Alternative Notationen, semantische Netze, Frames
Transcription
Alternative Notationen, semantische Netze, Frames
UniversitŠt Bielefeld UniversitŠt Bielefeld ReprŠsentation einer Szene (inst block-2 block) 1 KI und symbolische Repräsentation block-2 3. Vorlesung: Alternative Notationen: Semantische Netze; Frames block-1 u als Menge logischer Formeln (color block-2 red) u als semantisches Netz (supported-by block-2 block-1) (inst block-1 block) (color block-1 yellow) (supported-by block-1 table-1) table-1 block (inst table-1 table) inst table inst inst Methoden der KŸnstlichen Intelligenz Ipke Wachsmuth block-2 red ÊWS 2000/2001 color block-1 supported-by color table-1 supported-by yellow 3. Vorlesung UniversitŠt Bielefeld ISA-Hierarchie und Vererbung • Schlüsselkonzept der KI aus der Tradition semantischer Netze Semantische Netze (auch: "assoziative Netze") und prädikatenlogische Formeln repräsentieren die gleiche Information in unterschiedlichem Format: • Knoten entsprechen Termen • markierte gerichtete Kanten entsprechen ISA: Òis aÓ Òist einÓ Prädikaten • Dies kann sich über ganze ISA-Hierarchien fortpflanzen. Zweck: Ökonomie in der Wissensrepräsentation –> Suche entlang von inst- und isa-links, um nicht direkt verfügbare Information zu gewinnen (durch Vererbung). WAS IST ABER ANDERS? Zusätzlich enthalten semantische Netze pointer (und manchmal auch back pointer ), die den Zugriff auf assoziierte Information (z.B. Instanzen) einfach machen: ACHTUNG: Manchmal isa für Element- und ako für Teilmengen-Beziehung! AKO: Òa kind o f Ó --> später INDEXING Methoden der KŸnstlichen Intelligenz • Instanzen "erben" Eigenschaften, die Individuenmengen (Klassen) zugeschrieben werden. INHERITANCE OF PROPERTIES d.h. es handelt sich um alternative Notationen, nicht prinzipiell verschiedene Repräsentationen! 3. Vorlesung 2 UniversitŠt Bielefeld Alternative Notationen Indexing-Schemata können aber auch in prädikatenlogischen Repräsentationen eingeführt werden. Methoden der KŸnstlichen Intelligenz 3 3. Vorlesung inst entspricht isa entspricht Methoden der KŸnstlichen Intelligenz 4 UniversitŠt Bielefeld UniversitŠt Bielefeld Beispiel einer ISA-Hierarchie p r o p e r ty - l i n k can p r o p e r ty-inheritan c e- l i n k isa isa inst Kann Clyde sich bewegen? color Knoten (fido,fifi): gray fred Methoden der KŸnstlichen Intelligenz female fifi inst sex fido male *Beispiel: prädikatenlogische Rekonstruktion der dog-properties z.B. (sex fifi female) (forall(x)(if (inst x dog) (and (friendliness x high) (eats x meat)))) 5 3. Vorlesung Methoden der KŸnstlichen Intelligenz 6 UniversitŠt Bielefeld Slot-Assertion-Notation Zweck: Slot-and-Filler Notation (Frames) Ausdruck funktionaler Beziehungen Die verschiedenen Slot-Assertions werden zu einem strukturierten Ausdruck kombiniert: Beispiele. (catch-object (catch-object Aus einer Menge von Fakten (Assertionen) wird ein "objektzentriertes" Format. jack-2 ball-5) petra-1 keule-3) Prädikat Das "catch-objectEreignis catch-22" werden repräsentiert als: (catch-object catch-22 ) (catcher catch-22 jack-2) (caught catch-22 ball-5) wird (catch-object Allgemeine Struktur: (catch-object (inst catch-23 catch-object) (catcher catch-23 petra-1) (caught catch-23 keule-3) Methoden der KŸnstlichen Intelligenz Aus Objekt hier: Argumente (slots) (inst catch-22 catch-object) (catcher catch-22 jack-2) (caught catch-22 ball-5) 3. Vorlesung inst sex Individuen Type versus Token! UniversitŠt Bielefeld Auch dies sind prädikatenlogische Repräsentationen, die jedoch (durch die Slot-Prädikate) mehr ausdrücken als die oberen: Funktionale Struktur high assertierte Fakten für inst clyde dog Assertionen* Property-links von Instanz- elephant friendliness meat implizit allquantifizierte isa tiger 4 isa eats Netzes (dog,mammal): Was ist ein Elefant? striped 3. Vorlesung mammal Property-links von Klassen- head has-part higher animal has-part pattern true Knoten eines semantischen legs Welche Dinge haben Streifenmuster? ACHTUNG – unterscheide: isa amoeba numlegs furry Haben Tiere Beine? move animal Idee von Eigenschaftsvererbung 7 3. Vorlesung Methoden der KŸnstlichen Intelligenz catch-22 (catcher jack-2) (caught ball-5)) <token> (catcher (caught <token>) <token>)) 8 UniversitŠt Bielefeld UniversitŠt Bielefeld Objekte/Frames Kernideen von Frames (bzw. allgemein von objektzentrierten Repräsentationen) u Formalismen, mit denen eine Menge von Fakten l l l strukturiert ökonomisch mit Basiswissen über die Verwendung u Vererbungshierarchien u zugeordnete Prozeduren u Erwartungswerte (Defaults) abgespeichert werden kann. z.B.: Objekt Eigenschaften Werte Elefant : ist_ein : Farbe : hat : Größe : Lebensraum : Säugetier grau Rüssel groß Boden 3. Vorlesung Methoden der KŸnstlichen Intelligenz u Verwendungsaspekte a) Eigenschaftszuschreibung b) Klassifikation anhand von Eigenschaften 9 UniversitŠt Bielefeld 3. Vorlesung Methoden der KŸnstlichen Intelligenz UniversitŠt Bielefeld Vererbungshierarchie - Beispiel Objekt Eigenschaften Werte Säugetier : ist_ein : Vermehrung : ... Wirbeltier lebendgebärend ... Objekt Eigenschaften Werte Elefant : ist_ein : Farbe : hat : Größe : Lebensraum : Säugetier grau Rüssel groß Boden 3. Vorlesung 10 Methoden der KŸnstlichen Intelligenz Konzepthierarchien Bemerkungen: Lebewesen l Tier SŠugetier l Haustier l Hund 11 3. Vorlesung Manchmal wird für „Objekt“ auch „Konzept“ gesagt. Manchmal wird für „Hierarchien“ wie links auch „Heterarchien“ gesagt. Es gibt viele Weisen, Hierarchien bzw. Heterarchien für eine „Welt“ anzugeben. Methoden der KŸnstlichen Intelligenz 12 UniversitŠt Bielefeld UniversitŠt Bielefeld Vererbungshierarchien Zugeordnete Prozeduren u dienen der ökonomischen Datenhaltung l l l u (kleine) Programme, die einer Eigenschaft eines Objektes zugeordnet sind und bei jedem Lese- oder Schreibzugriff auf dessen Wert ausgeführt werden, etwa um: Objekte (genaugenommen Objektklassen) werden in Hierarchien strukturiert individuelle Eigenschaften werden beim Objekt selbst abgespeichert l allgemeine Eigenschaften werden den Vorgängern in der Hierarchie zugeordnet und an alle Nachfolger vererbt l aus vorhandenen Parametern neue zu berechnen, z.B. Alter aus Geburtsdatum Werteänderungen zu überwachen, z.B. bei jedem Schreibzugriff den neuen Wert auf dem Bildschirm anzeigen (active values) u flexibler: Vererbungsheterarchien l Vererbung der Eigenschaften mehrerer Vorgänger möglich l Möglichkeit der gezielten Unterdrückung einzelner Eigenschaften 3. Vorlesung Methoden der KŸnstlichen Intelligenz u Zugeordnete Prozeduren können in einer Objekthierarchie (ähnlich wie Werte) vererbt werden. 13 UniversitŠt Bielefeld 3. Vorlesung Methoden der KŸnstlichen Intelligenz UniversitŠt Bielefeld Erwartungswerte (Defaults) Von semantischen Netzen ... u Vorbelegungen von Werten, die normalerweise, aber nicht immer stimmen und daher durch konkrete Informationen überschrieben werden können. u Beispiel: (typischerweise kšnnen (Vogel Flugfähigkeit ja) Všgel fliegen) (Pinguin ist_ein Vogel) (Pinguin Flugfähigkeit nein) u ACHTUNG: Der Einsatz von Defaults kann erfordern, daß Schlußfolgerungen zurückgezogen werden müssen. Wirbeltier Methoden der KŸnstlichen Intelligenz 15 selbstbewegend Beweglichkeit ist_ein hat Kopf SŠugetier lebendgebŠrend Beine ist_ein generische Eigenschaft Farbe Grš§e gro§ Elefant grau hat Lebensraum individuelle Eigenschaft 3. Vorlesung hat Vermehrung Boden Zahnweh 3. Vorlesung 14 inst hat clyde Methoden der KŸnstlichen Intelligenz inst RŸssel fred 16 UniversitŠt Bielefeld UniversitŠt Bielefeld Beispielsprache FRL (1977) ... zu Frames (Ausschnitt) (Frame Representation Language) Objekt Eigenschaften Werte Säugetier : ist_ein : Vermehrung : ... Wirbeltier lebendgebärend ... u Frame (für jeweils ein Objekt) u Slots (für Eigenschaften) u Facetten (für „Wertarten“) l Objekt Eigenschaften l Werte l Elefant : 3. Vorlesung ist_ein : Farbe : hat : Größe : Lebensraum : Säugetier grau Rüssel groß Boden l l l $value $require $default $if-added $if-removed $if-needed ; tatsŠchlicher Wert des Slots ; Wertebereich fŸr $value ; Erwartungswert (Standardannahme) ; auszufŸhren bei Eintrag eines Werts fŸr $value ; auszufŸhren bei Lšschen eines Werts fŸr $value ; auszufŸhren falls $value-Wert benštigt wird u Werte Methoden der KŸnstlichen Intelligenz 17 UniversitŠt Bielefeld 3. Vorlesung Methoden der KŸnstlichen Intelligenz 18 UniversitŠt Bielefeld Problematik von Defaults Vererbungshierarchien in FRL Frame Elefant Slot Facette Wert Frame Clyde Slot Facette Wert AKO $value Säugetier AKO $value Elefant Objekt Eigenschaften Werte Elefant : ist_ein : Farbe : hat : Größe : Lebensraum : Säugetier grau ... ... ... Objekt Eigenschaften Werte Clyde : ist_ein : Farbe : hat : Größe : Lebensraum : Elefant ... ... ... ... ACHTUNG: Eigentlich zu unterscheiden: • generische Objekte (Objektklassen) • individuelle Objekte (Instanzen) 3. Vorlesung ãWerteÒ kšnnen auch (Lisp-) Prozeduren sein . u FRAGE: Was ist groß, grau, hat einen Rüssel und lebt auf Bäumen? u ANTWORT: Ein Elefant – die Bäume sind eine Abweichung bezüglich des Lebensraums typischer Elefanten. Manche Frame-Sprachen unterscheiden daher ISA- und AKO-Slots! Methoden der KŸnstlichen Intelligenz (Brachmann, 1985) 19 3. Vorlesung Methoden der KŸnstlichen Intelligenz 20 UniversitŠt Bielefeld UniversitŠt Bielefeld Kritik an Frame-Sprachen/FRL Ursprung von Frames Kognitive Theorie über: u Alle Zusicherungen können durch Ausnahmen überschrieben werden. u Eine automatische Klassifikation neuer Objekte anhand ihrer Eigenschaften ist daher nicht möglich. Marvin Minsky (1975): A framework for representing knowledge. In P.H. Winston (ed.): The Psychology of Computer Vision. New York: McGraw-Hill. u Radikale Konsequenz: Erwartungswerte (Defaults) und Abweichungen bei der Objekt-Definition verbieten. È Grundidee der KL-ONE-Sprachen (spŠter) 3. Vorlesung Methoden der KŸnstlichen Intelligenz 21 UniversitŠt Bielefeld 3. Vorlesung u Wiedererkennen von stereotypen Objekten (z.B. Wohnzimmer) u Handeln bei stereotypen Ereignissen (z.B. Kindergeburtstag) u Beantwortung von Fragen über stereotype und konkrete Objekte Nur der dritte Aspekt ist in FRL und den meisten Frame-Sprachen berücksichtigt. Methoden der KŸnstlichen Intelligenz 22 UniversitŠt Bielefeld <Frame-Bild> RŸckblick auf Teil 1 • Was ist Künstliche Intelligenz? • Ziele und Vorhaben der KI • Symbolverarbeitung; interne Repräsentation • Eindeutigkeitsforderung: referentiell, semantisch, funktional • Prädikatenkalkül; Inferenzregeln • Alternative Notationen (Logik, semantische Netze, Frames) • Verwendung: Eigenschaftszuschreibung bzw. Klassifikation Leseempfehlung heute: u Charniak & McDermott, Kapitel 1, Seite 22-29 3. Vorlesung Methoden der KŸnstlichen Intelligenz 23 3. Vorlesung Methoden der KŸnstlichen Intelligenz 24