Inteligência Artificial Agenda

54
1 Inteligência Artificial Inteligência Artificial Representa Representaç ão de Conhecimento ão de Conhecimento e e Inferência Inferência Agenda Agenda Parte 1 Parte 1 Introdu Introdução: Racioc ão: Raciocí nio e Bom Senso nio e Bom Senso Abstrac Abstracção Baseada em Posturas ão Baseada em Posturas Representa Representação de Conhecimento ão de Conhecimento Tipos de Conhecimento Tipos de Conhecimento Agente Baseado em Conhecimento Agente Baseado em Conhecimento Parte 2 Parte 2 Inferência Inferência Racioc Raciocí nio Dedutivo nio Dedutivo Racioc Raciocí nio Não Mon nio Não Monótono tono Limita Limitaç ões do Racioc ões do Raciocínio Dedutivo nio Dedutivo Indu Induç ão ão Abdu Abduç ão ão Analogia Analogia

Transcript of Inteligência Artificial Agenda

Page 1: Inteligência Artificial Agenda

1

Inteligência ArtificialInteligência Artificial

RepresentaRepresentaçção de Conhecimento ão de Conhecimento e e

InferênciaInferência

AgendaAgenda

�� Parte 1Parte 1�� IntroduIntroduçção: Raciocão: Raciocíínio e Bom Sensonio e Bom Senso�� AbstracAbstracçção Baseada em Posturasão Baseada em Posturas�� RepresentaRepresentaçção de Conhecimentoão de Conhecimento�� Tipos de ConhecimentoTipos de Conhecimento�� Agente Baseado em ConhecimentoAgente Baseado em Conhecimento

�� Parte 2Parte 2�� InferênciaInferência�� RaciocRaciocíínio Dedutivonio Dedutivo�� RaciocRaciocíínio Não Monnio Não Monóótonotono

�� LimitaLimitaçções do Raciocões do Raciocíínio Dedutivonio Dedutivo�� InduInduççãoão�� AbduAbduççãoão�� AnalogiaAnalogia

Page 2: Inteligência Artificial Agenda

2

Alguns CenAlguns Cenáários *rios *

�� Na sala, Lisa pegou no jornal e caminhou atNa sala, Lisa pegou no jornal e caminhou atéé a cozinha. a cozinha. Onde acabou o jornal? Onde acabou o jornal?

�� Marta deixo o livro na mesa da sala e foi para o quarto. Marta deixo o livro na mesa da sala e foi para o quarto. Quando voltou o livro não estava. O que aconteceu com Quando voltou o livro não estava. O que aconteceu com o livro? o livro?

�� Guilherme acercaGuilherme acerca--se da pia da cozinha, coloca uma se da pia da cozinha, coloca uma tampa, abre a torneira e vem para a aula de IIA. O que tampa, abre a torneira e vem para a aula de IIA. O que vai acontecer a seguir?vai acontecer a seguir?

�� SSóónia carrega a tecla ON do controle remoto da TV. O nia carrega a tecla ON do controle remoto da TV. O que vai acontecer?que vai acontecer?

�� Um gato esfomeado vê comida por cima de uma mesa Um gato esfomeado vê comida por cima de uma mesa perto dele. O gato pula para a mesa. O que pensa perto dele. O gato pula para a mesa. O que pensa fazer?fazer?

* Extraído e adaptado de: Commonsense Reasoning, Erik T. Muller, Elsevier 2006

ObservaObservaçções Iniciaisões Iniciais

�� Ao analisar os exemplos anteriores utilizamos Ao analisar os exemplos anteriores utilizamos uma ferramenta natural da nossa mente.uma ferramenta natural da nossa mente.

�� Esta ferramenta Esta ferramenta éé descrita vagamente como descrita vagamente como Bom Senso.Bom Senso.

�� Podemos descrevePodemos descreve--la mais precisamente como la mais precisamente como RaciocRaciocíínio de Bom Sensonio de Bom Senso..

�� Mesmo que todos os seres humanos a possuem Mesmo que todos os seres humanos a possuem como parte do seu como parte do seu ““kit bkit báásicosico””, e, embora , e, embora parepareçça simples, a simples, éé na realidade extremamente na realidade extremamente complexo.complexo.

Page 3: Inteligência Artificial Agenda

3

ObservaObservaçções Iniciaisões Iniciais

�� De todos os possDe todos os possííveis componentes do bom veis componentes do bom senso que podemos mencionar, hsenso que podemos mencionar, háá dois que dois que sobressaem especialmente:sobressaem especialmente:

�� RepresentaRepresentaççãoão: Para poder aplicar o racioc: Para poder aplicar o raciocíínio nio nos exemplos anteriores, precisamos de um nos exemplos anteriores, precisamos de um cencenáário que possamos manipular.rio que possamos manipular.

�� RaciocRaciocíínionio: Uma vez que temos o cen: Uma vez que temos o cenáário rio representado, podemos realizar inferências a representado, podemos realizar inferências a partir dele.partir dele.

* Ver outros componentes em Commonsense Reasoning, Erik T. Muller, Elsevier 2006

ObservaObservaçções Iniciaisões Iniciais

�� Quando falamos de representaQuando falamos de representaçção, algumas partes ão, algumas partes aparentam ser simples de representar: o jornal, o livro, a aparentam ser simples de representar: o jornal, o livro, a sala, a cozinha, etc.sala, a cozinha, etc.

�� PorPoréém outras partes são mais complexas: O gato e os m outras partes são mais complexas: O gato e os seres humanos envolvidos.seres humanos envolvidos.

�� Estes parecem ter uma caracterEstes parecem ter uma caracteríística particular que stica particular que permitepermite--lhes executar aclhes executar acçções por vontade prões por vontade próópria.pria.

�� Se alSe aléém de representar queremos tambm de representar queremos tambéém predizer tais m predizer tais acacçções, temos que considerar como estes ões, temos que considerar como estes ““agentesagentes””decidem que acdecidem que acçções realizar.ões realizar.

�� Precisamos considerar os seus Precisamos considerar os seus estados mentais.estados mentais.

Page 4: Inteligência Artificial Agenda

4

AbstracAbstracçção Baseada em Posturasão Baseada em Posturas

�� A ideia A ideia éé que quando explicamos e predizemos o que quando explicamos e predizemos o comportamento de um objecto, podemos escolher comportamento de um objecto, podemos escolher fazendo atravfazendo atravéés de diferentes ns de diferentes nííveis de abstracveis de abstracçção.ão.

�� Quanto mais concreto seja o nQuanto mais concreto seja o níível, mais certas serão as vel, mais certas serão as nossas predinossas prediçções. Quanto mais abstracto for o nões. Quanto mais abstracto for o níível vel maior sermaior seráá a capacidade computacional ganha, a capacidade computacional ganha, eliminando detalhes desnecesseliminando detalhes desnecessáários.rios.

�� Daniel Daniel DennettDennett define três ndefine três nííveis ou posturas (veis ou posturas (stancesstances) ) de abstracde abstracçção.ão.

Postura FPostura Fíísicasica

�� A mais concreta A mais concreta éé a a postura fpostura fíísicasica que representa o que representa o nníível das ciências fvel das ciências fíísicas e qusicas e quíímicas. Neste nmicas. Neste níível vel preocupamopreocupamo--nos com coisas, tais como a massa, a nos com coisas, tais como a massa, a energia, velocidade, composienergia, velocidade, composiçção quão quíímica, etc. mica, etc.

�� Quando predizemos onde vai terminar um objecto que Quando predizemos onde vai terminar um objecto que foi lanfoi lanççado, baseandoado, baseando--nos na sua trajectnos na sua trajectóória actual ria actual estamos utilizando a postura festamos utilizando a postura fíísica.sica.

�� Outro exemplo deste tipo de anOutro exemplo deste tipo de anáálises acontece quando lises acontece quando consideramos um par de fitas metconsideramos um par de fitas metáálicas, compostas de licas, compostas de diferentes metais, presas uma diferentes metais, presas uma áá outra e predizemos o outra e predizemos o seu comportamento ao variar a temperatura, baseandoseu comportamento ao variar a temperatura, baseando--nos nas propriedades fnos nas propriedades fíísicas dos metais.. sicas dos metais..

Page 5: Inteligência Artificial Agenda

5

Postura de DesenhoPostura de Desenho

�� Esta postura encontraEsta postura encontra--se ao nse ao níível mais abstracto, este vel mais abstracto, este éé o no níível da vel da engenharia e da biologia. Aqui preocupamoengenharia e da biologia. Aqui preocupamo--nos com detalhes, tais nos com detalhes, tais como o propcomo o propóósito, a funsito, a funçção, e o desenho.ão, e o desenho.

�� Tomamos uma postura de desenho quando predizemos que um Tomamos uma postura de desenho quando predizemos que um ppáássaro voa se mexe as asas, baseandossaro voa se mexe as asas, baseando--nos em que as asas foram nos em que as asas foram feitas para voar. feitas para voar.

�� Da mesma forma, podemos entender a fita Da mesma forma, podemos entender a fita bimetbimetáálicalica como um tipo como um tipo particular de termparticular de termóómetro sem considerar os detalhes de como metro sem considerar os detalhes de como funciona.funciona.

�� TambTambéém podemos reconhecer o propm podemos reconhecer o propóósito que este termsito que este termóómetro tem metro tem como parte de um termcomo parte de um termóóstato e inclusivamente podemos stato e inclusivamente podemos generalizgeneralizáá--lo a outros tipos de termlo a outros tipos de termóóstatos que podem usar outros statos que podem usar outros tipos de termtipos de termóómetros. Podemos tambmetros. Podemos tambéém explicar o termm explicar o termóóstato em stato em termos da sua utilidade dizendo que mantêm registro da termos da sua utilidade dizendo que mantêm registro da temperatura e que liga o esquentador quando a temperatura desce temperatura e que liga o esquentador quando a temperatura desce de um mde um míínimo e desliganimo e desliga--o quando atinge um mo quando atinge um mááximo.ximo.

Postura IntencionalPostura Intencional

�� ““Assim Assim éé como funciona: Primeiro decidecomo funciona: Primeiro decide--se tratar ao objecto cujo se tratar ao objecto cujo comportamento se quer predizer como se fosse um agente racional;comportamento se quer predizer como se fosse um agente racional;depois postulamdepois postulam--se quais se quais crencrençças as deve ter este agente dado o seu deve ter este agente dado o seu proppropóósito e o seu lugar no mundo. Posteriormente, postulamsito e o seu lugar no mundo. Posteriormente, postulam--se os se os desejosdesejos que deveria ter baseandoque deveria ter baseando--se nas mesmas considerase nas mesmas consideraçções. ões. Finalmente predizFinalmente prediz--se que este agente racional actuarse que este agente racional actuaráá de forma a de forma a atingir as suas atingir as suas metasmetas no contexto das suas crenno contexto das suas crençças. Um pouco de as. Um pouco de raciocraciocíínio pratico a partir do conjunto de crennio pratico a partir do conjunto de crençças e desejos na as e desejos na maioria dos casos permitirmaioria dos casos permitiráá decidir o que decidir o que éé que o agente deveria que o agente deveria fazer; isto fazer; isto éé, ser, seráá esta a prediesta a prediçção sobre o que o agente farão sobre o que o agente faráá..””

�� CrenCrençças, desejosas, desejos , , metasmetas (BDI)(BDI)

De: Daniel Dennett, The Intentional Stance, MIT Press, 1989 p. 17(ver também Modeling Rational Agents within a BDI-architecture M Georgeff, A Rao

Page 6: Inteligência Artificial Agenda

6

Postura IntencionalPostura Intencional

�� Neste nNeste níível consideramvel consideram--se coisas tais como crense coisas tais como crençças, as, desejos e intendesejos e intençção. Quando predizemos que um ão. Quando predizemos que um ppáássaro voarssaro voaráá porque um gato aproximaporque um gato aproxima--se, estamos se, estamos utilizando a postura intencional.utilizando a postura intencional.

�� Pode predizerPode predizer--se desde a postura intencional que o gato se desde a postura intencional que o gato esfomeado que pulou para a mesa com comida esfomeado que pulou para a mesa com comida pretende comer. pretende comer.

�� Outro exemplo similar aparece ao predizer que Maria Outro exemplo similar aparece ao predizer que Maria deixardeixaráá o cinema e iro cinema e iráá a um restaurante porque esta um restaurante porque estáácom fome e o filme acabou.com fome e o filme acabou.

RepresentaRepresentaçção e Raciocão e Raciocíínionio

Recapitulando, Recapitulando,

�� Para poder raciocinar acerca de um cenPara poder raciocinar acerca de um cenáário rio éénecessnecessáário representrio representáá--lo.lo.

�� Raciocinamos para poder predizer o comportamento Raciocinamos para poder predizer o comportamento do cendo cenáário. rio.

Estes dois processo estão intimamente ligados e Estes dois processo estão intimamente ligados e dependem um do outro.dependem um do outro.

Page 7: Inteligência Artificial Agenda

7

GuerreiroArma

Rei

Cavalo

GuerreiroInimigo Usa

Monta

LideraUsa

BATALHA

Como representar factos sobre o Mundo?Como representar factos sobre o Mundo?

RepresentaRepresentaçção de Conhecimentoão de Conhecimento

�� A noA noçção de Representaão de Representaçção de Conhecimento ão de Conhecimento ((KnowledgeKnowledge RepresentationRepresentation o KR em inglêso KR em inglês) resulta ) resulta enganosamente simples. enganosamente simples.

�� A estruturaA estruturaçção do conhecimento e o posterior acesso ao ão do conhecimento e o posterior acesso ao mesmo mesmo éé um dos aspectos mais importantes nas um dos aspectos mais importantes nas Ciências da ComputaCiências da Computaçção.ão.

�� Em Inteligência Artificial este problema estudaEm Inteligência Artificial este problema estuda--se na sua se na sua forma geral. forma geral.

�� A sua importância emerge do facto que um A sua importância emerge do facto que um comportamento inteligente precisa dispor de um arquivo comportamento inteligente precisa dispor de um arquivo de conhecimento para concretizarde conhecimento para concretizar--se.se.

Page 8: Inteligência Artificial Agenda

8

RepresentaRepresentaçção de Conhecimentoão de Conhecimento

�� Em princEm princíípio, consiste em pio, consiste em realizar, em alguma realizar, em alguma linguagem, descrilinguagem, descriçções que se correspondam com o ões que se correspondam com o mundo ou com algum estado particular do mesmo. mundo ou com algum estado particular do mesmo.

�� Esta definiEsta definiçção informal, que correspondeão informal, que corresponde--se com uma se com uma nonoçção muito geral, particularizaão muito geral, particulariza--se em IA com o se em IA com o proppropóósito de dar a um agente autsito de dar a um agente autóónomo a capacidade nomo a capacidade de de interligarinterligar uma uma ““imagemimagem”” do seu entorno (do seu entorno (oo seu seu mundomundo) e pela manipula) e pela manipulaçção destas descrião destas descriçções poder ões poder obter conclusões sobre o mesmo.obter conclusões sobre o mesmo.

�� A dificuldade principal não A dificuldade principal não éé apenas descrever o apenas descrever o conhecimento, mas tambconhecimento, mas tambéém tentar descobrir o que deve m tentar descobrir o que deve ser descrito.ser descrito.

RepresentaRepresentaçção de Conhecimentoão de Conhecimento

�� A prA próópria nopria noçção de conhecimento gera controvão de conhecimento gera controvéérsias rsias entre os especialistas em IA e tem sido estudada em entre os especialistas em IA e tem sido estudada em Filosofia desde a antiguidade.Filosofia desde a antiguidade.

�� A Epistemologia, o Teoria do Conhecimento, A Epistemologia, o Teoria do Conhecimento, éé o ramo da o ramo da Filosofia que entende os problemas filosFilosofia que entende os problemas filosóóficos do ficos do conhecimento.conhecimento.

�� A Epistemologia ocupaA Epistemologia ocupa--se da definise da definiçção do conhecimento ão do conhecimento dos conceitos relacionados, as classes de conhecimento dos conceitos relacionados, as classes de conhecimento posspossííveis, e a relaveis, e a relaçção entre aquilo que conhece e o ão entre aquilo que conhece e o objecto conhecido.objecto conhecido.

Page 9: Inteligência Artificial Agenda

9

O que O que éé Conhecimento?Conhecimento?

�� Esta pergunta tem sido ponderada desde a antiga Esta pergunta tem sido ponderada desde a antiga GrGréécia e continua no presente em muitas cia e continua no presente em muitas ááreas tais reas tais como a Filosofia (Epistemologia), IA, a Engenharia de como a Filosofia (Epistemologia), IA, a Engenharia de Software, a Psicologia, Ciências da EducaSoftware, a Psicologia, Ciências da Educaçção, ão, Sociologia, etc.Sociologia, etc.

�� Não existe uma definiNão existe uma definiçção consensual sobre o que ão consensual sobre o que éé o o conhecimento.conhecimento.

�� Embora intuitivamente as pessoas saibam o que Embora intuitivamente as pessoas saibam o que éé o o conhecimento, e tenham a noconhecimento, e tenham a noçção da sua presenão da sua presençça a quando ele se manifesta, as posiquando ele se manifesta, as posiçções sobre este tema ões sobre este tema variam consoante as variam consoante as ááreas de estudo e não são reas de estudo e não são consensuais.consensuais.

O que O que éé Conhecimento?Conhecimento?

�� Consoante a Consoante a áárea, existem as visões mais analrea, existem as visões mais analííticas ticas que, por exemplo, diferenciam:que, por exemplo, diferenciam:�� Dados de informaDados de informaçção e de conhecimento;ão e de conhecimento;�� Conhecimento implConhecimento implíícito de conhecimento explcito de conhecimento explíícito;cito;�� Conhecimento Conhecimento soft (soft (O que as pessoas sabem e que não pode O que as pessoas sabem e que não pode

ser articulado ser articulado ))de conhecimento de conhecimento hard (hard (O que as pessoas sabem O que as pessoas sabem e pode ser articulado.e pode ser articulado.));;

�� Conhecimento comum de conhecimento distribuConhecimento comum de conhecimento distribuíído, na do, na perspectiva do conhecimento existente num grupo de agentes perspectiva do conhecimento existente num grupo de agentes que interagem;que interagem;

�� Conhecimento interno de conhecimento externo, na perspectiva Conhecimento interno de conhecimento externo, na perspectiva da anda anáálise epistemollise epistemolóógica do conhecimento como uma relagica do conhecimento como uma relaçção ão entre um sujeito cognitivo e partes da realidade;entre um sujeito cognitivo e partes da realidade;

�� Conhecimento canConhecimento canóónico de conhecimento não cannico de conhecimento não canóónico.nico.

Page 10: Inteligência Artificial Agenda

10

O que O que éé Conhecimento?Conhecimento?

�� As visões mais holAs visões mais holíísticas, sobretudo as empresariais, sticas, sobretudo as empresariais, tratam a questão do conhecimento como integrado em tratam a questão do conhecimento como integrado em processos que visam adquirir vantagens competitivas processos que visam adquirir vantagens competitivas sustentsustentááveis e capacidade de resposta veis e capacidade de resposta ààs alteras alteraçções do ões do meio ambiente. meio ambiente.

�� Temos, ainda, o conhecimento como o resultado de Temos, ainda, o conhecimento como o resultado de prprááticas sociais em comunidades de prticas sociais em comunidades de práática.tica.

O que O que éé Conhecimento?Conhecimento?

�� Aqui não vamos dar a resposta, mas sim Aqui não vamos dar a resposta, mas sim exploraremos a ideia de que consideramos exploraremos a ideia de que consideramos conhecimento.conhecimento.

�� Uma forma de compreender melhor a pergunta Uma forma de compreender melhor a pergunta ééobservar a utilizaobservar a utilizaçção do termo conhecimento no ão do termo conhecimento no nosso dia a dia. nosso dia a dia.

Page 11: Inteligência Artificial Agenda

11

ConhecimentoConhecimento

�� Quando dizemos:Quando dizemos:““João conhece que João conhece que …”…”

a sentena sentençça pode completara pode completar--se com uma sentense com uma sentençça declarativa a declarativa (proposi(proposiçção) tal como:ão) tal como:

““Maria irMaria iráá para a festapara a festa””

formando a sentenformando a sentençça:a:

““João conhece que Maria irJoão conhece que Maria iráá para a festapara a festa””

�� Isto sugere, entre outras coisas que o conhecimento Isto sugere, entre outras coisas que o conhecimento éé uma relauma relaçção ão entre aquele que conhece e aquele que entre aquele que conhece e aquele que éé conhecido. conhecido.

ConhecimentoConhecimento

�� Quando dizemos:Quando dizemos:

““João conhece bem ao JosJoão conhece bem ao José”é” ou ou ““João conhece como tocar a guitarraJoão conhece como tocar a guitarra””

não parece estar envolvida uma proposinão parece estar envolvida uma proposiçção.ão.

�� Nesta aula, dada a complexidade do tema, não vamos Nesta aula, dada a complexidade do tema, não vamos abordar o tipo de conhecimento destas sentenabordar o tipo de conhecimento destas sentençças.as.

�� Existem outras noExistem outras noçções relacionadas com conhecimento, ões relacionadas com conhecimento, entre elas entre elas crencrenççaa, , informainformaççãoão, , dadosdados que veremos mais que veremos mais para a frente.para a frente.

Page 12: Inteligência Artificial Agenda

12

RepresentaRepresentaççãoão

�� Informalmente, Informalmente, RepresentaRepresentaççãoão éé uma relauma relaçção entre dois ão entre dois domdomíínios, onde um deles procura tomar o lugar do outro.nios, onde um deles procura tomar o lugar do outro.

�� Usualmente, o domUsualmente, o domíínio que nio que representarepresenta éé um domum domíínio nio mais concreto (ou imediato ou acessmais concreto (ou imediato ou acessíível) que o domvel) que o domíínio nio que que éé representadorepresentado..

�� Por exemplo o algarismo Por exemplo o algarismo ““44”” representa ao nrepresenta ao núúmero 4 da mero 4 da mesma forma que o grupo de letras mesma forma que o grupo de letras ““IVIV”” quando quando utilizamos a numerautilizamos a numeraçção romana. ão romana.

�� Este exemplo utiliza um Este exemplo utiliza um domdomíínio simbnio simbóólicolico (algarismos) (algarismos) para representar o para representar o domdomíínio abstractonio abstracto dos ndos núúmeros.meros.

RepresentaRepresentaçção de Conhecimentoão de Conhecimento

�� ÉÉ o campo de estudo dedicado o campo de estudo dedicado àà utilizautilizaçção de são de síímbolos mbolos formais para representar uma colecformais para representar uma colecçção de proposião de proposiçções ões que são acreditadas por um agente.que são acreditadas por um agente.

�� Isto não quer dizer que a colecIsto não quer dizer que a colecçção de são de síímbolos vmbolos váárepresentar todas as possrepresentar todas as possííveis proposiveis proposiçções nas quais ões nas quais ééposspossíível crer.vel crer.

�� Claramente, Claramente, éé posspossíível que o nvel que o núúmero de proposimero de proposiçções ões não seja finito e somente uma quantidade finita vnão seja finito e somente uma quantidade finita váá poder poder ser representada.ser representada.

�� O RaciocO Raciocíínio sernio seráá o encarregado de obter as o encarregado de obter as proposiproposiçções que são acreditadas a partir das que são ões que são acreditadas a partir das que são representadas.representadas.

Page 13: Inteligência Artificial Agenda

13

HipHipóótese de Representatese de Representaçção de ão de ConhecimentoConhecimento

�� Um sistema inteligente utiliza estruturas que:Um sistema inteligente utiliza estruturas que:�� Podem ser interpretadas como proposiPodem ser interpretadas como proposiçções que ões que

representam o conhecimento do sistemarepresentam o conhecimento do sistema

�� Determinam o comportamento do sistemaDeterminam o comportamento do sistema

�� NoNoçção introduzida por Brian C. Smith no Prão introduzida por Brian C. Smith no Próólogo logo da sua tese de doutoramento da sua tese de doutoramento ““Reflection and Reflection and Semantics in a Procedural LanguageSemantics in a Procedural Language”” em 1982, em 1982, MIT TRMIT TR--272.272.

A HipA Hipóóteses de Modeloteses de Modelo

�� Uma versão mais compatUma versão mais compatíível com a visão moderna dos vel com a visão moderna dos sistemas inteligentes sistemas inteligentes éé a Hipa Hipóóteses de Modelo de teses de Modelo de Kenneth Craik:Kenneth Craik:

�� ““Se um organismo traz um modelo a escala da Se um organismo traz um modelo a escala da realidade externa e das suas possrealidade externa e das suas possííveis acveis acçções na sua ões na sua cabecabeçça, sera, seráá capaz de considerar vcapaz de considerar váárias alternativas, rias alternativas, decidir qual decidir qual éé a melhor delas, reagir a futuras situaa melhor delas, reagir a futuras situaçções ões antes delas aparecerem, utilizar o seu conhecimento de antes delas aparecerem, utilizar o seu conhecimento de eventos do passado para desempenhareventos do passado para desempenhar--se no presente se no presente e no futuro, e em todos os casos, reagir de uma forma e no futuro, e em todos os casos, reagir de uma forma mais completa, segura e competente nas situamais completa, segura e competente nas situaçções ões emergentes que enfrente.emergentes que enfrente.””

Page 14: Inteligência Artificial Agenda

14

Tipos de conhecimentoTipos de conhecimento

�� Intencional x Intencional x ExtensionalExtensional�� DiagnDiagnóóstico x Causalstico x Causal�� Dedutivo x TerminolDedutivo x Terminolóógicogico�� Certo x IncertoCerto x Incerto�� Preciso x VagoPreciso x Vago�� Explicito x ImplExplicito x Implíícitocito�� Declarativo x Declarativo x ProcedimentalProcedimental�� De senso comum x EspecialistaDe senso comum x Especialista�� Do problema x Do problema x MetaMeta--conhecimentoconhecimento (controle, (controle,

explicaexplicaçção, ão, reusoreuso))

Conhecimento intencional x Conhecimento intencional x extensionalextensional

�� Conhecimento em intenConhecimento em intençção: ão: �� Geral ao domGeral ao domíínio de aplicanio de aplicaçção e classe de problema ão e classe de problema �� Hierarquia de conceitos (classes de factos)Hierarquia de conceitos (classes de factos)

�� Ex.: Todo gato Ex.: Todo gato éé um mamum mamííferofero

�� RestriRestriçções de integridadesões de integridades�� SSóó pode imprimirpode imprimir--se um trabalho por vezse um trabalho por vez

�� Regras de funcionamento do domRegras de funcionamento do domíínionio�� Ex.: Ex.: Se o alarme apita, estão roubando o meu carro.Se o alarme apita, estão roubando o meu carro.

�� Esquema de BD, classes de programaEsquema de BD, classes de programaçção orientada a objectosão orientada a objectos

�� Conhecimento em extensão: Conhecimento em extensão: �� Particular da instância do problema a resolverParticular da instância do problema a resolver�� Factos, isto Factos, isto éé, proposi, proposiçções sobre instâncias de conceitosões sobre instâncias de conceitos�� Ex.: Ex.: professor_ia(Fermprofessor_ia(Ferméé))�� Dados, exemplos, casos, objectosDados, exemplos, casos, objectos

Page 15: Inteligência Artificial Agenda

15

Conhecimento causal x diagnConhecimento causal x diagnóósticostico

�� Conhecimento causal:Conhecimento causal:�� Prevê resultados de acPrevê resultados de acçções e eventosões e eventos

�� Ex.: OEx.: Olho para o Norte e viro lho para o Norte e viro áá direita, passo a direita, passo a olhar para Lesteolhar para Leste..

�� Conhecimento diagnConhecimento diagnóóstico:stico:�� Forma hipForma hipóóteses sobre causas de efeitos teses sobre causas de efeitos

observadosobservados�� Ex.: Cheira a queimado, não devo ter desligado o Ex.: Cheira a queimado, não devo ter desligado o

fogão.fogão.

Conhecimento terminolConhecimento terminolóógico x dedutivogico x dedutivo

�� Conhecimento terminolConhecimento terminolóógico:gico:�� Taxionomia de entidades do domTaxionomia de entidades do domíínio e seus nio e seus

relacionamentos estrelacionamentos estááticosticos�� Aspectos estruturais e estacionAspectos estruturais e estacionááriosrios

�� Ex.: Se João Ex.: Se João éé filho de Pedro, e Pedro filho de Pedro, e Pedro éé filho do Carlos, filho do Carlos, João João éé neto do Carlos.neto do Carlos.

�� Conhecimento dedutivo:Conhecimento dedutivo:�� Regras de funcionamento e restriRegras de funcionamento e restriçções de integridade ões de integridade

do domdo domíínionio�� Aspectos comportamentais e temporaisAspectos comportamentais e temporais�� Ligando elementos em vLigando elementos em váárias regiões da taxionomiarias regiões da taxionomia

�� Ex.: Silogismos.Ex.: Silogismos.

Page 16: Inteligência Artificial Agenda

16

Conhecimento certo x incertoConhecimento certo x incerto

�� Conhecimento certo:Conhecimento certo:�� Epistemologicamente Epistemologicamente booleanobooleano

�� Ex.: Pedro Ex.: Pedro éé Português.Português.

�� Conhecimento incerto:Conhecimento incerto:�� Epistemologicamente probabilista:Epistemologicamente probabilista:

�� Ex.: Se jogar um dado, vai sair um 6 com 176 de Ex.: Se jogar um dado, vai sair um 6 com 176 de probabilidade.probabilidade.

Preciso x vagoPreciso x vago

�� Conhecimento certo (idem Preciso):Conhecimento certo (idem Preciso):�� Epistemologicamente Epistemologicamente booleanobooleano

�� Ex.: Pedro Ex.: Pedro éé Português.Português.

�� Conhecimento Vago:Conhecimento Vago:�� Epistemologicamente possibilista:Epistemologicamente possibilista:

�� Ex.: João Ex.: João éé alto.alto.

Page 17: Inteligência Artificial Agenda

17

Conhecimento explConhecimento explíícito x implcito x implíícitocito

�� Conhecimento explConhecimento explíícito: cito:

�� SentenSentençças simbas simbóólicas explicitamente licas explicitamente armazenadas na base de conhecimento.armazenadas na base de conhecimento.

�� Conhecimento implConhecimento implíícito:cito:

�� SentenSentençças simbas simbóólicas que podem ser licas que podem ser inferidas a partir do conhecimento explinferidas a partir do conhecimento explíícito.cito.

Conhecimento DeclarativoConhecimento Declarativo

�� Descreve o que Descreve o que éé conhecido acerca de um determinado conhecido acerca de um determinado problema. Inclui declaraproblema. Inclui declaraçções (ões (statementsstatements) que são ) que são assumidas como verdadeiras ou falsas e que descrevem assumidas como verdadeiras ou falsas e que descrevem um objecto ou conceito. um objecto ou conceito.

�� Corresponde a uma representaCorresponde a uma representaçção descritiva. ão descritiva. Exemplo:Exemplo:““Fumar pode provocar cancro no pulmão.Fumar pode provocar cancro no pulmão.””

�� Conhecimento DeclarativoConhecimento Declarativo�� ÉÉ mais transparente mais transparente –– mais facilmente entendido, mais fmais facilmente entendido, mais fáácil de cil de

manter.manter.�� RepresentaRepresentaçções ões procedimentaisprocedimentais –– são mais eficientes, mas são mais eficientes, mas

mais difmais difííceis de manter.ceis de manter.

Page 18: Inteligência Artificial Agenda

18

Conhecimento Conhecimento ProcedimentalProcedimental

�� Descreve como um Descreve como um problema problema éé resolvido ou resolvido ou como agir perante uma como agir perante uma dada situadada situaçção (como ão (como fazer). fazer).

�� Regras, estratRegras, estratéégias, gias, agendas e procedimentos agendas e procedimentos são representasão representaçções ões ttíípicas para este tipo de picas para este tipo de conhecimento.conhecimento.

Conhecimento Especialista e Bom SensoConhecimento Especialista e Bom Senso

�� Reflecte o conhecimento obtido com toda a experiência Reflecte o conhecimento obtido com toda a experiência que se detque se detéém ao lidar com um determinado tipo de m ao lidar com um determinado tipo de problema.problema.

�� ÉÉ obtido pela experiência probtido pela experiência préévia na resoluvia na resoluçção de um ão de um grande ngrande núúmero de problemas de uma determinada mero de problemas de uma determinada especialidade, especialidade, éé essencialmente empessencialmente empíírico.rico.

�� Muitas vezes assume o aspecto de regras de bom Muitas vezes assume o aspecto de regras de bom senso ou de senso ou de ““RulesRules ofof ThumbThumb””..�� Exemplo:Exemplo:

�� Para elaborar horPara elaborar horáários considerando salas devemos comerios considerando salas devemos começçar com ar com as salas que impõem mais restrias salas que impõem mais restriçções;ões;

�� Numa mNuma mááquina de pintura fazer as mudanquina de pintura fazer as mudançças de tintas sempre das as de tintas sempre das mais claras para as mais escuras.mais claras para as mais escuras.

Page 19: Inteligência Artificial Agenda

19

Conhecimento do ProblemaConhecimento do Problema

�� Descreve a estruturaDescreve a estruturaçção do conhecimento, ou seja, o ão do conhecimento, ou seja, o modelo mental que o perito tem na resolumodelo mental que o perito tem na resoluçção de um ão de um determinado tipo de problema. Pode indicar conceitos e determinado tipo de problema. Pode indicar conceitos e subconjuntos na estruturasubconjuntos na estruturaçção do conhecimento.ão do conhecimento.

�� Exemplo: Tipos de Anomalias no BetãoExemplo: Tipos de Anomalias no Betão

�� FissuraFissura�� Excesso de ArExcesso de Ar�� Excesso de Excesso de ÁÁguagua�� Factores ClimatFactores Climatééricosricos�� Temperatura InconstanteTemperatura Inconstante

Meta Meta -- ConhecimentoConhecimento

�� Conhecimento acerca do prConhecimento acerca do próóprio conhecimento. prio conhecimento. �� ÉÉ usado para aceder a conhecimento mais usado para aceder a conhecimento mais

orientado para resolver determinado problema. orientado para resolver determinado problema. �� Aumenta a eficiência de resoluAumenta a eficiência de resoluçção do problema ão do problema

dirigindo o raciocdirigindo o raciocíínio para o subconjunto de nio para o subconjunto de conhecimento mais adequado.conhecimento mais adequado.

�� Representado atravRepresentado atravéés de s de metameta--regrasregras –– regras regras que descrevem como usar outras regras.que descrevem como usar outras regras.�� Exemplo:Exemplo:

�� Se o carro não pegaSe o carro não pega�� E o sistema elE o sistema elééctrico estctrico estáá operacionaloperacional�� Então usar regras relativas ao circuito de alimentaEntão usar regras relativas ao circuito de alimentaççãoão

Page 20: Inteligência Artificial Agenda

20

Agente Baseado em ConhecimentoAgente Baseado em Conhecimento

Ask

Tell

Retract

Ambiente

Sensores

Actuadores

Base deConhecimentoEspecializada

Máquina deInferênciaGenérica

Aquisição e Representação Conhecimento

Raciocínio Automático

Engenharia do ConhecimentoEngenharia do Conhecimento

�� ““Engenharia do conhecimentoEngenharia do conhecimento -- termo usado termo usado para descrever todo o processo de para descrever todo o processo de desenvolvimento e construdesenvolvimento e construçção de sistemas ão de sistemas baseados em conhecimento.baseados em conhecimento.””

[[McGraw & McGraw & HarbisonHarbison--Briggs, 1989Briggs, 1989]]

�� Agentes baseados no conhecimento;Agentes baseados no conhecimento;�� Ontologias.Ontologias.

Page 21: Inteligência Artificial Agenda

21

OntologiasOntologias

�� Uma ontologia define um vocabulUma ontologia define um vocabuláário rio comum para profissionais que necessitam comum para profissionais que necessitam partilhar informapartilhar informaçções num domões num domíínio.nio.

�� Isto excluIsto excluíí definidefiniçção de conceitos bão de conceitos báásicos sicos do domdo domíínio e os relacionamentos entre nio e os relacionamentos entre eles.eles.

OntologiasOntologias

� Porquê construir ontologias ?

� Para partilhar o entendimento comum da estrutura da informação entre pessoas ou agentes software;

� Para permitir a reutilização do conhecimento do domínio;

� Para tornar explícitas as suposições do domínio;

� Para separar conhecimento do domínio do conhecimento operacional;

� Para analisar o conhecimento do domínio.

Page 22: Inteligência Artificial Agenda

22

Fim Parte 1Fim Parte 1

IntroduIntroduçção ão àà

Inteligência ArtificialInteligência Artificial

RepresentaRepresentaçção de Conhecimento ão de Conhecimento e e

InferênciaInferência

Page 23: Inteligência Artificial Agenda

23

AgendaAgenda

�� Parte 1Parte 1�� IntroduIntroduçção: Raciocão: Raciocíínio e Bom Sensonio e Bom Senso�� AbstracAbstracçção Baseada em Posturasão Baseada em Posturas�� RepresentaRepresentaçção de Conhecimentoão de Conhecimento�� Tipos de ConhecimentoTipos de Conhecimento�� Agente Baseado em ConhecimentoAgente Baseado em Conhecimento

�� Parte 2Parte 2�� InferênciaInferência�� RaciocRaciocíínio Dedutivonio Dedutivo�� RaciocRaciocíínio Não Monnio Não Monóótonotono

�� LimitaLimitaçções do Raciocões do Raciocíínio Dedutivonio Dedutivo�� InduInduççãoão�� AbduAbduççãoão�� AnalogiaAnalogia

RaciocRaciocíínionio

�� Existem diferentes formas pelas quais um ser Existem diferentes formas pelas quais um ser humano obtêm informahumano obtêm informaçção ão úútil a partir do que til a partir do que ele considera o seu corpo de conhecimento. ele considera o seu corpo de conhecimento.

�� Chamaremos a este stock Chamaremos a este stock Base de Base de ConhecimentoConhecimento e utilizaremos e utilizaremos KbKb para referipara referi--lo. lo.

�� O dispositivo pelo qual conseguimos elaborar O dispositivo pelo qual conseguimos elaborar informainformaçção a partir da KB denominaão a partir da KB denomina--se se Mecanismo de InferênciaMecanismo de Inferência ou ou MMááquina de quina de Inferência.Inferência.

�� O processo que utiliza o mecanismo inferencial O processo que utiliza o mecanismo inferencial denominadenomina--se se RaciocRaciocíínionio..

Page 24: Inteligência Artificial Agenda

24

RaciocRaciocíínionio�� O RaciocO Raciocíínio permite obter informanio permite obter informaçção que se encontra ão que se encontra

explexplíícitacita na KB ou que se encontra na KB ou que se encontra implimplíícitacita na KB.na KB.

�� O seguinte O seguinte éé um exemplo duma base de conhecimento um exemplo duma base de conhecimento expressada em Lexpressada em Lóógica Proposicional: gica Proposicional:

KB = { A, A KB = { A, A →→ B }B }

�� Se supomos que o seu mecanismo de inferência estSe supomos que o seu mecanismo de inferência estáábaseado no baseado no ModusModus PonensPonens, podemos ver que:, podemos ver que:

KB KB ⊢⊢ AA (trivial e explicitamente)(trivial e explicitamente)KB KB ⊢⊢ A A →→ BB (trivial e explicitamente)(trivial e explicitamente)

KB KB ⊢⊢ BB (por aplica(por aplicaçção do ão do ModusModus PonensPonens))

RepresentaRepresentaçção e Raciocão e Raciocíínionio

�� Na anNa anáálise e na resolulise e na resoluçção dos problemas ão dos problemas abordados pela IA abordados pela IA éé necessnecessáário uma grande rio uma grande quantidade de conhecimento, e, portanto os quantidade de conhecimento, e, portanto os mecanismos para gerimecanismos para geri--lo tornamlo tornam--se complexos.se complexos.

�� Ao longo do desenvolvimento da disciplina, Ao longo do desenvolvimento da disciplina, foram propostas vforam propostas váárias formas de representar o rias formas de representar o conhecimento.conhecimento.

�� Todas elas apresentam uma habilidade especial Todas elas apresentam uma habilidade especial em relaem relaçção a uma classe particular de domão a uma classe particular de domíínios.nios.

�� Isto Isto éé natural, jnatural, jáá que podemque podem--se aproveitar as se aproveitar as caractercaracteríísticas particulares do domsticas particulares do domíínio.nio.�� Ex.: LEx.: Lóógica gica dedeóónticantica em domem domíínios jurnios juríídicos.dicos.

Page 25: Inteligência Artificial Agenda

25

RepresentaRepresentaçção e Raciocão e Raciocíínionio

�� Os diferentes mOs diferentes méétodos e tecnologias partilham todos e tecnologias partilham os elementos para definios elementos para defini--los.los.

�� Num sistema de RepresentaNum sistema de Representaçção de ão de Conhecimento e RaciocConhecimento e Raciocíínio distinguemnio distinguem--se as se as seguintes componentes:seguintes componentes:

1.1. Uma Uma linguagem formal de representalinguagem formal de representaçção.ão.

2.2. Uma Uma semânticasemântica que relaciona a representaque relaciona a representaçção com ão com seu significado.seu significado.

3.3. Uma Uma teoria de raciocteoria de raciocíínionio ou ou teoria de provateoria de prova ou ou procedimento de provaprocedimento de prova que implementa a mque implementa a mááquina quina de inferência.de inferência.

1. Uma linguagem formal1. Uma linguagem formal

�� Esta Esta éé utilizada para descrever as futilizada para descrever as fóórmulas vrmulas váálidas lidas utilizutilizááveis para expressar conhecimento acerca do veis para expressar conhecimento acerca do domdomíínio (nio (““mundomundo””).).

�� A linguagem define os sA linguagem define os síímbolos legais e como podem mbolos legais e como podem formarformar--se expressões a partir deles.se expressões a partir deles.

�� Uma linguagem especificaUma linguagem especifica--se por meio de uma se por meio de uma gramgramáática.tica.

�� Uma Base de Conhecimento Uma Base de Conhecimento éé um conjunto de um conjunto de sentensentençças vas váálidas da linguagem.lidas da linguagem.

�� Perguntas sobre a linguagem:Perguntas sobre a linguagem:�� Porque Porque éé tão tão expressivaexpressiva ? ? �� O O que possoque posso e o que e o que não posso dizernão posso dizer com ele?com ele?

Page 26: Inteligência Artificial Agenda

26

2. Uma Semântica2. Uma Semântica

�� Especifica o Especifica o significadosignificado das sentendas sentençças da as da linguagem. linguagem.

�� Faz explicita a Faz explicita a relarelaçção entre os elementos da ão entre os elementos da linguagem e o domlinguagem e o domíínionio..

�� Este compromisso semântico permite discutir a Este compromisso semântico permite discutir a correccorrecççãoão e a e a veracidadeveracidade do conhecimento de do conhecimento de forma independente da sua utilizaforma independente da sua utilizaçção.ão.

3. Uma teoria de prova 3. Uma teoria de prova

�� Especifica como obter uma resposta da KB.Especifica como obter uma resposta da KB.�� Tipicamente, esta teoria Tipicamente, esta teoria éé formada por um formada por um

conjunto de conjunto de Regras de InferênciaRegras de Inferência de algum tipo.de algum tipo.�� ÉÉ posspossíível que a teoria de prova e a semântica vel que a teoria de prova e a semântica

não se adeqnão se adeqúúem.em.�� Se a teoria de prova sSe a teoria de prova sóó infere respostas infere respostas

correctas de acordo correctas de acordo àà semântica, dizsemântica, diz--se que se que ééCorrectaCorrecta..

�� Se gera todas as respostas correctas dizSe gera todas as respostas correctas diz--se que se que éé CompletaCompleta..

Page 27: Inteligência Artificial Agenda

27

O que O que éé RaciocRaciocíínio Inteligente?nio Inteligente?

�� A A llóógicagica toma como ponto de intoma como ponto de iníício a hipcio a hipóótese tese de que o raciocde que o raciocíínio inteligente nio inteligente éé alguma forma alguma forma de cde cáálculo formal.lculo formal.

�� Estes cEstes cáálculos envolvem alguma forma de lculos envolvem alguma forma de dedudeduççãoão..

�� A Psicologia vê o raciocA Psicologia vê o raciocíínio como um nio como um comportamentocomportamento caractercaracteríístico dos seres stico dos seres humanos.humanos.

�� O estudo do comportamento deu nascimento a O estudo do comportamento deu nascimento a uma vasta uma vasta áárea de investigarea de investigaçção em Resoluão em Resoluçção ão de Problemas e Sistemas Baseados em de Problemas e Sistemas Baseados em Conhecimento.Conhecimento.

O que O que éé RaciocRaciocíínio Inteligente?nio Inteligente?

�� Outro caminho para aproximarOutro caminho para aproximar--se a este problema se a este problema ééutilizado pela utilizado pela BiologiaBiologia..

�� A pressuposiA pressuposiçção fundamental ão fundamental éé que a chave do que a chave do raciocraciocíínio estnio estáá na arquitectura da maquinaria que realiza na arquitectura da maquinaria que realiza esta tarefa.esta tarefa.

�� Então, o raciocEntão, o raciocíínio nio éé caracterizado por um caracterizado por um comportamento de comportamento de estestíímulo/respostamulo/resposta emergente da emergente da interacinteracçção de uma enorme quantidade de ão de uma enorme quantidade de processadores simples conectados em paralelo.processadores simples conectados em paralelo.

�� Esta Esta áárea recebe o nome de rea recebe o nome de ConeccionismoConeccionismo..

Page 28: Inteligência Artificial Agenda

28

O que O que éé RaciocRaciocíínio Inteligente?nio Inteligente?

�� Um quarto ponto de vista, derivado da Um quarto ponto de vista, derivado da teoria da teoria da probabilidadeprobabilidade agrega agrega àà llóógica a nogica a noçção de ão de incertezaincerteza..

�� Assim, raciocinar inteligentemente significa Assim, raciocinar inteligentemente significa obedecer alguma forma dos axiomas da obedecer alguma forma dos axiomas da probabilidade.probabilidade.

�� Finalmente, a visão da Finalmente, a visão da EconomiaEconomia agrega a noagrega a noçção ão de de valorvalor e e preferênciapreferência..

�� Desta forma, o raciocDesta forma, o raciocíínio inteligente obedece aos nio inteligente obedece aos princprincíípios da pios da teoria da utilidade. teoria da utilidade.

RaciocRaciocíínio Dedutivonio Dedutivo�� ÉÉ a classe de racioca classe de raciocíínio onde uma conclusão nio onde uma conclusão éé alcanalcanççada a ada a

partir das premissas, isto partir das premissas, isto éé, de factos previamente conhecidos. , de factos previamente conhecidos.

�� Por exemplo:Por exemplo:�� Todos os homens são mortais. Todos os homens são mortais.

�� SSóócrates crates éé um homem. um homem.

�� Então, SEntão, Sóócrates crates éé mortal.mortal.

Page 29: Inteligência Artificial Agenda

29

RaciocRaciocíínio Dedutivonio Dedutivo

�� CorrectoCorrecto�� Completo (lCompleto (lóógica proposicional)gica proposicional)�� MonMonóótono Atono A�� B, então A B, então A ∧∧ C C �� BB

�� Algumas regras de InferênciaAlgumas regras de Inferência�� ModusModus PonensPonens�� ModusModus TollensTollens�� Silogismo HipotSilogismo Hipotééticotico�� Silogismo DedutivoSilogismo Dedutivo�� ContraposiContraposiççãoão�� EtcEtc……

Mundo de Mundo de WumpusWumpus

Page 30: Inteligência Artificial Agenda

30

Mundo de Mundo de WumpusWumpus

Mundo de Mundo de WumpusWumpus

Page 31: Inteligência Artificial Agenda

31

Mundo de Mundo de WumpusWumpus

Mundo de Mundo de WumpusWumpus

Page 32: Inteligência Artificial Agenda

32

Mundo de Mundo de WumpusWumpus

Mundo de Mundo de WumpusWumpus

Page 33: Inteligência Artificial Agenda

33

Mundo de Mundo de WumpusWumpus

Mundo de Mundo de WumpusWumpus

Page 34: Inteligência Artificial Agenda

34

Mundo de Mundo de WumpusWumpus

Mundo de Mundo de WumpusWumpus

Page 35: Inteligência Artificial Agenda

35

Mundo de Mundo de WumpusWumpus

Um problema ...Um problema ...

�� A A CCáátiatia, a Joana e a M, a Joana e a Máárcia, estavam sempre a falar rcia, estavam sempre a falar numa aula de lnuma aula de lóógica, era entre elas mas estavam a gica, era entre elas mas estavam a atrapalhar a turma, o professor jatrapalhar a turma, o professor jáá chateado com a chateado com a situasituaçção viraão vira--se para elas, e diz: se para elas, e diz: ““ a menina loura que se a menina loura que se cale ou vai para a ruacale ou vai para a rua”” (pois era ela que estava a falar (pois era ela que estava a falar no momento em que o professor se virou e as outras no momento em que o professor se virou e as outras eram uma ruiva e outra morena). eram uma ruiva e outra morena).

Page 36: Inteligência Artificial Agenda

36

Um problema ...Um problema ...

�� O professor curioso para saber o nome da aluna foi O professor curioso para saber o nome da aluna foi procurar na ficha dos alunos, mas apenas sabia os procurar na ficha dos alunos, mas apenas sabia os sobrenomes (sobrenomes (CrCróó, Silva e Correia) agora tinha que , Silva e Correia) agora tinha que associar ao nome principal.associar ao nome principal.

Um problema ...Um problema ...

�� Qual Qual éé o nome da aluna que quase foi para a rua o nome da aluna que quase foi para a rua sabendo que:sabendo que:�� CCáátiatia não não éé SilvaSilva�� CrCróó éé louraloura�� MMáárcia rcia éé morenamorena�� Quem tem apelido Correia não Quem tem apelido Correia não éé ruivaruiva

Page 37: Inteligência Artificial Agenda

37

Um problema ...Um problema ...

�� CCáátiatia não não ééSilvaSilva

�� CrCróó éé louraloura

�� MMáárcia rcia éémorenamorena

�� Quem tem Quem tem apelido Correia apelido Correia não não éé ruivaruiva

RuivaRuiva

MorenaMorena

LouraLoura

MMáárciarcia

CatiaCatia

JoanaJoana

RuivaRuivaMorenaMorenaLouraLouraCorreiaCorreiaSilvaSilvaCroCro

Mas onde estMas onde estáá a la lóógica?gica?

�� SSóó vimos uma tabelavimos uma tabela

�� Podemos escrever isto Podemos escrever isto

em Linguagem lem Linguagem lóógica???gica???

Por exemplo, a tabela diz que o apelido da Joana Por exemplo, a tabela diz que o apelido da Joana pode ser somente pode ser somente CrCróó, Silva ou Correia. , Silva ou Correia.

RuivaRuiva

MorenaMorena

LouraLoura

MMáárciarcia

CatiaCatia

JoanaJoana

RuivaRuivaMorenaMorenaLouraLouraCorreiaCorreiaSilvaSilvaCroCro

Page 38: Inteligência Artificial Agenda

38

Mas onde estMas onde estáá a la lóógica?gica?

�� Por exemplo, a tabela diz que o apelido da Joana pode ser Por exemplo, a tabela diz que o apelido da Joana pode ser somente somente CrCróó, Silva ou Correia., Silva ou Correia.

�� relarelaççao(x,y,zao(x,y,z))

�� ( ( relarelaççao(Joana,ao(Joana,Cro,_Cro,_) ) ∧∧ –– relarelaççao(Joana,Silvaao(Joana,Silva,_,_) ) ∧∧ ––rrelaelaççao(Joana,ao(Joana,Correia,_Correia,_) )) )

�� v (v (–– relarelaççao(Joana,ao(Joana,Cro,_Cro,_) ) ∧∧ relarelaççao(Joana,Silvaao(Joana,Silva,_,_) ) ∧∧ ––relarelaççao(Joana,ao(Joana,Correia,_Correia,_) )

�� v (v (–– relarelaççao(Joana,ao(Joana,Cro,_Cro,_) ) ∧∧ –– relarelaççao(Joana,Silvaao(Joana,Silva,_,_) ) ∧∧relarelaççao(Joana,ao(Joana,Correia,_Correia,_) )

�� etcetc ......

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Orientada pelos FactosOrientada pelos Factos

�� Parte de um conjunto de factos.Parte de um conjunto de factos.�� Usa as regras da Base de Conhecimento Usa as regras da Base de Conhecimento

para deduzir novos factos.para deduzir novos factos.

Page 39: Inteligência Artificial Agenda

39

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

EstratEstratéégia: gia: �� Os factos bOs factos báásicos originam o sicos originam o ““disparodisparo”” de regras. de regras. �� As regras conduzem As regras conduzem àà obtenobtençção de conclusões ão de conclusões

interminterméédias.dias.�� As conclusões intermAs conclusões interméédias em conjunto com os dias em conjunto com os

factos bfactos báásicos originam o sicos originam o ““disparodisparo”” de mais regras.de mais regras.

O processo continua atO processo continua atéé que: que: �� Se obtenham conclusões finais (se tal for possSe obtenham conclusões finais (se tal for possíível) e vel) e

não haja mais lugar não haja mais lugar àà possibilidade de possibilidade de ““disparodisparo”” de de novas regras.novas regras.

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Page 40: Inteligência Artificial Agenda

40

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Page 41: Inteligência Artificial Agenda

41

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Page 42: Inteligência Artificial Agenda

42

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Page 43: Inteligência Artificial Agenda

43

Encadeamento para a frente: ExemploEncadeamento para a frente: Exemplo

Encadeamento para trEncadeamento para trááss

Ou Ou inferência descendenteinferência descendente: Orientada aos objectivos: Orientada aos objectivosEstratEstratéégiagia::

�� Provar as conclusões finais que aparecem no lado direito das Provar as conclusões finais que aparecem no lado direito das regras.regras.

As As conclusõesconclusões são provadas: são provadas: �� Provando as condiProvando as condiçções que aparecem no lado esquerdo da ões que aparecem no lado esquerdo da

regra.regra.As As condicondiçções do lado esquerdoões do lado esquerdo da regra podem ser suportadas:da regra podem ser suportadas:

�� Por conclusões intermPor conclusões interméédias de outras regras ou por factos dias de outras regras ou por factos bbáásicos.sicos.

Base de Regras:Base de Regras:ÉÉ expressa do mesmo modo que no caso do encadeamento para expressa do mesmo modo que no caso do encadeamento para frente, apenas a interpretafrente, apenas a interpretaçção da regra ão da regra éé feita em sentido inverso.feita em sentido inverso.

Page 44: Inteligência Artificial Agenda

44

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Page 45: Inteligência Artificial Agenda

45

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Page 46: Inteligência Artificial Agenda

46

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Page 47: Inteligência Artificial Agenda

47

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Page 48: Inteligência Artificial Agenda

48

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Encadeamento para trEncadeamento para tráás: Exemplos: Exemplo

Page 49: Inteligência Artificial Agenda

49

Encadeamento para a frente Encadeamento para a frente versus versus

Encadeamento para trEncadeamento para trááss

Consequências determinam a procura Consequências determinam a procura Antecedentes determinam a procura Antecedentes determinam a procura

Trabalhar para trTrabalhar para tráás para encontrar os s para encontrar os factos que suportam a hipfactos que suportam a hipóótese tese

Trabalhar para a frente para encontrar Trabalhar para a frente para encontrar solusoluçções que derivam dos factos ões que derivam dos factos

RaciocRaciocíínio nio toptop--downdown baseado no alvo baseado no alvo RaciocRaciocíínio nio bottombottom--upup baseado nos dados baseado nos dados

Consequente para antecedenteConsequente para antecedenteAntecedente para consequenteAntecedente para consequente

Presente para o passadoPresente para o passadoPresente para o futuroPresente para o futuro

DiagnDiagnóósticossticosPlaneamento, monitorizaPlaneamento, monitorizaçção e controloão e controlo

Encadeamento para trásEncadeamento para frente

A deduA deduçção não ão não éé sempresempre o melhoro melhor

�� Alguns exemplos onde a deduAlguns exemplos onde a deduçção (a ão (a monotonia, etc.) não são apropriadas.monotonia, etc.) não são apropriadas.

Page 50: Inteligência Artificial Agenda

50

MonotoniaMonotonia

�� Em lEm lóógicagica�� Se ASe A�� B, então A B, então A ∧∧ C C �� BB

�� Nas nossas vidasNas nossas vidas�� Se vou ao cinema com a minha namorada Se vou ao cinema com a minha namorada éé bom. bom.

(NC (NC �� B)B)�� Se vou ao cinema com a minha namorada e a sua Se vou ao cinema com a minha namorada e a sua

mãe ... mãe ... (NC (NC ∧∧ MM �� ?)?)

P P �� Q Q éé equivalente a equivalente a --Q Q ��-- PPContraposiContraposiççãoão

�� Os mOs méédicos não percebem de dicos não percebem de cirurgias cerebrais.cirurgias cerebrais.

�� Conclusão, os que percebem de Conclusão, os que percebem de cirurgias cerebrais não são cirurgias cerebrais não são mméédicos.dicos.

Page 51: Inteligência Artificial Agenda

51

DeduDeduçção (ão (ModusModus PonensPonens))

AA�� BB

A A

______________

BB

Se tenho gripe tenho febreSe tenho gripe tenho febre

Tenho gripeTenho gripe

Então tenho febreEntão tenho febre

DeduDeduçção (ão (ModusModus PonensPonens))

No MNo Méédicodico

EF:EF: Doutor tenho gripe.Doutor tenho gripe.

MMéédico:dico: Ah, deve ter febre.Ah, deve ter febre.

EF:EF: Por acaso tenho.Por acaso tenho.

MMéédico:dico: OkOk, 50, 50€€. Seguinte .... Seguinte ...

Page 52: Inteligência Artificial Agenda

52

RaciocRaciocíínio Indutivo:nio Indutivo:

�� Raciocinar indutivamente Raciocinar indutivamente éé partir de premissas partir de premissas particulares, na busca de uma lei geralparticulares, na busca de uma lei geral, universal., universal.

�� Por exemplo:Por exemplo:�� Todos os dias o sol aparece.Todos os dias o sol aparece.�� Amanhã tambAmanhã tambéém aparecerm apareceráá..

RaciocRaciocíínio Abdutivo:nio Abdutivo:

�� TambTambéém chamado inferência de m chamado inferência de diagndiagnóósticostico ou ou melhor explicamelhor explicaççãoão. Cria hip. Cria hipóóteses.teses.

�� Por exemplo:Por exemplo:

�� Sabemos que o carro não liga.Sabemos que o carro não liga.�� Pode ser que acabou a gasolina.Pode ser que acabou a gasolina.

Page 53: Inteligência Artificial Agenda

53

RelaRelaçção entre diferentes formas ão entre diferentes formas de Raciocde Raciocíínionio

Dados Hipóteses

Evidências

Indução (do particular para o geral)

Dedução (do geral para o particular)

Abdução(gerando explicações)

Outros tipos de RaciocOutros tipos de RaciocíínionioAnalogiaAnalogia�� Se duas situaSe duas situaçções são iguais em alguns dos seus aspectos, o normal ões são iguais em alguns dos seus aspectos, o normal éé que possam que possam

sêsê--lo em outras.lo em outras.�� Exemplo:Exemplo:

�� Em Estocolmo faz frio, então em Em Estocolmo faz frio, então em LundLund (que (que éé perto) tambperto) tambéém faz frio.m faz frio.

ProbabilProbabilíísticostico

AA��B com 80%B com 80%A com 65% A com 65% ______________________________________________________B com X%B com X%

PossibilPossibilíísticostico

As pessoas altas normalmente caminham depressaAs pessoas altas normalmente caminham depressa..João mede 1,81 mJoão mede 1,81 m______________________________________________________O que podemos inferir?O que podemos inferir?

Page 54: Inteligência Artificial Agenda

54

ConclusãoConclusão

�� Existem muitas formas de InferênciaExistem muitas formas de Inferência�� DeduDeduçção ão éé apenas uma delasapenas uma delas

�� Requer conhecimento completo sobre o mundoRequer conhecimento completo sobre o mundo

�� Nem sempre Nem sempre éé adequadaadequada

�� PorPoréém m éé correctacorrecta

�� InduInduçção, Abduão, Abduçção, Analogia ão, Analogia �� Embora não sejam correctas são Embora não sejam correctas são úúteis quando não teis quando não

temos toda a informatemos toda a informaçção disponão disponíível.vel.

FIM