Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a. 2003-2004.

Slides:



Advertisements
Presentazioni simili
Introduzione al linguaggio C++
Advertisements

Intelligenza artificiale
Intelligenza Artificiale 1
La Rappresentazione della Conoscenza
Hash Tables Indirizzamento diretto Tabelle Hash Risoluzioni di collisioni Indirizzamento aperto.
Le reti KL-ONE Sono un esempio di rappresentazione della conoscenza a reti semantiche. Sono state sviluppate verso la fine degli anni ’70 sulla base di.
Il ragionamento classico
DIFFICOLTA’ DEL LINGUAGGIO
I file l I File sono l unità base di informazione nellinterazione tra utente e sistema operativo l Un file e costituito da un insieme di byte attinenti.
Intelligenza Artificiale Linguaggio naturale
Intelligenza Artificiale 2 Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Metodologie per la gestione di conoscenza ontologica Prof. M.T. PAZIENZA a.a
Gestione dei dati e della conoscenza (agenti intelligenti) M.T. PAZIENZA a.a
Intelligenza Artificiale Strutture e strategie per risolvere problemi complessi Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 7 Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 2 Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza (agenti intelligenti) Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Prof. M.T. PAZIENZA a.a
Maria Teresa PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 8
Sistemi basati su conoscenza Comunicazione basata sul linguaggio naturale Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Basi di conoscenza: rappresentazione e ragionamento (2 - Reti semantiche, Frames) Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Basi di conoscenza: rappresentazione e ragionamento (Ontologie, Reti semantiche, Frames) Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Basi di conoscenza: rappresentazione e ragionamento (2 - Reti semantiche, Frames) Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Conoscenza e ragionamento Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Basi di conoscenza: rappresentazione e ragionamento Prof. M.T. PAZIENZA a.a
FONDAMENTI DI INFORMATICA III A3A1-1 Realtà e Modello MODELLI E METODOLOGIE PER LA PROGETTAZIONE LOGICA DI SISTEMI INFORMATIVI PER LUFFICIO Argomento 3.
Unità Didattica 2 I Linguaggi di Programmazione
l’intelligenza artificiale e la vita artificiale
Ingegneria della conoscenza e sistemi esperti Dario Bianchi, 1999 Conoscenza e ragionamento Logica dei predicati del primo ordine.
Ingegneria della conoscenza e sistemi esperti Dario Bianchi, 1999 Logica dei predicati del primo ordine.
Modello E-R Generalizzazioni
Modello E-R Generalizzazioni
LINGUAGGI DI PROGRAMMAZIONE
Intelligenza Artificiale - AA 2001/2002 Logica formale (Parte 2) - 1 Intelligenza Artificiale Breve introduzione alla logica classica (Parte 2) Marco Piastra.
_ ___ _ ______ _ _ _________.
Lezione 1 Linguaggi di programmazione – Algoritmi –Istruzioni
Il modello ER Proposto da Peter Chen nel 1976 rappresenta uno standard per la progettazione concettuale (in particolare per le basi di dati) Ha una rappresentazione.
Lo sviluppo del progetto informatico
Programma di Informatica Classi Prime
Iniziamo a lavorare sui concetti Concetto Regolarità percepita in eventi o oggetti, o in testimonianze/simboli/rappresentazioni di eventi o di oggetti,
Informatica e Algoritmi
Sistemi basati su conoscenza Gestione della conoscenza Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 2 Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Linguaggi e Modelli dei dati e della conoscenza “rappresentazione della conoscenza” docenti Maria Teresa PAZIENZA Fabio Masimo ZANZOTTO a.a
Fondamenti di Informatica II Ingegneria Informatica Prof. M.T. PAZIENZA a.a – 3° ciclo.
Fondamenti di Informatica 2 Ingegneria Informatica Docente: Giovanni Macchia a.a
MODULO STRUTTURE DATI FONDAMENTALI: Strutture dinamiche
L'analisi dei testi per la realizzazione del Web Semantico: quali gli strumenti e le applicazioni Paolo Poto Expert System Spa.
Linguaggi e Modelli dei dati e della conoscenza Introduzione all’Intelligenza Artificiale “ragionamento automatico e logica” Maria Teresa PAZIENZA Fabio.
Dipartimento di Ingegneria dell’Informazione Università degli Studi di Parma Intelligenza Artificiale Rappresentazione della Conoscenza e Ragionamento.
Intelligenza Artificiale 1 Gestione della conoscenza lezione 2 Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza (agenti intelligenti) Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
AOT Lab Dipartimento di Ingegneria dell’Informazione Università degli Studi di Parma Intelligenza Artificiale Rappresentazione della Conoscenza e Ragionamento.
Sistemi basati su conoscenza Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 2 Metodologie di ragionamento Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 18 Prof. M.T. PAZIENZA a.a
1 Linguaggi: guardando la semantica §esistono un insieme di concetti semantici e di strutture di implementazione in termini dei quali si descrivono in.
Intelligenza Artificiale 1 Gestione della conoscenza lezione 14 Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 15 Prof. M.T. PAZIENZA a.a
INTELLIGENZA ARTIFICIALE
Intelligenza Artificiale 1 Prof. M.T. PAZIENZA a.a
Le basi di dati.
Dal problema al programma – ciclo di sviluppo del software La scrittura del programma è solo una delle fasi del processo di sviluppo di un'applicazione.
Logica Lezione 19, Distribuire compito 3 DATA esame in classe intermedio: Lunedì 20 aprile.
Intelligenza Artificiale
Intelligenza Artificiale 2 Metodologie di ragionamento
Transcript della presentazione:

Intelligenza Artificiale Metodologie di ragionamento Prof. M.T. PAZIENZA a.a

Struttura del corso Lezioni Esercitazioni Approfondimenti tematici/Tesine facoltative Esame finale

Programma Intelligenza Artificiale, concetti base Sistemi di ragionamento logico (richiami) Metodi di pianificazione Conoscenza incerta: rappresentazione e reasoning Apprendimento automatico Conoscenza linguistica Sistemi di NLP (IE, Q/A)

Testi di riferimento Libro di testo “Intelligenza artificiale: un approccio moderno”, Russel e Norvig; Prentice Hall Test di riferimento “Natural language processing in Prolog”, Gazdar e Mellish, Addison Wesley Dispense varie ed articoli

Cos’è l’IA? Robotica (programmazione di comportamenti in ambienti dinamici) Comprensione del linguaggio naturale Diagnostica Visione Pianificazione Apprendimento automatico.…

Cos’è l’IA? L’Intelligenza Artificiale è lo studio delle facoltà mentali attraverso l’uso di modelli computazionali Assunzione implicita: Il modo in cui il cervello umano lavora è simile al modo in cui i calcolatori lavorano Si può assimilare ciò che il cervello umano fa, con una qualche, complessa modalità di calcolo

Cos’è l’IA? Anche se l’IA si interessa di modalità di comportamento per così dire “intelligenti”, non viene fatta alcuna ipotesi su come si possa raggiungere l’obiettivo (il risultato), per cui si possono perseguire anche metodi completamente diversi da quelli usati dall’uomo per ottenere lo stesso risultato.

Rappresentazione per l’IA? Per rappresentazione si intende una versione “artificiale” del mondo, che possa supportare il modo d’uso di un sistema di calcolo e le sue interazioni sullo stesso argomento con un altro sistema di calcolo La stessa rappresentazione interna può essere supportata da una moltitudine di strutture dati diverse; si suppone che sia facile passare da una struttura ad un’altra (traduzione), ovvero tutte queste strutture dati siano varianti della stessa rappresentazione interna

Rappresentazione interna Per capire il ruolo della rappresentazione interna e le sue proprietà, si consideri un sistema capace di capire il linguaggio naturale. Capire una frase/domanda significa: Tradurre nella propria rappresentazione interna la frase/domanda ricevuta, e memorizzarla Usare questa rappresentazione interna per trovare in memoria informazioni correlate ad essa (disambiguare) Coordinare/comporre tali informazioni ritrovate e tradurle in una frase da produrre come risultato La rappresentazione interna permette di risolvere ambiguità referenziali.

Rappresentazione interna Risolvere le ambiguità referenziali significa, per esempio, associare il nome proprio a pronomi tipo lui, lei, etc. Ma ciò non basta perché ci possono essere più entità/individui con lo stesso nome proprio. Bisogna associare un identificatore unico a ciascun nome proprio, e sarà chiamato istanza. L’identificatore dell’istanza corrisponde ad un simbolo della rappresentazione interna

Rappresentazione interna Nel momento in cui i simboli/parole della rappresentazione interna hanno un significato non unico, si parla di ambiguità del significato delle parole (word-sense ambiguity) Per risolvere tale problema si deve definire un simbolo diverso per ogni significato In una rappresentazione interna, ciascun predicato (ovvero il fatto che si asserisce rispetto ad una o più entità) deve essere non-ambiguo

Rappresentazione interna Per struttura funzionale di una frase si intende il ruolo che la posizione di una parola all’interno di una frase può assumere La rappresentazione interna deve indicare chiaramente la struttura funzionale per evitate ambiguità interpretative con frasi composte dalle stesse parole ma in ordine diverso.

Rappresentazione interna Una notazione logica è un buon candidato ad essere una rappresentazione interna. Esistono altre tipologie di rappresentazione interna equivalenti alla logica: per esempio le reti semantiche (associative networks) ed usano una propria notazione. Nodi al posto di termini, archi orientati etichettati al posto delle relazioni. Il supporto al ragionamento fornito dalle due notazioni è quasi equivalente, laddove le reti non hanno alcuna capacità di rappresentare connettivi logici (es. if) o la quantificazione.

Rappresentazione interna Esistono altri fattori da considerare, quali ad esempio la capacità che hanno solo le reti semantiche di associare direttamente al nodo (indicizzazione) tutte le informazioni relative al termine Le reti semantiche suggeriscono una struttura di puntatori (in avanti ed indietro) che supportano l’accesso alle informazioni con facilità. Le notazioni lineari del calcolo dei predicati (per esempio) producono una lunga lista di formule che devono essere analizzate per trovare un fatto particolare, implicando così una fase di ricerca molto lunga.

Rappresentazione interna Gestire il fenomeno dell’ ereditarietà delle proprietà espresso nelle gerarchie ISA (isa, is-a, IS_A,..) Non si vuole solo esprimere il fatto che un termine è una istanza di un altro termine/classe, bensì che esso gode di tutte le proprietà del termine padre ed, eventualmente di tutti quelli da cui esso può ereditare ulteriori proprietà. Le reti semantiche permettono di rappresentare l’ereditarietà delle proprietà senza doverle esplicitare tutte elencandole.

Rappresentazione interna Slot-assertion notation Il calcolo dei predicati permette di indicare Ile relazioni funzionali dei termini (o significato) a seconda della posizione che essi occupano nella formula Nella notazione a slot i vari argomenti (slot) di un predicato sono espressi come asserzioni separate

Rappresentazione interna Frame notation Anche in questo caso si usa una notazione con slot etichettati in cui le asserzioni vengono coordinate all’interno di un’unica struttura, detta frame (invece di essere separate come nella notazione a slot) che, quindi, include tutte le informazioni dell’evento; in tal modo, però, si ottiene anche l’effetto di isolarlo dal resto delle informazioni (contemporaneamente fenomeno di sicurezza o protezione dell’accesso ad informazione non autorizzata). Nel caso di coordinamento di più eventi, la rappresentazione a frame presenta delle difficoltà nella identificazione delle relazioni.