Wissensmanagement WS 2011/2012

Transkript

1 Wissensmanagement Sibylle Schwarz Westsächsische Hochschule Zwickau Dr. Friedrichs-Ring 2a, RII WS 2011/2012

2 Motivation Wie wird Wissen repräsentiert? verarbeitet? erworben? ausgetauscht? Wissen über Eigenschaften und Beziehungen von Objekten und Gruppen von Objekten Aktionsmöglichkeiten und deren Folgen Nutzung von Wissen zum Lösen von Problemen Planen von Handlungen gemeinsamen Handeln

3 Einordnung in die Informatik Informatik Lehre von Darstellung und Verarbeitung von Information Information (neue) Auskunft über ein Ereignis, einen Tatbestand oder einen Sachverhalt, Beseitigung von Ungewissheit Einordnung in die Teilgebiete der Informatik: theoretische Informatik: Grundlagen formale Sprachen, klassische Logiken technische Informatik: Anwendung technische Diagnose, z.b. Hardware praktische Informatik: Grundlagen Algorithmen für Suche, Planen, Regelauswertung angewandte Informatik: Grundlagen und Anwendung nichtklassische Logiken, Wissensverarbeitende Systeme

4 Inhalt der Lehrveranstaltung Vorlesung: Teilmenge der Themen Daten, Information, Wissen intelligente Agenten Wissensrepräsentation und -verarbeitung Wiederholung klassische Aussagen- und Prädikatenlogik Unvollständiges Wissen nichtmonotones Schließen Modale Logiken Temporallogiken, Beschreibungslogik Ontologien Formale Begriffsanalyse Handlungsplanung Koordination gemeinsamen Wissens und Handelns, Multi-Agenten-Systeme Themen zum Selbstudium (Seminar als Vorleistung) Anwendung in Robotik insbesondere Bilderkennung (für Robotstadium)

5 Literatur Folien zur aktuellen Vorlesung unter http: //wwwstud.fh-zwickau.de/~sibsc/lehre/ws11/wms/ Bücher zu wissensbasierten Systemen: Stuart Russell, Peter Norvig: Künstliche Intelligenz (Pearson 2004) Ingo Boersch, Jochen Heinsohn, Rolf Socher: Wissensverarbeitung (Spektrum, 2007) Ronald Brachman, Hector Levesque: Knowledge Representation and Reasoning (Morgan Kaufmann 2004) George Luger: Künstliche Intelligenz (Pearson 2001)

6 Seminar-Themen (Bildverarbeitung Robotstadium) Kooperative Pfadplanung für Multi-Robotersysteme in dynamischen Umgebungen Opfer-Bachelor-Planning.pdf Adaptive path planner for highly dynamic environments http: //citeseerx.ist.psu.edu/viewdoc/download?doi= &rep=rep1&type=pdf Robot Recognition and Modeling in the RoboCup Standard Platform League http: // Hindernis- und Spielererkennung für Humanoidroboter beim RoboCup Zielgerichtete Kollisionsvermeidung für mobile Roboter in dynamischen Umgebungen Selbstlokalisation Tracking (Ball, andere Spieler)

7 Agenten Agent: selbständig handelnde Einheit Funktionen: Wahrnehmung der Umwelt Reaktion auf Umwelt Anpassung, Lernen Kommunikation mit anderen Agenten Beispiele: z.b. Spieler Mensch Roboter Computer Software

8 Agent und Umgebung Wahrnehmung Sensoren Agent Steuerung Umgebung Aktoren Aktion Mögliche Interaktion abhängig von vorhandenen Sensoren z.b. Sinnesorgane, Kamera, Thermometer, Aktoren z.b. Hand, Motor, Regler Steuerung z.b. Planung, Reaktion auf Störungen

9 Intelligente Agenten Eigenschaften: reaktiv: regelmäßige Wahrnehmung der Umweltsignale, jede Aktionen abhängig vom Weltzustand aktiv: handelt zielgerichtet sozial: Interaktion mit anderen Agenten Agent hat und verwendet Wissen über aktuellen Weltzustand von eigenen Aktionen unabhängige Änderungen des Weltzustandes (z.b. Nachts wird es dunkel.) von eigenen Aktionen abhängige Änderungen des Weltzustandes (z.b. Ein von einer Stelle weggenommener Gegenstand befindet sich nicht mehr dort.)

10 Typische Anwendungen künstlicher Agenten Spiele (z.b. Schachprogramm) autonome Steuerung (z.b. autonome Fahrzeuge, Autopilot) autonome Planung (z.b. Zeitpläne) Diagnose (z.b. Anlagenüberwachung) Entscheidungsunterstützung (z.b. Konfigurationen) Robotik (z.b. Reinigungsroboter, Roboterfußball)

11 Roboter als Agenten Industrieroboter: Einsatz in der industrielle Fertigung (z.b. Automobilbau) meist stationäre Modelle (Roboterarm) Sensoren zur Überwachung Reaktionsmuster für Abweichungen, Fehlerkorrektur meist keine eigene Handlungsplanung Autonome mobile Roboter: Sensoren zur Wahrnehmung von Umwelt (z.b. Berührung, Kamera) Interpretation der Wahrnehmungen autonome Handlungsplanung Wissensrepräsentation (z.b. Position, Handlungsziel) (Kommunikation mit Umwelt und anderen Agenten)

12 Einsatz autonomer mobiler Roboter aktuelle und potentielle Einsatzfelder: Dienstleistungen z.b. Hausarbeiten (Reinigung, Rasenmähen) Gesundheitswesen und Pflege Einsatz und Assisenz bei Operationen Dienstleistungen (Lieferung, Datenaufnahme) körperlich schwere Pflegemaßnahmen (Umlagern) Katastrophengebiete z.b. Sondierung, Rettung, Räumung Luft- und Raumfahrt Unterhaltung z.b. Haustier-Ersatz, Roboter-Fußball Überblick über aktuellen Stand der zivilen Forschung bieten Robotik-Wettbewerbe, z.b. Robocup

13 Was ist (künstliche) Intelligenz? Turing-Test (1950): eine Person A, 2 verschlossene Räume R1 und R2, in einem Raum befindet sich ein Mensch B, im andern eine Maschine C Kommunikation über neutrales Medium A stellt Fragen, B und C antworten Maschine besteht Turing-Test (ist intelligent), wenn A durch Fragen nicht herausfinden kann, in welchem Raum sich die Maschine befindet These: Intelligenz = intelligentes Verhalten Chinese-Room-Test (Searle 1980): eine (nicht chinesisch verstehende) Person B in einem Zimmer mit einem (riesigen) Regelbuch mit chinesischen Fragen und passenden Antworten. A stellt Fragen, B antwortet. B antwortet immer passend, ohne die Frage verstanden zu haben. These: (anscheinend) intelligentes Verhalten ist noch keine Intelligenz, wenn Verständnis fehlt. Beispiel: Psychotherapeutin Eliza

14 Ansätze zur Modellierung von Wissen / Intelligenz verschiedene Abstraktionsstufen: Modellierung der menschlichen Reizaufnahme und -verarbeitung und des menschlichen Verstehens (kognitive Methoden) Modellierung des menschlichen Handelns Turing Test Modellierung des rationalen Denkens (abstrahiert von biologischem Vorbild) Regelsysteme, Logiken

15 Ziele wissensverarbeitender Systeme Simulation menschlichen Verhaltens (Verständnis und eigenes Denken nicht notwendig) schwache künstliche Intelligenz Simulation des menschlichen Denkens (Verständnis und eigenes Denken notwendig) starke künstliche Intelligenz

16 Wissen, Information, Daten Umwelt Eindrücke, Reize System Wahrnehmen, Beobachten Daten Erkennen, Verstehen Anwenden, Können Lernen, Reflektieren Information Wissen Intelligenz

17 Wissen, Information, Daten Daten Darstellungsform (Syntax) Zeichenketten, Symbole, Ton,... Information Bedeutung der Daten (Semantik) in einem bestimmten Kontext Wissen Information mit einem Nutzen trägt zur Lösung eines Problemes bei

18 Wissen zur Problemlösung Beispiele: Daten: 39.7 Information: Körpertemperatur= 39.7 Kontextwissen: Körpertemperatur> 39.0 ist Fieber Wissen: Fieber Problemlösung: Fieberbehandlung Daten: FRUEFPUJRERFCEBOYRZ Information: FRUEFPUJRERFCEBOYRZ ist eine unverständliche, also wahrscheinlich verschlüsselte Nachricht Kontextwissen: verschiedene Chiffrierverfahren, Buchstabenhäufigkeiten Wissen: FRUEFPUJRERFCEBOYRZ ist eine mit dem?-verfahren und den Schüssel? verschlüsselte Nachricht Problemlösung:?

19 Arten von Wissen Faktenwissen: Fakten, Aussagen, Zusammenhänge, z.b. Fliegenpilze sind ungenießbar. Es existieren gerade Primzahlen. Eine Liste (x 1,..., x n ) ist genau dann aufsteigend sortiert, wenn sie leer ist oder (x 1 x 2 und (x 2,..., x n ) aufsteigend sortiert ist). prozedurales Wissen: Regeln, Algorithmen, Funktionen, z.b. Kochrezept Euklidischer Algorithmus aussagenlogisches Resolutionsverfahren Sortierverfahren Ist die folgende Aussage deklarativ? Jedes Kind eines Kindes einer Person X ist ein Enkel von X. Also: Repräsentationen von Regeln, Algorithmen und Funktionen lassen sich auch als deklarativ auffassen. (deklarative Programmierung)

20 Explizites und implizites Wissen implizit unbewusst angewendtes Wissen z.b. Bewegungsabläufe, Erkennen von Personen (Objekten), Reflexe explizit kommunizierbares Wissen oft formale Darstellung z.b. Personendaten, Gebrauchsanweisung, Spielregeln Lernvorgänge sind oft Transformationen explizites implizites Wissen z.b. Autofahren, Grammatik in Fremdsprachen zur maschinellen Wissensverarbeitung ist explizites Wissen notwendig Transformation notwendig: implizites explizites Wissen anspruchsvoll, nicht immer möglich

21 Programmierung und Wissensrepräsentation Programmierung Entwurf eines Algorithmus zur Lösung des Problemes Identifikation des zur Lösung des Problemes relevanten Wissens Implementierung in einer geeigneten Programmiersprache Problemlösung durch Ausführung des Programmes Wissensrepräsentation Darstellung des relevanten Wissens in einer geeigneten Repräsentationssprache Problemlösung durch Anwendung eines Standardverfahrens

22 Beispiel: n-damen-problem Aufgabe: Setze n Damen ohne gegenseitige Bedrohungen auf ein n n-spielfeld Programmierung Wissensrepräsentation Entwurf geigneter Datenstrukturen und eines Algorithmus zur Lösungssuche Identifikation der Bedingungen an Aufgabe und Lösung Implementierung Repräsentation von Spielfeld und Bedingungen an eine Lösung als logische Formeln (z.b. CNF) Problemlösung durch Ausführung des Programmes Problemlösung durch logisches Inferenzverfahren (z.b. Resolution, SAT-Solver, Prolog)

23 Programmierung und Wissensrepräsentation Programmieren Wissensrepräsentation Erklärung der Lösung: Verfolgen der Zustandsänderung bei Programmausführung (Debugging) vom Inferenzverfahren verwendete Voraussetzungen Fehlerbehandlung: Debugging Codeänderung fehlendes Wissen einfügen falsches Wissen löschen Wissenserweiterung: neuer Entwurf, Neuimplementierung neues Wissen in Wissensbasis einfügen

24 Darstellung von Wissen formale Repräsentation des Wissens in einer Wissensbasis: spezielle Form der Daten in der Wissensbasis abhängig von Problembereich geplante Verwendung Wissen in Wissensbasis ist immer Abstraktion, beschreibt Modelle der Realität Auswahl von (für den Anwendungsbereich) wichtigem Wissen Vernachlässigung unwichtiger Details Beispiele: Liniennetzplan Grundriss Stundenplan Kostenplan

25 Wissensverarbeitung Problemlösen algorithmische Suche in Zustandsräumen logisches Schließen Beispiel: n-damen-problem, kürzeste Wege in Graphen Planen Finden einer Folge von Aktionen zum Erreichen eines Zieles Beispiel: früh Anziehen, Fertigungsroboter Klassifikation Finden von Klassen (Diagnosen) anhand der Merkmalswerte (Symptome) Beispiel: Fahrzeuge, Fehlfunktionen teilweise bekannt aus den Lehrveranstaltungen Grundlagen der Wissensverarbeitung Wissensbasierte Diagnosesysteme (Fuzzy Logik und künstliche neuronale Netze)

26 Wissensrepräsentation und Problemlösen Modellierung des Problems Zustandsübergangssystem Menge logischer Formeln Datenmenge (Training) Verfahren zur Lösung Suche (vollständig oder heuristisch) logisches Schließen Training eines KNN

27 Wissensrepräsentation durch Zustandsübergangssysteme (Wiederholung) Beispiele: Finden von Wegen in einem Graphen Aufgabe: gegeben: Graph G (Tafel) gesucht: Weg (Pfad) in G von Knoten u zu Knoten v Lösungsidee: Wege als Knoten eines Suchbaumes 3 Krüge Aufgabe: gegeben: 3 volle Krüge mit verschiedenem Volumen: 4l, 7l, 9l, gesucht: genau 6l in einem der 3 Krüge Lösungsidee: Zustände als Knoten eines Suchbaumes Missionare + Kannibalen Schiebefax

28 Darstellung von Problem und Lösung Problem: gegeben: gesucht: Menge V von Zuständen (evtl. unendlich) Startzustand s V Menge Z V von Zielzuständen (oder formale Beschreibung der Zielzustände) mögliche Übergänge zwischen Zuständen Weg von einem Start- zu einem Zielzustand Lösung: Folge von Zuständen (Mitunter interessiert nur der erreichte Endzustand.) Repräsentation als Graph G = (V, E) (Zustandsübergangssystem): Knotenmenge V : Zustände (gerichtete) Kanten: Zustandsübergänge Entfaltung des Graphen zu einem Baum: Pfade im Graphen = Knoten im Baum