UNIVERSIDADE CATÓLICA DE BRASÍLIA
PROGRAMA DE PÓS-GRADUAÇÃO STRICTU SENSU EM GESTÃO DO CONHECIMENTO E TECNOLOGIA DA INFORMAÇÃO
UTILIZAÇÃO DE REDES BAYESIANAS NA REPRESENTAÇÃO DO CO-NHECIMENTO EMPÍRICO
APLICAÇÃO NO PROBLEMA DO CONTROLE DA EROSÃO NA BACIA DO ALTO TAQUARI
Pedro Henrique de Moura Araujo
PEDRO HENRIQUE DE MOURA ARAUJO
UTILIZAÇÃO DE REDES BAYESIANAS NA REPRESENTAÇÃO DO CO-NHECIMENTO EMPÍRICO
APLICAÇÃO NO PROBLEMA DO CONTROLE DA EROSÃO NA BACIA DO ALTO TAQUARI
Dissertação apresentada a Programa de Pós-Graduação “Stricto-Sensu”em In-formática na Universidade Católica de Brasília, como requisito para a obtenção do Título de Mestre em Informática
Orientador: Prof Dr. Cláudio Chauke Nehme
Dissertação defendida e aprovada, em ___de _____de____, pela banca examinadora constituída pelos professores
Prof. Dr. Cláudio Chauke Nehme – Orietador
Prof.
Prof. Araujo, Pedro Henrique de Moura
Utilização de Redes Bayesianas na Representação do Conhecimento Empírico
Aplicação no Problema do Controle da Erosão na Bacia do Alto Ta-quarí
Dedicatória
AGRADECIMENTOS
O êxito deste trabalho se deve ao apoio de todos aqueles que, de alguma forma, contribuíram, transmitindo sua confiança nos resultados alcançados Ressaltam-se o Instituto Nacional de Estudos e Pesquisas da Educação – INEP, pela liberação para desenvolver o trabalho;
A Universidade Católica de Brasília – UCB pelo apoio irrestrito na evolu-ção da pesquisa;
“Quem crê ter todas as repostas, ain-da não fez toain-das as perguntas”
SUMÁRIO
1. INTRODUÇÃO...1
2. APRESENTAÇÃO DO PROBLEMA ...2
3. OBJETIVOS ...4
3.1 - Objetivo Geral...4
3.2 - Objetivos Específicos...5
4. rEVISÃO DA LITERATURA ...5
4.1 - Inteligência Artificial...5
4.2 - Conhecimento...7
4.2.1 - Conhecimento Empírico...9
4.3 - Representação do Conhecimento...12
4.3.1 Ontologia...12
4.3.1.1 - Classificação de Ontologias...14
4.3.2 Abordagens para Representação do Conhecimento....16
4.4 - Processo de tomada de decisão...17
4.5 - Teoria da Evidência...20
4.6 – Bayesianismo...26
4.6.2 - Rede Bayesiana (RB)...28
4.7 - Processo Erosivo :...43
5. METODOLOGIA... 44
5.1 – Informação x Contexto ... 45
5.2 - A ontologia na definição do problema... 46
5.3 - Modelagem do Conhecimento... 54
5.4 - Elaboração do Protótipo ... 59
7. CONCLUSÃO ... 70
8. Bibliografia... 72
9. Apêndice A... 76
Algoritmo 2...76
Algoritmo 3...80
Algoritmo 4...81
Algoritmo 5...81
Algoritmo 6...83
Algoritmo 7...84
10. Apêndice B ... 85
Questionário 1...85
Questionário 2...88
LISTA DE FIGURAS
Figura 4.3.1- Tipos de Ontologia ... 31
Figura 4.6.1– Independência de Variáveis ... 45
Figura 4.6. 1 – Rede Bayesina... 45
Figura 4.6.2.1– Serial ... 46
Figura 4.6.3.2 Divergente ... 46
Figura 4.6. 3.3 – Convergente ... 46
Figura 4.6. 3 – Poliárvore... 48
Figura 4.6. 4 - (a) RB do Câncer Metastático... 50
Figura 4.6. 5 – Condicionamento aplicado ao Câncer Metastático... 50
Figura 4.6. 6– Criação da Árvore de Associação... 51
Figura 4.6. 7- Grafo Completo ... 53
Figura 4.6. 8 - (a) Grafo Orientado; (b) Grafo Normalizado... 53
Figura 4.6. 9 – Grafo Triangular ... 53
Figura 4.6. 10 - (a) Grafo de Junção; (b) Kruskal; (c) Jensen ... 56
Figura 4.6. 11 - Fluxo de Coleta Evidência e Distribua Evidência em V... 59
Figura 5. 1– Modelo da relação Causa e Efeito ... 72
Figura 5. 2 - Modelo Nível Zero... 73
Figura 5. 3 – Modelo baseado na Tabela 5.2 ... 75
Figura 5. 4 - Primeiro passo... 78
Figura 5. 5 – Troca de Rótulo... 79
Figura 5. 6 - Rede Conectada... 80
Figura 5. 7 - Definição dos Estados das Variáveis ... 81
Figura 6. 1 – Modelo em modo de execução ... 83
Figura 6. 2 - Comparativo do modelo antes e depois da propagação ... 84
Figura 6. 3 – Resultado da hipótese i ... 85
Figura 6. 4 - Resultado da hipótese ii... 86
LISTA DE TABELAS
Tabela 5. 1 - Resultado da primeira parte do Questionário 2 Bloco... 51
Tabela 5. 2 - Regras de Processo Erosivo ... 52
Tabela 5. 3 – Probabilidade de ocorrência das variáveis ... 53
LISTA DE ABREVIATURAS E SÍMBOLOS
BAT Bacia do Alto Taquarí CE Computação Evolutiva
CNPq Conselho Nacional de Desenvolvimento Científico e Tecnológico
COINTA Consórcio Intermunicipal para o Desenvolvimento Sustentável da Bacia do Rio Taquari
Cre Crença
EE Estratégia Evolutiva
EMBRAPA Empresa Brasileira de Pesquisa Agropecuária EMV Valor Monetário Esperado
IA Inteligência Artificial
IAD Inteligência Artificial Distribuída MEU Utilidade Máxima Esperada
NDVI Normalized Difference Vegetation Index PB Probabilidade Bayesiana
PBA Probabilidade Básica Associada PE Programação Evolutiva
PG Programação Genética Pl Medida de Plausibilidade RB Rede Bayesiana
SA Sistemas Adaptativos
SEU Maximizar Subjetivamente a Utilidade Esperada SSD Sistema de Suporte à Decisão
Resumo
Abstract
1. INTRODUÇÃO
A presente dissertação refere-se à parte conclusiva do curso de Mestrado em Ges-tão do Conhecimento e da Tecnologia da Informação da Universidade Católica de Brasília. Aborda-se aqui a representação do conhecimento incerto de modo a viabilizar a utilização de sistemas automatizados para auxiliar os processos de controle e de tomada de decisão, o que representa, na atualidade, um dos maiores desafios da Tecnologia da Informação (TI).
Na computação tradicional, para se estruturar um sistema, utiliza-se o processa-mento de dados, essencialmente formais, como números e caracteres coletados e armazenados em base, que, posteriormente, geram as informações necessárias para a tomada de decisão.
Existem, porém, cenários que não se estruturam em uma base convencional de da-dos, ou que são definidos por variáveis imprecisas, imensuráveis ou ainda informais, tornando difícil sua representação por meio de um sistema automatizado, baseado em certezas.
A aplicação de técnicas de Inteligência Artificial na representação do conhecimen-to incerconhecimen-to é uma tentativa de se transferir para o computador a habilidade humana de se inter-pretar os diversos tipos de informações. Assim, busca-se estabelecer correlações ou inferências que sintetizam ou explicam um comportamento observado. Neste sentido, foram propostos diversos modelos de representação do conhecimento incerto para a automatização do processo de tomada de decisão. Assim, fala-se em Definição do Conhecimento, Conhecimento Empíri-co, Bayesianismo, Ontologias, Métodos de Representação do Conhecimento, Processo de To-mada de Decisão, Teoria da Evidência de Dempster-Shafer e, particularmente, em Redes Ba-yesianas.
2. APRESENTAÇÃO DO PROB LEMA
A Bacia do Alto Taquarí (BAT), localizada na região Centro Oeste do Brasil, a-brange uma área de 65.023 Km2 cujo constituinte principal é o rio Taquari, com 787 quilôme-tros de extensão. O rio Taquari nasce no Estado do Mato Grosso (MT), no município do Alto Taquari, a uma altitude de 860 metros, percorrendo aproximadamente 40 quilômetros antes de chegar ao Estado do Mato Grosso do Sul (MS). O rio, em seu alto e médio curso, percorre os municípios de Alcinópolis, Pedro Gomes e Coxim, para, em seguida, no baixo curso, adentrar na região do Pantanal, no município de Corumbá. Em nível de delimitação política, a parte da BAT, a ser estudada no projeto, compreende os seguintes municípios: os já mencionados e Alto Taquari, Costa Rica, Rio Verde do Mato Grosso, Camapuã e São Gabriel do Oeste, tota-lizando uma área de 29.000 km2 da BAT, todos com fortes evidências de degradação ambie n-tal e de reflexos nocivos ao Pantanal.
Nesta região, vem sendo desenvolvido um projeto de gestão e planejamento amb i-ental na tentativa de minimizar os diversos problemas decorrentes da erosão. Tal projeto busca a proposição não só de medidas técnicas mas também de ações de políticas públicas que ga-rantam o desenvolvimento sócio-econômico para a região associado à recuperação do meio ambiente.
A pesquisa na BAT vem sendo desenvolvida por um consórcio formado pelas se-guintes instituições: Consórcio Intermunicipal para o Desenvolvimento Sustentável da Bacia do Rio Taquari (COINTA), Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), Con-selho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), e a Universidade Cató-lica de Brasília (UCB).
decor-vegetação e a diminuição da fauna, devido à destruição da decor-vegetação nativa e ao uso indiscri-minado de agroquímicos. Esse fenômeno acentuou-se com o processo de expansão agrícola que, na década de 80, chegou a atingir as chamadas áreas limítrofes ou de entorno da bacia hidrográfica do rio Paraguai [Rel, 1999].
Como conseqüência do processo erosivo, observou-se uma forte alteração nas á-reas econômica, social e ecológicas tais como [Rel, 2000]:
- Assoreamento dos cursos d’água,
- Descaracterização dos cursos d’água como reguladores dos fluxos ambiental, econômico e sociocultural,
- Raleamento induzido da vegetação de cobertura (diminuição do IAF – Normalized Dif-ference Vegetation Index – NDVI),
- Incremento, a partir de meados da década de 70, da deposição de sedimentos na planície do rio Taquari (Pantanal),
- Aumento de propriedades rurais que perderam suas áreas (inundação ou erosões profun-das),
- Aumento da pobreza,
- Redução do mercado consumidor,
- Queda de arrecadação das municipalidades, - Perda de produtividade das terras,
- Abandono de atividades tradicionais (pesca, lazer, ...), - Perda de biodiversidade,
- Aumento do custo de produção,
- Pressão sobre remanescentes vegetais, - Degradação ambiental,
- Ausência de alternativas econômicas para a população rural, - Migração para áreas urbanas.
Os dados e as informações que suportam as causas do problema são imprecisos, impedindo assim a existência de um acervo adequado à análise. Os dados são heterogêneas, ou seja, de formatos e periodicidade diferentes, caracteres, imagens, índices, informações não convencionais, dificultando ou impossibilitando a convergência do conhecimento.
Outro agravante na contextualização do problema é a heterogeneidade dos usuá-rios potenciais do SSD, os quais advêm de diversas áreas do conhecimento e atividades: geó-logos, ecologistas, fazendeiros e políticos. Todos conhecem o problema, entretanto, o defi-nem-no de acordo com a formação, criando-se assim, uma barreira lingüística.
Dadas as características do problema apresentadas acima, faz-se necessário a ela-boração de um SSD baseado em conhecimento incerto que permita incorporar as experiências individuais (comprovadas e empíricas) dos especialistas.
3. OBJETIVOS 3.1 - Objetivo Geral
3.2 - Objetivos Específicos
O modelo de representação do conhecimento incerto aqui proposto tem como prin-cipal objetivo servir de fundamentação ao desenvolvimento de um SSD. O foco é o diagnósti-co e a avaliação de fenômenos do meio ambiente. Para tanto, devem-se cumprir as seguintes etapas:
1. Padronizar a linguagem utilizada quanto às terminologias técnicas;
2. Identificar, qualificar e quantificar o problema e seu impacto sócio-econômico; 3. Conceituar Conhecimento Empírico;
4. Conceituar Ontologia;
5. Conhecer o estado da arte na representação do conhecimento incerto, utilizando-se Re-des Bayesianas;
6. Modelar o problema dentro das técnicas estudas; 7. Desenvolver um protótipo para validar o estudo.
4. REVISÃO DA LITERATURA
Esta seção aborda os conceitos de Inteligência Artificial, de Conhecimento, além de algumas técnicas de representação do Conhecimento Incerto.
4.1 - Inteligência Artificial
O termo Inteligência Artificial (IA) foi criado por John McCarthy, da Universida-de Universida-de Stanford EUA, em 1956, durante a conferência em Dartmouth College [Taf,1995]. Foi definida como “a capacidade de uma máquina realizar funções que, se realizadas pelo ser humano, seriam consideradas inteligentes”.
A IA Conexionista iniciou-se por volta de 1943, quando o neurofisiologista War-rem McCulloch e o Lógico Walter Pitts desenvolveram o primeiro modelo matemático de um neurônio. [Lad,1997, p 21]
A IA Conexionista atua nas áreas de processamento dos sinais elétricos, sonoros e luminosos, ocorrendo sua maior aplicação nas áreas de reconhecimento de padrões, tais como imagem, som (voz), diagnóstico de falhas e controle de processos. [Lad,1997, p 21]
Contudo, é a IA Simbólica que mais se aproxima do raciocínio humano, pois ba-seia-se na representação do conhecimento pela manipulação simbólica. Seus principais defe n-sores são Newell e McCarthy. [Ric, 1993]
Trabalhos mais recentes mostram uma definição de I.A. mais abrangente. Segundo Bittencourt [Bit, 2001], a I.A. pode ser apresentada em quatro abordagens: Representação de Incerteza, Conexionista, Distribuída e Computação Evolutiva.
Os principais modelos utilizados na representação da incerteza são: Lógica Nebu-losa (Lógica-Fuzzy), Evidência (ver item 4.5), Probabilístico (ver item 4.6) e Possibilista.
O Conexionismo, já mencionado anteriormente.
A Inteligência Artificial Distribuída (IAD) é uma das áreas da IA que mais se de-senvolveram nos últimos anos. A IAD estuda o conhecimento e as técnicas de raciocínio que podem ser necessárias ou úteis para que agentes computacionais participem de sociedades de agentes. [Bit, 2001]
As principais áreas de aplicação da IAD são domínios complexos como: controle de tráfego aério, distribuição de energia elétrica e controle ambiental.
uma maneira de encontrar uma solução. A CE é baseada em mecanismos evolutivos encontra-dos na natureza, tais como a auto-organização e o comportamento adaptativo. [Bit, 2001]
Segundo Bittencourt [Bit, 2001], CE trabalha em quatro ramos de pesquisa, a sa-ber:
- Sistemas Adaptativos (SA), apresenta por Holland em 1960, foram modelados como sis-temas de aprendizagem de máquinas. Tais modelos conhecidos como algoritmos genéti-cos, implementavam populações de indivíduos contendo genótipo, formado por cromo s-somos representador por uma cadeia de bits.
- Programação Genética (PG), que ao contrario dos Algoritmos Genéticos não utiliza se-qüência de bits para uma população de indivíduos, mas programas de computador arma-zenados na forma de árvores sintáticas. Estes programas é que são candidatos à solução de problemas.
- Programação Evolutiva (PE), que visa prever o comportamento de maquinas de estados finitas. Neste ramo são utilizados dois operadores, a seleção e a mutação, por este moti-vo as idéias não foram muito consideradas na comunidade de CE.
- Estratégia Evolutiva (EE), introduzida nos anos 60, na Alemanha, destaca-se pela auto-adaptação.
4.2 - Conhecimento
O conhecimento não é, portanto, um valor ou conceito preciso, exato. Ele pode re-fletir, ao mesmo tempo, o quanto se sabe e o quanto não se sabe, sem que ambos sejam com-plementares.
Segundo Rosa Viccari, “Conhecimento é informação estruturada”. A estruturação
permite construir procedimentos para explorarem-se as relações entre dados, atribuindo a se-mântica. O conhecimento pode aparecer na forma de objetos, proposições e definições, concei-tos e relações, teoremas e regras, algoritmos, estratégias e táticas e metaconhecimento. [Lad, 1997]
Existe, também, a afirmativa de autor desconhecido “Conhecimento não é acúmu-lo de informação, mas capacidade de ação”, que reforça o conceito de Barr e Feigenbaum
[Bar, 1986], que preconiza serem os procedimentos que permitem a manipulação inteligente das estruturas de dados. Portanto, uma estrutura de dados per si não é um conhecimento, assim
como uma enciclopédia não representa um conhecimento. Embora se possa dizer, de forma figurada, que um livro é uma fonte de conhecimento, sem o leitor o livro é apenas tinta em um papel!
Em síntese, entende-se que o conhecimento seja a união dos fatos com as regras e as heurísticas. Os fatos representam os elementos básicos e os objetos que descrevem e com-põem o contexto, enquanto as regras e as heurísticas determinam as ações. O conhecimento consiste, por conseguinte, no saber resultante desta união.
De acordo com Bittencourt [Bit, 2001], a incerteza é devida a fatores como exem-plifica a seguir:
- Informação Imprecisa: O filme começa entre 8 e 9 horas.
- Informação Incerta: Eu acho que o filme começa as 8 horas (mas não tenho certeza).
- Informação Vaga: O filme começa lá pelas 8 horas.
- Informação Probabilística: É provável que o filme comece às 8 horas.
- Informação Possibilista: É possível que o filme comece às 8 horas.
- Informação Inconsistente: Maria disse que o filme começa às 8 horas, mas João disse
que começa as 9 horas.
- Informação Incompleta: Eu não sei a que horas começa o filme, mas usualmente os
fil-mes começam às 8 horas.
- Ignorância Total: Eu não faço a menor idéia do horário do filme.
4.2.1 - Conhecimento Empírico
Frases do saber popular são bons exemplos da capacidade que o homem tem de e-laborar conhecimentos, baseados em suas percepções. Por exemplo:
- “Quando o calo doe chove”;
- “Quando a lua está azulada é sinal que vai fazer frio”;
- “Céu estrelado é sinal que não vai chover”.
Os conhecimentos pessoais são adquiridos ao longo da vida por meio, principal-mente, da observação das relações de causa e efeito. Isso enseja prever-se um acontecimento, planejar ou analisar um fato ocorrido.
“O primeiro momento do conhecimento é a recepção, poder de discriminação inato em todo animal; é pela memória que passamos da percepção à existência, arrimada por lembranças repetidas; a experiência fixa leis universais; em níveis mais elevados encon-tramos a arte e, enfim, a ciência”.
Trata-se de uma teoria empírica em sua gênese que, mais tarde, foi chamada de
conceitualismo ou conceptualismo.
A partir de então, surgiram várias doutrinas que procuravam explicar o processo de obtenção do conhecimento: o Sensualismo, o Idealismo e o Realismo.
O Sensualismo prega que toda as nossas idéias, sem exceção, vêm unicamente dos sentidos e, por conseguinte, nada nos podem ensinar que não seja de ordem sensível. Tal
dou-trina foi sustentada na antiga Grécia pelos Sofistas, Epicuristas; na Idade Média por Pedro Auriol, Guilherme de Occam, Nicolau de Autricourt e, entre os modernos, por Locke, Condil-lac, Hume, Stuart Mill etc. [Jol, 1957]
O Idealismo baseia-se no Princípio da Imanência, que consiste em dizer-se que o
homem não conhece direta ou indiretamente a não ser seu próprio pensamento (ou suas idéi-as). Assim, dizendo-se de outra forma, o universo não tem realidade a não ser no espírito.
Na-da existe fora do espírito. [Jol, 1957] Os principais filósofos que propuseram esta doutrina foram Berkeley, Fichte, Schelling e Hegel.
O Realismo opondo-se ao Idealismo, professa a realidade do mundo exterior, de um universo realmente distinto do sujeito que a conhece.
O Empirismo teve sua consolidação na Grã-Bretanha entre os séculos XVII e XIX. A teoria opôs-se à corrente européia do racionalismo, considerando a experiência como a úni-ca fonte válida de conhecimento. Para seus seguidores, só o conhecimento sensível coloúni-ca o homem em contato com a realidade.
Tanto Locke como Hume admitem um subjetivismo do conhecimento e sustentam a teoria de idéias inatas de Descartes, em que todos os conhecimentos têm origem na experi-ência, tanto externa (através dos sentidos), como internas (através da razão). Para eles, quando se nasce, as mentes são como folhas de papel em branco a serem preenchidas com as experi-ências. [Riv, 1998]
Os principais representantes desta corrente filosófica são: Francis Bacon (1561 – 1626), Thomas Hobbes (1588 – 1679), Isac Newton (1642 – 1727), John Lock (1630 – 1704), George Berkeley (1685 – 1735), David Hume (1711 – 1776) e Emanel Kant (1724 – 1804).
Diante desse dualismo Racionalismo × Empirismo, o filósofo Kant supõe uma sín-tese de ambas as correntes, direcionando seus estudos no questionamento de como é possível a construção da ciência, levando-se em conta uma reflexão sobre o problema das relações da razão com a realidade, pois aparecem vinculadas.
Kant distinguiu duas grandes faculdades dentro do conhecimento humano:
- A sensibilidade, que é passiva, limita-se simplesmente a receber uma série de impressões sensíveis. Locke chamou-as de idéias de sensações; e Hume, de impressões.
- O Entendimento, ativo, que é, e tem espontaneidade.
Kant analisa o conhecimento humano por meio de juízos, que consistem na unifi-cação de múltiplas impressões sensíveis que, passivamente, são percebidos mediante os con-ceitos; nesta unificação empregam-se categorias, sem conteúdo. No juízo está a falsidade ou a verdade do conhecimento, uma vez que as impressões isoladas são sempre verdadeiras.[Riv, 1998]
4.3 - Representação do Conhecimento
A representação do conhecimento constitui, na atualidade, uma das principais á-reas de estudo da IA. Pode-se defini-la como sendo o ato de documentar ou expressar, pela linguagem simbólica, textual ou algoritmos, os fatos e as ações, de modo que possam ser, a qualquer tempo, corretamente interpretados e reconstruídos por uma outra entidade.
Pode-se relatar que o processo de representação do conhecimento inicia-se na constatação de sua existência propriamente dita, amplamente defendida na ontologia do co-nhecimento, estudo do “existir”, seguido pela sua representação, em que serão mostradas basi-camente três abordagens.
4.3.1 Ontologia
A filosofia emprega o termo “Ontologia” na busca da significância da existência. No campo da Inteligência Artificial, IA, denotou-se que os mecanismos de representação do conhecimento (regras, frames, redes neurais, lógica Fuzzy) condicionam-se à existência de um
conteúdo substancioso e de uma organização sobre o conhecimento do domínio em que se deseja trabalhar [Cha, 1999]. Daí a crescente utilização do conceito filosófico de Ontologia em IA.
- Ontologia é uma descrição parcial e explícita de uma conceituação [Gua, 1995];
- Ontologia é uma teoria sobre o domínio que especifica um vocabulário de entidades, classes, propriedades, predicados e funções; e um conjunto de relações que necessaria-mente amarram esse vocabulário [Fik, 1999].
A primeira definição foi escolhida, para os fins do presente trabalho, por ter repre-sentado o ponto de partida para o entendimento de Ontologia e das definições que se seguiram. Segundo Gruber, em IA, o que existe é o que pode ser representado e a ontologia engloba o vocabulário representacional e as definições precisas de seus termos, assim como os axiomas que restringem a interpretação e o uso desses termos. Os axiomas, que geralmente se iniciam escritos em linguagem natural e, posteriormente, formalizam-se na linguagem específica, esta-belecem as restrições impostas pela forma de estruturação dos conceitos (são os chamados axiomas epistemológicos), ou pelo domínio (são os axiomas ontológicos). O autor Falbo [Fal, 1998] defende, ainda, a existência de axiomas de consolidação responsáveis por representar a coerência ou a integridade das informações existentes.
Na segunda definição, proposta por Guarino e Giarreta [Gua, 1995] o termo “des-crição parcial”, que substituiu “especificação” na definição de Gruber, acima descrita, sugere que a Ontologia se aproxima de uma conceituação independente. Pode ser utilizada para esta-belecer o compartilhamento de base de conhecimento particular, formada por um conjunto de compromissos ontológicos (restrições rígidas), desenvolvidos a partir de inferências particula-res e projetadas para serem compartilhadas por usuários que, previamente, concordam com a conceituação especificada.
