Spezielle Themen der KI

Ähnliche Dokumente
Spezielle Themen der KI

Semantische Netze Psychologische Plausibilität

Teil III: Wissensrepräsentation und Inferenz. Kap.8: Semantische Netze und Begriffliche Graphen. Quillian, Semantische Netze.

Kapitel 8: Semantische Netze

Spezielle Themen der KI Wissensrepräsentation und Lernen Einleitung

Wie man die Welt versteht

Einleitung. Analyse und Synthese gesprochener Sprache Rechtschreibkorrektur

Kapitel 8: Semantische Netze

Wissensrepräsentation

Künstliche Intelligenz

1 Symbolische Repräsentation

1 Symbolische Repräsentation

1 Symbolische Repräsentation

Das Wissen. Propositionen und Vorstellungen. hoo.de. Anna-Melina Hartmann

Beschreibungslogik. Vorlesung im Sommersemester 2015

(Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01, sowie von Andreas Abecker/Knut Hinkelmann)

Grundlagen der Künstlichen Intelligenz

Answer Set Programming

1 Symbolische Repräsentation

1 Symbolische Repräsentation

Beschreibungslogik. Vorlesung im Sommersemester 2016

1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.

John R. Searle: Das syntaktische Argument und die Irreduzibilität des Bewusstseins. Institut für Physik und Astronomie Universität Potsdam

Modellierungsbeispiel Geräte

Deklarative Formen der Wissensrepräsentation

1 Symbolische Repräsentation

Deductive Reasoning Agents. Roland Krumme & Florian Schulze

Formale(Ontologien( G.(Görz,(FAU,(Informa>k,(AG(DH( 2(

Entwicklung und Einsatz von Expertensystemen

Was bisher geschah Klassische Aussagenlogik zur Modellierung von Aussagen Syntax: Formeln

Merkmale und Vererbung in unifikationsbasierten Lexika

Transition Network Parser

Was fehlt den semantischen Netzen?

Einführung in die Wissensrepräsentation

KTdCW Artificial Intelligence 2016/17 Practical Exercises - PART A

Wissenschaftliches Denken und Arbeiten

Relevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen.

Interdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko

Einführung in die Linguistik, Teil 4

Beschreibungslogik und Ontologiesprachen. Vorlesung im Wintersemester 08/09

Verzerrung bei räumlichen Urteilen. 16. November 2010

Übersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)

Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Winter-Semester 2003/04. Wissensrepräsentation 2 (Fortsetzung):

Grundlagen der Künstlichen Intelligenz

Vorlesung Künstliche Intelligenz Wintersemester 2008/09. Teil III: Wissensrepräsentation und Inferenz. Kap.4: Einführung

Ausnutzen der Netzstruktur

Kapitel 8: Wissensrepräsentation mit Semantischen Netzen und Frames

Strategy & Decorator Pattern

Gliederung. 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen

Kapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung

Semantik: Die Bedeutung sprachlicher Konstrukte

Sagen und Geschichten aus dem oberen Flöhatal im Erzgebirge: Pfaffroda - Neuhausen - Olbernhau - Seiffen (German Edition)

CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR

Support of Basic Needs Scales for Adolescent Students (SBN-S) Skalen zur wahrgenommenen Basic Needs Unterstützung von Schüler/innen

Wortstellung. Rule 1. The verb is the second unit of language in a sentence. The first unit of language in a sentence can be:

Hardwarekonfiguration an einer Siemens S7-300er Steuerung vornehmen (Unterweisung Elektriker / - in) (German Edition)

Semantik und Pragmatik

4 Spezielle Schlussverfahren

Einführung in die Methoden der Künstlichen Intelligenz

4 Spezielle Schlussverfahren

Willy Pastor. Click here if your download doesn"t start automatically

Martin Luther. Click here if your download doesn"t start automatically

Teil III: Wissensrepräsentation und Inferenz. Kap.4: Einführung

Übersicht. 7. Prädikatenlogik 1. Stufe

Aufgabe 1 (Allgemeines)

Ab 40 reif für den Traumjob!: Selbstbewusstseins- Training Für Frauen, Die Es Noch Mal Wissen Wollen (German Edition)

Ergänzungsmaterial g zum Kapitel. Die Unified Modeling Language (UML) Aggregation versus Komposition

Inferenzmethoden. Einheit 16. Modallogiken. 1. Syntax & Semantik 2. Erweiterung des Extensionsverfahrens

Level 2 German, 2013

VICTOR STRINGING PATTERN 72-HOLES. Starting Point lengthwise. Ending cross point (C6)

DIBELS TM. German Translations of Administration Directions

Was heißt Denken?: Vorlesung Wintersemester 1951/52. [Was bedeutet das alles?] (Reclams Universal-Bibliothek) (German Edition)

Einführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...

Grundlagen der Logik

WS 2009/10. Diskrete Strukturen

Einführung Grundbegriffe

KI: Wie testet man ein Hirn?

WS 2013/14. Diskrete Strukturen

Logik für Informatiker Logic for computer scientists

Programmiersprachen: Klassifizierung und Methoden. Programmier-Paradigmen. Grundlagen der Programmierung 2 (1.C) - 1 -

Diskrete Strukturen Kapitel 1: Einleitung

Flow - der Weg zum Glück: Der Entdecker des Flow-Prinzips erklärt seine Lebensphilosophie (HERDER spektrum) (German Edition)

Modellierung - Wiederholung

Semantic Web Grundlagen

Organisatorisches: Inhalt. Ontology Engineering. Agenda

Die Verwendung der Object Constraint Language (OCL) in UML-Modellen

p^db=`oj===pìééçêíáåñçêã~íáçå=

Number of Maximal Partial Clones

Modellierung mit UML

GERMAN: BACKGROUND LANGUAGE. ATAR course examination Recording transcript

Ausführliche Unterrichtsvorbereitung: Der tropische Regenwald und seine Bedeutung als wichtiger Natur- und Lebensraum (German Edition)

Lernmodul 7 Algorithmus von Dijkstra

9. Übung Künstliche Intelligenz

DYNAMISCHE GEOMETRIE

Harry gefangen in der Zeit Begleitmaterialien

1. Grundkonzepte der logischen Programmierung 2. Syntax von Prolog 3. Rechnen in Prolog. IV.1 Grundkonzepte der logischen Programmierung - 1 -

Transkript:

Spezielle Themen der KI Wissensrepräsentation General Purpose Wissensrepräsentationen in der KI Marc Erich Latoschik AI & VR Lab, Faculty of Technology marcl@techfak.uni-bielefeld.de Übersicht Ziel: Übersicht über oft benutzte General-Purpose Wissensrepäsentationsformalismen in der KI. Strukturierte Repräsentationen Regel-basierte Systeme Weitere Repräsentationen: Decision Trees, Constraint-Netze und Kontrastierung mit einer Art von Special-Purpose Wissensrepäsentation Analoge Repräsentationen Abbildungen z.t. aus G. F. Luger & W.A. Stubblefield. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Benjamin/Cummings, 1992. P. H. Winston. Artificial Intelligence. Third Edition. Addison Wesley, 1992. 2

Klassifikation von Repräsentationsformalismen Logische Repräsentationsformalismen deklarativ; z.b. PL1, modale/temporale u.a. Erweiterungen von PL1, PROLOG Repräsentationsschemata Netzwerk-artige Repräsentationsformalismen Graphen: Knoten = Konzepte oder Objekte, Kanten = Relationen / Assoziationen z.b. semantische Netze, Conceptual Dependency, Conceptual Graphs Strukturierte Repräsentationsformalismen Erweiterung der Netzwerkrepräsentationen: Knoten als komplexe Datenstrukturen mit benannten Slots, Slotwerte: numerisch, symbolisch, Zeiger auf andere Knoten; procedural attachment z.b. Frames, Scripts Prozedurale Repräsentationsformalismen Wissen in Form von Instruktionen z.b. if..then..regeln (->Produktionssysteme) nach Mylopopoulos & Levesque (1984) 3 Wissenrepräsentationen In der KI existieren drei wesentliche Verfahren der Wissensrepräsentation: I. Logik (Aussagenlogik, Prädikatenlogik, etc.) z.b. Alle Fische schwimmen => Wohl definierte Syntax und Semantik! Was ist bei Einschränkungen von Folgerungsklassen?! Wie werden Zeit, Meinungen oder Unsicherheit repräsentiert? 4

Wissenrepräsentationen II. Repräsentationsschemata Einfache und natürliche Schemata (Frames,, etc.) Algorithmen für die Manipulation wird explizit angegeben, nicht notwendigerweise eine formale Liste der Semantik Wissen als Sammlung von Objekten und Beziehungen 5 Wissenrepräsentationen III. Bedingungs-Aktions-Regeln (condition-actionrules) IF krank THEN arzt-gehen Regelbasierte Systeme Algorithmen für den Umgang mit Regeln notwendig Schwerpunkt auf prozeduralen und nicht deklarativen Aspekten (wie bei Logik) Häufig in Expertensystemen 6

Ein Semantisches Netz ist ein Graph, wobei Knoten Konzepte / Instanzen repräsentieren und Kanten Relationen zwischen Konzepten repräsentieren Besondere Relationen: isa, ako Vererbung von Merkmalen kann einfach berechnet werden, indem isa und ako Relationen verfolgt werden (Im einfachen Fall) ist Repräsentation kompakt, verständlich und - für Berechnung von Defaults - heuristisch adäquat Quillian (1968) konnte psychologische Plausibiltät nachweisen 7 Allgemein: Knoten = Konzepte/Objekte, Kanten = Relationen; besondere Relationen: isa (inst_of), ako (is_a) Knoten und Kanten können auf unterschiedlichen Ebenen verstanden werden (Brachman, 1979): Implementationsebene: Kanten sind Zeiger auf andere Objekte Logische Ebene: Sem. Netz entspricht logischen Formeln (+Indizierungsschema) Epistemologische Ebene: Definition von Konzepten durch Beziehungen zu anderen Konzepten z.b. KL-ONE Konzeptuelle Ebene: Knoten repräsentieren sprachunabhängige Konzepte,! z.b. PTRANS, Kanten repräsentieren thematische Rollen, z.b. AGENT, INSTRUMENT,... z.b. Conceptual Graphs, Conceptual Dependeny Linguistische Ebene: Knoten sind Worte, Kanten Verweise auf andere Worte (wie in Lexikon); Worte mit kontext-abhängiger Bedeutung z.b. Quillian, 1967 8

und Sprachverstehen schon früh zum Sprachverstehen eingesetzt (z.b. Masterman, 1962) The dog bytes the postman 9 Quillian, 1967 Semantisches Netz repräsentiert (englisches) Lexikon Knoten sind Wort-Konzepte Kanten sind Assoziationen z.b. drei Bedeutungen von plant Zielanwendung: sprachverstehendes System, das kontextabhängige Wortbedeutung versteht 10

Marker Passing Quillian s Programm findet Beziehungen zwischen Paaren von Worten. Kürzester Pfad zwischen zwei Worten wird durch Marker Passing entlang Kanten gefunden (symbolische Variante der Aktivtationsausbreitung im Konnektionismus). Bsp. für Schlussfolgerung des Programms: cry 2 is among other things to make a sad sound. To comfort 3 can be to make 2 something less sad! 1967) (Quillian, 11 und Ausdrucksstärke (I) Repräsentation allgemeiner Aussagen in ursprünglichen semantischen Netzen nicht möglich Hendrix (1979) schlägt Erweiterung auf volle Ausdrucksstärke der PL1 vor (damit übertragen sich auch Berechnungseigenschaften) Every dog bytes a postman 12

Conceptual Dependency Schank, 1970er Jahre, Knoten + Kanten repräsentieren sprachunabhängiges, konzeptuelles Wissen. Extreme Einchränkung der erlaubten Knoten und Kanten, z.b. für Lokation, Besitz, Prädikation, Zustandsänderung und tempale/kausale Beziehungen. Ziele der Theorie: Unterstützung von Inferenzen auf Basis von Sätzen. Unabhängigkeit von konkreter Ausformulierung der Äußerungen. For any 2 (or more) sentences that are identical in meaning there should be only one representation of that meaning. CD bietet: Eine Struktur zur Einbettung Informationsknoten Einen speziellen Satz von Primitiven einer bestimmten Granularität Sätze sind als Aktionsdiagramme abstrakter und realer Situationen repräsentiert. Die Agenten und Objekte sind repräsentiert Aktionen auf Basis einer Menge primitiver Aktionen (mit Modifikation 13 der Zeit). Conceptual Dependency ATRANS PTRANS PROPEL MTRANS MBUILD SPEAK ATTEND MOVE GRASP INGEST EXPEL! Transfer of an abstract relationship. e.g. give.! Transfer of the physical location of an object. e.g. go.! Application of a physical force to an object. e.g. push.! Transfer of mental information. e.g. tell.! Construct new information from old. e.g. decide.! Utter a sound. e.g. say.! Focus a sense on a stimulus. e.g. listen, watch.! Movement of a body part by owner. e.g. punch, kick.! Actor grasping an object. e.g. clutch.! Actor ingesting an object. e.g. eat.! Actor getting rid of an object from body. e.g. spit. 14

Conceptual Dependency 15