Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Topics in artificial intelligence 1/1 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation.

Podobne prezentacje


Prezentacja na temat: "Topics in artificial intelligence 1/1 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation."— Zapis prezentacji:

1

2 Topics in artificial intelligence 1/1 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation

3 Topics in artificial intelligence 2 Dr hab. inż. Joanna Józefowska, prof. PP Plan Knowledge representation and reasoning –Logics –Rules –Frames Knowledge representation in logics –First order logic –Description logics –Non-monotonic logics

4 Topics in artificial intelligence 3 Dr hab. inż. Joanna Józefowska, prof. PP What we say and what we think Time flies like an arrow but fruit flies like a banana. Adam Mickiewicz Chodzi mi o to aby język giętki powiedział wszystko co pomyśli głowa

5 Topics in artificial intelligence 4 Dr hab. inż. Joanna Józefowska, prof. PP What we say and what we think I wish my tongue could express everything that my head can imagine Adam Mickiewicz

6 Topics in artificial intelligence 5 Dr hab. inż. Joanna Józefowska, prof. PP General goal of knowledge representation develop formalisms for providing high-level descriptions of the world that can be effectively used to build intelligent applications formalisms – formal syntax + formal and unambiguous semantics

7 Topics in artificial intelligence 6 Dr hab. inż. Joanna Józefowska, prof. PP General goal of knowledge representation develop formalisms for providing high-level descriptions of the world that can be effectively used to build intelligent applications formalisms – formal syntax + formal and unambiguous semantics high level descriptions – which aspects should be represented and which left out

8 Topics in artificial intelligence 7 Dr hab. inż. Joanna Józefowska, prof. PP General goal of knowledge representation develop formalisms for providing high-level descriptions of the world that can be effectively used to build intelligent applications formalisms – formal syntax + formal and unambiguous semantics high level descriptions – which aspects should be represented and which left out intelligent applications – are able to infere new knowledge from given knowledge

9 Topics in artificial intelligence 8 Dr hab. inż. Joanna Józefowska, prof. PP General goal of knowledge representation develop formalisms for providing high-level descriptions of the world that can be effectively used to build intelligent applications formalisms – formal syntax + formal and unambiguous semantics high level descriptions – which aspects should be represented and which left out intelligent applications – are able to infere new knowledge from given knowledge effectively used – reasoning techniques should allow usable implementation

10 Topics in artificial intelligence 9 Dr hab. inż. Joanna Józefowska, prof. PP Mapping between facts and representation FACTS INTERNAL REPRESENTATION REASONING PROGRAMS NATURAL LANGUAGE REPRESENTATION

11 Topics in artificial intelligence 10 Dr hab. inż. Joanna Józefowska, prof. PP Mapping between facts and representation INITIAL FACTSFINAL FACTS required real reasoning INTERNAL REPRESENTATION OF INITIAL FACTS INTERNAL REPRESENTATION OF FINAL FACTS program operation foreward representation mapping backward representation mapping

12 Topics in artificial intelligence 11 Dr hab. inż. Joanna Józefowska, prof. PP Spot hastail(spot) kanguro(X) => hastail(X) kanguro(spot) X/spot Modus ponens Spot has a tail Every kanguro has a tail. Spot is a kanguro. FACTSREPRESENTATIONINFERENCE

13 Topics in artificial intelligence 12 Dr hab. inż. Joanna Józefowska, prof. PP Ambiguity of the mapping All kanguros have tails. Every kanguro has a tail. Every kanguro has exactly one tail.

14 Topics in artificial intelligence 13 Dr hab. inż. Joanna Józefowska, prof. PP Representation and effectiveness of reasoning White squares: 32 Black squares:

15 Topics in artificial intelligence 14 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation techniques Relations between objects (databases) – weak inferencial capabilities. StudentFile number Score Course Abacki Mathematics Babacki Management Cabacki Management Dabacki Physics

16 Topics in artificial intelligence 15 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation techniques Inheritance– - corresponds to a set of attributes and associated values that together describe objects of the knowledge base. student (age, sex, course, file number, average score) person(age, sex) student_passing_exam (age, sex, course, file number, average score, score) Abacki (age, sex, course, file number, average score, score) ISA INSTANCE

17 Topics in artificial intelligence 16 Dr hab. inż. Joanna Józefowska, prof. PP Universal attributes ISA ISPART INSTANCE

18 Topics in artificial intelligence 17 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation techniques Inferential knowledge – knowledge about mechanisms that can be used to infere new knowledge from the knowledge base. Examples: deduction, resolution,...

19 Topics in artificial intelligence 18 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation techniques Procedural knowledge – what to do when = b 2 - 4ac x 1 = (-b - sqrt( ))/2 x 2 = (-b + sqrt( ))/2 ax 2 + bx + c = 0 delta := b*b – 4*a*c if delta>0 then begin X[1] := (-b - sqrt(delta))/2 X[2] := (-b + sqrt(delta))/2 end

20 Topics in artificial intelligence 19 Dr hab. inż. Joanna Józefowska, prof. PP Classification of knowledge representation systems Logics Predicate logic Description logics Nonmonotonic logics Procedural schemas Production rules Structural schemas Weak slot-and-filler structures Semantic networks Frames Strong slot-and-filler structures Conceptual dependencies Stereotypes Scripts

21 Topics in artificial intelligence 20 Dr hab. inż. Joanna Józefowska, prof. PP Whats wrong with predicate logic? It is undecidable Reasoning is based only on syntax Complexity: determining whether a set of statements is satisfiable is NP-complete Monotonicity: after adding a new fact we can still inferre the same conclusions as from the smaller set

22 Topics in artificial intelligence 21 Dr hab. inż. Joanna Józefowska, prof. PP Production rules Research conducted in psychology showed that people formulate complex knowledge in the form of production rules IF A THEN B IF the car does not start, THEN...

23 Topics in artificial intelligence 22 Dr hab. inż. Joanna Józefowska, prof. PP call the assistance center. Production rules Research conducted in psychology showed that people formulate complex knowledge in the form of production rules IF A THEN B IF the car does not start, THEN...

24 Topics in artificial intelligence 23 Dr hab. inż. Joanna Józefowska, prof. PP Production rules Procedural rules: IF situation THEN action Eg: If you are hungry then eat something. Declarative rules: IF antecendent THEN consequent Eg: If X is an elephant, then X is a mammal.

25 Topics in artificial intelligence 24 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Expert system architecture agenda Knowledge base Working memory Explanation mechanism Knowledge acquisition mechanism User interface

26 Topics in artificial intelligence 25 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Reasoning with rules agenda Knowledge base 1. ba ab 2. ca ac 3. cb bc Working memory c b a c Explanation mechanism Knowledge acquisition mechanism User interface

27 Topics in artificial intelligence 26 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Reasoning with rules agenda Knowledge base 1. ba ab 2. ca ac 3. cb bc Working memory c b a c Explanation mechanism Knowledge acquisition mechanism User interface 3

28 Topics in artificial intelligence 27 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Reasoning with rules agenda Knowledge base 1. ba ab 2. ca ac 3. cb bc Working memory c b a c Explanation mechanism Knowledge acquisition mechanism User interface 3, 1

29 Topics in artificial intelligence 28 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Reasoning with rules agenda Knowledge base 1. ba ab 2. ca ac 3. cb bc Working memory c a b c Explanation mechanism Knowledge acquisition mechanism User interface 2

30 Topics in artificial intelligence 29 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Reasoning with rules agenda Knowledge base 1. ba ab 2. ca ac 3. cb bc Working memory a c b c Explanation mechanism Knowledge acquisition mechanism User interface 3

31 Topics in artificial intelligence 30 Dr hab. inż. Joanna Józefowska, prof. PP Inference mechanism Reasoning with rules agenda Knowledge base 1. ba ab 2. ca ac 3. cb bc Working memory a b c c Explanation mechanism Knowledge acquisition mechanism User interface

32 Topics in artificial intelligence 31 Dr hab. inż. Joanna Józefowska, prof. PP Reasoning algorithm (situation-action) while not stop Conflict resolution: Action: Matching: Stop condition: end while select the rule with the highest priority perform consecutively actions from the right hand side of the rule update the agenda adding rules with left hand side in the working memory If the stop condition is true then stop

33 Topics in artificial intelligence 32 Dr hab. inż. Joanna Józefowska, prof. PP Description logics DL focus: representation of terminological logic or conceptual logic formalize the basic terminology of the modelled domain store it in an ontology / terminology / TBox for reasoning enable reasoning on that knowledge

34 Topics in artificial intelligence 33 Dr hab. inż. Joanna Józefowska, prof. PP Description logics Core part of any DL: concept language Concept names assign a name to groups of objects Role names assign a name to relations between objects Constructors allow to relate concept names and role names Person enrolled_at.University attends.UnderGradCourse Different sets of constructors give rise to different concept languages

35 Topics in artificial intelligence 34 Dr hab. inż. Joanna Józefowska, prof. PP The description logic ALC Concept names – (unary predicates, classes) Example: Student {x | Student(x)} Married {x | Married(x)} Role names – (binary predicates, relations) Example: FRIEND { | FRIEND(x; y)} LOVES { | LOVES(x; y)}

36 Topics in artificial intelligence 35 Dr hab. inż. Joanna Józefowska, prof. PP The description logic ALC Constructors Cnegation C Dconjunction C Ddisjunction R.Cexistencial restriction R.Cvalue restriction Abbreviations C D = C Dimplication C D = C D D C bi-implication Ttop concept bottom concept

37 Topics in artificial intelligence 36 Dr hab. inż. Joanna Józefowska, prof. PP Examples Person Female Person attends.Course Person attends.(Course Easy) Person teaches.(Course attended_by.(Bored Sleeping))

38 Topics in artificial intelligence 37 Dr hab. inż. Joanna Józefowska, prof. PP Interpretations Semantics based on interpretations ( I, I ) I - is non-epmty set (the domain) I – is the interpretation function mapping each concept name A to a subset A I of I and each role name R to a binary relation R I over I. Intuition: interpretation is a complete description of the world. Technically: interpretation is a first order structure with only unary and binary predicates.

39 Topics in artificial intelligence 38 Dr hab. inż. Joanna Józefowska, prof. PP Semantics of complex concepts ( C) I = I \ C I (C D) I = C I D I ( R.C) I = {d | there is e I with (d,e) R I and e C I } ( R.C) I = {d | for all e I, (d,e) R I implies e C I }

40 Topics in artificial intelligence 39 Dr hab. inż. Joanna Józefowska, prof. PP Example Person attends.Course Person attends.( Course Difficult) Student Person Course Person Lecturer teaches Student Sleeping Person Course Difficult attends

41 Topics in artificial intelligence 40 Dr hab. inż. Joanna Józefowska, prof. PP TBoxes TBoxes are used to store concept definitions Syntax Finite set of concept equations A = C where A – concept name and C – left hand side must be unique! Semantics Interpretation I satisfies A = C iff A I = C I I is a model of T if it satisfies all definitions in T Two kinds of concepts: defined and primitive. Lecturer = Person teaches.Course

42 Topics in artificial intelligence 41 Dr hab. inż. Joanna Józefowska, prof. PP TBoxes Student Person Course Person Lecturer teaches Student Sleeping Person Course Difficult attends Tbox restricts the set of admissible interpretations. Lecturer = Person teaches.Course Student = Person attends.Course Student

43 Topics in artificial intelligence 42 Dr hab. inż. Joanna Józefowska, prof. PP Lecturer attends.Course T Student Reasoning task: sumsumption C is subsumed by D with respect to T Iff C I D I holds for all models I of T C T D Intuition If then D is more general than C. Lecturer = Person teaches.Course Student = Person attends.Course

44 Topics in artificial intelligence 43 Dr hab. inż. Joanna Józefowska, prof. PP PhDStudent = teaches.Course Student Reasoning task: classification Arrange all defined objects from TBox in a hierarchy with respect to generality. Lecturer = Person teaches.Course Student = Person attends.Course Student Person Lecturer PhDStudent Can be computed using multiple subsumption tests.

45 Topics in artificial intelligence 44 Dr hab. inż. Joanna Józefowska, prof. PP Then sibling.Woman sibling.Man Is unsatisfiable w.r.t. T. Reasoning task: satisfiability C is satisfiable w.r.t. T iff T has a model with C I. Woman = Person Female Man = Person Female Subsumption can be reduced to (un)satisfiability and vice versa. Intuition: If unsatisfiable the concept contains a contradiction. iff C D is not satisfiable w.r.t. T C T D C T C is satisfiable w.r.t. T iff not

46 Topics in artificial intelligence 45 Dr hab. inż. Joanna Józefowska, prof. PP Description logics are more than concept language Knowledge base TBox terminological knowledge background knowledge ABox knowledge about individuals Use concept language DL Reasoner

47 Topics in artificial intelligence 46 Dr hab. inż. Joanna Józefowska, prof. PP Definitorial TBoxes A primitive interpretation for TBox T interprets the primitive concept names all role names A TBox is called definitorial if every primitive interpretation for T can be uniquely extended to a model of T. i.e. primitive concepts (and roles) uniquely determine defined concepts. Not all TBoxes are definitorial Person = parent.Person Non-definitorial TBoxes describe constraints, e.g. from background knowledge.

48 Topics in artificial intelligence 47 Dr hab. inż. Joanna Józefowska, prof. PP Acyclic TBoxes TBox is acyclic if there are no definitorial cycles. Lecturer = Person teaches.Course Course = hastitle.Title tought-by.Lecturer Expansion of acyclic TBox T exhaustively replace defined concept name with their definition (terminates due to acyclicity) Acyclic TBoxes are always definitorial first expand then set A I := C I for all A = C T

49 Topics in artificial intelligence 48 Dr hab. inż. Joanna Józefowska, prof. PP Acyclic TBoxes II For reasoning acyclic TBoxes can be eliminated to decide with T acyclic expand T replace defined concept names in C, D with their definition decide analogously for satisfiability C T D C D May yield an exponential blow-up.

50 Topics in artificial intelligence 49 Dr hab. inż. Joanna Józefowska, prof. PP ABoxes An ABox is a finite set of assertions a : C(a – individual name, C – concept) (a,b) : R(a, b – individual names, R – role name) E.g. {peter : Student, (ai-course, joanna) : tought-by} Interpretations I map each individual name a to an element of I. I satisfies an assertion a : Ciffa I C I (a,b) : Riff (a I,b I ) R I I is a model for an Abox A if I satisfies all assertions in A.

51 Topics in artificial intelligence 50 Dr hab. inż. Joanna Józefowska, prof. PP ABoxes Interpretations describe the state of the world in a complete way ABoxes describe the state of the world in an incomplete way An ABox has many models An ABox constraints the set of admissible models similar to a TBox

52 Topics in artificial intelligence 51 Dr hab. inż. Joanna Józefowska, prof. PP Reasoning with ABoxes Given an ABox A and a TBox T do they have a common model? ABox consistency Given an ABox A, a TBox T, an individual name a, and a concept C does a I C I hold in all models of A and T ? Instance checking A, T = a : C The two tasks are interreducible: A consistent w.r.t T iff A, T |= a : A, T = a : C iff A {a : C} is not consistent

53 Topics in artificial intelligence 52 Dr hab. inż. Joanna Józefowska, prof. PP Example ABox TBox dumbo : Mammal t14 : Trunk (dumbo, t14) : bodypart g23 : Darkgrey (dumbo, g23) : color Elephant = Mammal bodypart.Trunk color.Grey Grey = Lightgrey Darkgrey = Lightgrey Darkgrey ABox is inconsistent w.r.t. TBox. dumbo is an instance of Elephant.

54 Topics in artificial intelligence 53 Dr hab. inż. Joanna Józefowska, prof. PP Questions?

55 Topics in artificial intelligence 54 Dr hab. inż. Joanna Józefowska, prof. PP Semantic networks W sieciach semantycznych informacja jest reprezentowana jako zbiór węzłów połączonych etykietowanymi łukami, które reprezentują relacje między węzłami. Przeszukiwanie przekrojowe Reprezentacja predykatów niebinarnych Rozróżnienia Podzielone sieci semantyczne

56 Topics in artificial intelligence 55 Dr hab. inż. Joanna Józefowska, prof. PP Sieć semantyczna z atrybutami o wielu argumentach wynik(Lech, Legia, 3-0) mecz G23 LegiaLech3-0 isa wynikgoście gospodarze

57 Topics in artificial intelligence 56 Dr hab. inż. Joanna Józefowska, prof. PP Sieci semantyczne Pies ugryzł listonosza. pgl gryźćpieslistonosz isa ofiara napastnik

58 Topics in artificial intelligence 57 Dr hab. inż. Joanna Józefowska, prof. PP Sieci semantyczne pgl gryźć pies listonosz isa ofiara napastnik Każdy pies ugryzł (jakiegoś) listonosza. s GS isa forma SA SI

59 Topics in artificial intelligence 58 Dr hab. inż. Joanna Józefowska, prof. PP Sieci semantyczne pgl gryźćpieslistonosz isa ofiaranapastnik Każdy pies ugryzł tego listonosza. sGS isa forma SA SI

60 Topics in artificial intelligence 59 Dr hab. inż. Joanna Józefowska, prof. PP Sieci semantyczne pgl gryźćpieslistonosz isa ofiaranapastnik Każdy pies ugryzł każdego listonosza. s GS isa forma SA SI

61 Topics in artificial intelligence 60 Dr hab. inż. Joanna Józefowska, prof. PP Ramy Rama jest zbiorem atrybutów (zwykle nazywanych szczelinami) i związanych z nimi wartości (ewentualnie ograniczeniami nałożonymi na wartości) opisującym pewien obiekt. [Minsky, 1975] Cechy mechanizmu wnioskującego: Sprawdzanie spójności podczas dodawania wartości szczeliny Utrzymywanie spójności między wartościami wzajemnie odwrotnymi Dziedziczenie wartości definiowanych i domyślnych zgodnie z relacjami isa i instance Obliczanie wartości if-needed Sprawdzanie wartości atrybutów jednowartościowych

62 Topics in artificial intelligence 61 Dr hab. inż. Joanna Józefowska, prof. PP Ramy - przykład Osoba Prawa ręka Mężczyzna isa 5-10 wzrost Zawodnik grający w baseball isa wzrost średni wynik rzuty Dowolna lub Prawa Pitcher Fielder średni wynik Three-Finger- Brown Pee-Wee- Reese isa Brooklyn Dodgers drużyna Chicago Cubs drużyna

63 Topics in artificial intelligence 62 Dr hab. inż. Joanna Józefowska, prof. PP Zależności pojęciowe *) (CD) Zależności pojęciowe (conceptual dependency) stanowią koncepcję reprezentacji tego rodzaju wiedzy, która jest zwykle wyrażana w zdaniach języka naturalnego. Celem jest reprezentacja wiedzy w taki sposób, aby: ułatwiała wyprowadzanie konkluzji ze zdań, była niezależna od języka, w którym wypowiedziano zdanie. _____________________ *) Schank (1973, 1975)

64 Topics in artificial intelligence 63 Dr hab. inż. Joanna Józefowska, prof. PP Zależności pojęciowe Elementarne kategorie ACTsCzynności PPsObiekty (producenci obrazów) AAsModyfikatory czynności (opisy czynności) PAsModyfikatory obiektów (opisy obrazów)

65 Topics in artificial intelligence 64 Dr hab. inż. Joanna Józefowska, prof. PP Zależności pojęciowe Elementarne czynności ATRANSPrzekazanie abstrakcyjnej relacji (dać). PTRANSZmiana fizycznej lokalizacji obiektu (iść). PROPELPrzyłożenie siły do obiektu (pchnąć). MOVEWykonanie Ruchu częścią ciała (kopnąć). GRASPUjęcie obiektu przez aktora (chwycić). INGESTWchłonięcie obiektu (łykać). EXPELWydalenie czegoś z wewnątrz (płakać). MTRANSPrzekazanie informacji (powiedzieć). MBUILDUtworzenie informacji (decydować). SPEAKWydawanie dźwięków (mówić). ATTENDSkupienie uwagi (słuchać).

66 Topics in artificial intelligence 65 Dr hab. inż. Joanna Józefowska, prof. PP Zależności pojęciowe Formy czasowników pczas przeszły fczas przyszły tzmiana t s początek zmiany t f zakończenie zmiany kciągłość ?pytanie /negacja nilczas teraźniejszy deltanieskończony cwarunkowy

67 Topics in artificial intelligence 66 Dr hab. inż. Joanna Józefowska, prof. PP Zależności pojęciowe Reguły 1. PP ACT Tomek czyta. 2. PP PATomek jest wysoki. 3. PA PPwesołe dziecko 4. PP PP książka Tomka PP 5. ACTTomek daje książkę Gosi. PP R Strzałka zawsze wskazuje podmiot.

68 Topics in artificial intelligence 67 Dr hab. inż. Joanna Józefowska, prof. PP Zależności pojęciowe Przykład Jaś dał książkę Marysi. Jaś p ATRANS o książka R Marysia Jaś <

69 Topics in artificial intelligence 68 Dr hab. inż. Joanna Józefowska, prof. PP Scenariusze Warunki wejściowe Rezultaty Rekwizyty Role Ścieżki Sceny

70 Topics in artificial intelligence 69 Dr hab. inż. Joanna Józefowska, prof. PP Główne niedostatki popularnych schematów reprezentacji wiedzy Rachunek zdań modeluje tylko wartości logiczne, a nie fakty Rachunek predykatów trudne sterowanie wnioskowaniem Reguły produkcji trudne zastosowanie do wiedzy nieproceduralnej Relacyjne bazy danych trudne sterowanie wnioskowaniem Hierarchia pojęć ograniczone do jednej relacji Sieci semantyczne brak standardu Ramy jest to jedynie metoda, a nie schemat Ograniczenia brak standardu

71 Topics in artificial intelligence 70 Dr hab. inż. Joanna Józefowska, prof. PP Podsumowanie Forma reprezentacji wiedzy jest odpowiednikiem struktur danych Reprezentacja musi zapewniać zdolność i efektywność wnioskowania Wybór formy reprezentacji wiedzy zależy od dziedziny wnioskowania Wybór formy reprezentacji wiedzy wpływa na efektywność wnioskowania

72 Topics in artificial intelligence 71 Dr hab. inż. Joanna Józefowska, prof. PP Zalety reprezentacji deklaratywnej każdy fakt wymaga tylko jednokrotnego przechowywania w pamięci, niezależnie od tego, ile razy będzie wykorzystany łatwo dodawać nowe fakty do systemu bez zmiany innych faktów

73 Topics in artificial intelligence 72 Dr hab. inż. Joanna Józefowska, prof. PP Zalety reprezentacji proceduralnej łatwo reprezentować wiedzę o tym jak coś zrobić łatwo reprezentować wiedzę, która nie pasuje do schematów deklaratywnych łatwo reprezentować wiedzę heurystyczną, jak wykonać coś efektywnie

74 Topics in artificial intelligence 73 Dr hab. inż. Joanna Józefowska, prof. PP Relacje między atrybutami Odwrotność Hierarchia atrybutów Techniki wnioskowania o wartościach typ wartości zakres wartości reguły obliczania wartości (if needed rules) reguły postępowania dla konkretnych wartości (if added rules) Atrybuty jednowartościowe

75 Topics in artificial intelligence 74 Dr hab. inż. Joanna Józefowska, prof. PP Reprezentacja zbiorów obiektów rozróżnienie wg nazwy definicja ekstencjonalna {Ziemia} definicja intencjonalna {X:sun-planet and human-inhabited(X)}

76 Topics in artificial intelligence 75 Dr hab. inż. Joanna Józefowska, prof. PP Granulacja (poziom) reprezentacji Jest to zagadnienie wyboru obiektów, które będziemy traktować jako elementarne w rozważanej reprezentacji. {matka, ojciec, syn, córka, brat, siostra} {rodzic, dziecko, rodzeństwo, mężczyzna, kobieta} Kasia = kobieta i dziecko(rodzeństwo (rodzic(Zosia))) ? Kasia jest kuzynką Zosi. Kasia = córka(brat(matka(Zosia))) Kasia = córka(brat(ojciec(Zosia))) Kasia = córka(siostra(matka(Zosia))) Kasia = córka(siostra (ojciec(Zosia)))

77 Topics in artificial intelligence 76 Dr hab. inż. Joanna Józefowska, prof. PP Granulacja (poziom) reprezentacji Mała liczba obiektów elementarnych powoduje: kanoniczność reguł łatwość poszukiwania struktury małą zajętość pamięci dużą pracochłonność transformacji z poziomu wyższego na niższy Np. analiza tekstu na poziomie liter, słów, zdań,....

78 Topics in artificial intelligence 77 Dr hab. inż. Joanna Józefowska, prof. PP Granulacja (poziom) reprezentacji Duża liczba obiektów elementarnych powoduje: dużą pracochłonność poszukiwania struktury dużą zajętość pamięci trudno zadecydować, które obiekty powinny mieć charakter elementarny Np. relacje rodzinne


Pobierz ppt "Topics in artificial intelligence 1/1 Dr hab. inż. Joanna Józefowska, prof. PP Knowledge representation."

Podobne prezentacje


Reklamy Google