Ingegneria della Conoscenza e Sistemi Esperti: Introduzione

Introduzione all’ICSE
Fabio Sartori
[email protected]
11 ottobre 2006
Ingegneria della Conoscenza
(Knowledge Engineering)
Attività di
Acquisizione
 Formalizzazione e Rappresentazione
 Codifica
della conoscenza per la costruzione di sistemi basati
sulla conoscenza (Knowledge Based Systems)

Knowledge-Based System (KBS)



Applicazione dell’Intelligenza Artificiale
Sistema informatico atto a rappresentare
conoscenze specifiche di un dato dominio e ad
applicarle alla risoluzione di problemi
Costruito per risolvere o supportare la
risoluzione di problemi complessi mediante
processi di inferenza sulla conoscenza
KBS
Sistema Esperto (SE)
SE




Particolare KBS con finalità specificatamente pratiche
 Progettazione
 Diagnosi
 Pianificazione
 Previsione
 …
Programma che rappresenta e ragiona con la conoscenza di
qualche ambito specialistico allo scopo di risolvere problemi
Esperienza: un insieme di capacità altamente specializzate affinate
in una situazione particolare per un fine specifico
Un programma è esperto se manipola conoscenza (non
semplicemente algoritmi)
Programmi convenzionali vs KBS
Programma Convenzionale
Knowledge Based System
Algoritmo
Problem
Solving
Method
Struttura dati
Knowledge
Base
Dati
Dati
Architettura di un KBS

Knowledge Base

Shell
Motore Inferenziale
Knowledge Base – KB:
uno o più componenti
del KBS per la
rappresentazione della
conoscenza
Motore inferenziale – uno
o più componenti del
KBS che interpretano e
utilizzano il contenuto
della KB
Caratteristiche di un KBS


Differenze con i programmi classici: i KBS
 rappresentano forme elementari del ragionamento umano,
piuttosto che il dominio stesso
 operano su una rappresentazione della conoscenza (la base della
conoscenza), oltre che fare calcoli e reperire dati
 risolvono problemi sulla base di metodi euristici o approssimati
che, a differenza delle soluzioni algoritmiche, non è certo che
terminino con successo
Differenze con altri tipi di applicazioni di IA
 riguardano ambiti applicativi, di interesse scientifico o
commerciale
 devono essere altamente efficienti in termini di velocità e
affidabilità
 devono spiegare e giustificare le soluzioni proposte, per
convincere l’utente che il ragionamento seguito è corretto
Realizzazione di un KBS:
principali entità coinvolte
Sviluppatore
Esperto
Knowledge
Engineer
Utente
KB
Motore
inferenziale
Entità coinvolte nella realizzazione di
un KBS
Sviluppatore
Esperto
Knowledge
Engineer
Utente
KB
Motore
inferenziale
Esperto

È possibile realizzare un KBS (e in particolare
un SE) solo se esiste qualcuno (l’esperto) che:




Sia in grado di risolvere il problema
Sa perché il problema si risolve in quel modo
È in grado di fornire delle spiegazioni su come
risolvere il problema
È motivato a cooperare nell’iniziativa
Knowledge Engineer

Si occupa del processo di costruzione di KBS



Acquisizione della conoscenza: trasferimento e trasformazione
da una fonte di conoscenza (esperto, documenti, dati, ...) ad
una forma esplicita e formalizzata la conoscenza necessaria
alla risoluzione di un problema
Rappresentazione della conoscenza: definizione della modalità
di descrizione formale della conoscenza ai fini della
computazione simbolica
Controllo del ragionamento: utilizzo della conoscenza “nel
modo e al momento giusto”, determinando il modo in cui il
programma (KBS) elabora la soluzione
Fonti di Conoscenza

Ingegneria della conoscenza


Persone esperte del problema (esperti del
dominio)
Data mining e analisi dei dati


Libri, manuali o altri documenti
Archivi di dati (registrazioni audio, filmati,
database...)
KBS: Aree di interesse e ricerca






KR: Rappresentazione della conoscenza
KA: Acquisizione della conoscenza
SD: Software Development
M: Maintenance
V&V: Validation and Verification
UI: User Interaction
•KA: Knowledge Acquisition
•KR: Knowledge Representation
Aree di ricerca sui KBS
•SD: Software Development
Knowledge
Engineer
KA
KR
M
KBS
Esperto
SD
Sviluppatore
V&V
UI
Utente
M: Maintenance
V&V: Validation and
Verification
UI: User Interaction
KA: Knowledge Acquisition


Attività svolta dal knowledge engineer per il
trasferimento e la trasformazione di abilità
potenzialmente in grado di risolvere
problemi da un fonte di conoscenza (es.
esperto) a un programma
Risultati della ricerca nella KA


Metodologie e tecniche di intervista
Sviluppo di strumenti CAKE (Computer Aided
Knowledge Engineering)
KA: Knowledge Acquisition

Bottleneck nella realizzazione dei sistemi esperti, in
quanto:



ogni ambito specialistico ha il suo gergo e spesso è difficile
per gli esperti comunicare la loro conoscenza mediante il
linguaggio comune
spesso la conoscenza esperta si basa su fatti e principi che
non possono essere formalizzati in un modello
deterministico ben strutturato
le abilità umane spesso coinvolgono un certo grado del
buon senso della vita quotidiana difficile da delineare
KR: Knowldege Representation

Una rappresentazione (della conoscenza) deve
possedere




adeguatezza e correttezza logica
capacità euristica: utilizzabile ai fini di risolvere un
problema
convenienza computazionale: semplice ‘scrivere’ e poi
comprendere la conoscenza rappresentata
Tipi di rappresentazione


Descrizione formale  sintassi e semantica ben definite
Computazione simbolica  i simboli e le strutture possono
essere realizzate per rappresentare i vari concetti e le
reciproche relazioni tra essi
KR: Knowldege Representation


Serve un linguaggio di rappresentazione
Esistono diversi linguaggi:







Linguaggi formali Logici
Linguaggi formali Algebrici (reti Petri)
Reti semantiche
Grafi concettuali
Frame
Oggetti
Regole (costrutti IF ... THEN ...)
KR: Knowldege Representation


Teoria dei fuzzy set (Zadeh, 1965)
Logiche a più valore


Logica multivalore (Lukasiewicz, 1930)
Fuzzy Logic
SD: Software Development

Linguaggi







logici: es. PROLOG
funzionali: es. LISP
basati su logiche descrittive: es. CML, Loom,
KIF/Ontolingua
basati a Frame: es. FRL, KRL, OWL, KL-ONE
procedurali
basati sulle reti semantiche: es. CYC
basati su grafi concettuali: es. Conceptual Graph
SD: Software Development

Strumenti (Shell)

per sistemi a regole di produzione

JESS (Java Expert System Shell)


CLIPS (C Language Integrated Production System)


www.pst.com/opsj.htm
JEOPS (Java Embedded Object Production System)


www.ghgcorp.com/clips/CLIPS.HTML
OPSJ (Object Production System written in Java)


herzberg1.ca.sandia.gov/jess
www.cin.ufpe.br/~jeops
per sistemi basati su CBR
M: Maintenance

La maintenace della conoscenza è un insieme di attività volte a
contrastare l’“invecchiamento” cui sono soggetti i KBS per loro
natura
 1° Approccio: maintenace come fase di un ciclo di vita del
software/KBS  strumenti CAKE (es. CommonKADS, MIKE)
 2° Approccio: Modifica del contenuto del sistema





KBS realizzati per facilitare la maintenance
(es. CBR o Ripple Down Rules di Compton)
KBS realizzati per faciilitare la maintenance direttamente da parte
dell’utente
(es. ISB di VanHarmelen – aggiornamento regole
P-Truck – KEPT Knowledge Elicitacion module of P-Truck)
V&V: Validation & Verification

Validazione e Verifica della Conoscenza
contenuta in un KBS


Validazione: la “Knowledge Base” è costruita
correttamente?
Verifica: il contenuto della “Knowledge Base” è
corretto?
Tipi di KBS: classificazione

in base all’applicazione




Knowledge Capture and Storing: knowledge acquisition e
knowledge maintenance
Knowledge Deployment and Sharing
Knowledge Processing: supporto, sostituzione e
addestramento in attività decisionali e per la risoluzione di
problemi
in base al metodo di KR e Problem Solving Method




Rule-Based System
Case-Based System
Model-Based System
Sistemi ibridi
Sistemi a Regole

Knowledge Base


Base dei fatti: insieme di ‘fatti’ verificati (in un determinato momento)
riguardo al dominio in questione
Base delle regole: insieme di costrutti del tipo IF insieme di condizioni (LeftHand Side) THEN insieme di azioni (Right-Hand Side)



Motore inferenziale: componente del SE per la gestione della





che esprimono una serie di inferenze che modificano la Base dei fatti
che rappresentano la conoscenza dell’esperto esplicitata e formalizzata
base dei fatti (Inserimento, Cancellazione, Modifica)
base di regole (Attivazione delle regole, Conflict resolution, Esecuzione
regole)
Ricerca della soluzione analoga alla dimostrazione automatica di
teoremi, con inferenze successive, partendo da assiomi
Vengono evidenziati tutti i passaggi logici che permettono di arrivare
ad una soluzione parziale o finale (Trace del sistema)
Apprendimento: aggiungere/rimuovere/modificare delle regole
(compito problematico e molto complesso)
Sistemi basati sui Casi

Case Based Reasoning (CBR) [J. Kolodner, 1993]




KB: base dei casi (Case Base)


Ragionamento per analogia
Sistema legale USA
Generalmente usato quando non esiste un modello della conoscenza
Insieme di casi già risolti e memorizzati secondo una determinata struttura
(Indexing)
Motore inferenziale: case-based reasoner




Ricerca di un problema analogo nella Base dei Casi (Retrieve)
Applicazione della soluzione di un caso passato ad un problema attuale
(Reuse)
adattamento della soluzione recuperata, per tenere conto delle peculiarità del
problema attuale (Revise)
apprendimento incrementale: la conoscenza del sistema aumenta con
l’aumento del numero dei casi (Retain)
Sistemi basati su Modello


KB e Motore inferenziale: rappresentazione
della conoscenza del dominio in un modello
causale del dominio (es. diagnosi)
Applicabilità: solo quando si possiede una
ben nota e completa rappresentazione del
dominio
Sistemi ibridi: un esempio
Descrizione
problema
Rule-Based
Reasoning
se nessuna regola
applicabile
Regola
applicata
Case-Based
Reasoning
se nessun caso
applicabile
Soluzione del
problema
Caso
applicato
Model-Based
Reasoning
Modello
applicato