrokosmos (Computing Research Laboratory, New Mexico State University) preocupou-se em montar uma ontologia que suportasse sistemas automatizados de traduo. Uma das finalidades bsicas da Mikrokosmos foi ocupar-se em processar textos sobre fuses e aquisies de empresas. Esses textos vm, via de regra, em formatos no padronizados. Alm disso, as informaes abrangem um universo muito amplo, o que requer a presena, na ontologia, de um vasto nmero de conceitos associados. Abaixo apresentado o primeiro nvel do Top Level da Mikrokosmos:

12

A partir no n ALL temos as divises fundamentais: object, event e property. Vamos seguir o n object e depois o n social object. Encontramos o n organization, aberto abaixo:

A Mikrokosmos usa a representao de frames para cada n. Os frames tm slots e valores associados, tal qual a definio de frames que j vimos. Atravs dos slots h a herana de propriedades de outros nveis da ontologia, atravs do uso de conexes chamadas de relaes e tambm atravs de valores especficos (os atributos). Com o uso dessa formalizao, a Mikrokosmos consegue ser eficaz na seleo de sentidos preferenciais das palavras, o que auxilia na resoluo de ambigidades. Isto tambm permite que sejam feitas inferncias, atravs do mesmo processo que vimos quando falamos dos frames. At mesmo a resoluo de metforas pode ser auxiliada por este processo, pois atravs da verificao do menor caminho entre dois conceitos consegue-se reduzir as possibilidades de confuso. Ontologia do CYC O projeto CYC (www.cyc.com) uma das mais ambiciosas tentativas de formalizao do senso comum (common sense) em desenvolvimento. Em um outro artigo (veja Navega 2002) elaboro mais detalhes sobre o projeto. O primeiro nvel da ontologia do CYC comea assim:

13

Thing RepresentedThing Collection ObjectType EventType IndividualObject SpatialThing StuffType Entity Event (Process) Interval

Os elementos da ontologia so representados atravs de clausulas da linguagem CycL. Eis alguns exemplos:
;;; #$AnimalSound (#$isa #$AnimalSound #$TemporalStuffType) (#$genls #$AnimalSound #$AudibleSound) (#$genls #$AnimalSound #$InformationBearingWavePropagation) (#$comment #$AnimalSound "A collection of information...") ;;; #$AnimalWalkingProcess (#$isa #$AnimalWalkingProcess #$ObjectType) (#$isa #$AnimalWalkingProcess #$TemporalStuffType) (#$isa #$AnimalWalkingProcess #$DefaultDisjointScriptType) (#$genls #$AnimalWalkingProcess #$LocomotionProcess) (#$genls #$AnimalWalkingProcess #$SimpleWholeBodyMovement) (#$comment #$AnimalWalkingProcess "The collection of individual...") ;;; #$AquaticOrganism (#$isa #$AquaticOrganism #$OrganismTypeByHabitat) (#$genls #$AquaticOrganism #$Organism-Whole) (#$comment #$AquaticOrganism "The collection...") ;;; #$Arm (#$isa #$Arm #$SymmetricAnatomicalPartType) (#$genls #$Arm #$Appendage-AnimalBodyPart) (#$comment #$Arm "The collection of all animal arms...") ;;; #$ArmMovement (#$isa #$ArmMovement #$TemporalStuffType) (#$isa #$ArmMovement #$DefaultDisjointScriptType) (#$genls #$ArmMovement #$BodyMovementEvent) (#$comment #$ArmMovement "The collection of any movements...")

O top level da ontologia do CYC est disponvel em vrios formatos. Em um deles, houve uma converso para o formato MDB usado pelo MS Access: http://www.ontotext.com/downloads/CycMDB.html

14

O lugar ideal para se experimentar com o sistema CYC e sua ontologia o site da verso para experimentao: http://www.opencyc.org Concluses Em que pese todas as possveis restries aos sistemas simblicos (principalmente no que concerne a sistemas inteligentes capazes de aprender de forma autnoma), preciso criar e trabalhar com representaes simblicas. No se pode esquecer que o ser humano sempre tem que fazer parte desse circuito, pois atualmente somente ele poder aplicar essas informaes como conhecimento prtico. As Ontologias representam um captulo parte dos sistemas simblicos, com vrias demonstraes prticas e mltiplos potenciais usos. Chegaremos ao dia em que nossos computadores estaro tambm capacitados a operar com conhecimento implcito, o que os far potencialmente muito mais teis do que so hoje. Referncias
Barr, Avron; Feigenbaum, Edward A. (1982) The Handbook of Artificial Intelligence, Vol. II. Addison-Wesley Publishing, Inc.Massachusetts. Barr, Avron; Cohen, Paul R.; Feigenbaum, Edward A. (1989) The Handbook of Artificial Intelligence, Vol. IV. Addison-Wesley Publishing, Inc. Massachusetts. Barsalou, Lawrence W. (1999). Perceptual symbol systems. Behavioral and Brain Sciences, 22, 577609. Breuker, Joost; Valente, Andre; Winkels, Radboud (1997) Legal Ontologies: A Functional View. In LEGONT 97, Proceedings of the First International Workshop on Legal Ontologies, Melbourne, Australia Davis, Ernest (1990) Representations of Commonsense Knowledge. Morgan Kaufmann Publishers, Inc., San Mateo, CA. Ginsberg, Matt (1993) Essentials of Artificial Intelligence. Morgan Kaufmann Publishers, Inc.

15

Guarino, Nicola (1994) The Ontological Level. In R. Casati, B. Smith and G. White (eds.), Philosophy and the Cognitive Science. Holder-Pivhler-Tempsky, Vienna, pp. 443-456 Guarino, Nicola (1995) Ontologies and Knowledge Bases: Towards a Terminological Clarification. In N. Mars (ed.) Towards Very Large Knowledge Bases: Knowledge Building and Knowledge Sharing. IOS Press, Amsterdam: pp. 25-32 Harnad, Stevan (1990) The Symbol Grounding Problem. Physica D 42: 335-346. Kettler, Brian; Andersen, William; Hendler, James; Luke, Sean (1995) Using the Parka Parallel Knowledge Representation System. University of Maryland technical report CS-TR-3485. Lenat, Douglas B.; Guha, R. V. (1990) Building Large Knowledge-Based Systems. Addison-Wesley Publishing Company, Inc., New York. Luger, George F.; Stubblefield, William A. (1993) Artificial Intelligence, Structures and Strategies for Complex Problem Solving. Benjamin/Cummings Publishing Company, Inc., California. Mahesh, Kavi; Nirenburg, S.; Cowie, J.; Farwell, D. (1996) An Assessment of CYC for Natural Language Processing. Computing Research Laboratory, New Mexico State University Mahesh, Kavi; Nirenburg, Sergei (1995) A Situated Ontology for Practical NLP. In: IJCAI-95 Workshop on Basic Ontological Issues in Knowledge Sharing, Montreal 1995. Markman, Arthur B. (1999) Knowledge Representation. Lawrence Erlbaum Associates, Inc., New Jersey. Mars, N. J. I. (editor) (1995) Towards Very Large Knowledge Bases. IOS Press Minsky, Marvin (1975) A Framework for Representing Knowledge. In: Winston, Patrick H. (ed) The Psychology of Computer Vision. McGraw-Hill, New York. Motta, Enrico; Reusable Components for Knowledge Modelling. Knowledge Media Institute Technical Report KMI-TR-54 Navega, Sergio (2000) Inteligncia Artificial, Educao de Crianas e o Crebro Humano. Leopoldianum, Revista de Estudos de Comunicaes da Universidade de Santos (Ano 25, No. 72, Fev. 2000, pp 87-102). Navega, Sergio (2002) Projeto CYC: Confundindo Inteligncia com Conhecimento. KMBrasil 2002, 3o. Workshop Brasileiro de Inteligncia Competitiva e Gesto do Conhecimento Navega, Sergio (2005) Pensamento Crtico e Argumentao Slida. Publicaes Intelliwise. Newell, Allen; Simon, Herbert (1976) Computer Science as Empirical Enquiry: Symbols and Search. In Haugeland, John (ed.) (1997) Mind Design II, MIT Press, Massachusetts. Newell, Allen (1982) The Knowledge Level. In Luger, George F. (1995) Computation and Intelligence, Collected Readings. AAAI Press Nilsson, Nils J. (1998) Artificial Intelligence, A New Synthesis. Morgan Kauffmann Publishers, Inc O'Hara, Tom; Mahesh, Kavi; Nirenburg, Sergei (1998) Lexical Acquisition with WordNet and the Mikrokosmos Ontology. In: Content Visualization and Intermedia Representations (CVIR'98)

16

Reed, Stephen L.; Lenat, Douglas (2003) Mapping Ontologies into Cyc. Cycorp, Inc., technical report Riddle, Patricia (et. al) (1992) CYC Evaluation. Boeing Computer Services Technical Report. Russell, Stuart, Norvig, Peter (1995) Artificial Intelligence, A Modern Approach, Prentice-Hall, Inc. Shanahan, Murray (1997) Solving the Frame Problem. MIT Press, Massachusetts. Shum, Simon B. (1997) Representing Hard-to-Formalize, Contextualized, Multidisciplinary, Organizational Knowledge, in AIKM Spring Symposium, Stanford University 1997 Sowa, John F. (ed.) (1991) Principles of Semantic Networks. Morgan Kaufmann Publishers, Inc., San Mateo, CA. Stefik, Mark (1995) Introduction to Knowledge Systems. Morgan Kaufmann Publishers, Inc., San Francisco, CA. van Heijst, Gerardus A. C. M. (1995) The Role of Ontologies in Knowledge Engineering. Ph.D Thesis, Universiteit Van Amsterdam

Notas
1

Na realidade, pode-se imaginar um terceiro observador que contemple os sistemas que falamos, e esse processo vai sucessivamente ao infinito.

Boa parte do fracasso de vrias correntes da Inteligncia Artificial deve-se ao esquecimento dessa questo perceptual.

Este um ponto filosoficamente um pouco mais complexo. Causalidade pode ser uma atribuio que fazemos do universo para que possamos desenvolver teorias e modelos com poder preditivo. A explorao deste assunto foge do escopo deste artigo.
4

Este assunto bastante vasto. Parte do tpico est explorado no livro Navega (2005).

Os grafos conceituais guardam relao com os Grafos Existenciais (Existential Graphs) de Charles S. Peirce, um filsofo americano do incio do sculo XX, tambm conhecido por ser o fundador do Pragmatismo, alm do principal introdutor da Semitica. Um desses problemas conhecido como Frame Problem. A idia bsica que mesmo em representaes lgicas triviais do mundo h um nmero muito grande de interdependncias bvias que precisam ser manipuladas. Imagine, por exemplo, que representamos uma mesa com um livro sobre ela, uma mosca voando e um candelabro pendurado do teto. Para responder pergunta Se eu mover a mesa, o que tambm se mover?, um sistema lgico precisar consultar toda a sua base de conhecimentos para determinar quais as categorias de objetos que iriam se movimentar nesse caso. Sabemos que o livro, por estar sobre a mesa, ir tambm se mover, mas o mesmo no ocorrer com a mosca nem com o candelabro. Embora simples, este exemplo mostra que qualquer item adicionado a essa situao ir aumentar catastroficamente o nmero de expresses lgicas que precisaro ser investigadas para determinar a verdade ou falsidade da situao. Com poucos milhares de expresses lgicas, mesmo sistemas sofisticados podem demorar muito tempo para responder mesmo a questes triviais. Este problema est explicado em detalhes em Shanahan (1997), que apresenta algumas possveis solues.
6

17