Representação do conhecimento sobre incertezas

Para iniciar as discussões e a motivação pela busca de ferramentas direcionadas à solução no âmbito da representação do conhecimento em cenários com incertezas, é oportuna uma análise em torno da temática das ontologias e a averiguação do seu status de pesquisa diante desta problemática.

A proposta desde trabalho é centrada na elaboração de um modelo que dará suporte ao processo de inferência em Redes Fuzzy-Bayesianas. Estas estruturas são derivadas das Redes Bayesianas Clássicas, como formas de representação de conhecimento baseado em informações explicitadas por variáveis e relações probabilísticas.

Ao considerar que estas variáveis probabilísticas, constituintes da estrutura qualitativa de uma Rede Bayesiana, são entidades que especificam conceitos e relações que retratam uma realidade em um domínio, então, é plausível argumentar sobre o fato de que estas estruturas são formas reduzidas de se explicitar uma ontologia existente em nível mais elevado, associado à interpretação do contexto em relevância por parte do modelador.

Sendo assim, é factível considerarmos o estudo das ontologias como pressuposto teórico básico para guiar o desenvolvimento desta pesquisa no que tange à contribuição para o campo das idéias voltadas a construção de estruturas de representação de conhecimento sobre incertezas.

Se uma ontologia descreve as coisas do mundo real sob a forma de especificação de conceitos e relações, é propenso discutir-se sobre o objeto ou entidade que está sendo conceituado na estruturação de uma ontologia em termos de sua caracterização, quantitativa ou qualitativa e, a partir de então analisar se tal conceito em questão é de natureza completa ou não.

O que pretende-se com esta argumentação é elucidar o fato de que as ontologias podem lidar com conceitos e relações sobre domínios que sugerem a existência de variáveis discretas, completas, e também aquelas que denotam subjetividade, vagueza, incompletude ou continuidade. Para exemplificar, suponhamos um processo de classificação envolvendo conceitos de caráter discreto e completo como mostrado na figura 11:

Figura 11 – Exemplo de classificação de natureza completa e discreta Fonte: (do autor)

Já no próximo exemplo mostrado pela figura 12 observamos uma classificação envolvendo termos de natureza incompleta e imprecisa, caracterizados pela sua existência em um intervalo de subjetividade e de notação quantitativa contínua.

Figura 12 – Exemplo de classificação de natureza subjetiva Fonte: (do autor)

É notável neste caso, que há uma imprecisão intrínseca aos limites dos termos (conceitos) da estrutura de classificação. Também, nota-se uma sobreposição conceitual nestes limites, ou seja, é plausível considerar as intersecções da figura 13:

Meio de Transporte Global

Terrestre Aéreo Marítimo

Temperatura aferida

Figura 13 – Sobreposição conceitual pela imprecisão Fonte: (do autor)

Esta preocupação em torno do fator imprecisão inerente ao processo de modelagem de ontologias sobre conhecimento incerto é percebido pela elaboração de trabalhos que propuseram uma abordagem difusa a construção deste tipo de conhecimento.

Borges et al. (2010) realizaram uma revisão sistemática para conhecer o status de pesquisa sobre as Ontologias Fuzzy e verificaram nos trabalhos de Lee, Jian e Huang (2005), Bandini, Calegari e Radaelli (2006), Calegari e Ciucci (2006 e 2008), Calegari e Sanchez (2008) e Zhai et al. (2009) acentuado estudo sobre as ontologias fuzzy. Estes autores compartilham da seguinte definição sobre uma ontologia fuzzy “é uma ontologia estendida com valores fuzzy que são atribuídos a entidades e relações da ontologia”.

Naturalmente, a imprecisão é um tipo de incerteza manifestada em conceituações especificadas por ontologias e neste caso, têm-se observado o emprego da Lógica Fuzzy como conjunto de técnicas e ferramentas de apoio ao tratamento deste tipo de conhecimento incompleto. Contudo, não é o único tipo de incerteza encontrado quando da especificação de variáveis obtidas a partir de um domínio que se deseje modelar.

Outra forma de incerteza amplamente elucidada em muitas demandas às ontologias, como já citado anteriormente, no caso das

Fria Moderada Quente

aplicações para a área de medicina, é a aleatoriedade. O conhecimento obtido por informações oriundas da causalidade sugere um tratamento probabilístico ao uso das ontologias.

A abordagem probabilística possui amplo acervo de contribuições científicas para a construção de ontologias sobre domínios de incerteza manifestada pela aleatoriedade.

Para um breve encaminhamento às discussões posteriores sobre a temática da abordagem probabilística em ontologias é oportuno destacar o trabalho de Yang e Calmet (2005) que descrevem sobre a ferramenta OntoBayes a qual integra Redes Bayesianas e Ontologias. Também, trabalhos como aqueles desenvolvidos por Ding (2005) e por Carvalho (2008 e 2011) descrevem suas contribuições sobre a inserção de notações probabilísticas na linguagem OWL e o surgimento da linguagem PR-OWL.

Outros trabalhos envolvem o estudo das incertezas representadas em ontologias e que não utilizam abordagens probabilísticas. A Teoria da Possibilidade também tem sido empregada para solucionar o problema da representação de incertezas. Uma das soluções mais referenciadas na literatura, conforme é encontrado em (Ross, 1995) é a Teoria da Evidência de Dempster-Shafer, que utiliza uma modelagem matemática para definir funções de crença que medem a intensidade ou força de uma evidência.

Em Nagy, Vargas-Vera e Motta (2006) foi relatada a utilização de funções de crença da Teoria de Dempster-Shafer para melhorar a exatidão do mapeamento de ontologias através da combinação das semelhanças que foram originalmente criadas por algoritmos de similaridade, sintática e semântica.

Em consonância com a forma de organização deste trabalho e pretendendo-se uma descrição mais detalhada sobre as ontologias probabilísticas e estocásticas não se estenderá esta temática nesta secção, pois será explorada com mais intensidade em secção posterior dada pelos resultados colhidos num estudo de revisão sistemática.

O termo – incerteza é amplamente referenciado neste trabalho justificando ser um adjetivo para uma categoria de conhecimento o qual é essencial na motivação da presente investigação. As afirmativas anteriores e ao longo das próximas discussões trazem uma descrição do fator incerteza associando-o às duas formas mais elucidadas pelo objetivo maior desta pesquisa: a incerteza oriunda da causalidade e representada por probabilidades e a incerteza dada pela existência de imprecisão.

É oportuno revisar de que modo o fator imprecisão pode ser categorizado pela teoria e para tal Andrade (2012) contribui apresentando esta categorização da seguinte forma:

• Indecidibilidade: uma forma de ambigüidade associada com nossa habilidade de discriminar entre diferentes estados de um evento;

• Exatidão: o grau no qual uma medida corresponde ao valor padrão de uma quantidade;

• Ambiguidade: uma relação muito estreita ao conceito de nebulosidade. O autor descreve que, em Lógica Fuzzy, ambigüidade aparece na hora em que uma variável pode “ser duas coisas” ao mesmo tempo;

• Vaguidade: ser vago é ser incerto, indefinido, confuso, misturado. Estes são conceitos intimamente ligados a nebulosidade e referem-se à falta de nitidez. Andrade (2012) afirma ainda que: “A Teoria da Possibilidade atua como métrica da vaguidade”.

Conforme já apresentado no início deste trabalho, o cenário da Classificação de Risco Metabólico em crianças e adolescentes provê variáveis de natureza probabilísticas para descrever e representar o conhecimento inerente ao domínio, contudo, identifica-se a imprecisão existente nos estados que constituem as variáveis de entrada ou evidências apresentadas à Rede Bayesiana.

Considerando os postulados de Zadeh (1965) e observando como Römer e Kandel (1995) interpreta o conceito de imprecisão e recorre a Lógica Fuzzy para representá-lo é notável que a imprecisão a ser considerada no desenvolvimento do modelo de inferência desta investigação parece estar mais associada à ambigüidade e vaguidade. Contudo, esta “mistura”, assim descrita por Andrade (2012) pode implicar numa complexa especificação de conceitos ou termos lingüísticos que definirão a forma de representação das variáveis que denotam imprecisão no domínio. Para tal situação diante da complexidade desta representação será recorrido ao argumento da Superposição de Estados.