SMART Systems (Vorlesung: KI & XPS) zBeim vorigen Mal: yGrundideen zum qualitativen Schließen... yam Beispiel von Intervall- und topologischen Relationen.

Präsentation zum Thema: "SMART Systems (Vorlesung: KI & XPS) zBeim vorigen Mal: yGrundideen zum qualitativen Schließen... yam Beispiel von Intervall- und topologischen Relationen."—  Präsentation transkript:

1 SMART Systems (Vorlesung: KI & XPS) zBeim vorigen Mal: yGrundideen zum qualitativen Schließen... yam Beispiel von Intervall- und topologischen Relationen zInhalt heute: yAnwendungen im Kontext von verteilten Systemen yAgenten, Semantic Web, Kommunikation und Inferenz zLernziele: yVerstehen der Anwendung von Inferenzdiensten yZusammenspiel von Repräsentationsformalismen Ralf Möller, Univ. of Applied Sciences, FH-Wedel

2 Qualitative zeitliche Beziehungen: Allen-Rel. z13 Basisrelationen, disjunkt, erschöpfend zSemantik yTupel reeller Zahlen zKonsistenz von Allen-CSPs yPfadkonsistenz (Pruning durch Anwendung der Kompositiontabelle) yBacktracking über Kombinationen von Basisrelationen

3

4

5 Qualitative räumliche Relationen: RCC-8 z8 Basisrelationen, disjunkt, erschöpfend zSemantik: (haben wir nicht näher behandelt!) yOffene, reguläre, nicht zusammenhängende Mengen im R 2 zKonsistenz von RCC-8-CSPs yPfadkonsistenz (Pruning durch Anwendung der Kompositiontabelle) yBacktracking über Kombinationen von Basisrelationen

6

7 Kombination mit Beschreibungslogiken zBeschreibungslogik ALCRP(D) zALC + Konkrete Domäne D + (RP)

8 Acknowledgments zAuf den Folien zu ALCRP(D) wird an einigen Stellen Material von Carsten Lutz (RWTH-Aachen) verwendet.

9 Beispiel für den allgemeinen Fall

10 Verwendung im Existenzquantor

11 Verwendung im Allquantor

12 Konkrete Domäne RCC zTestprädikat: is_region, is_no_region zBasisprädikate: dc, ec, po, tpp, ntpp, ntppi, tppi, eq z2 8 Prädikate für alle möglichen Disjunktionen von Basisprädikaten yBeispiel: tpp-ntpp-tppi-ntppi-eq yName für Disjunkt. aller Basisprädikate: spatially-related zNegationen für alle Prädikate yBeispiel: neg(dc-ec) = tpp-ntpp-ntppi-tppi-eq yBeispiel: neg(spatially-related): inconsistent-relation

13 Anwendungsbeispiel zCity-1 wird von city-2 subsumiert zWarum?

14 Visualisierung der möglichen Modelle

15 city-3 wird von city-1 subsumiert

16 Negativresultat: ALCRP(D) ist unentscheidbar

17

18 Diskussion der Einschränkungen

19 Anwendungsbeispiel: Verteilte Systeme zWir haben verschiedenen Logiken für verschiedene Anwendungen kennengelernt yALCQHI R+ (DAML+OIL-Approximation) yALCQHI R+ (D) - (für XML-Schema + Erweiterungen) yALC(D) erlaubt Attributketten bietet aber keine QHI R+ -Operatoren yALCRP(D) mit syntaktischen Einschränkungen zDie Eierlegendewollmilchsaulogik gibt's nicht! zSicht: Einsatz der Logiken bei verschiedenen Spezialisten zBetrachtung eines konkreten Beispiels: TV-Assistent

20

21 Ein einfaches Beispiel-Szenario: TV-Auskunft

22 Charakterisierung des Szenarios zSpezialisten (Agenten) yhier: statische Auffassung von Agenten, d.h. Agenten wandern nicht, sondern bieten Dienste im Web für andere an (als Agentur) yAnnahme: Dienstbeschreibung durch Inferenzdienste zVermittler (Broker) yZentrale Anlaufstation für Clients yOrganisation des Zugriffs auf Spezialisten yVerwaltung einer Registratur für die angebotenen Dienste von Spezialisten

23 Annahmen im Szenario... zJeder Agent hat ein eigenes Beschreibungsschema für Daten (TBox) und Informationen (ABox) zTV-Web-Software generiert Anfragen nach Programminformation mit Bezug auf Broker-Schema yFilmtypen in einem Zeitfenster (z.B. Action-Filme heute abend) yZusätzlich: Menge von Konzepten zur Filmcharakterisierung (z.B. zur Einblendung von filmspezifischer Werbung)

24 Zu lösende Aufgaben im Szenario: zFinden eines "zuständigen" Spezialisten yBeispiel: Recherche (Retrieval) für Filme an Programmagent delegiert zUmwandlung der "Anfrage", so daß der Spezialist sie "versteht" yTransformation der "Anfrage", so daß nur Namen aus dem Schema des Spezialisiten verwendet werden yTransformation eines Konzepttermes (Refinement) yGgf. Transformation einer ABox (Abstraktion)

25 Der GIS-Agent zAnnahme: Verwendung der Logik ALCRP(RCC) zRegistrierung beim Broker durch: yindividual-instance (i, C [, A ]) yconcept-instances (C [, A ])

26 TBox des GIS-Agenten

27 ABox des GIS-Agenten Die TBox enthält:

28 Der Programmagent zAnnahme: Verwendung der Logik ALN(D) - zRestrierung beim Broker durch: yconcept-instances(C) ysub-abox(i)

29 TBox des Programmagenten zEinschub: Least-Common-Subsumer (LCS) für ALN-TBoxen zLCS(pirate-movie, titanic-movie) -> (and movie (all has-main-character captain) (all has-location ship))

30 ABox des Programmagenten

31

32 Der Broker zAnnahme: Verwendung der Logik ALCQHI R+ zVereinigung der Schemata der registrierten Spezialisten zTrennung der Einzelschemata durch Namensräume yRealisierung durch Präfix yIn unserem Beispiel: ba:, ga: und pa: zBroker hat auch eine TBox (hier zur Veranschaulichung stark vereinfacht) zInter-Schema-Axiome zur Korrelation der Namen aus den Einzelschemata (ga: und pa:) zu den Namen im Broker- Schema (ba:) (bei Registrierung zu erstellen)

33 Zusätzliche Axiome in der Broker-Tbox (1)

34 Zusätzliche Axiome in der Broker-Tbox (2)

35 Annahme im Szenario zKonkrete Anfrage nach Programminformation wird an Broker gestellt y(concept-instances C) ysub-abox(i) zC repräsentiert die Suchanfrage zBeispiel: C = pa:action-movie zWir abstrahieren hier von den Zeitinformationen! zSub-abox(i) wird für Filme zur Bestimmung von Zusatzinformationen aufgerufen

36 Zu lösende Aufgabe zUmwandlung der Suchanfrage ins jeweilige Vokabular der registrierten Spezialisten zVerfeinerung der Suchanfrage, so daß nur noch Namen aus dem Namensraum der Spezialisten verwendet werden zSuchkonzept in Terminologie einfügen zNach "unten schauen" (einschließlich des Suchkonzepts) und entsprechenden Namen suchen yProgramm-Agent: pa:action-movie yGIS-Agent: bottom

37 Annahmen im Szenario: zProgramm-Agent wird konsultiert zProgramm-Agent liefert ABox mit Informationen zu "The World is not Enough". zAbox A wird an TV-Assistent übermittelt zTV-Assistent will Werbung anbringen yAnfrage bzgl. A nach Zusatzinformation an Broker zBeispiel: Flugreise nach Asien y(instance? the-world-is-not-enough-1, A) -> Yes! (kann der Broker selbst bestimmen)

38 Nicht immer kann der Broker allein entscheiden.... zBeispiel: Anfrage y(instance? the-world-is-not-enough-1, A) -> No! zBroker hat nicht genügend Information: -> Don't know? zIdee: Abox A wird an GIS-Agenten gesandt y(instance? the-world-is-not-enough C A)

39 Zu lösende Aufgabe für den Broker zAbox und Query-Konzept (in Broker- Terminologie) müssen ins Vokabular des GIS- Agenten transformiert werden zNotwendige Operationen: yABox-Abstraktion (Verallgemeinerung) yQuery-Verfeinerung (Verschärfung) zProblem für GIS-Agenten: y(instance? the-world-is-not-enough C' A') zWarum macht das Sinn?

40 Beispiel: ABox-Abstraktion (1) zNeue ABox A'

41 Beispiel: ABox-Abstraktion (2)

42 Beispiel: Query-Refinement zNeues spezielleres Query-Konzept C' = zWas sagt der GIS-Agent? y(instance? the-world-is-not-enough C' A') -> Yes! zWas macht der Broker daraus? y(instance? the-world-is-not-enough C A) -> Yes! z... und die Kreuzfahrtwerbung wird eingeblendet.

43 Zusammenfassung, Kernpunkte zAnwendungen im Kontext von verteilten Systemen zAgenten zSemantic Web, Kommunikation und Inferenz zOntologie-Approximation zDatenabstraktion (ABox-Abstraktion) zQuery-Refinement (Anfrageverfeinerung) zWelche Anwendungen werden im E-Business durch Schlußfolgerungen über Ontologien möglich?

44 Was kommt beim nächsten Mal? zOntologische Beschreibung von Diensten im Web: DAML-S zDienstekomposition und -vermittlung in verteilten Systemen zGrundlagen von Planungsverfahren