Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 2 (a.o.Univ.Prof. Dr. Franz Hörmann)

Ähnliche Präsentationen


Präsentation zum Thema: "FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 2 (a.o.Univ.Prof. Dr. Franz Hörmann)"—  Präsentation transkript:

1 FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 2 (a.o.Univ.Prof. Dr. Franz Hörmann)

2 a.o.Univ.Prof. Dr. Franz Hörmann2 Wissensrepräsentation Symbolisch: –rot(gerhards(auto)) Grafisch:

3 a.o.Univ.Prof. Dr. Franz Hörmann3 Wissensrepräsentation Aus der symbolischen Wissensrepräsentation muss, unter Einsatz von Regeln, neues Wissen abgeleitet werden können (Schlussfolgerung, Inferenz). Anforderungen an Wissensrepräsentationssprachen: –Repräsentationszulänglichkeit –Schlusszulänglichkeit –Schlusseffizienz –Klare Syntax und Semantik –Natürlichkeit

4 a.o.Univ.Prof. Dr. Franz Hörmann4 Wissensrepräsentation Repräsentationssprache Logik: –z.B.: fA X(vogel(X) fliegt(X)) –aber: ist nicht sehr effizient kann nicht gut mit Zeit, Meinungen und Unsicherheiten umgehen (modale und temporale Logik nicht effizient) Frames und Semantische Netze –Wissen wird als Sammlung von Objekten und ihren Eigenschaften dargestellt

5 a.o.Univ.Prof. Dr. Franz Hörmann5 Wissensrepräsentation Frames und Semantische Netze –Es existieren Klassen und Objekte (Instanzen) –Eigenschaften können über Vererbung weitergegeben werden –IF-THEN-Regeln können Ereignisse mit Aktionen verknüpfen Produktionsregeln (production rules) –Es werden vererbungsbasierte Schlußfolgerungen möglich

6 a.o.Univ.Prof. Dr. Franz Hörmann6 Wissensrepräsentation

7 a.o.Univ.Prof. Dr. Franz Hörmann7 Wissensrepräsentation Semantische Grundlagen –Was bedeuten die Elemente (Terme)? z.B. Analogie zur Mengenlehre: Menge der Elefanten, Elemente der Menge etc. Ohne genaue Bedeutungsklärung können semantische Netze nicht sinnvoll verwendet werden!

8 a.o.Univ.Prof. Dr. Franz Hörmann8 Wissensrepräsentation Frames –… sind eine Variante der semantischen Netze –… speichern alle erforderlichen Eigenschaften eines Elements als Dateneinheit –Die Eigenschaften selbst werden durch sog. Slots repräsentiert –Diese enthalten Slot-Werte

9 a.o.Univ.Prof. Dr. Franz Hörmann9 Wissensrepräsentation Beispiel: –Säugetier: Oberklasse: Tier hat_Teil: Kopf –Elefant: Oberklasse: Säugetier Farbe: Grau Größe: groß –Nellie: Instanz von: Elefant mag: Äpfel

10 a.o.Univ.Prof. Dr. Franz Hörmann10 Wissensrepräsentation Frame-Systeme –… enthalten überschreibbare Standardwerte in den Slots –… gestatten u.U. Mehrfachvererbung (aus mehreren Oberklassen zugleich, z.B. könnte Clyde zugleich Elefant und Zootier sein wo ist seine Heimat? Für solche Regelkonflikte müssen Lösungen bereitstehen!) –Es ist möglich, dass Slots selbst wieder Frames enthalten –Slots können auch Prozeduren enthalten (procedural attachments), welche immer dann ausgeführt werden, wenn der Wert des Slots abgefragt wird –Viele Dinge können mit Frames nur schwierig dargestellt werden (Negation, Disjunktion, Quantifizierungen)

11 a.o.Univ.Prof. Dr. Franz Hörmann11 Wissensrepräsentation Prädikatenlogik – Syntax: –Atomare Sätze werden mittels Operatoren verknüpft: und (Konjunktion) oder (Disjunktion) nicht (Negation) Folgerung (Implikation) Äquivalenz

12 a.o.Univ.Prof. Dr. Franz Hörmann12 Wissensrepräsentation Prädikatenlogik – Syntax - Beispiel: ich_fahre_gern_auto und ich_kann_autofahren (Konjunktion) ich_esse_gerne_kuchen oder ich_esse_gerne_früchte (Disjunktion) nicht ich_esse_gerne_kohl (Negation) wenn ich_esse_gerne_kuchen dann ich_esse_oft_kuchen (Implikation) wenn ich_esse_gerne_kuchen dann ich_esse_oft_kuchen und umgekehrt (Äquivalenz)

13 a.o.Univ.Prof. Dr. Franz Hörmann13 Wissensrepräsentation Prädikatenlogik – Semantik: Kann mittels Wahrheitstafeln festgelegt werden: XYX oder Y www wfw fww fff

14 a.o.Univ.Prof. Dr. Franz Hörmann14 Wissensrepräsentation Prädikatenlogik – Beweistheorie: Modus Ponens (inference rule): A, A B B Aus A ist wahr und wenn A dann B ist wahr folgt B ist wahr.

15 a.o.Univ.Prof. Dr. Franz Hörmann15 Wissensrepräsentation Prädikatenlogik – Beweistheorie: Resolution: A o B, n B o C A o C Aus A oder B und non B oder C folgt A oder C.

16 a.o.Univ.Prof. Dr. Franz Hörmann16 Wissensrepräsentation Prädikatenlogik – Syntax: –Konstantensymbole (klein geschrieben, z.B. franz) –Variablen (groß geschrieben, z.B. X) –Funktionale Ausdrücke (z.B. vater(franz) )

17 a.o.Univ.Prof. Dr. Franz Hörmann17 Wissensrepräsentation Prädikatenlogik – Syntax – Beispiel in Prolog: vater(karl,franz). vater(klaus,karl). grossvater(X,Y) :- vater(X,Z), vater(Z,Y). Erst kommt die Folgerung, danach die Bedingungskette. Hornklauseln (nur eine Folgerung ist syntaktisch darstellbar).

18 a.o.Univ.Prof. Dr. Franz Hörmann18 Wissensrepräsentation Prädikatenlogik – Syntax – Probleme: –Unsicherheit (Morgen regnet es vielleicht) –Standardsituationen (Hier regnet es normalerweise nicht) –Meinungen (Ich glaube morgen wird es nicht regnen) –Zeit bzw. Veränderungen im Zeitablauf

19 a.o.Univ.Prof. Dr. Franz Hörmann19 Wissensrepräsentation Prädikatenlogik – Syntax: Prinzipiell kann alles, was in Frames repräsentiert wird, in die Prädikatenlogik übersetzt werden (aber NICHT UMGEKEHRT) die Prädikatenlogik hat eine stärkere Repräsentationsadäquanz als Frame-Systeme (representational adequacy).

20 a.o.Univ.Prof. Dr. Franz Hörmann20 Wissensrepräsentation Regelbasierte Systeme:

21 a.o.Univ.Prof. Dr. Franz Hörmann21 Wissensrepräsentation Regelbasierte Systeme:

22 a.o.Univ.Prof. Dr. Franz Hörmann22 Wissensrepräsentation Regelbasierte Systeme: Backward Chaining Fakten: r, s, t, u, v, w Regeln: y & w -> x u & z -> y r -> z Goal: x

23 a.o.Univ.Prof. Dr. Franz Hörmann23 Wissensrepräsentation Regelbasierte Systeme: Backward Chaining

24 a.o.Univ.Prof. Dr. Franz Hörmann24 Wissensrepräsentation Regelbasierte Systeme: Forward Chaining Fakten: r, s, t, u, v, w Regeln: y & w -> x u & z -> y r -> z Die Regeln werden einzeln abgearbeitet, d.h. es werden nacheinander die Fakten z, y und x der Faktenbank hinzugefügt (implizites Regelwissen in explizites Faktenwissen transformiert).

25 a.o.Univ.Prof. Dr. Franz Hörmann25 Wissensrepräsentation Regelbasierte Systeme: –Forward Chaining: Data Driven (Aktionen werden ausgeführt) –Backward Chaining: Goal Driven (Hypothesen werden bewiesen bzw. Anfragen beantwortet)

26 a.o.Univ.Prof. Dr. Franz Hörmann26 Wissensrepräsentation Regelbasierte Systeme - Beispiel:

27 a.o.Univ.Prof. Dr. Franz Hörmann27 Wissensrepräsentation Regelbasierte Systeme – Beispiel Forward Chaining: Fakt smoky wird hinzugefügt Fakt fire wird hinzugefügt Aktion switch_on_sprinklers wird ausgeführt

28 a.o.Univ.Prof. Dr. Franz Hörmann28 Wissensrepräsentation Regelbasierte Systeme – Beispiel Backward Chaining: Hypothese switch_on_sprinklers soll überprüft werden Dazu muss fire bewiesen werden Dazu muss smoky bewiesen werden q.e.d.

29 a.o.Univ.Prof. Dr. Franz Hörmann29 Wissensrepräsentation Regelbasierte Systeme – Beispiel Backward Chaining:

30 a.o.Univ.Prof. Dr. Franz Hörmann30 Wissensrepräsentation Regelbasierte Systeme: –PROLOG verwendet Backward Chaining mit Tiefensuche und verfügt über –eingebauten Mustervergleich (pattern matching) –Anwendungsbeispiel für Backward Chaining: MYCIN (Diagnose bakterieller Infektionen für rechtzeitige Therapie) –Anwendungsbeispiel für Forward Chaining: XCON (Konfiguration von VAX-Computern)

31 a.o.Univ.Prof. Dr. Franz Hörmann31 Wissensrepräsentation Anwendungssoftware zum Wissensmanagement: –AXON Idea Processor ( )


Herunterladen ppt "FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 2 (a.o.Univ.Prof. Dr. Franz Hörmann)"

Ähnliche Präsentationen


Google-Anzeigen