Artificiële intelligentie: les van 21 november 2002

Transcriptie

1 Artificiële intelligentie: les van 21 november 2002 Nys Wim, Gybels Kim, Leuse Tom, Heyse Wouter, Frank Joris, Bourgeois Paricfal, De les van vandaag gaat over de implementatie van een kennissysteem en de natuurlijke taalverwerking. Korte herhaling Al enkele lessen hebben we het gehad over kennisrepresentatie. Voor kennisrepresentatie hebben we een formalisme (zoals bv propositie logica) nodig (hetgeen ongeveer overeenkomt met datastructuren) en algoritmen die erop kunnen werken (inferentieprocessen). Propositielogica als formalisme p, q ^, v,,? Inferentieregels p?q p q MODUS PONENS Probleem: combinatorische explosies, maw er zijn oneindig veel combinaties mogelijk Als p staat voor het is les, q voor het sneeuwt buiten en r voor de stoel is bruin en p is waar, dan kan je hier eender wat uit afleiden. p p v q p v q v r COMBINATORISCHE EXPLOSIE! Besluit : het bedenken van een formalisme en inferentieregels is niet moeilijk. De moeilijkheid bestaat erin een weg te vinden tussen dingen die je kent en je doel. Predikatencalculus als formalisme Inde predikatencalculus kan je p en q als het ware opendoen. p = ouder(jan, piet) Hier is ouder het predikaat en jan en piet zijn de argumenten. q = jonger(carla,fabio) In de predikatencalculus kunnen we variabelen gebruiken. Variabelen geven we aan met een vraagteken voor de naam:

2 ouder(?x,?y) Zulke variabelen kunnen we in een environment binden: ((?x.jan)(?y.piet)) De stelling ouder(jan,piet) is dan waar. In de predikatencalculus kunnen we eveneens kwantoren gebruiken:?x,?y ouder(?x,?y)? jonger(?y,?x) UNIVERSELE KWANTOR?x ouder(?x,piet) EXISTENTIËLE KWANTOR Dit klopt als ((?x.jan)) We gebruiken in de predikatencalculus allerhande inference rules, bijvoorbeeld universal instantiation (variabelen mogen voor alles vervangen worden door een waarde). Een kijk op de praktische kant Vandaag gaan we alles realistischer maken en maken we de sprong van de theorie naar de implementatie. Een programmeertaal die vooral gericht is op de predikatencalculus is PROLOG. De gebruikte standaardnotatie in de predikatencalculus ziet er als volgt uit: ouder(jan,piet) Indien we nu SCHEME of LISP gebruiken voor de implementatie kunnen we de komma al niet gebruiken in de notatie, dus gaan we over naar de in die talen gebruikte prefix-notatie. De notatie wordt dan (ouder jan piet), waarin het predikaat vooraan in de lijst staat (ouder), gevolgd door de argumenten (jan piet). Voor variabelen gebruiken we een vraagteken gevolgd door een symbool: (ouder?persoon?jongere) Om te weten of een symbool een variabele is gaan we dus na of het eerste karakter een vraagteken is. Hier is de implementatie triviaal: we maken gebruik van de lijst Bindingen representeren we door een lijst van dotted pairs: ((?persoon.jan)(jongere?.piet)) De feitenbank (fact base) We veronderstellen in wat volgt dat we enkel interesse hebben in conjunctie (omwille van de eenvoud). Een feitenbank is een verzameling uitspraken die waar of onwaar zijn. Het hart van elk AIsysteem is steeds een feitenbank. Inference Sensor op robot? Feitenbank Doel Kennisbank

3 Je kan bijvoorbeeld een sensor bouwen op een robot die rondrijdt en constant feiten opneemt en in de feitenbank steekt. Dit leidt al snel tot een enorm aantal feiten. Een tweede manier is het afleiden van nieuwe feiten door het gebruik van inferentieregels. Je kan daarbij een kennisbank raadplegen om regels toe te voegen aan de feitenbank. Je hebt bijvoorbeeld het volgende feit: (stoel obj_1) en in de kennisbank vind je een algemeen feit: Alle stoelen zijn meubelen. Hieruit leid je het volgende feit af dat toegevoegd wordt aan de feitenbank: (meubel obj_1) Een kennisbank bevat algemene feiten. Je kan op twee manieren de feiten uit de kennisbank gebruiken om nieuwe feiten af te leiden: Voorwaartse redenering (forward inference) Bij voorwaartse redenering gebruiken we zoals hierboven regels uit de kennisbank om nieuwe feiten af te leiden. Hier stelt zich een probleem. Er is immers zo veel kennis dat de feitenbank snel vol kan zitten. Een stoel is bijvoorbeeld een bezit, staat in een lokaal, is van hout, heeft een bepaalde kleur... Achterwaartse redenering (backward inference) Een tweede manier om feiten af te leiden is af en toe een doel te stellen of een vraag te stellen. Als er een bepaald doel is spreken we van achterwaartse redenering. Men heeft een bepaald doel en men kijkt in de feiten- en kennisbank welke feiten kunnen helpen. Hieruit leidt men dan een nieuw feit af. Als voorbeeld kunnen we een robot nemen die zich verplaatst. Plots staat hij voor een stoel die zijn weg blokkeert. Een typisch feit dat we in een kennisbank zullen aantreffen is het feit dat een stoel verplaatsbaar is: x stoel(x)? verplaatsbaar(x) De robot kijkt nu in de feiten- en kennisbank of hij een regel vindt die als uitkomst verplaatsbaar geeft. Hij vindt bovenstaande regel en gaat daarna na of het object dat zijn weg blokkeert een stoel is. Het begrip ketting (chaining) Chaining heeft betrekking op het feit dat het soms nodig is meer dan één enkele regel te gebruiken. Bijvoorbeeld: x p(x)? q(x) y q(y)? r(y) We kunnen deze twee regels van links naar rechts gebruiken (voorwaartse redenering): P(a1) Q(a1) Modus ponens

4 R(a1) Modus ponens We krijgen dus een aaneenschakeling (ketting) van regels. Het is hier ook mogelijk achterwaarts te redeneren: We willen weten of r(a1) waar is:?-r(a1)?-q(a1) p(a1) We vertrekken hier van een doel en we gaan terug naar een feit dat waar is. Deze manier van werken vermijdt combinatorische explosies, maar is moeilijker te implementeren gezien de complexiteit. Besluit: of je best voorwaartse dan wel achterwaartse redenering gebruikt is afhankelijk van de toepassing. Hoe kunnen we de regels implementeren? We gebruiken hier enkel conjunctie en implicatie. Een geïmplementeerde regel ziet er als volgt uit: (DEFRULE <NAAM> <ANTECEDENT>? <CONSEQUENT>) De regel x stoel(x)? meubel(x) kan als volgt geschreven worden: (defrule stoel_is_meubel_regel ((stoel?x))? ((meubel?x))) Je kan natuurlijk ingewikkelder regels bedenken: (defrule stoel-verplaatsbaar-regel ((stoel?x) (4-poten?x))? ((verplaatsbaar?x))) Opmerking: In plaats van (4-poten?x) kan je ook (poten-aantal?x 4) gebruiken. Je mag immers zo veel argumenten als je zelf wil gebruiken in een predikaat. Inference Feitenbank Kennisbank Als je volgende feiten hebt: (stoel obj_1) (4-poten obj_1)

5 Kan je na inferentie volgend feit toevoegen: (verplaatsbaar obj-1) In AI wordt een machine die inferenties doet inference engine genoemd. Defrule, zoals we dit tot nog toe gebruikt hebben, heeft enkel betrekking op implicaties. De variabelen zijn universele kwantoren. We kunnen defrule ook gebruiken om definities zoals hierna voor te stellen: x p(x) q(x) Zulke regels in twee richtingen zijn equivalenties. (defrule mens-definitie ((mens?x)) ((tweebenig?x) (dier?x))) Zulke regels zijn in twee richtingen te gebruiken. Wat hebben we nodig om een kennissysteem te bouwen? Allereerst natuurlijk een feitenbank en een manier om aan feiteninput/-output te doen. Verder hebben we nog behoefte aan een manier om de regels te kunnen toepassen. De kern hiervoor bestaat uit twee dingen: de matcher en de unifier. MATCHER (matching): dient om, als je een bepaald patroon hebt, te vergelijken en om na te gaan of er een binding is. Een patroon is bijvoorbeeld ((meubel?x) (4-poten?x)). De matcher gaat na of de feiten in de feitenbank kloppen als de variabelen gebonden zijn. Je hebt volgende feiten in je feitenbank: BRON (meubel obj_1) (4-poten obj_1) (meubel obj_2) (3-poten obj_2)... en volgend patroon: ((meubel?x) (4-poten?x)) De taak van de matcher is het vinden van een manier om alle variabelen uit het patroon te binden aan objecten in de feitenbank. In voorkomend geval binden we?x aan obj_1 en obj_2 ((meubel?x)) met?x = obj_1: OK, dit kan ((meubel?x)) met?x = obj_1: OK, dit kan ook Nu kijken we naar de tweede conditie met?x gebonden aan obj_1: ((4-poten.?x)) OK, dit lukt, de tweede conditie is ook waar. We hebben een match. Vervolgens binden we?x aan obj_2 en gaan de tweede conditie na: ((4-poten.?x)) NEEN, geen match, een feit dat iets zegt over 4 poten komt niet voor bij obj_2.

6 Opgelet: bij het matching proces MOET elk onderdeel van het patroon voorkomen in de bron. Je werkt dus met SUBSTITUTIE bij het toepassen van een regel. Je matcht met het linkerdeel (antecedent), de consequent moet toegevoegd worden aan de feitenbank. Dit noemt men INSTANTIËREN. Beschouw volgende regel: ((stoel?x))? ((meubel?x)) Hier match je ((stoel?x)), je substitueert de?x in ((meubel?x)) en voegt het feit toe aan de feitenbank. UNIFIER (unification): Je krijgt volgend patroon: ((meubel?x) (stoel?x) (4-poten?x)) In de feitenbank staat: ((4-poten obj_3)) Dan kan door deductie het volgende afgeleid worden: ((meubel obj_3) (stoel obj_3) (4-poten obj_3)) Dit kan je enkel doen als er geen inconsistentie is tussen patroon en bron! Het patroon: ((ouder?x?y) (jonger?y?x)) ((ouder jan piet) (jonger piet frank)) Variabele substitutie: ((?x.jan) (?y.piet)) MISMATCH, in het patroon staat frank in plaats van jan, UNIFICATIE FAALT! Unificatie faalt dus als er geen verzameling bindingen is die geldig is voor het geheel. Rond een matcher en een unifier kan je een heel krachtig systeem bouwen. De beste inference engines gebruiken regels zoals: (defrule <naam> <antecedent> <consequent>) Deze inference engines gebruiken de matcher voor het antecedent en de unifier voor de consequent (je kan ook omgekeerd te werk gaan en de consequent matchen en het antecedent unifiëren). Nog een voorbeeld van matching en unification: x stoel(x)? meubel(x) (defrule stoel-is-meubel-regel ((stoel?x))? ((meubel?x))) In de feitenbank vinden we een feit (stoel obj_1) 1.matching ((?x.obj_1)) 2.unificatie van consequent: (meubel obj_1) toevoegen aan feitenbank Samengevat

7 Bij het matchen is het patroon een deelverzameling van de feitenbank, alles wat in het patroon voorkomt moet ook in de feitenbank voorkomen. Unificatie is een merge-operatie: het kan geen kwaad als er een patroon niet in de feitenbank voorkomt. Het matchen van het antecedent geeft je een environment, daarna unifieer je de consequent. Frames (feature structures) Als je alles wat in de feitenbank zit zou wil voorstellen door middel van lijsten is dit zeer inefficiënt en moeilijk te debuggen. Er moet dus een andere manier gevonden worden om kennis te structureren. Daarvoor gebruiken we frames, een structuur die het metaniveau voorstelt. Frames worden voorgesteld door vierkante haken [] en bestaan uit slots. NAAM slot-1 <filler>... slot-n <filler>