Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
1
FH-Kurs Wissensmanagement
Formale Grundlagen I – Teil 2 (a.o.Univ.Prof. Dr. Franz Hörmann)
2
Wissensrepräsentation
Symbolisch: rot(gerhards(auto)) Grafisch: a.o.Univ.Prof. Dr. Franz Hörmann
3
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 a.o.Univ.Prof. Dr. Franz Hörmann
4
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 a.o.Univ.Prof. Dr. Franz Hörmann
5
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 a.o.Univ.Prof. Dr. Franz Hörmann
6
Wissensrepräsentation
a.o.Univ.Prof. Dr. Franz Hörmann
7
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! a.o.Univ.Prof. Dr. Franz Hörmann
8
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 a.o.Univ.Prof. Dr. Franz Hörmann
9
Wissensrepräsentation
Beispiel: Säugetier: Oberklasse: Tier hat_Teil: Kopf Elefant: Oberklasse: Säugetier Farbe: Grau Größe: groß Nellie: Instanz von: Elefant mag: Äpfel a.o.Univ.Prof. Dr. Franz Hörmann
10
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) a.o.Univ.Prof. Dr. Franz Hörmann
11
Wissensrepräsentation
Prädikatenlogik – Syntax: Atomare Sätze werden mittels Operatoren verknüpft: und (Konjunktion) oder (Disjunktion) nicht (Negation) Folgerung (Implikation) Äquivalenz a.o.Univ.Prof. Dr. Franz Hörmann
12
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) a.o.Univ.Prof. Dr. Franz Hörmann
13
Wissensrepräsentation
Prädikatenlogik – Semantik: Kann mittels Wahrheitstafeln festgelegt werden: X Y X oder Y w f a.o.Univ.Prof. Dr. Franz Hörmann
14
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. a.o.Univ.Prof. Dr. Franz Hörmann
15
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“. a.o.Univ.Prof. Dr. Franz Hörmann
16
Wissensrepräsentation
Prädikatenlogik – Syntax: Konstantensymbole (klein geschrieben, z.B. franz) Variablen (groß geschrieben, z.B. X) Funktionale Ausdrücke (z.B. vater(franz) ) a.o.Univ.Prof. Dr. Franz Hörmann
17
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). a.o.Univ.Prof. Dr. Franz Hörmann
18
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 a.o.Univ.Prof. Dr. Franz Hörmann
19
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). a.o.Univ.Prof. Dr. Franz Hörmann
20
Wissensrepräsentation
Regelbasierte Systeme: a.o.Univ.Prof. Dr. Franz Hörmann
21
Wissensrepräsentation
Regelbasierte Systeme: a.o.Univ.Prof. Dr. Franz Hörmann
22
Wissensrepräsentation
Regelbasierte Systeme: Backward Chaining Fakten: r, s, t, u, v, w Regeln: y & w -> x u & z -> y r -> z Goal: x a.o.Univ.Prof. Dr. Franz Hörmann
23
Wissensrepräsentation
Regelbasierte Systeme: Backward Chaining a.o.Univ.Prof. Dr. Franz Hörmann
24
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). a.o.Univ.Prof. Dr. Franz Hörmann
25
Wissensrepräsentation
Regelbasierte Systeme: Forward Chaining: Data Driven (Aktionen werden ausgeführt) Backward Chaining: Goal Driven (Hypothesen werden bewiesen bzw. Anfragen beantwortet) a.o.Univ.Prof. Dr. Franz Hörmann
26
Wissensrepräsentation
Regelbasierte Systeme - Beispiel: a.o.Univ.Prof. Dr. Franz Hörmann
27
Wissensrepräsentation
Regelbasierte Systeme – Beispiel Forward Chaining: Fakt smoky wird hinzugefügt Fakt fire wird hinzugefügt Aktion switch_on_sprinklers wird ausgeführt a.o.Univ.Prof. Dr. Franz Hörmann
28
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. a.o.Univ.Prof. Dr. Franz Hörmann
29
Wissensrepräsentation
Regelbasierte Systeme – Beispiel Backward Chaining: a.o.Univ.Prof. Dr. Franz Hörmann
30
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) a.o.Univ.Prof. Dr. Franz Hörmann
31
Wissensrepräsentation
Anwendungssoftware zum Wissensmanagement: AXON Idea Processor ( a.o.Univ.Prof. Dr. Franz Hörmann
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.