Zielrichtungen der Inferenz Inferenz und Regeln gegeben. Was Es ist Fakten kann daraus gefolgert werden? Beispiel: Wenn es regnet, dann ist die Straße naß. Was kann aus der Tatsache, daß es regnet, gefolgert werden? Prognosen, logische Ableitungen erstellen 3. Logik Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 75 Können aus den Fakten und den Regeln die Hypothesen hergeleitet werden? Beipiel: Wenn es regnet, dann ist die Straße naß. Es regnet. Ist die Straße dann naß? Hypothesen prüfen mit Hilfe der Regeln Wie läßt sich ein Fakt erklären? Beispiel: Die Straße ist naß. Wie kann das sein? Erklärungen finden 3 Logik Inferenz Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Programmverifikation automatisches Beweisen Logikprogrammierung, deduktive Datenbanken Inferenz in Expertensystemen 74 Anwendungsgebiete der Logik in der Wissensverarbeitung: Herleitung (Inferenz) von neuem Wissen auf Basis der Kalküls. Repräsentation von Wissen durch Formeln eines adäquaten Logikkalküls Gegenstand der Logik: 3. Logik 3. Logik Qualifikationsproblem unpräzise Angaben probabilistische Aussagen und Regeln räumlich-zeitliches Wissen Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Inferenz Weitere Aspekte bei der Wissensverarbeitung mit Logik 77 Arten der Inferenz Inferenz Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 76 Zum Starten eines Autos ist eine aufgeladene Batterie notwendig. Unser Auto läßt sich nicht starten. Wir schließen, daß die Batterie leer ist. Abduktion Wir haben wiederholt beobachtet, daß ein Auto nicht startet und die Batterie leer ist. Wir haben noch nie beobachtet, daß ein Auto mit leerer Batterie gestartet werden konnte. Wir schließen daraus, daß ein Auto, das eine leere Batterie hat, nicht gestartet werden kann. Induktion Zum Starten eines Autos ist eine aufgeladene Batterie notwendig. Bei unserem Auto ist die Batterie leer. Wir schließen, daß wir unser Auto nicht starten können. Deduktion 3. Logik 3. Logik Aussagenlogik Signatur Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die Dinge der realen Welt beschreiben können. Eine derartige Menge von Namen wird als Signatur bezeichnet und üblicherweise durch gekennzeichnet. Den Namen ist i.d.R. eine gewisse Stelligkeit zugeordnet. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik 78 Aussagenlogik Aussagenlogische Signatur Definition 3.1. Eine aussagenlogische Signatur ist eine Menge von (nullstelligen) Bezeichnern, den Aussagenvariablen. Beispiel 3.1. Die Menge "!#$" %&'"!#"()*!,+-%/.120 324"5 ist eine aussagenlogische Signatur, die drei Aussagenvariablen zur Verfügung stellt. Im folgenden benutzen wir üblicherweise Großbuchstaben als Aussagenvariablen. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 79 3. Logik Aussagenlogik Formeln Formeln ermöglichen es, Dinge der repräsentierten Welt auszudrücken. Formeln entsprechen einer gewissen Syntax (sie sind wohlgeformt). Diese Syntax legt eine Wissensrepräsentationssprache fest. Formeln sind üblicherweise rekursiv aufgebaut. Die atomaren Formeln ergeben sich aus der Signatur. Mit logischen Verknüpfungsoperatoren (den Junktoren) werden aus atomaren Formeln schrittweise komplexere Formeln aufgebaut. <; 6 798: 6 @ 81 80 Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 >= Falls und aussagenlogische Formeln sind, dann sind auch die folgenden Konstrukte aussagenlogische Formeln: ?6 Die Elemente der Menge sind aussagenlogische Formeln, die sogenannten atomaren Formeln. Aussagenlogische Formeln Definition 3.2. Für eine aussagenlogische Signaist die Menge der aussagenlogitur schen Formeln wie folgt definiert: 3. Logik Aussagenlogik Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik F 82 F Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 > ?@ Bemerkung 3.1. Zur Vereinfachung der Schreibweise verzichten wir i.d.R. auf die Klammerung und benutzen statt dessen die folgenden Bindungsprioritäten: . Negation Konjunktion Disjunktion Implikation Äquivalenz Aussagenlogik 3. Logik ?@ ?@ ?@ E ? C D B> A > > > EG I DG CG AHG Aussagenlogik -Interpretation Die Syntax einer Logik legt ausschließlich deren äußere Form fest, sie sagt aber nichts über die Bedeutung der Formeln aus. Benötigt wird eine Verbindung zwischen den syntaktischen Elementen der Logik und den Objekten der zu repräsentierenden Welt. Diese Verbindung wird durch eine sogenannte gestellt. -Interpretation her- Eine -Interpretation einer Signatur ist die Zuordnung von den Elementen der Signatur (Namen) zu den Elementen der zu repräsentierenden Welt. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 83 Erfüllungsrelation Aussagenlogik Wir benötigen eine Ausdehnung der Semantik . auf alle Formeln Die Interpretation liefert uns nur einen Wahrheitswert für die atomaren Formeln. 3. Logik ?6 >= 798: e <; 6 J Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 eine mögliche Belegung. 84 Beispiel 3.2. Für die Signatur aus Beispiel 3.1 ist definiert durch J 85 >[ 6 XZY S Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 ?6 S R: S R: = UVR P P T ^ ^ ^ ? S\9dR Tc ? ? [ UYb ] <<: ` RY ] <\ 7\ [ _ [ : a [ : S> R > \ U > \ U J J J Eine Erfüllungsrelation definiert hierzu im wesentlichen die Semantik der Junktoren. 6 für . bezeichnet die Menge der Belegungen T sie ordnet einer Interpretation und einer Formel einen Wahrheitswert zu. S R: G OQP E 6NM JLK Eine Abbildung heißt aussagenlogische Interpretation oder Belegung für . =9UVR Durch solch eine Erfüllungsrelation ist definiert, ob eine Formel in einer -Interpretation wahr ist oder nicht, d.h. bereit. f^ Dieses stellt uns eine Erfüllungsrelation Aussagenlogik eine aussagenlogische Belegung Definition 3.3. Es sei Signatur. 3. Logik 6 WS ?6 >= G <; 7 8: 86 ?@ ?6 D T T T P > = < >J ; 798: ?@ C T P P P e >J ?6 ?@ >J T P T P > [ XY ? >J T T P P J e ? B> J A P T ? >J T P ? P^ >J fJ ^ Für 6 S R: Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 6 7 8: @e >J P P T P gdw. <; E gelte: Semantik der Aussagenlogik >= ?@ und (nichtDefinition 3.4. Es seien atomare) aussagenlogische Formeln. Durch die folgenden Wahrheitstafel wird eine -Interpretation von auf die Menge ausgedehnt: ?6 3. Logik Aussagenlogik J 3. Logik Aussagenlogik Modell Definition 3.5. Es seien so sagen wir “g erfüllt o gih j%*3klnm und o hp qrs"t*klnm . Gilt gvu o , ” und bezeichnen g als -Modell für o . w qx"yzk{o|m~} j%1klnm bezeichnet die Menge aller -Modelle für o . Für eine Menge /q)rt*klnm von Formeln gelte gu gdw. gu o für alle o h . g ist dann ein Modell für die Formelmenge . Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 87 Erfüllbarkeit Aussagenlogik ?6 >= 7 8: <; Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 89 Die Begriffe werden in analoger Weise für Formelverwendet. mengen falsifizierbar gdw. es eine Interpretation gibt, die kein Modell für die Formel ist. allgemeingültig (Tautologie) gdw. jede Interpretation ein Modell für die Formel ist. unerfüllbar (Kontradiktion) gdw. es kein Modell für die Formel gibt. erfüllbar gdw. es ein Modell für die Formel gibt. heißt g Definition 3.6. Eine Formel Dagegen ist “Kräht der Hahn auf dem Mist, ändert sich das Wetter oder es bleibt wie es ist” Besonders interessant sind Formeln, die für alle Interpretationen wahr bzw. falsch sind. 3. Logik 3. Logik Aussagenlogik Modell (2) Beispiel 3.3. Die Interpretation g aus Beispiel 3.2 ist ein Modell für die Formel | "!#$" %& kein Modell für die Formel "!#$" %"& -!"()*!,+-% .0 14 Beweis mit Wahrheitstafeln ✎. 88 Semantische Folgerung Aussagenlogik > ?6 >= 7 8: <; W * O G ^ G C C * C D >E @ @ ?? f^ B> A ?@ C E >> Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 E 91 E Resolutionsregel ?@ Oder-Introduktion A E ?@ @D >E Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Damit können wir die Erfüllungsrelation auf eine Beziehung zwischen Formeln und Formelmengen ausdehnen. >> EA Unser übliches Verständnis von Folgerung läßt sich so ausdrücken: Ist eine Formel immer dann wahr, wenn alle Formeln aus wahr sind, dann folgt aus . C Und-Elimination ?@ C . > Modus Tollens > E ?@ entspricht Modus Ponens ??@ E Eine solche Menge der Konjunktion Tautologie Beispiel 3.4. Wichtige Tautologien sind: 3. Logik @ Wir können eine Wissensbasis als eine Menge betrachten. In einem wissensbasierten System wollen wir Fakten aus anderen Fakten und Regeln herleiten. 3. Logik 90 Aussagenlogik ? 92 gdw. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 @ @ f ^ gelte f ^ G Für Formelmengen für alle gilt. f ^ Wir sagen auch “ folgt logisch aus folgt semantisch ”. . @ Für eine Formelmenge gelte gdw. jedes Modell für auch ein Modell für G ist. @ In diesem Fall schreiben wir G ” bzw. “aus <; 7 8: @e G heißt semantische Folgerung von gdw. jedes Modell für F auch ein Modell für G ist. aussa- >= Definition 3.7. Es seien genlogische Formeln. Semantische Folgerung (2) Aussagenlogik 3. Logik ?6 f ^ @e @ 3. Logik Aussagenlogik Semantische Folgerung (3) Beispiel 3.5. Gegeben sei die Formelmenge "!#$" %& Kann aus die Aussage u -!"()*#s!+"% .0 1#4 -!"$*%& -!"() #s!+"% .0 1#4 "!#(" #s!+"% .0 14 gefolgert werden, d.h. gilt ? Ja! Beweis mit Wahrheitstafeln ✎. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 93 3. Logik Aussagenlogik Semantische Folgerung (4) Beispiel 3.6. Wir wollen uns ein Haustier anschaffen und machen folgende Überlegungen: 1. Es sollte nur ein Hund ( ), eine Katze ( ) oder ein Hamster ( sein. ) 2. Besitzer wertvoller Möbel ( ) sollten keine Katze anschaffen, da diese die Möbel zerkratzen würde. 3. Ein Hund erfordert ein freistehendes Haus ( o ), damit sich kein Nachbar durch das Bellen gestört fühlt. Wir vermuten: Für einen Besitzer wertvoller Möbel ohne freistehendes Haus kommt nur ein Hamster in Frage. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik 94 Aussagenlogik Beweis mit Wahrheitstafeln ✎. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 95 3. Logik Aussagenlogik Semantische Folgerung (5) Satz 3.1. Es seien o on aussagenlogische Formeln. Dann gilt: ist Tautologie gdw. zo ist unerfüllbar. o u gdw. o ist Tautologie. o u gdw. o ¡ ist unerfüllbar. Bemerkung 3.2. Die Äquivalenzen können auf Formelmengen ausgedehnt werden. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 B¢ 96