Wissensmodellierung und wissensbasierte Systeme

Organisatorisches
Wissensmodellierung und wissensbasierte Systeme
Kontakt:
Vorlesung im Hauptstudium
Vorlesung:
Thorsten Liebig
Übungen:
Universität Ulm
Institut für Künstliche Intelligenz
Dr. Thorsten Liebig: [email protected]
Tel.: (50) 24207 Raum: O27/423
Dienstag
14:15 – 15:45 Uhr Raum 3211
Donnerstag
10:15 – 11:45 Uhr Raum 3211
nach Bedarf (Bleistiftübungen, kleinere Projekte, ...)
Olaf Noppens
[email protected]
Tel.: (50) 24113 Raum: O27/422
Voraussetzungen:
Logik (wie für Vordiplom Informatik)
Einführung in die KI (empfehlenswert)
Vorlesungsunterlagen:
Folienkopien
Web-Seiten zur Vorlesung
SS 2008
http://www.informatik.uni-ulm.de/ki/Edu/Vorlesungen/Wimo08/
SS08, T. Liebig, Uni Ulm
0 -1
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
0 -2
Inhalte und Einführung
Warum Wissensmodellierung?
Allgemeine Problemstellungen:
Strategische Planung (Berücksichtigung von Kontextinformationen)
Konfiguration (z. B. Komponenten komplexer Systeme)
Diagnose (Medizin, technische Anlagen, ...)
Teil I
Textverstehen (z. B. in einem Auskunftssystem) / Übersetzung (vgl.
Verbmobil)
Inhalte und Einführung
“Konservierung” von Expertenwissen in einem Unternehmen (corporate
knowledge)
Zusammenführung von Experten mit spezifischen Problemstellungen
Software-Agenten im WWW
Finde Telefonnummer von der Person, die die Übungen zur Vorlesung X
leitet
E-Commerce
Finde die drei billigsten Web-Shops für Produkt Y mit Eurocard
Zahlungsmöglichkeit
...
SS08, T. Liebig, Uni Ulm
1 -3
SS08, T. Liebig, Uni Ulm
1 -4
Inhalte und Einführung
Inhalte und Einführung
Aktuelle Beispiele: Google
Aktuelle Beispiele: BMI
Interview mit Google-Mitarbeiter Urs Hölzle (c’t, Nr. 5/2002):
Man kann [..] nicht vom Benutzer erwarten, dass ihm oder ihr
immer die richtigen Stichwörter einfallen. In solchen Fällen wäre
es schön, wenn Google mehr zum Beispiel über Synonyme wüsste,
um den Benutzern helfen zu können, die Queries zu verfeinern.
Pressemitteilung des BMI vom 1.2.2002 bzgl. eines europäischen
Polizei-Informationssystem INPOL-neu:
Für anspruchsvolle kriminalpolizeiliche Recherchen wird [..] eine
[..] Datenbank erstellt. Über diese Datenbank können beispielsweise
Querbezüge zwischen mehreren Tatverdächtigen, Tatorten und
-waffen sichtbar gemacht werden.
Anfragebeispiel: Suche VW Kombi (schließt Passat Variant mit ein)
Bisher jedoch lediglich “Ähnliche Seiten” Funktionalität.
Anfragebeispiel: Finde Person Z1 aus der Gegend G1 mit Kontakt zu Person Z2 mit Vorstrafe bzgl. Waffenmissbrauch W1
Jedoch: Forschungsdirektorin Monika Lenzinger in der FAZ v. 7.2.2005 (Nr.
31, S. 19)
[..] Maschinen müssen besser verstehen, welche Themengebiete der
Nutzer meint. [Angegebene] Interessengebiete lenken dann die
Suchergebnisse in die gewünschte Richtung.
Die Mehrheit der [Internetnutzer] geht falsch an die Sache heran.
Die Nutzer [müssen] Worte eingeben, die auf der Ergebnisseite
vorkommen sollen. Die meisten Nutzer denken nicht auf diese Art.
SS08, T. Liebig, Uni Ulm
Laut technischem Gutachten ein System mit “Problematischer
Gesamtkomplexität, das an die Grenzen dessen geht, was derzeit mit
verfügbarer Technologie zu machen ist.”
1 -5
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
Inhalte und Einführung
Aktuelle Beispiele: Yahoo
SS08, T. Liebig, Uni Ulm
1 -6
Aktuelle Beispiele: Wissensmanagement
1 -7
SS08, T. Liebig, Uni Ulm
1 -8
Inhalte und Einführung
Inhalte und Einführung
Markterwartung
Vision: persönlicher Reiseagent
Szenario:
Automatisierte Reiseplanung zu beliebigen
Zielorten unter Berücksichtigung individueller
Präferenzen.
Annahme:
Kein Reiseportal kann jemals alle denkbaren Reiseziele und Präferenzen
bedienen.
SS08, T. Liebig, Uni Ulm
1 -9
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
1 - 10
Inhalte und Einführung
Persönlicher Reiseagent: Zielsetzung
Persönlicher Reiseagent: Anreiseplanung
Aufgabe:
Reiseplanung und
-buchung zum Fischerstechen in Ulm.
Gegeben:
• Ursprungsort
• Webseite der Veranstaltung
Zunächst:
Identifikation der Eckdaten der Reise.
SS08, T. Liebig, Uni Ulm
1 - 11
SS08, T. Liebig, Uni Ulm
1 - 12
Inhalte und Einführung
Inhalte und Einführung
Persönlicher Reiseagent: Unterkunft
Persönlicher Reiseagent: Reiseplan
Lässt sich ein solcher
Reiseagent auf der
Basis derzeitiger
Web-Technologie
(Sprachen, Formate,
Standards, usw.)
realisieren?
Wenn ja, wie?
Wenn nein, wo liegen
die Probleme?
SS08, T. Liebig, Uni Ulm
1 - 13
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
1 - 14
Inhalte und Einführung
Aufgaben des persönlichen Reiseagenten
Gemeinsamkeiten der Problemstellungen
Es wird heterogenes “Wissen” über einen mehr oder weniger umfangreichen
Problembereich (Domäne) vorausgesetzt.
Identifikation der relevanten Reisedaten: Wo und Wann?
“Begriffsklärung”: Reichsstadt Ulm = Universitätsstadt Ulm?
Grobentwurf der Reise:
Zur Verfügung stehende Reisemittel: Taxi, Bus, Zug, Mietwagen,
Flugzeug, ...
Dieses Wissen muss in geeigneter Form im Rechner dargestellt werden.
Reiseentfernung zum Ziel (auch zwecks Zeitplanung)
Laufweite ↔ Interkontinentalflug
Lokalisierung entsprechender Web-Anbieter
Kombination verschiedener Reisemittel
Flexible maschinelle Verarbeitung des Wissens muss möglich sein. →
Abfrage von Wissen / Schlussfolgerungen
Auswahl einer Übernachtungsmöglichkeit
geographische Nähe zur Veranstaltung (hier Donau): Benutzung von
Stadtplänen, Routenplaner (alternativ in Neu-Ulm suchen)
persönliche Präferenzen, z. B. best. Restaurant oder Arzt in der Nähe
Wissensaustausch (insb. im Internet) erfordert eine (im gewissen Umfang)
standardisierte Darstellung.
Reservierung/Verhandlung und Buchung
Rückmeldungen bzw. Rückfragen an Auftraggeber
Inhaltsbezogene statt syntaktischer Informationsverarbeitung
Präsentation der Reisedaten mit individuell zusammengestellten
Informationen
Was ist mit “konventionellen” Lösungen wie z. B. Datenbanken?
SS08, T. Liebig, Uni Ulm
1 - 15
SS08, T. Liebig, Uni Ulm
1 - 16
Inhalte und Einführung
Inhalte und Einführung
Datenbanken (Datenverarbeitung) vs. Wissensverarbeitung
Vorgriff: Idee und Vision des “Semantic Web”
The Semantic Web is a vision:
◮ Unvollständiges manchmal unsicheres Wissen im Kontext der
Wissensrepräsentation vs. Zurückweisung.
◮ Darstellung hochkomplexer, heterogener Wissenseinheiten im
Gegensatz zu großen Mengen relativ homogen strukturierter Daten:
The idea of having data on the web defined and
linked in a way, that it can be used by machines
– not just for display purposes, but for using it in
various applications.
[http://www.w3.org/2001/sw/]
erfordert die (manuelle) Erstellung vieler und oftmals wenig genutzer Reihen
oder Zusatztabellen (großer Designoverhead/Effizienzproblem), oder
Hinzunahm von “freien Textfeldern”/BLOBs (binary large obj.) (dann aber
keine sinnvolle maschinelle Weiterverarbeitung).
Problem:
◮ Verarbeitungsablauf nur implizit oder gar nicht vorgegeben vs. explizit
festgelegt.
Großes Angebot an Informationen (Texte, Bilder, Ton, Video, ...)
◮ WB-System kann im Prinzip den ausgeführten Verarbeitungsprozess
erklären und begründen vs. Verarbeitungsprozess nur vom
Programmierer erklärbar.
Fokussierung auf visuelle Bedürfnisse
Lediglich syntaktische “Beziehung” zwischen diese Ressourcen
(implizite Bedeutung)
Idee: Erweiterung des Web durch “Anreicherung” von Ressourcen und
Beziehungen mit explizit definierter (und damit maschinell
verarbeitbarer) Bedeutung (→ Knowledge Web).
◮ Gewisser Grad an Deklarativität erforderlich vs. primitive Datentypen.
◮ Bedeutung von Begriffen spielt die zentrale Rolle vs. reine syntaktische
Verarbeitung.
◮ ...
Kombination von Methoden der Wissensrepräsentation mit Techniken
und Standards des WWW
SS08, T. Liebig, Uni Ulm
1 - 17
SS08, T. Liebig, Uni Ulm
1 - 18
Inhalte und Einführung
Inhalte und Einführung
Vorlesungsinhalte (Teil 1)
Vorlesungsinhalte (Teil 2)
Die Modellierung und Verarbeitung von Wissen ist eines der zentralen
Gebiete in der KI
(Wissen oftmals Voraussetzung für “intelligente Systeme”)
Ontologien haben in der Informationstechnologie inzwischen eine große
Bedeutung.
Ontologien und Wissensbasen
Einführung in die Thematik
◦ Repräsentationsformen und Typen von Ontologien
◦ Verwandte Repräsentationsformalismen
◦ Historische Entwicklung der Wissensrepräsentation
UML
ER-Diagramme
Logik-basierte Wissensmodellierung
◦
◦
◦
◦
Logische Grundlagen und Begriffe (PL1)
Semantische Netze
Frames
Beschreibungslogiken
◦ Beispiele und Anwendungen
WordNet
UMLS
SUO
Cyc
Sprachen und Konstruktoren
Semantik
Systeme und Systemdienste
Anwendungsgebiete
Algorithmen
SS08, T. Liebig, Uni Ulm
◦ Formale Analyse von Ontologien
OntoClean
◦ Tools und Editoren
1 - 19
SS08, T. Liebig, Uni Ulm
1 - 20
Inhalte und Einführung
Inhalte und Einführung
Vorlesungsinhalte (Teil 3)
Allgemein: Was ist Wissen, was Information, was Daten?
Wissen (knowledge) und Information und auch Daten werden im Alltag häufig
nicht unterschieden und mehr oder weniger als Synonyme verwendet.
Wissensverarbeitung mit wechselnder Beachtung in der Forschungshistorie.
Renaissance im Zusammenhang mit aktuellen Aktivitäten im Internet.
Webster’s Third International Dictionary:
Informationsdarstellung im Internet
Knowledge applies to any body of known facts or to any body of
ideas inferred from such facts or accepted as truths on good
grounds.
Information generally applies to knowledge, commonly accepted as
true, of a factual kind usually gathered form others or from books.
Data is information in numerical form that can be digitally
transmitted or processed.
◦ Entwicklung des (hyperlinked) WWW
Grundlagen des Semantic Web
◦
◦
◦
◦
◦
Motivation, Vision
XML, XML Schema, URI, Namespaces, (XSL & XSLT)
RDF, RDF Schema
Repräsentation von Ontologien (OWL)
Web Services
Aktueller Stand des Semantic Web
◦ Schnittstellen
◦ Werkzeuge
◦ Prototypische Anwendungen
Wissen.de
Wissen: Inbegriff von rationaler Erkenntnis; dabei auch das
Innewerden einer spezifische Gewissheit (intuitives Wissen)
→ Wissen schließt das Ableiten (inference/Innewerden) von Fakten mit ein.
SS08, T. Liebig, Uni Ulm
1 - 21
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
Inhalte und Einführung
Wissen, Informationen und Daten in der KI
Wissensrepräsentation und Schlussfolgerungen
In der VL unterscheiden wir wie folgt:
Repräsentation:
Gruppen von Symbolen, die für eine Aussage stehen.
Daten
Sequenz von nicht mehr zerlegbaren Einheiten. Unterschiedliche
Kodierungen möglich. Z. B.: “· · · − − − · · ·”, “53 4F 53”, “SOS”, ...
Die Wissensrepräsentation beschäftigt sich mit formalen Symbolen,
welche die Menge von Aussagen eines Agenten/Experten/...
repräsentieren.
Information
Fakten. Abstraktion von der jeweiligen Kodierung.
“SOS = Save Our Souls = Rettet unsere Seelen”
Hier: Einschränkung auf endliche Menge von Symbolen.
Schlussfolgern:
Schlussfolgern ist die formale Manipulation von Symbolen (welche
Aussagen repräsentieren) um zu Repräsentationen von neuen
Symbolen zu gelangen.
Wissen (knowledge)
Schließt die Interpretation der Informationen mit ein. Explizitmachen
von impliziten Informationen. Berücksichtigung von Kontext(wissen),
Regeln, Heuristiken, ...
(→ Begriffe wie Widerspruch, Redundanz, usw. erst auf dieser
Ebene möglich).
“Save Our Souls: Internationaler Hilferuf → Rettungsaktion starten”
Eine adäquate Repräsentation von Wissen ist hier unumgänglich –
Aussagen sind abstrakt; ihre Repräsentation kann jedoch leicht
manipuliert werden.
Schlussfolgern (kann) einfach wie “Rechnen” (sein):
raining is true
raining implies wet-street is true
wet-street is true
Hier: Abstraktion von mentalen Sichtweisen wie Meinung, Erwartung,
Glaube, ...
SS08, T. Liebig, Uni Ulm
1 - 22
1 - 23
SS08, T. Liebig, Uni Ulm
1 - 24
Inhalte und Einführung
Inhalte und Einführung
Wissenrepräsentation und Intelligenz (1)
Wissenrepräsentation und Intelligenz (2)
Wissensrepräsentationshypothese [Smith 1985]:
The Knowledge Level [Newell 1982]:
Any mechanically embodied intelligent process will be comprised of structural
ingredients that
Knowledge is to be characterized entirely functionally, in terms of what it
does, not structurally, in terms of physical objects with particular properties
and relations.
Principle of Rationality: If an agent has knowledge that one of its actions will
lead to one of its goals, then the agent will select that action.
(a) we as external observers naturally take to represent a propositional
account of the knowledge that the overall process exhibits, and
(b) independent of such external semantical attribution, play a formal but
causal and essential role in engendering the behavior that manifests that
knowledge.
Auf Wissensebene sind Wissensinhalte zu sehen, nicht aber die interne
Struktur, in denen sich die Inhalte manifestieren (Was). Diese Strukturen
werden erst auf Symbolebene sichtbar (Wie).
Vgl. mit abstrakten Datentypen (Abstrakter Datentyp spezifiziert ein best.
Verhalten aber abstrahiert von der Realisierung dieses Verhaltens).
Das relevante Wissen ist “propositional” explizit repräsentiert und vom
außenstehenden Betrachter als eine “natürliche” Beschreibung dieses
Wissens angesehen. System-Verhalten ist unmittelbar durch die
Propositionen bedingt und für den Betrachter mit der Bedeutung dieser
Propositionen konsistent.
SS08, T. Liebig, Uni Ulm
1 - 25
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
Inhalte und Einführung
Semantik der Repräsentation von Wissen
Wissenrepräsentation und KI
Hauptziel der KI-Forschung: Entwicklung intelligenter rechnergestützter
Systeme.
Prozedural: Wissen ist kodiert in einem Programm; die Bedeutung ergibt
sich aus dem Verhalten des Programms. Das Wissen ist
quasi “versteckt”, schwer analysier- und kommunizierbar.
Stark vereinfacht:
KI-System = Wissensrepäsentation + Problemlösungstechnik +
Benutzerschnittstelle
Deklarativ: Abbildung der symbolischen Ausdrücke (Symbolebene) auf
Abstraktionsebene der zu repräsentierenden Sachverhalte
(Wissensebene). Wissen ist logisch analysierbar,
kommunizierbar und verifizierbar.
Annahme:
Das hierzu notwendige Wissen, das auch vom Menschen in diesen
Situationen (bewusst oder unbewusst) benutzt wird, muss in
geeigneter Form in einem solchen System “eingebracht” werden.
Extern: Abbildung bezieht sich auf externe zu modellierende
Entitäten, nicht auf im Rechner existierende Objekte (mit
interner Semantik).
⇒
Dieses Wissen kann sich auf eine spezielle, eng eingrenzbare Domäne
beschränken, oder von allgemeinem Umfang sein.
Wissensrepräsentationssystemen basieren in der Regel auf einer deklarativen Semantik, häufig über eine Abbildung auf eine formale Logik.
SS08, T. Liebig, Uni Ulm
1 - 26
1 - 27
SS08, T. Liebig, Uni Ulm
1 - 28
Inhalte und Einführung
Inhalte und Einführung
Kriterien der Wissensrepräsentation
Potenziale und Grenzen wissensbasierter Systeme
Korrektheit:
Große Erwartungen (und Befürchtungen) Ender der siebziger Jahre.
Ist ein Verfahren bezüglich der Semantik korrekt? Ist es möglich falsche
Schlussfolgerungen zu ziehen?
Misserfolge und die Analyse der verwendeten Methodiken führten bald zu
einer Ernüchterung.
Vollständigkeit:
Heute eine sehr viel abgeklärtere Betrachtung von Expertensystemen /
wissensbasierten Systemen.
Ist es möglich alle korrekten Schlüsse zu ziehen?
→ “If it works, it’s not AI” (Historisches siehe z. B. [Phillips, 1999])
Probleme:
Entscheidbarkeit:
Existiert eine immer terminierender Algorithmus, der das
Schlussfolgerungsproblem löst?
Wissensbasierte Systeme beschränken sich auf ein festgelegtes
Einsatzgebiet (keine Abschätzung der eigenen Grenzen und
Kompetenzen; keine Reflektion).
Adäquatheit:
Menschliche Experten verfügen neben Fachwissen stets auch über
Alltagswissen.
Können die zu lösenden Probleme verständlich und natürlich formuliert
werden?
Es ist schwierig das Wissen eines Experten explizit zu machen.
Anwendung sog. stillschweigendem Wissens (tacit knowledge).
Komplexität:
Formale Spezifikation und Verifikation nahezu unmöglich.
Welcher Aufwand ist für den Prozess der Lösungsfindung notwendig?
SS08, T. Liebig, Uni Ulm
1 - 29
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
1 - 30
Inhalte und Einführung
The AI Hype
Literatur zu Teil 1
Standard-Lehrbücher der KI
◦ Einf. in die/Handbuch der Künstliche Intelligenz (Görz, 2000);
insb. Kap. “Wissensrep. & Logik”
QAA 705/2000 G
◦ Knowledge Representation (Sowa, 2000)
QAA 705/2000 Sb
◦ Wissensverarbeitung (Heinsohn & Ambrosius, 1999)
QAA 706/1999 H
Speziell Logik / Beschreibungslogik:
◦ Logik für Informatiker (Schöning, 2000)
◦ Logical Foundations of AI (Genesereth/Nilson, 1986)
◦ The Description Logic Handbook (Baader et. al., 2003)
QAA 206/2000 S
QAA 705/1988 G
QAA 705/2003 B
Konferenzen / Workshops
◦ Int. Conf. on Principles of Knowledge Representation and Reasoning (KR)
(zweijährig) [http://www.kr.org/]
◦ Int. Workshop on Description Logics (DL) (jährlich) [http://dl.kr.org/]
Diverse Web-Quellen; Interessanter Einstiegspunkte ist:
◦ “AI on the Web” unter [http://www.cs.berkeley.edu/~russell/ai.html ]
SS08, T. Liebig, Uni Ulm
1 - 31
SS08, T. Liebig, Uni Ulm
1 - 32
Inhalte und Einführung
Inhalte und Einführung
Literatur zu Teil 2
Literatur zu Teil 3
(Noch) keine (allg. anerkannte) Standard-Einführung in die Thematik!
Handbook on Ontologies (Staab, Studer, 2004)
QAA 705/2004 S
XML in a Nutshell (Harold/Means, 2000)
Ontologies: A Silver Bullet for Knowledge Management and Electronic
Commerce (Fensel, 2001)
Creating the Semantic Web with RDF (Hjelm, 2001)
Formal Ontology in Information Systems (Guarino, 1998)
Spinning the Semantic Web (Fensel, 2003)
Diverse Web-Quellen; Einen guten Überblick bieten:
Semantic Web – Grundlagen (Hitzler et al, 2007)
QAA 720/2001 H
QAA 420.I6/2003 F
wird angeschafft
Dictionary of XML Technologies and the Semantic Web
(Geroimenko, 2004)
QAA 592.X5/2004 G
Web-Ressourcen:
◦ “KBS/Ontology Projects and Groups” unter
[http://www.cs.utexas.edu/users/mfkb/related.html ]
◦ Cyc [http://www.cyc.org/]
◦
◦
◦
◦
◦
◦ SUMO (Suggested Upper Merged Ontology) [http://suo.ieee.org/]
◦
SS08, T. Liebig, Uni Ulm
QAA 592.X5/2001 H
1 - 33
World Wide Web Consortium [http://www.w3.org]
Semantic Web Activity des W3C [http://www.w3.org/2001/sw/]
[http://www.SemanticWeb.org/ ]
“The Semantic Web” (Scientific American 05/ 2001 von Tim Berners-Lee)
OWL Web Ontology Language [http://www.w3c.org/sw/]
SS08, T. Liebig, Uni Ulm
Inhalte und Einführung
1 - 34
Inhalte und Einführung
Ziele der Lehrveranstaltung
Literatur zum Kapitel
Verständnis für die Problematik wecken.
[Smith 1985] B. Smith: Prologue to “Reflection and Semantics in a
Procedural Language”, in Readings in Knowledge
Representation, edited by R. J. Brachman & H. J. Levesque,
Morgan Kaufmann, 1985.
Grundlagen für die Modellierung und rechnergestützte
Verarbeitung von Wissen vermitteln.
Vorstellung von potenziellen Anwendungsbereichen und
existierenden Systemen.
[Newell 1982] A. Newell: The Knowledge Level. Artificial Intelligence,
18:87-127, 1982.
Erläuterung der neuesten Entwicklungen und Darstellung des
Stands der aktuellen Forschung und Entwicklung.
[Phillips 1999] E. Phillips, If It Work’s, It’s Not AI, Bachelor thesis, MIT, USA,
1999.
Aufzeigen von Trends und Visionen.
SS08, T. Liebig, Uni Ulm
1 - 35
SS08, T. Liebig, Uni Ulm
1 - 36