Sistemas Especialistas. Prof. Júlio Cesar Nievola PPGIA PUCPR

(1)

1

Sistemas Especialistas

Prof. Júlio Cesar Nievola

PPGIA – PUCPR

(2)

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.

(3)

Conhecimento do Especialista

Aprendizado

teórico (esc_{ola 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

(4)

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.

(5)

Ciclo de vida de SEs

Análise de viabilidade

Projeto conceitual

Aquisição de conhecimento

Representação do conhecimento

Teste e Validação

Uso em campo

Manutenção

(6)

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?

(7)

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?

(8)

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

(9)

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

(10)

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

(11)

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

(12)

(13)

Rede Semântica – “João deu um

(14)

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

(15)

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

(16)

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

(17)

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

(18)

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

(19)

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

(20)

Frame descrevendo um cômodo e

(21)

Frame: rede de cômodos numa casa

(22)

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

(23)

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

(24)

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.

(25)

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

(26)

Sistemas Especialistas

Máquina de Inferência Base de

Conhecimentos Base deFatos

(27)

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

(28)

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)

(29)

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

(30)

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

(31)

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

(32)

Personagens envolvidos na construção

de um SE

Construtor de ferramentas

Engenheiro de Conhecimento

Especialista

Apoio

Usuário

(33)

Ciclo de Base de um Motor de

Inferência

Fase de Avaliação Restrição Resolução de Conflitos Filtragem Fase de Execução

Execução das ações

Ações sobre o ambiente BF e BR podem

ser alterados

Eventualmente parada

(34)

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

(35)

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)

(36)

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

(37)

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

(38)

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

(39)

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 real

(40)

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

(41)

Número de SBCs desenvolvidos

(42)

Percentagem de SBC por

(43)

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

(44)

(45)

(46)

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

(47)

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

(48)

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)

(49)

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

(50)

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”)

(51)

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?

(52)

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

(53)

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)

(54)

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)

(55)

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?

(56)

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

(57)

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)

(58)

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)

(59)

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)

(60)

Linguagens de Representação

do Conhecimento

Quadros (“frames”)

Scripts

Redes Semânticas

Lógica

(61)

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

(62)

(63)

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

(64)

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)

(65)

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?

(66)

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?

(67)

(68)

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

(69)

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

(70)

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

(71)

Sistemas de Produção

Vantagens

Modularidade Uniformidade Naturalidade

Desvantagens

Ineficiência em tempo de execução Complexidade do fluxo de controle