Reprezentace znalostí v UI Inteligentní systém musí umět předvídat důsledky svých akcí – potřebuje „model svého prostředí“. K jeho konstrukci potřebuje ZNALOSTI: Deklarativní - např. logika 1. řádu, explicitně uvedené informace lze lehce upravovat, podporuje doplňování důsledků Procedurální - jízda na kole, program v C, „kouzelník“ – informace jsou implicitně použité v procedurách realizujících nějakou úlohu JAZYK pro popis znalostí lze posuzovat z hlediska Vyjadřovacích schopností jazyka Schopnosti podporovat efektivní využívání jazyka při inferenci (odvozování)

Požadavky na reprezentaci znalostí pro systémy UI Modifikovatelnost - logika 1. řádu Modularita = funkčně souvislé části tvoří samostatné části: např. produkční systémy Sémantické sdružování informací o témže objektu – používá se vhodné zařazení do tříd a jejich hierarchií: např. sémantické sítě, sém. rámce, scénáře. Speciálnější objekty mohou získat některé vlastnosti děděním od obecnějších objektů.  Někdy požadujeme i nemonotónnost – charakteristické pro lidské uvažování (Quido – tučňák)

Produkční systém Soubor produkčních pravidel ve tvaru Situace --> Akce Pracovní paměť (báze dat): zde jsou uložena počáteční data úlohy i data pozdějí odvozená Přímé řetězení (odvozované řízené daty ) začíná ve výchozím stavu Zpětné řetězení - Prolog Použití produkčních systémů XCON (Digital Equipment Corporation) - systém pro konfiguraci HW podle funkčích požadavů zákazníka, obsahuje několik tisíc pravidel

Práce Inferenčního stroje při přímém řetězení 1.Posouzení obsahu báze dat, t.j. rozpoznání situací (odpovídající obsahu báze dat) identifikuje všechna aktuálně použitelná pravidla (nebo jejich instance) 2.Pokud množina aplikovatelných pravidel je prázdná, KONEC 3.Řešení konfliktu: výběr jediného pravidla z množiny použitelných 4.Vykonání akce zvolené v 2. má za důsledek změnu obsahu paměti dat. 5.Jdi na 1

Řešení konfliktu (pro sekvenční provádění) 1.Preference specifického pravidla (tj. pravidla., pro které je splněno víc konkrétních podmínek) 2.Neopakování pravidla právě provedeného v předchozím taktu 3.Preference pravidel používajících nejnovější údaje v pracovní paměti

Posouzení časové náročnosti práce produkčního systému Nejnáročnější je výběr aplikovatelných pravidel Odhad nároků na čas při naivní implementaci: w - počet prvků v pracovní paměti r- počet pravidel n- max. počet předpokladů v pravidle wrn v jednom cyklu

Často používané optimalizační techniky  Zachování souboru aplikovatelných instancí jako základ dalšího kroku  Křížové reference mezi produkční a pracovní pamětí Kompilace pravidel do efektivnější reprezentace, např. síť se stromovou strukturou – RETE algoritmus Optimalizace v RETE algoritmu: předzpracovává pravidla (aby se omezila duplicita kontroly) do tvaru grafu s uzly „výskyt“, „unifikace“, „akce“

Modularita a produkční systémy Náročné vyhledávání aplikovatelných akcí Lehké odstraňování závad: –chybí-li nějaký typ chování, stačí jej systému „přidat“ ve tvaru „Popis situace, kdy chování chybí“--> Akce Obtížné stopování chování systému Možnost obohatit systém o neurčitost znalostí - viz Expertní systémy

Sémantické sítě Znalosti jsou reprezentovány pomocí objektů a relací mezi nimi Vytvoření konceptuální hierarchie se vztahy náležení –„být prvkem“ (member) –„být částí“ (subset) –IsA je někdy používáno pro oba výše uvedené vztahy, tento přístup vede k nekonzistencím Důraz je kladen na dědění vlastností –dědení po více cestách (člověk patřící k více skupinám) může vést ke konfliktní informaci (kačer kváká i mluví) Vyjadřovací síla sémantických sítí a logiky 1. Řádu je totožná

Rámce Motivace pro použitou notaci je podobná jako u sémantických sítí - nepoužívají se ale grafy Rámec má tvar tabulky, která obsahuje –položky (hrany v sém. síti) –s (někdy i několika) fasetami, např. „hodnota“ a „předpokládaná_hodnota“ –faseta = hodnota (uzel v sém. síti), případně nějaká podmínka (jedna_z_možností (VYČET)) –k fasetě může být přidružen démon připravený zasáhnout za jemu vlastních podmínek

Doporučená literatura  Zdráhal Z.: Reprezentace znalostí, Kap. 4 v [Mařík et al.]  Mařík, V., Štěpánková, O., Lažanský, J.: Umělá inteligence (1), Academia, Praha 1993 Russel, S., Norvig, P.: Artificiall Intelligence. A Modern Approach, Ch. 8+10, Prentice Hall, New Jersey 1995