La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Introduzione allICSE Fabio Sartori 11 ottobre 2006.

Presentazioni simili


Presentazione sul tema: "Introduzione allICSE Fabio Sartori 11 ottobre 2006."— Transcript della presentazione:

1 Introduzione allICSE Fabio Sartori 11 ottobre 2006

2 Ingegneria della Conoscenza (Knowledge Engineering) Attività di Acquisizione Formalizzazione e Rappresentazione Codifica della conoscenza per la costruzione di sistemi basati sulla conoscenza (Knowledge Based Systems)

3 Knowledge-Based System (KBS) Applicazione dellIntelligenza Artificiale Sistema informatico atto a rappresentare conoscenze specifiche di un dato dominio e ad applicarle alla risoluzione di problemi Costruito per risolvere o supportare la risoluzione di problemi complessi mediante processi di inferenza sulla conoscenza

4 Sistema Esperto (SE) Particolare KBS con finalità specificatamente pratiche Progettazione Diagnosi Pianificazione Previsione … Programma che rappresenta e ragiona con la conoscenza di qualche ambito specialistico allo scopo di risolvere problemi Esperienza : un insieme di capacità altamente specializzate affinate in una situazione particolare per un fine specifico Un programma è esperto se manipola conoscenza (non semplicemente algoritmi) KBS SE

5 Programmi convenzionali vs KBS Algoritmo Problem Solving Method Dati Programma Convenzionale Knowledge Based System Dati Struttura dati Knowledge Base

6 Architettura di un KBS Knowledge Base – KB: uno o più componenti del KBS per la rappresentazione della conoscenza Motore inferenziale – uno o più componenti del KBS che interpretano e utilizzano il contenuto della KB Knowledge Base Shell Motore Inferenziale

7 Caratteristiche di un KBS Differenze con i programmi classici: i KBS rappresentano forme elementari del ragionamento umano, piuttosto che il dominio stesso operano su una rappresentazione della conoscenza (la base della conoscenza), oltre che fare calcoli e reperire dati risolvono problemi sulla base di metodi euristici o approssimati che, a differenza delle soluzioni algoritmiche, non è certo che terminino con successo Differenze con altri tipi di applicazioni di IA riguardano ambiti applicativi, di interesse scientifico o commerciale devono essere altamente efficienti in termini di velocità e affidabilità devono spiegare e giustificare le soluzioni proposte, per convincere lutente che il ragionamento seguito è corretto

8 Realizzazione di un KBS: principali entità coinvolte Esperto Utente KBMotoreinferenziale KnowledgeEngineer Sviluppatore

9 Entità coinvolte nella realizzazione di un KBS Esperto Utente KBMotoreinferenziale KnowledgeEngineer Sviluppatore

10 Esperto È possibile realizzare un KBS (e in particolare un SE) solo se esiste qualcuno (lesperto) che: Sia in grado di risolvere il problema Sa perché il problema si risolve in quel modo È in grado di fornire delle spiegazioni su come risolvere il problema È motivato a cooperare nelliniziativa

11 Knowledge Engineer Si occupa del processo di costruzione di KBS Acquisizione della conoscenza : trasferimento e trasformazione da una fonte di conoscenza (esperto, documenti, dati,...) ad una forma esplicita e formalizzata la conoscenza necessaria alla risoluzione di un problema Rappresentazione della conoscenza : definizione della modalità di descrizione formale della conoscenza ai fini della computazione simbolica Controllo del ragionamento : utilizzo della conoscenza nel modo e al momento giusto, determinando il modo in cui il programma (KBS) elabora la soluzione

12 Fonti di Conoscenza Ingegneria della conoscenza Persone esperte del problema (esperti del dominio) Data mining e analisi dei dati Libri, manuali o altri documenti Archivi di dati (registrazioni audio, filmati, database...)

13 KBS: Aree di interesse e ricerca KR: Rappresentazione della conoscenza KA: Acquisizione della conoscenza SD: Software Development M: Maintenance V&V: Validation and Verification UI: User Interaction

14 Esperto Utente KBS Knowledge Engineer Sviluppatore M KA KR SD UI KA: Knowledge Acquisition KR: Knowledge Representation SD: Software Development M: Maintenance V&V: Validation and Verification UI: User Interaction V&V Aree di ricerca sui KBS

15 KA: Knowledge Acquisition Attività svolta dal knowledge engineer per il trasferimento e la trasformazione di abilità potenzialmente in grado di risolvere problemi da un fonte di conoscenza (es. esperto) a un programma Risultati della ricerca nella KA Metodologie e tecniche di intervista Sviluppo di strumenti CAKE (Computer Aided Knowledge Engineering)

16 KA: Knowledge Acquisition Bottleneck nella realizzazione dei sistemi esperti, in quanto: ogni ambito specialistico ha il suo gergo e spesso è difficile per gli esperti comunicare la loro conoscenza mediante il linguaggio comune spesso la conoscenza esperta si basa su fatti e principi che non possono essere formalizzati in un modello deterministico ben strutturato le abilità umane spesso coinvolgono un certo grado del buon senso della vita quotidiana difficile da delineare

17 KR: Knowldege Representation Una rappresentazione (della conoscenza) deve possedere adeguatezza e correttezza logica capacità euristica: utilizzabile ai fini di risolvere un problema convenienza computazionale: semplice scrivere e poi comprendere la conoscenza rappresentata Tipi di rappresentazione Descrizione formale sintassi e semantica ben definite Computazione simbolica i simboli e le strutture possono essere realizzate per rappresentare i vari concetti e le reciproche relazioni tra essi

18 KR: Knowldege Representation Serve un linguaggio di rappresentazione Esistono diversi linguaggi: Linguaggi formali Logici Linguaggi formali Algebrici (reti Petri) Reti semantiche Grafi concettuali Frame Oggetti Regole (costrutti IF... THEN...)

19 KR: Knowldege Representation Teoria dei fuzzy set (Zadeh, 1965) Logiche a più valore Logica multivalore (Lukasiewicz, 1930) Fuzzy Logic

20 SD: Software Development Linguaggi logici: es. PROLOG funzionali: es. LISP basati su logiche descrittive: es. CML, Loom, KIF/Ontolingua basati a Frame: es. FRL, KRL, OWL, KL-ONE procedurali basati sulle reti semantiche: es. CYC basati su grafi concettuali: es. Conceptual Graph

21 SD: Software Development Strumenti (Shell) per sistemi a regole di produzione JESS (Java Expert System Shell) herzberg1.ca.sandia.gov/jess CLIPS (C Language Integrated Production System) OPSJ (Object Production System written in Java) JEOPS (Java Embedded Object Production System) per sistemi basati su CBR

22 M: Maintenance La maintenace della conoscenza è un insieme di attività volte a contrastare linvecchiamento cui sono soggetti i KBS per loro natura 1° Approccio: maintenace come fase di un ciclo di vita del software/KBS strumenti CAKE (es. CommonKADS, MIKE) 2° Approccio: Modifica del contenuto del sistema KBS realizzati per facilitare la maintenance (es. CBR o Ripple Down Rules di Compton) KBS realizzati per faciilitare la maintenance direttamente da parte dellutente (es. ISB di VanHarmelen – aggiornamento regole P-Truck – KEPT Knowledge Elicitacion module of P-Truck)

23 V&V: Validation & Verification Validazione e Verifica della Conoscenza contenuta in un KBS Validazione: la Knowledge Base è costruita correttamente? Verifica: il contenuto della Knowledge Base è corretto?

24

25 Tipi di KBS: classificazione in base allapplicazione Knowledge Capture and Storing: knowledge acquisition e knowledge maintenance Knowledge Deployment and Sharing Knowledge Processing: supporto, sostituzione e addestramento in attività decisionali e per la risoluzione di problemi in base al metodo di KR e Problem Solving Method Rule-Based System Case-Based System Model-Based System Sistemi ibridi

26 Sistemi a Regole Knowledge Base Base dei fatti: insieme di fatti verificati (in un determinato momento) riguardo al dominio in questione Base delle regole: insieme di costrutti del tipo IF insieme di condizioni (Left- Hand Side) THEN insieme di azioni (Right-Hand Side) che esprimono una serie di inferenze che modificano la Base dei fatti che rappresentano la conoscenza dellesperto esplicitata e formalizzata Motore inferenziale: componente del SE per la gestione della base dei fatti (Inserimento, Cancellazione, Modifica) base di regole (Attivazione delle regole, Conflict resolution, Esecuzione regole) Ricerca della soluzione analoga alla dimostrazione automatica di teoremi, con inferenze successive, partendo da assiomi Vengono evidenziati tutti i passaggi logici che permettono di arrivare ad una soluzione parziale o finale (Trace del sistema) Apprendimento: aggiungere/rimuovere/modificare delle regole (compito problematico e molto complesso)

27 Sistemi basati sui Casi Case Based Reasoning (CBR) [J. Kolodner, 1993] Ragionamento per analogia Sistema legale USA Generalmente usato quando non esiste un modello della conoscenza KB: base dei casi (Case Base) Insieme di casi già risolti e memorizzati secondo una determinata struttura (Indexing) Motore inferenziale: case-based reasoner Ricerca di un problema analogo nella Base dei Casi (Retrieve) Applicazione della soluzione di un caso passato ad un problema attuale (Reuse) adattamento della soluzione recuperata, per tenere conto delle peculiarità del problema attuale (Revise) apprendimento incrementale: la conoscenza del sistema aumenta con laumento del numero dei casi (Retain)

28 Sistemi basati su Modello KB e Motore inferenziale: rappresentazione della conoscenza del dominio in un modello causale del dominio (es. diagnosi) Applicabilità: solo quando si possiede una ben nota e completa rappresentazione del dominio

29 Sistemi ibridi: un esempio Rule-Based Reasoning Model-Based Reasoning Case-Based Reasoning Soluzione del problema Descrizione problema Regola applicata Caso applicato Modello applicato se nessuna regola applicabile se nessun caso applicabile


Scaricare ppt "Introduzione allICSE Fabio Sartori 11 ottobre 2006."

Presentazioni simili


Annunci Google