Agenti e rappresentazione della conoscenza. Sistemi distribuiti LS Prof. Andrea Omicini A.A

Transcript

1 Agenti e rappresentazione della conoscenza Sistemi distribuiti LS Prof. Andrea Omicini A.A

2 Intelligenza e conoscenza L intelligenza non è semplice elaborazione di input il nostro concetto di esperienza cattura l idea che l interpretazione delle percezioni e l elaborazione di risposte intelligenti richiede conoscenza pregressa la conoscenza pregressa serve a interpretare le percezioni e a correlarle con quelle antecedenti classificazione (astrazione) delle percezioni memorizzazione (rappresentazione) della conoscenza Produzione di nuova conoscenza inferenza consistenza, verifica/falsificazione 2

3 Agenti e conoscenza Perché dotare gli agenti di conoscenza? perché altrimenti sono stupidi per incapsulare / automatizzare conoscenze / attività umane perché vivono in ambienti parzialmente osservabili nel tempo e nello spazio memoria Problemi correlati Come rappresentare la conoscenza? Come inferire nuova conoscenza? Come sfruttare la conoscenza per il ragionamento pratico? 3

4 Agenti basati sulla conoscenza Componente centrale base di conoscenza (KB) fatta di asserzioni (sentences) espresse nel linguaggio di rappresentazione scelto Elementi essenziali aggiungere conoscenza dalle percezioni (tell) verificare la consistenza della KB che fare nel caso di inconsistenza? fare interrogazioni / inferire nuova conoscenza (ask) 4

5 Tipi di conoscenza Background knowledge conoscenza iniziale dell agente può essere tutta la KB se nota a priori al designer Conoscenza teorica e pratica ambiente e azioni rappresentazione dichiarativa e procedurale non necessariamente correlate a teoria e pratica ma tipicamente sfruttate entrambe in un agente Conoscenza certa e incerta gradi di incertezza 5

6 Esempio: il mondo del Wumpus C è un mondo a quadri ignoto a priori C è un agente che si può muovere in avanti o girare a sinistra o a destra C è un mostro mangia-agenti (il wumpus), che puzza all intorno e urla quando muore. Sta fermo. C è anche oro in un quadro L agente ha un colpo solo che può eliminare il wumpus Ci sono pozzi in cui l agente cade e muore, ma fanno vento intorno L agente sente puzza di wumpus, brezza di pozzi, e da ovunque urla di wumpus morente 6

7 Agenti logici L agente logico si basa su qualche forma di logica :) noi ne abbiamo già annunciate un paio predicativa e del prim ordine ora le vedremo meglio Rappresenta la conoscenza, le percezioni, e fa inferenze in termini di un linguaggio logico vediamone le caratteristiche 7

8 Logica: riassunto Sintassi e semantica in logica, la semantica definisce il valore di verità di una asserzione rispetto ogni mondo possibile (modello) dato un modello, un asserzione è vera oppure falsa Conseguenza logica (logic entailment) α = β è vera se β è vera in ogni modello in cui α è vera come si calcola? α β enumerando i modelli: model checking tecnica valida per spazi di modelli a cardinalità finita altri algoritmi di inferenza logica corretti, completi? Rapporto tra mondo e rappresentazione grounding: come sappiamo che KB è vera nel mondo? 8

9 Logica proposizionale Sintassi Asserzioni atomiche singolo simbolo proposizionale Asserzioni combinazioni di asserzioni tramite connettivi logici Semantica Tabelle di verità Attenzione all implicazione e alla bicondizionale Modelli: valori di verità per i simboli proposizionali 9

10 Concetti fondamentali Equivalenza logica α β è vera se e solo se α = β e β = α è esempio: P Q Q P guardando le tabelle di verità Validità α è vera se è vera in tutti i modelli tautologia, equivalenti a true esempio: P P teorema di deduzione: α = β iff α β è valida Soddisfacibilità esiste un mondo che soddisfa α dimostrazione per assurdo α = β iff α β è insoddisfacibile 10

11 Regole di inferenza Cosa si usa quando non si può usare il model checking? procedimenti di inferenza automatici basati su regole di inferenza Modus ponens Eliminazione dell AND α β β α β α Sono regole sound (corrette)? verifica con la tabella della verità α 11

12 Dimostrazione La successione di applicazioni di regole di inferenza è detta prova, o dimostrazione se le regole sono corrette, da asserzioni vere derivano altre asserzioni vere in uno o più passi di dimostrazione trovare prove è un modo di cercare soluzioni a problemi di ricerca cerco una soluzione (asserzione vera) nello spazio di tutte le possibili asserzioni, a partire da ciò che già so essere vero (KB) Come automatizzare il processo di dimostrazione? abbiamo già visto il principio di risoluzione! 12

13 Logiche monotòne e non Se KB = α implica che KB β = α, allora la logica è monotona aggiungere asserzioni non riduce le asserzioni vere / non falsifica nulla di precedentemente vero attenzione alla nozione di consistenza! che succede se aggiungo alla KB un asserzione inconsistente con la KB, cioè se KB b non è soddisfacibile? Esistono logiche non monotone posso modellare il fatto di cambiare idea belief revision 13

14 Agenti basati sulla logica proposizionale Rappresentano la conoscenza in termini di logica proposizionale Interpretano le percezioni allo stesso modo filtro sui sensori Effettuano inferenze e producono nuove asserzioni proposizionali deliberano a partire dalla loro KB azioni rappresentate con logica proposizionale Oppure parte di ciò è vero, e parte no possiamo mischiare con altre forme e modalità Inoltre, possiamo usare Prolog 14

15 No all integralismo agentico Possiamo fare un agente puramente proposizionale Oppure mischiare per esempio, un po di conoscenza procedurale incorporata nell algoritmo di percezione / aggiunta di conoscenza / deliberazione oppure deliberazione come ASF Esempio Norvig: agenti a circuito logico Proposta provare a immaginare agenti in ambienti non troppo complessi, e provare a progettare KB e processi percettivo / gestione conoscenza / deliberativo / pratico 15

16 Oltre la logica proposizionale La logica proposizionale assume un mondo di puri fatti Non c è modo di distinguere fatti da entità, relazioni, funzioni, o fare discorsi intensionali La logica proposizionale è essenzialmente estensionale Altre logiche con diversi valori di verità logiche fuzzy diverso fuoco della rappresentazione logiche modali logiche temporali logiche lineari 16

17 Logica del prim ordine (FOL) Ontologia Dominio del discorso oggetti / entità del dominio / oggetti del discorso Funzioni su oggetti denotazione di oggetti a partire da oggetti Relazioni tra oggetti valore di verità Sintassi: già visto predicati, funtori, variabili, quantificatori, connettivi logici Semantica: già visto modelli, pre-interpretazione, interpretzione (intesa) 17

18 FOL & Ingegneria della conoscenza Processo ingegneristico che può riguardare un singolo agente, un MAS, o uno o più agent di un MAS Sviluppo di KB (e soprattutto di un modello sistemico della conoscenza) specifico per il dominio applicativo in generale ortogonale alla FOL ma lo vediamo in caso di FOL Norvig: 7 fasi del Knowledge Engineering 18

19 Knowledge Engineering: Fasi Identificazione dei task Acquisizione / organizzazione della conoscenza di dominio Ontologia del dominio: vocabolario Codifica della conoscenza sul dominio Codifica del problema applicativo Interrogazione della base di conoscenza Test e debug della base di conoscenza tutto ciò non è particolarmente diverso da un normale processo ingegneristico 19

20 Esperimento in Prolog Provare a fare KE con il Wumpus adottando il Prolog sia per la KB, sia per l inferenza, sia per l agente/gli agenti Inventare (scovare) varianti di Wumpus e provare 20

21 Ontology Engineering Modellare il mondo non modellare la nostra rappresentazione del mondo ma costruire / definire la nostra ontologia In linea di principio, indipendente dalla singola applicazione in qualche modo, concetto infrastrutturale in realtà, la definizione dell ontologia può anche essere parte della definizione di una singola applicazione, ma è un processo di ordine superiore in linea di principio Unificare aree / competenze / mondi diversi i domini complessi sono spesso intrinsecamente eterogenei 21

22 Categorie e oggetti Concetti simili a classi e istanze La categoria nasce da un processo di astrazione e aggregazione si eliminano le differenze inessenziali tra oggetti, e si raggruppano per le comunanze essenziali FOL: due alternative categoria come predicato trainer( Carletto Mazzone ) categoria come entità del dominio member( Carletto Mazzone, trainer) meta-relazione member 22

23 Struttura delle categorie Ereditarietà tutte le istanze della categoria A sono istanze della categoria B, A è una sottoclasse di B eredita da B tutte le proprietà Tassonomia struttura gerarchica In Prolog isa(trainer, worker). property(trainer, shouts_a_lot). property(o,p) :- member(o,c), property(c,p). 23

24 Proprietà delle categorie Disgiunzione, partizione, decomposizione esaustiva Composizione fisica partof Misura lunghezza, prezzo diametro, 24

25 Ragionare sulle azioni Rappresentare le azioni il calcolo delle situazioni (situation calculus) Idea: il mondo è rappresentato in ogni istante da una situazione S S0 situazione iniziale Si situazione a tempo i Un fluente F è una funzione o un predicato che si applica a una situazione che di solito è l ultimo argomento Predicati o funzioni atemporali (eterni) non dipendono da una situazione si applicano a tutte 25

26 Calcolare le azioni Result(a,s) denota la situazione generata dall azione a nella situazione s Sequenze di azioni Result([],s) = s per ogni s Result([a seq]) = Result(seq, Result(a,s)) Calcolo: proiezione Trovare la proiezione che mi porta dove voglio è la pianificazione 26

27 Problema tipico Il calcolo rappresenta il cambiamento ma non ciò che rimane fisso Eppure devo sapere cosa non cambia, o assumerlo come faccio? Possibilità: scrivere gli assiomi di frame però sono un sacco, tipicamente Soluzioni di vario tipo sul Norvig ma come si fanno veramente? ce la facciamo col Prolog o con Java? 27

28 Altro approccio: eventi Se non mi preoccupo di rappresentare le situazioni, ma il tempo, cambia tutto Initiates(e,f,t) : se l evento e a tempo t, allora il fluente f è vero Terminates(e,f,t) : viceversa Happens(e,t) : l evento e capita a tempo t Clipped(f,t,t2) : f falsificato tra t e t2 Calcolo degli eventi assiomi Simile a situation calculus ma possiamo parlare di istanti e intervalli 28

29 Eventi Eventi e sotto-eventi Durata, locazione e altre proprietà Processi eventi non discreti, continuativi nel tempo fluent calculus Intervalli algebra degli intervalli Necessariamente, non approfondiamo 29

30 Credenze e modelli mentali Fin qui, nessuna differenza tra ciò che credo e ciò che so, come agente Problema: modellare credenze e deduzione esplicitamente, non solo implicitamente Approccio Modal logic operatori modali: crede, sa, Teoria sintattica degli oggetti mentali oggetti mentali come stringhe univoche 30

31 Non copriamo per ora Organizzare gerarchie di categorie Reti semantiche Description logics Per catturare il default reasoning in assenza di conoscenza negation as failure logiche non monotone Per gestire aggiornamento e revisione di conoscenza Truth maintenance systems (TMS) Assumption-based TMS (ATMS) 31