Wykład V
Transkrypt
Wykład V
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład V: Reprezentacje (symboliczne) jako modele II: ramy, skrypty, systemy produkcji Ramy i skrypty Ramy i skrypty ● ● Minsky: napotykając nową sytuację wybieramy z pamięci strukturę zwaną ramą – schemat, który ma być zaadaptowany do rzeczywistości rama reprezentuje stereotypową sytuację, zawiera też informacje: ● jak ramę wykorzystać ● co się może stać po zastosowaniu ● co robić jeśli przewidywania się nie sprawdzą Poziom górny – to, co jest prawdą o każdej sytuacji danego typu Poziomy niższe – liczne „terminale” - luki do wypełnienia szczegółami ● każdy terminal zawiera ograniczenia (warunki) ● terminale wypełnione są zazwyczaj wartościami „domyślnymi”... Ramy i skrypty ● … lub dzięki doświadczeniu, lub wskaźnikami do innych ram ● przykład: rama pokoju (za Winston 1977): ● ramy współdzielą terminale – koordynacja informacji ● Skrypty: ramy działań (oczekiwania + plany) ● ● wywoływane przez ramy [„rama restauracyjna”] – składniki skryptu – stereotypowa sekwencja zdarzeń w czasie skrypty rozwiązujące problem [wieże Hanoi] Ramy i skrypty Ramy i skrypty - przykład Ramy i skrypty Zalety ● grupowanie relewantnych informacji Wady: ● brak wyraźnej semantyki ● brak ogólnej teorii zasięgu ram ● problem z informacjami stanowiącymi „wiedzę tła” Systemy produkcji Newell, Simon (1972), Newell (1973) „poziom pomiędzy zachowaniem a neurobiologią” ● ● składa się ze zbioru produkcji, tj. par: ● warunek ● działanie oraz zbioru struktur danych Działanie: początkowy zbiór danych – realizowana produkcja, których warunki są spełnione – rezultat: modyfikacja bieżących struktur danych – wykonywana kolejna produkcja – … – proces się zatrzymuje: żaden z warunków nie jest spełniony lub uruchomiona produkcja z działaniem „stop” Systemy produkcji Systemy produkcji Obszar roboczy pamięci Produkcja ● zielone, waga 5 kg ● P1: produkty rolne ● Prod. rolne, zielone, 5 kg ● P3: nietrwałe ● Nietrwałe, rolne, zielone, 5 kg ● P5: indyk ● Indyk, nietrwałe, rolne, zielone, 5 kg ● P6: arbuz ● Arbuz, indyk, zielone, 5 kg nietrwałe, rolne, ● STOP Systemy produkcji 3 komponenty: zbiór produkcji, obszar roboczy pamięci („kontekst”), interpreter reguł Cykl operacji: ● dopasowanie warunku ● rozstrzyganie konfliktów pomiędzy produkcjami ● operacje na pamięci roboczej Uczenie się: scalanie (chunking) Systemy produkcji - podsumowanie ● Brak centralnego modułu kontrolującego ● ● – trudna do narzucenia Operacje na informacjach opisanych w ORP ● ● Wprowadza paralelizm algorytmiczna Treść, nie umiejscowienie/adres Wysoce modularne ● Łatwość rozbudowy/problem z rozwiązywaniem konfliktów Wady: ● Niska wydajność ● nieprzejrzystość struktura Inżynieria wiedzy w modelach kogn. Inżynier wiedzy powinien: rozumieć modelowaną dziedzinę znać język reprezentacji rozumieć implementacje reguł inferencji Jak tworzyć bazę wiedzy? 1. Zdecyduj, o czym mówić 2. Zdecyduj się na słownik (predykatów, funkcji, stałych) – efektem jest ontologia dziedziny 1+2: inżynieria ontologiczna Inżynieria wiedzy w modelach kogn. 3. Zakoduj ogólną wiedzę o dziedzinie: ● zdania w JRW ● aksjomaty dotyczące terminów 4. Zakoduj opis konkretnego przypadku problemu 5. Kieruj zapytania do bazy wiedzy Ogólna ontologia ontologia ogólna winna znajdować zastosowanie w dowolnej ontologii szczegółowej (+ charakterystyczne aksjomaty) w dowolnej, dostatecznie wymagającej dziedzinie, odmienne obszary wiedzy muszą zostać zunifikowane (wnioskowanie i rozwiązywanie problemów mogą obejmować kilka obszarów jednocześnie) Elementy ontologii ogólnej: kategorie (wprowadzają hierarchię taksonomiczną) miary obiekty złożone czas, przestrzeń i zmiana zdarzenia i procesy obiekty fizyczne Ontologia ogólna substancje obiekty mentalne i przekonania Ontolingua (http://www.ksl.stanford.edu/ksl) to oprogramowanie pozwalające tworzyć ontologie: projekt ontologii w oparciu o proste jednostki reprezentacyjne (ontologia ramowa, Frame ontology] niezależna od dziedziny reprezentowanej składnia i semantyka oparta na KIF [Knowledge Interchange Format] ontologia tworzona na poziomie wiedzy Bibliografia ● ● ● ● ● Eisenstadt S., Simon H., Logic and Thought, „Minds and Machines” The Handbook of Artificial Intelligence, vol I-III, Barr A., Feigenbaum E., Cohen P., Kaufmann: Los Altos, CA, Carruthers P., The Architecture of the Mind, Oxford UP, 2006. Harnish R., Minds, Brains, Computers, 2002. Sowa J., Semantic Networks, [in:] Encyclopedia of Artificial Intelligence, S. Shapiro (ed.), Wiley, 1987.