1. Übersicht, Einführung und Motivation

Transkript

1 Kapitel 1 Übersicht, Einführung und Motivation 1. Übersicht, Einführung und Motivation 8

2 Struktur der Vorlesung 1 Übersicht, Einführung und Motivation 2 Wissensrepräsentation 3 Klassische und nichtklassische Inferenzsysteme 4 Unsicheres und vages Wissen 5 Wissenserwerb und Wissensentdeckung 6 Information Retrieval (IR) 7 Aktionen, Planen und Agenten 8 Wissensrevision (Belief Revision) 9 Prüfungsvorbereitung 9

3 Literatur R.J. Brachman and H.J. Levesque: Knowledge Representation and Reasoning. Morgan Kaufmann Publishers, San Francisco, California, C. Beierle, G. Kern-Isberner: Methoden wissensbasierter Systeme, 2. Auflage. Vieweg 2003 S. Russell, P. Norvig: Artificial Intelligence: A Modern Approach (Second Edition). Prentice Hall,

4 Die Themen im Zusammenhang 1/4 Wissen (objektives und subjektives) Wissen eines Agenten kollektives Wissen einer Menge von Agenten (Team, Gesellschaft) statisch (Wissenszustand) Information objektiv: Inhalte von Zeitungsmeldungen, Bibliotheken, World Wide Web (pieces of information) subjektiv: Information für einen Agenten dynamisch 11

5 Die Themen im Zusammenhang 2/4 Lernen und Wissenserwerb ist Aneignung von Wissen durch einen Agenten mittels (neuer) Informationen subjektiv, dynamisch maschinelles Lernen: unterstützt / ersetzt Lernprozess beim Agenten Wissensfindung (Knowledge Discovery/Data Mining): teilweise hybride Prozesse unter Beteiligung (menschlicher) Agenten 12

6 Die Themen im Zusammenhang 3/4 Wissensrepräsentation und Informationsaufbereitung Logiken: z.b. klassische, modale, mehrwertige, nichtmonotone, probabilistische Logiken Information Retrieval spezielle Formate (z.b. XML) und Logiken (z.b. Description Logics) Anwendungsdomäne: z.b. Wissensbasen intelligenter Systeme, Semantic Web 13

7 Die Themen im Zusammenhang 4/4 Wissens- und Informationsverarbeitung Schlussfolgern und Inferenzen sicheres Schlussfolgern (Deduktion) unsicheres Schlussfolgern (nichtmonotone, revidierbare Logiken) Wissensrevision: Übergang von einem Wissenszustand in einen anderen durch Aufnehmen (neuer) Informationen Informationsfusion: Verschmelzen verschiedener (auch widersprüchlicher) Informationen zu einer (sinnvollen und nutzbaren) Information 14

8 Wissensrepräsentation und -verarbeitung 1/2 Intelligentes Verhalten basiert auf Wissen und seiner Anwendung Denken Prozess, der relevantes Wissen für (geplante) Aktionen nutzt KR & R = Knowledge Representation and Reasoning behandelt, wie ein Agent sein Wissen für Entscheidungen nutzt ist ein Teil der KI Denken ( Reasoning) als ein maschineller Vorgang 15

9 Wissensrepräsentation und -verarbeitung 2/2 Objekte der Untersuchung symbolische Strukturen für die Wissensrepräsentation maschinelle Prozesse, um diese symbolischen Strukturen zu verarbeiten Zunächst Begriffsklärung Wissen Darstellung Wissensverarbeitung 16

10 Wissen Übersicht, Einführung und Motivation Wissen lässt sich auffassen als eine Relation zwischen einem Wissenden (Subjekt) und einem (logischen) Satz. Andere denkbare Relationen sind z.b. Hoffen, Bedauern, Fürchten, Zweifeln unterscheiden sich qualitativ von Wissen. Glauben ( Meinen, Überzeugt sein, dass... ) hingegen drücken eine abgeschwächte Form des Wissens aus. Beispiel: John denkt (mit unterschiedlichen Graden der Zuversicht), dass die Proposition A wahr ist. drückt graduell epistemische Einstellung über den Zustand der aktuellen Welt aus. 17

11 Darstellung von Wissen 1/3... stellt eine Beziehung her zwischen einem abstrakten (symbolischen) und einem realem Objekt (wobei Symbol Zeichen(kette)) Beispiele: Die Zahl 7 7 VII sieben seven 18

12 Darstellung von Wissen 2/3 John liebt Mary Satz (klar) Proposition (abstrakt) braucht Interpretation, Bedeutung Interpretation Aufteilung der (möglichen) Welten in zutreffende und nichtzutreffende Welten 19

13 Darstellung von Wissen 3/3 Wissensrepräsentation = Darstellung des relevanten Wissens eines Agenten durch formale Symbole Darstellung beinhaltet auch den Prozess der Auswahl des relevanten Wissens! Symbolische Wissensrepräsentation (vs. konnektionistische Sichtweise, die (z.b. neuronale) Netze verwendet): macht Wissen explizit begreifbar, implementierbar Wissensverarbeitung erfolgt unabhängig von der semantischen Bedeutung der Symbole symbolische Repräsentation ist Grundlage für Programmverhalten um das Verhalten von Programmen besser verstehen zu können 20

14 Wissensverarbeitung ist die formale Manipulation von Symbolen, die Wissen repräsentieren, um Repräsentationen neuen Wissens abzuleiten; verwandte Begriffe: Schlussfolgern, Inferenz, Denken, vernunftmäßiges Überlegen, Reasoning John liebt Mary Mary kommt zur Party (logisches) Schlussfolgern. Jemand, den John liebt, kommt zur Party Logisches Schlussfolgern lässt sich als Rechnen, Kalkül auffassen ( Klassische Deduktion) 21

15 Inferenzarten (nach Peirce) 1/2 Deduktion: Aus gegebenem Wissen W wird B (sicher) gefolgert. sichere Schlussweise W : Pinguin Vogel W : Pinguin B : Vogel Abduktion: Suche nach Erklärung E für Beobachtung B bei gegebenem (Hintergrund)Wissen W W : Hasen haben lange Ohren. B : Max hat lange Ohren. E : Max ist ein Hase. unsichere Schlussweise! 22

16 Inferenzarten (nach Peirce) 2/2 Induktion: Aus (vielen) Beispielen B i wird allgemeines Wissen W abgeleitet. B 1 : Vogel1 fliegt B 2 : Vogel2 fliegt. : W : Vögel fliegen unsichere Schlussweise! 23

17 Inferenz Übersicht, Einführung und Motivation Sehr frühe Geschichte logischer Inferenz oder Blicken wir doch ca Jahre zurück... 24

18 Hexen-Szene Übersicht, Einführung und Motivation aus: Monty Python and the Holy Grail (Monty Python s Die Ritter der Kokosnuss) (übersetzt aus Russell & Norvig) 25

19 Dorfbew.: Wir haben eine Hexe gefunden. Können wir sie verbrennen? Alle: Eine Hexe! Verbrennt sie! Richter: Warum, denkt ihr, ist sie eine Hexe? (... ) Richter: Ruhe! Man kann herausfinden, ob sie eine Hexe ist. Sagt mir, was macht ihr mit Hexen? Alle: Verbrennen! Richter: Und was brennt noch, außer Hexen? Dorfbew.: (... ) Holz? Richter: Also, warum brennen Hexen? Dorfbew.: (... ) Weil sie aus Holz sind? Richter: Gut. Alle: Ich verstehe. Ja, klar! 26

20 Richter: Wie können wir nun herausfinden, ob sie aus Holz ist? (... ) Richter: Geht Holz im Wasser unter? Alle: Nein, nein, es schwimmt. Werft sie ins Wasser! Richter: Wartet... sagt mir, was schwimmt noch im Wasser? (... ) König Arthur: Eine Ente! Richter: Genau! Also... logisch... Dorfbew.: Wenn sie... genauso viel wiegt wie eine Ente... dann ist sie aus Holz. Richter: Und folglich? Alle: Eine Hexe! 27

21 Hexe? brennt Holz Ente schwimmt 28

22 Was lernt man daraus? Logikanwendungen können gefährlich sein!... wenn man s nicht richtig macht... 29

23 Die Relevanz unsicheren Schließens Logisches Schließen ist sicheres Schließen, aber... Certainty? In this world, nothing is certain but death and taxes. Benjamin Franklin,

24 Unsicherheit und Unvollständigkeit des Wissens Wir sind nicht allwissend manche Dinge sind überhaupt unbekannt, gewisse Informationen sind für uns unzugänglich. Oft dauert die Vervollständigung des Wissens zu lange. Situationen der realen Welt können in der Regel nicht vollständig beschrieben werden zu viele Ausnahmen, Einzelheiten, Besonderheiten. Über Dinge, die in der Zukunft liegen, können wir nur spekulieren. Natürliche Sprache ist oft mehrdeutig und kontextabhängig Missverständnisse. Irren ist menschlich! 31

25 Wissensbasierte Systeme Trennung von (symbolischer) Wissensbasis und Wissensverarbeitung (Inferenz) Implementieren und verallgemeinern die klassisch-logische Aufteilung in Syntax, Semantik und Deduktion mit Bezug zum menschlichen Denken 32

26 Beispiel-Programme Übersicht, Einführung und Motivation printcolor(snow) :- write( It s white. ). printcolor(grass) :- write( It s green. ). printcolor(sky) :- write( It s yellow. ). vs. printcolor(x) :- color(x,y), write( It s ), write(y), write(. ). color(snow,white). color(sky,yellow). color(x,y) :- madeof(x,z), color(z,y). madeof(grass,vegetation). color(vegetation,green). 33

27 Wissensbasierte Systeme 1/3 Trennung von Wissensbasis und Wissensverarbeitung Nachteil: Erfordert größeren Aufwand, macht Systeme langsamer (warum nicht prozeduraler Ansatz?) Vorteile: expliziert Wissen und den Lernvorgang modularer Aufbau der Programme besser geeignet für offene Umgebungen, da Wissen flexibler nutzbar Neue Aufgaben können relativ leicht hinzugefügt werden Beispiel: Auflisten aller Objekte einer gegebenen Farbe Färben eines Bildes 34

28 Wissensbasierte Systeme 2/3 Vorteile (Fortsetzung): Neues Wissen kann relativ leicht hinzugefügt werden Beispiel: Kanarienvögel sind gelb, color(canary, yellow) erleichtert Fehlersuche und Fehlerbehebung Beispiel: color(sky,blue) ersetzt color(sky, yellow) Programmverhalten lässt sich besser erklären und begründen Beispiel: Warum ist das Gras grün? Weil Gras eine Vegetationsart ist, und Vegetationsarten typischerweise grün sind. 35

29 Wissensbasierte Systeme 3/3 Ein Wissensbasiertes System akquiriert neue Fakten und passt sein Verhalten entsprechend an. cognitive penetrability = kognitive Durchdringbarkeit Unterscheidung deliberatives/reaktives Verhalten deliberativ: mit Überlegung reaktiv: reflexartig Unterscheidung Wissensebene/Implementationsebene Wissensebene: formale Repräsentation, Ausdrucksstärke, Berechenbarkeit und Komplexität, Syntax und Semantik, Inferenz(regeln) Implementationsebene: Architektur des Systems, Datenstrukturen, Inferenzprozeduren, algorithmische Komplexität 36

30 Wissensbasierte Systeme Architektur Benutzerschnittstelle Schnittstelle für Experten Wissensbasis Wissenserwerbskomponente Dialogkomp. Erklärungskomp. zifisches Wissen Wissensverarbeitung fallspe- 37

31 Subjektives und objektives Wissen Objektives Wissen (engl. knowledge) gesichertes, von vielen akzeptiertes Wissen (beobachtete) Fakten Subjektives Wissen (engl. belief) gibt Weltsicht wieder, revidierbar geht über Fakten hinaus im folgenden Sinne: Das System/der Agent weiß α, wenn in der repräsentierten Weltsicht α als wahr angenommen wird. muss nichts mit der Wahrheit in der realen Welt zu tun haben! umfasst auch (logische) Ableitungen des Wissens in der Wissensbasis. 38

32 Subjektives Wissen und klassische Logik Probleme: Berechnung logischer Ableitungen evtl. schwierig, zu (zeit)aufwändig (PL1 ist nicht entscheidbar!) Klassische Logik ist oft unzureichend (plausibles, probabilistisches, unscharfes Wissen kann nicht repräsentiert werden) Wissen (aus verschiedenen Quellen) kann inkonsistent sein logisches Folgern ist dann nutzlos! Dennoch ist (klassische) Logik ein vernünftiger Ausgangspunkt, denn Logik ist die Wissenschaft vom Denken und Folgern! Formale symbolische Logik ist im Allgemeinen gut geeignet für die Konzipierung und Analyse auf der Wissensebene! 39