FH-Kurs Wissensmanagement

Präsentation zum Thema: "FH-Kurs Wissensmanagement"—  Präsentation transkript:

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