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.