1 / 54

Laboratorio di Sistemi Ibridi Sistemi Basati su Conoscenza

Laboratorio di Sistemi Ibridi Sistemi Basati su Conoscenza. Dott. Darya Majidi Dipartimento di Informatica Università degli studi di Pisa. Laboratorio di Sistemi Ibridi Sistemi Basati su Conoscenza. Lezione Numero 1. Sistemi Ibridi Sistemi simbolici Sistemi connessionisti. Sistemi Ibridi.

lora
Download Presentation

Laboratorio di Sistemi Ibridi Sistemi Basati su Conoscenza

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Dott. Darya Majidi Dipartimento di Informatica Università degli studi di Pisa

  2. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Lezione Numero 1

  3. Sistemi Ibridi Sistemi simbolici Sistemi connessionisti

  4. Sistemi Ibridi Un Sistema Esperto ha l’esperienza tipica di un esperto di un dominio Una Rete Neurale è un programma che generalizza la propria conoscenza La fusione di questi due paradigmi della Intelligenza Artificiale prende il nome di Sistema Ibrido

  5. Sistemi Basati su Conoscenza • Ripetibile • Conoscenza a basso costo • Tutoriale o Di Supporto • Trasportabile • Amichevole e facile da interagire • Insegnamento di un protocollo • Integrato con gli strumenti

  6. Dominio di Applicazione • Scopo (purpose) • Target • Esigenze utente • Necessità utente • Linguaggio • Tipo • Conoscenza

  7. Sistemi Esperti (ES) versus Sistemi di Supporto alla Decisione (DDS)

  8. ES design Base di conoscenza Motore Inferenziale Memoria di lavoro Utente

  9. Interfaccia Modulo Linguistico • Interazione tra utenti e sistema attraverso un linguaggio vicino linguaggio del dominio di applicazione • uso interattivo del sistema • Il modulo linguistico deve spiegare il ragionamento sottostante • Explaining HOW • Explaining WHY

  10. Inferenza Il processo usato per ricavare nuova conoscenza da informazioni acquisite Motore Inferenziale Un modulo di un sistema espero che trova il matching tra i fatti nella memori a di lavoro ed i fatti contenuto nella base di conoscenza per trovare la soluzione ottimale ad un problema

  11. Schema Funzionale Base di Conoscenza Database Relazionale Motore Inferenziale Modulo Linguistico Interfaccia Utente

  12. Esempio di architettura di un ES

  13. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Lezione Numero 2

  14. La Conoscenza Esistono diversi tipi di conoscenza: • conoscenza pubblica • conoscenza dichiarativa • conoscenza privata • conoscenza procedurale

  15. Types of Knowledge

  16. Selezione della Conoscenza • Conoscenza assestata: • Pubblica • Dichiarativa e Procedurale • Normative • Privata • Conoscenza sperimentale: • Estratta da dati (algoritmi induttivi) • Estratta da test strumentali (sono da validare)

  17. Wielinga et al, 1986 • Knowledge acquisition consists of elecitation and interpretation of data on the functioning of expertise in some domain , in order to design, build, extend, adapt or modify a knowledge based (expert) system. In this view, knowledge acquisition is a permanent and crucial activity throughout all stages of designing, implementing and maintaining an expert system.

  18. Estrazione della Conoscenza • Elicitazione (bottleneck) • Interpretazione • Formalizzazione • Generalizzazione • Acquisizione

  19. Acquisizione della Conoscenza • Thinking aloud: l’esperto parla ad alta voce spiegando in dettaglio il suo ragionamento circa un caso • Interview: l’ingegnere della conoscenza chiede domande circa un caso specifico • Cross-examination: l’ingenere e l’esperto parlano insieme di un caso

  20. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Lezione Numero 3

  21. Linguaggi di formalizzazione Rappresentazione della conoscenza: • Regole • Reti semantiche • Frames • Grafi concettuali (Sowa) • Blackboard • ….

  22. Regole • Una struttura di conoscenza che lega una informazione acquisita ad altre informazioni che possono essere ritenute acquisite. • Relationship • Recommandation • Directive • Strategy • Heuristic

  23. Reti Semantiche • Un metodo per rappresentare la conoscenza, usando grafi costituiti da nodi ed archi, dove i nodi rappresentano gli oggetti e gli archi le relazioni tra essi.

  24. Frames • Una struttura dati per rappresentare attraverso uno stereotipo concetti ed oggetti. Frame Name: Class Frame: Properties:

  25. Blackboards • Un approccio dove più fonti di conoscenza condividono informazioni contenute in una risorsa condivisa. • Community of knowledge sources • Blackboard • Scheduler

  26. Grafi concettuali di Sowa • Se assumiamo che la conoscenza di un qualcosa consista nell'abilità di costruire modelli mentali che rappresentino accuratamente sia quel qualcosa, sia le azioni effettuabili tramite e/o su quel qualcosa, i grafi concettuali sono il metodo di rappresentazione della conoscenza più idoneo.

  27. Grafi concettuali di Sowa • I grafi concettuali (GGC) infatti costituiscono un metodo di rappresentazione dei modelli mentali, ossia una rappresentazione della conoscenza capace di rilevare sistematicamente e formalmente come ciò che pensiamo riguardo ad un concetto possa essere descritto in termini delle sue relazioni con concetti di altri tipi.

  28. Grafi concettuali di Sowa • Due tipi di nodi: • Concetti (concreti ed astratti) • Relazioni (partof, object of, characteristic of...) Concept 2 Concept 1 Relationship Il nodo relazione spiega la dipendenza tra Concep1 e Concept2

  29. Grafi concettuali di Sowa • Un GC è in grado di formalizzare sia concetti concreti sia concetti astratti. La potenza dei GGC risiede nel fatto che essi sono in grado di formalizzare una gerarchia di concetti: nella base della gerarchia vengono definiti i concetti concreti sui quali poggiano gli oggetti via via più astratti.

  30. Gerarchia tra grafi • Ogni oggetto concreto (muscolo, nervo) viene formalizzato grazie ad un grafo. Anche gli oggetti intermedi ed astratti (ipotesi di sede di lesione, attività elettrica muscolare) vengono rappresentati mediante grafi. Un dominio viene cosi sviluppato mediante una gerarchia di GGC.

  31. Gerarchia tra grafi • un concetto concreto come ad esempio un muscolo viene rappresentato come un nodo concetto in un grafo di un livello intermedio (ad esempio attività elettrica muscolare). • I GGC cosi costituiti sono collegati tra loro; nel grafo concettuale del concetto nervo si fa riferimento al nodo concetto muscolo che a sua volta viene formalizzato come grafo e viceversa.

  32. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Lezione Numero 4

  33. Plesso Sacrale: nervi & radici

  34. Esempio: Nervo Nervo Nome, Sensitivo-Motorio, Radici da cui trae origine, Tronchi originati, Segmento Padre, Range di normalita' Risposta F (significativo solo se il n. e' motorio), Range di normalita' Velocita' di Conduzione Sensitiva (significativo solo se il n. e' sensitivo), Range di normalita' Velocita' di Conduzione Motoria (significativo solo se il n. e' motorio), Indagabile-Non Indagabile all' ElettroNeurografia

  35. Istanza di un Nervo Nervo "SCIATICO", "SM", ["L4","L5","S1","S2"], ["PERONEO COMUNE","TIBIALE"], "", [MinF,MaxF],[MinM,MaxM],[MinS,MaxS], "I"

  36. Radice & Istanza di radice Radice Nome Sensitiva-Motoria Nervi originati Radice "L4” "SM” ["SCIATICO","FEMORALE","OTTURATORIO"]

  37. Esempio di un concetto concreto Nervo

  38. Esempio di un concetto astratto Ipotesi di sede di lesione

  39. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Lezione Numero 5

  40. Approccio strutturato KADS

  41. Stages in evolution of an expert system Formalization Designing structures to organize knowledge Conceptualization Implementation Finding concepts to represent knowledge Formulating rules that embody knowledge Testing Identification Determining problem characteristics Validating rules that embody knowledge

  42. KADS modelling approach Livello Concettuale Livello Inferenziale Livello Task Livello Strategie

  43. Strutturato Prototipizzazione Rapida Approcci nella craezionedi un SE

  44. KADS modelling approach • L'approccio strutturato perseguito nella fase di formalizzazione del dominio permette di separare completamente questa fase dalla fase dell'implementazione vera e propria del SE, rendendo il sistema: • modulare • espandibile • modificabile • trasportabile.

  45. KADS modelling approach • Livello Concettuale: i concetti individuati sono integrati tra loro per mezzo di primitive concettuali. • Livello dell'Inferenza: descrive soltanto le inferenze possibili senza alcun riferimento al loro eventuale utilizzo. La struttura inferenziale è definita in termini di meta-classi, ognuna delle quali descrive il ruolo dei concetti del dominio (ipotesi, dato, ...) e delle sorgenti di conoscenza (quali sono ad esempio gli elementi di conoscenza necessari ad una certa inferenza tra concetti di due meta-classi distinte).

  46. KADS modelling approach • Livello del task: viene specificato come le possibili inferenze possono essere utilizzate per svolgere un determinato compito. Naturalmente è possibile definire più tasks su di una stessa struttura inferenziale, in modo da specificare metodi diversi per ottenere uno stesso obiettivo, o possibilmente obiettivi diversi. • Livello delle Strategie: specifica il piano di controllo per il livello dei tasks.

  47. KADS

  48. Esempio centrale 118 • Conoscenza (pubblica, dichiarativa, procedurale, pivata) • Formalizzazione conoscenza (KADS: concetti, inferenze, task, strategie) • Implementazione conoscenza (Prolog)

  49. Laboratorio di Sistemi IbridiSistemi Basati su Conoscenza Lezione Numero 6

  50. Prolog • Pattern matching • tree-based data structuring • automatic backtracking

More Related