1
Sistemas Especialistas
Prof. Júlio Cesar Nievola
PPGIA – PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
O que é um Especialista?
Pessoa que é largamente reconhecida como
sendo capaz de resolver um tipo particular de
problema que a maioria das pessoas ou não é
capaz de resolver ou não resolve de maneira
tão eficiente.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Conhecimento do Especialista
Aprendizado
teórico (escola e livros)
Aprendizado p
ela experiência
Conhecimento Nulo Teorias Gerais Conhecimento Compilado Conhecimento Superficial Conhecimento Profundo Teorias de domínio e performance Princípios, a xiomas e leis Heurísticas Treinamento Ensino
Prof. Júlio Cesar Nievola PPGIa - PUCPR
O que é um Sistema Especialista?
Sistema que utiliza técnicas apropriadas para
a representação do conhecimento e sua
manipulação, exibindo o comportamento de
um especialista em um determinado domínio
do saber.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Ciclo de vida de SEs
Análise de viabilidade
Projeto conceitual
Aquisição de conhecimento
Representação do conhecimento
Teste e Validação
Uso em campo
Manutenção
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Análise de viabilidade
Existem outras formas de solução do problema? A tarefa tem um foco dirigido?
Os especialistas são melhores que os amadores? As regras mudam muito rapidamente?
Há um especialista humano disponível e interessado?
A tarefa é ensinada ou documentada?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Projeto Conceitual
Quais são os principais objetos, entidades ou conceitos no domínio do conhecimento?
Como devem ser descritos os objetos, entidades e conceitos? Quais são as relações importantes que existem entre os objetos? Que restrições sofrem estas relações no domínio do
conhecimento?
Quais são as características gerais do problema a ser tratado? Como o sistema especialista obterá informações sobre o
problema atual?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aquisição do Conhecimento
O conhecimento é obtido de:
Especialistas humanos; Casos históricos;
Fontes de referência.
É uma parte crucial da construção do SE
Difícil de ser realizado pois inclui extração,
interpretação para posterior representação
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Etapas da Aquisição do Conhecimento
Envolve 5 etapas:
Identificação: escolha dos participantes, características,
recursos e objetivos;
Conceitualização: especificar como os conceitos e as relações
existentes entre eles são descritos pelo especialista;
Formalização: mapeamento dos conceitos para representação
formal;
Implementação: filtrar o conhecimento formalizado para uma
estrutura representativa de uma ferramenta;
Teste: verificar a precisão e eficiência da AC através do
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Representação do Conhecimento
Formas de representação clássicas:
Rede semântica (“semantic network”) Regras de produção (“production rules”) Quadros (“Frames”)
Meta-conhecimento
Facilidade de construção e interpretação
versus poder de representação
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Rede Semântica
Forma mais antiga de representação de conhecimento
Conjunto de nós (objetos) conectados por um conjunto de arcos (relações entre os objetos)
Normalmente representada em forma de grafo
Origem: Quillian (1978) – modelo computacional da memória humana
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Rede Semântica – “João deu um
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Raciocínio com Rede Semântica
Arcos especiais permitem herança de propriedades
A é-um B : A é um elemento de um conjunto ou classe B
A é-parte B : A é uma das partes disjuntas das quais B é formado
Demais arcos (traços): específicos do domínio, representam propriedades de conceitos
Redes Semânticas na forma de árvores: simples e eficientes
Redes Semânticas com heranças múltiplas e/ou arcos que definam exceções: complexo e com política de herança pouco intuitiva
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Regras de Produção
Forma geral:
IF <condição> THEN <conclusão>
O impacto de uma inferência pode ser
modificado por um fator de confiança
Exemplo:
IF: The grain stain is gram-negative & The
morphology is rod & The patient is at risk
THEN: Suggest (credibility = 0.6) that the infecting
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frames e Scripts (1)
Permitem a expressão das estruturas internas dos objetos (frames) ou eventos (scripts), mantendo a possibilidade de representar herança de propriedades
Origem
Marvin Minsky (A Framework to Represent Knowledge, 1975), método para análise de cenas, modelagem da percepção visual e compreensão da linguagem natural
Roteiros: Schank e Abelson (1975-77), sistemas de quadros especializados na descrição de seqüências de eventos
Componentes
Atributos (“slots”): através de valores descrevem as características do objeto representado pelo frame
Hierarquia de especialização: rede de arcos é-um ligando frames que permite herança
Facetas: propriedades dos atributos que definem o tipo de valores e as restrições de número associadas ao atributo
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frames e Scripts (2)
Características
Herança de propriedades
Raciocíno guiado por expectativas: atributos com valores típicos ou a priori, ou valores de exceção (“default values”)
Ligação procedimental: um atributo pode ser associado a um procedimento que deve ser executado quando certas condições forem satisfeitas (“daemon”)
Tipos
if-modify: o que fazer quando é alterado o valor do atributo if-necessary: o que fazer se for consultado o valor do atributo if-delete: o que fazer se for eliminado o valor do atributo
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frames
Estrutura de dados que reúne todas as
informações (atributos e valores) sobre um
objeto que pertence a um domínio
Consiste em um conjunto de itens (“slots”)
Nome: cujo valor é o nome do próprio frame AKO (“a-kind-of”): cujo valor é o nome do frame hierarquicamente superior
Facetas: contém informações que descrevem os slots
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Exemplo de Frame
(Nome do Frame)
(nome do slot)
(nome da faceta) : valor (nome do slot)
(nome do slot)
(nome da faceta) : valor (nome da faceta) : valor
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frame descrevendo um cômodo e
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Frame: rede de cômodos numa casa
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Teste e Validação
Testes para verificação do desempenho em
casos conhecidos
Validação:
Conclusões - validação do comportamento entrada-saída do sistema
Raciocínio - verificação da forma como se chega às conclusões
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Uso em campo e Manutenção
Trabalho com novas situações
Manutenção da interface:
Alteração mais fácil que o mecanismo de inferência
Avaliação e aceitação do sistema pelo usuário dependem da qualidade da interface
Mecanismos de alteração da base de
conhecimentos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas de Produção
Raciocínio avante (“forward chaining”):
parte-se dos dados procurando chegar a
conclusões.
Raciocínio para trás (“backward chaining”):
formulam-se hipóteses e tenta-se
comprová-las através dos dados disponíveis.
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Componentes de um SE
Base de conhecimento: representa a informação (fatos e regras) que um especialista utiliza,
representada computacionalmente
Linguagem para representação do conhecimento Mecanismo de inferência (motor de inferência): responsável pelas deduções sobre a base de
conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas Especialistas
Máquina de Inferência Base de
Conhecimentos Base deFatos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Shell para SE
Shell + Base de Conhecimentos = SE
Funções:
Auxílio à construção da base de conhecimentos, permitindo inserir
conhecimento em estruturas de representação do conhecimento prontas
Fornecer métodos de inferência que
raciocinem sobre a BC e os fatos fornecidos Fornecer uma interface adequada ao usuário
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas Especialistas Históricos
MYCIN (doenças infecciosas do sangue) CATS-1 (diagnóstico em locomotivas)
VM (gerenciamento de ventilação para pacientes pós-cirurgia cardíaca)
R1/XCON (configuração de minicomputadores VAX para DEC)
Guidon (auxílio ao ensino)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Indicativos de Uso de SE’s
A experiência humana pode ser perdida
A experiência humana é esparsa
A experiência é necessária em muitos locais
A experiência é necessária em ambientes
hostis
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Viabilidade do Uso de SE’s
As tarefas requerem habilidades cognitivas
Conhecimento especializado
Não há solução algorítmica
Tarefas moderadamente complexas
Conhecimento relativamente estático
Existem especialistas genuínos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Limitações dos SE’s
Esquemas de representação mistos O conhecimento é infinito
Conhecimento contraditório/inconsistente Há necessidade de intermediários
Dificuldade de extensão além do conhecimento do especialista
O raciocínio é limitado
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Personagens envolvidos na construção
de um SE
Construtor de ferramentas
Engenheiro de Conhecimento
Especialista
Apoio
Usuário
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Ciclo de Base de um Motor de
Inferência
Fase de Avaliação Restrição Resolução de Conflitos Filtragem Fase de ExecuçãoExecução das ações
Ações sobre o ambiente BF e BR podem
ser alterados
Eventualmente parada
Prof. Júlio Cesar Nievola PPGIa - PUCPR
O Gargalo no Desenvolvimento
Gargalo na construção de SE:
passagem do conhecimento do especialista
para o engenheiro de conhecimento e
conseqüentemente para o sistema
Solução: técnicas automatizadas de
aquisição de conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBC x Sistema Convencional
Para um sistema inteligente ser classificado como SBC, ele deve ser capaz de:
Questionar o usuário usando uma linguagem de fácil entendimento para reunir informações necessárias Desenvolver uma linha de raciocíno a partir dessas informações e do conhecimento que contém para resolver o problema; deve lidar com regras e
informações incompletas, imprecisas e conflitantes Explicar seu raciocínio
Conviver com seus erros, mas com desempenho satisfatório (similarmente ao especialista humano)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Propriedades dos SBCs
Tudo que se sabe sobre o problema deve estar explicitamente representado na base de
conhecimentos do sistema
A base de conhecimentos deve ser interpretada por um mecanismo de inferência
Os problemas resolvidos por SBCs são aqueles para os quais não é conhecido um procedimento determinístico
Em geral o conhecimento é utilizado para contornar a exponencialidade da formulação do problema
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Diferenças entre Sistemas
Podem e devem explicitar seu raciocínio
Explicação do raciocício é difícil
Conhecimento representado explicitamente e separado do código que o manipula e
interpreta Conhecimento embutido no
código do programa
Busca heurística Algoritmos determinísticos
Conceitos, relações entre conceitos e regras
Dados e relações entre dados
Representação do Conhecimento Estrutura de Dados
SBCs Sistemas Convencionais
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBCs e SEs
SBCs resolvem problemas usando conhecimento específico sobre o domínio da aplicação
SEs são SBCs que resolvem problemas ordinariamente resolvidos por humanos
Profunda interação com especialista
SBCs podem ser classificados como SEs quando o
desenvolvimento do mesmo é voltado para aplicações nas quais o conhecimento a ser manipulado restringe-se a um domínio específico e conta com um alto grau de
especializaçao
Prof. Júlio Cesar Nievola PPGIa - PUCPR
SBC e Sistema Especialista
Exibem comportamento inteligente através da habilidade no uso de heurísticas Tornam explícito o domínio de conheci-mento além de separá-lo do sistema Aplicam conhe-cimento especialista na resolução de problemas difíceis do mundo realProf. Júlio Cesar Nievola PPGIa - PUCPR
Tipos de Aplicações de SBC
Classes de tarefas em que os SBCs tem sido aplicados
Interpretação e análise de dados: processamento de imagens, reconhecimento de fala, análise de circuitos elétricos
Classificação: diagnóstico de doenças, determinação de falhas em máquinas
Monitoramento: usinas nucleares, tráfego aéreo
Planejamento: ações de robôs, experimentos em genética, ações militares
Projeto: leiaute de circuitos e de computadores, tubulações de aviões
Surgimento de diversas ferramentas de auxílio à construção e execução de SBCs, linguagens de
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Número de SBCs desenvolvidos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Percentagem de SBC por
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Desempenho
Para fazer com que um SBC chegue perto
do desempenho de um especialista humano
o sistema deve
ter grande quantidade de conhecimento disponível
conseguir ter acesso a este conhecimento rapidamente
ser capaz de raciocinar adequadamente com este conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Componentes Básicos de um SBC
Sistemas Baseados em Conhecimento
Conhecimento + Inferência
SBC tem dois componentes principais
Uma Base de Conhecimentos que captura o conhecimento específico do domínio
Um Motor de Inferência consistindo de
algoritmos para manipular o conhecimento representado na Base de Conhecimentos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Base de Conhecimentos
O conhecimento é representado na Base de
Conhecimentos usando uma das técnicas de
Representação do Conhecimento como:
regras de produção, redes semânticas,
frames, scripts etc.
SBCs também podem usar uma mistura de
técnicas de representação do
conhecimento: estes tipos de sistemas são
chamados de Sistemas Híbridos
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Certeza do Conhecimento
Conhecimento também pode incluir
probabilidades ou fatores de incerteza, os quais podem ser usados para
melhorar a corretude das tomadas de decisão ajudar a resolver conflitos
melhorar recursos de explicação
Técnicas para lidar com incerteza incluem
método Bayesiano
Teoria da Evidência de Dempster-Schafer Teoria da Certeza (fatores de certeza)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Motor de Inferência
Inclui um interpretador que aciona regras
de uma base de conhecimentos e executa
itens da agenda
Um agendador que mantém o controle da
agenda
Um verificador de consistência que tenta
manter uma representação consistente da
solução que surge
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Inferência com Regras de Produção
Um Sistema Baseado em Conhecimento
que utiliza regras de produção faz uso de
estratégias de raciocínio
Encadeamento progressivo (“forward chaining”)
Encadeamento regressivo (“backward chaining”)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Progressivo (1)
A direção de busca é dos dados para as
metas ou hipóteses
SE cond1 & cond2 & … & condN
ENTÃO Ação1
Direção da Busca:
O que podemos concluir a partir dos
dados?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Progressivo (2)
A parte esquerda da regra é comparada
com a descrição da situação atual contida
na memória de trabalho
As regras que satisfazem a descrição tem
sua parte direita executada, o que em geral
significa a introdução de novos fatos na
memória de trabalho
Problemas típicos: planejamento, projeto e
classificação
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia Avante-1 (Integra imediatamente as conclusões)
Procedimento Estabelecer-um-Fato(Fato)
Se Fato pertence à Base-de-Fatos então retornar “Sucesso” Retornar Executar-um-Ciclo(Base-de-Regras)
Procedimento Executar-um-Ciclo(Regras, Fato, Uma-Regra) Se Regras é vazio então retornar “Falha”
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. a 1a. encontrada)
Regras ← Regras diminuída de Uma-Regra
Se todos os fatos da premissa de Uma-Regra pertencem à Base-de-Fatos então Início
Se a conclusão de Uma-Regra é Fato então Retornar “Sucesso”
Juntar a conclusão de Uma-Regra à Base-de-Fatos (se ela ainda não pertence)
Base-de-Regras ← Base-de-Regras diminuída de Uma-Regra
Retornar Executar-um-Ciclo(Base-de-Regras) Fim
Retornar Executar-um-Ciclo(Regras)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia Avante-2 (Faz o Encadeamento em Largura)
Procedimento Estabelecer-um-Fato(Fato, Fatos-Novos)
Se Fato pertence à Base-de-Fatos então retornar “Sucesso” Retornar Executar-um-Ciclo(Base-de-Regras, lista vazia, Fato)
Procedimento Executar-um-Ciclo(Regras, Fatos-Novos, Fato, Uma-Regra) Se Regras é vazio então
Se Fatos-Novos está vazia então retornar “Falha”
Base-de-Fatos ← Base-de-Fatos aumentada com Fatos-Novos
Retornar Executar-um-Ciclo(Base-de-Regras, lista vazia, Fato)
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. a 1a. encontrada)
Regras ← Regras diminuída de Uma-Regra
Se todos os fatos da premissa de Uma-Regra pertencem à Base-de-Fatos então Se a conclusão de Uma-Regra é Fato então
Retornar “Sucesso”
Juntar a conclusão de Uma-Regra à FatosNovos (se ela ainda não pertence)
Base-de-Regras ← Base-de-Regras diminuída de Uma-Regra
Retornar Executar-um-Ciclo(Regras, FatosNovos, Fato)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Regressivo (1)
A direção da busca é das metas ou
hipóteses para os dados
SE cond1 & cond2 & … & condN
ENTÃO Ação1
Direção da busca:
É possível provar a hipótese a partir dos
dados?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Encadeamento Regressivo (2)
O sistema é controlado por uma lista de objetivos Um objetivo pode ser satisfeito diretamente por um elemento da memória de trabalho ou podem existir regras que permitam inferir algum dos objetivos correntes, isto é, contenham uma
descrição deste objetivo em suas partes direitas As regras que satisfazem esta condição tem suas partes esquerdas adicionadas à lista de objetivos correntes
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia para Trás - 1 (cria subproblemas em largura)
Procedimento Estabelecer-um-Fato(FATO)
Se Fato pertence à Base-de-Fatos então retornar “sucesso” Retornar Estabelecer1(Base-de-Regras)
Procedimento Estabelecer1(Regras) Se Regras é vazio então retornar “falha”
Uma-Regra ← escolha de um elemento qualquer de Regras (p.ex. o 1o. encontrado)
Regras ← Regras diminuído de Uma-Regra
Se Uma-Regra comporta Fato como conclusão então
Se Estabelecer2(Uma-Regra) = “sucesso” então retornar “sucesso” Retornar Estabelecer1(Regras)
Procedimento Estabelecer2(A-Regra)
Fatos← todos os fatos que compõe a premissa de A-Regra
Retornar Estabelecer-Conjunção-de-Fatos(Fatos)
Procedimento Estabelecer-Conjunção-de-Fatos(Os-Fatos) Se Os-Fatos é vazio então retornar “sucesso”
Um-Fato← escolha de um elemento qualquer de Os-Fatos (p.ex. o 1o. encontrado)
Os-Fatos ← Os-Fatos diminuído de Um-Fato
Se Estabelecer-Um-Fato(Um-Fato) = “falha” então retornar “falha” Retornar Estabelecer-Conjunção-de-Fatos(Os-Fatos)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia para Trás - 2/1 (em largura, salvo se uma regra conclui diretamente)
Procedimento ESTABELECER-UM-FATO(FATO)
Se FATO pertence à BASE-DE-FATOS então retornar “sucesso”
CONFLITO ← todas as regras de BASE-DE-REGRAS que tem FATO como parte
conclusão
Se ESTABELECER-DIRETO1(CONFLITO) = “sucesso” então retornar “sucesso”
Retornar ESTABELECER1(CONFLITO)
Procedimento ESTABELECER-DIRETO1(REGRAS) Se REGRAS é vazio então retornar “falha”
UMA-REGRA ← escolha de um elemento qualquer de REGRAS (p.ex. a 1a.
encontrada)
REGRAS ← REGRAS diminuída de UMA-REGRA
FATOS ← todos os fatos que compõe a premissa de UMA-REGRA
Se FATOS está incluso na BASE-DE-FATOS então retornar “sucesso” Retornar ESTABELECER-DIRETO1(REGRAS)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistema em Cadeia para Trás - 2/2 Procedimento ESTABELECER1(REGRAS)
Se REGRAS é vazio então retornar “falha”
UMA-REGRA ← escolha de um elemento qualquer de REGRAS (p.ex. a primeira
encontrada)
REGRAS ← REGRAS diminuído de UMA-REGRA
Se ESTABELECER2(UMA-REGRA) = “sucesso” então retornar “sucesso” Retornar ESTABELECER1(REGRAS)
Procedimento ESTABELECER2(A-REGRA)
FATOS ← todos os fatos que compõe a premissa de A-REGRA
Retornar ESTABELECER-CONJUNÇÃO-DE-FATOS(FATOS)
Procedimento ESTABELECER-CONJUNÇÃO-DE-FATOS(OS-FATOS) Se OS-FATOS é vazio então retornar “sucesso”
UM-FATO ← escolha de um elemento qualquer de OS-FATOS (p. ex. o primeiro
encontrado)
OS-FATOS ← OS-FATOS diminuído de UM-FATO
Se ESTABELECER-UM-FATO(UM-FATO) = “falha” então retornar “falha” Retornar ESTABELECER-CONJUNÇÃO-DE-FATOS(OS-FATOS)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Linguagens de Representação
do Conhecimento
Quadros (“frames”)
Scripts
Redes Semânticas
Lógica
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Componentes Adicionais
São necessários para interagir com o motor
de inferência e a base de conhecimentos
Usuário
Um modo dos usuários interagirem com o sistema
Um lugar para armazenar o conhecimento usado no trabalho
Uma maneira de se conseguir ajuda do sistema
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Usuário
SBCs são projetados para interagir com vários tipos de usuários, agindo de diferentes maneiras conforme as circunstâncias
Um leigo procurando ajuda direta - modo consultor Um estudante que quer aprender – modo instrutor
Um construtor de SBC melhorando ou aumentando a base de conhecimentos – modo acompanhante
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Memória de Trabalho
Armazena condições iniciais, hipóteses
intermediárias e decisões, e soluções finais
A informação é classificada em três tipos
Planos (como resolver o problema) Agenda (ações potenciais a serem executadas)
Soluções (soluções candidatas e hipóteses intermediárias)
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Facilidades de Explicação
O módulo que facilita a explicação pode justificar as conclusões e auxiliar a explicar o
comportamento do SBC
Isto é feito através de questões interativas
Por quê o sistema faz uma pergunta em particular? Como o sistema alcança a conclusão correta?
Por quê uma certa alternativa é rejeitada?
Qual é a tática atual do sistema para alcançar a conclusão?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aquisição de Conhecimento
Como o sistema adquire conhecimento?
Como o conhecimento é inicialmente trazido para dentro do sistema?
Como o sistema adquire novos conhecimentos?
Como este conhecimento pode ser testado?
Quais componentes necessitamos
acrescentar ao sistema para realizar estas
funções?
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Conhecimento Especialista
Adquirir conhecimento especialista para uma base de um SBC envolve
obter informações dos especialistas e/ou fontes documentais
classificação desta informação em declarativa (factual) e procedural
codificação desta informação num formato utilizado pelo SBC
checagem de consistência do conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Engenheiro do Conhecimento
Estrutura a área do problema
Interpreta, traduz e integra conhecimento
especialista ao sistema
Traça analogias
Apresenta contra-exemplos
Traz à luz conceitos difíceis
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Refinamento do Conhecimento
Futuros SBCs serão capazes de monitorar,
analisar, aprender e melhorar suas próprias
performances, resultando numa base de
conhecimento mais aprimorada e num
raciocínio mais efetivo
Nos SBCs atuais esta tarefa é do
Engenheiro do Conhecimento
Prof. Júlio Cesar Nievola PPGIa - PUCPR
Sistemas de Produção
Vantagens
Modularidade Uniformidade NaturalidadeDesvantagens
Ineficiência em tempo de execução Complexidade do fluxo de controle