De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Kennisacquisitie en - modellering Rogier van Eijk college 5 Inferentie en communicatie.

Verwante presentaties


Presentatie over: "Kennisacquisitie en - modellering Rogier van Eijk college 5 Inferentie en communicatie."— Transcript van de presentatie:

1 Kennisacquisitie en - modellering Rogier van Eijk college 5 Inferentie en communicatie

2 Kennismodel: overzicht Disease (type) Symptom (type) Test (type) cover (inference) verify (inference) DIAGNOSIS (task) Task knowledge task goals task decomposition task method Inference knowledge basic inferences roles Domain knowledge domain types domain rules domain facts

3 Taakbeschrijving “De auto doet het niet. Ik voorzie op dit moment twee voor de hand liggende oorzaken: De benzine is op of de accu is leeg. Als de benzine op is dan zou de benzinemeter op nul moeten staan. Als de accu leeg is dan zou het acculampje op het dashboard moeten branden. Of de auto zou met behulp van een startkabel weer aan de praat gebracht moeten kunnen worden. Een lege accu komt veel vaker voor dan een lege benzinetank. Ik kijk op het dashboard, maar het acculampje brandt niet. Dan probeer ik de auto via een startkabel aan de gang te krijgen. Dat lukt!”

4 taakmethode in UML

5 taakmethode in CML CONTROL-STRUCTURE: REPEAT cover(complaint -> hypothesis); predict(hypothesis -> expected-finding); obtain(expected-finding -> actual-finding); evidence := evidence ADD actual-finding; compare(expected-finding + actual-finding -> result); UNTIL "result = equal or no more solutions of over"; END REPEAT IF result == equal THEN fault-category := hypothesis; ELSE "no solution found"; END IF

6 Overzicht iedere inferentie uit de taakmethode heeft kennisrollen die worden via domain mappings aan concepten en regeltypes gekoppeld waarvan de daartoe behorende instanties (feiten en regels) in de kennisbank staan. als hulpmiddel daarbij gebruiken we een inferentiestructuur met annotaties

7 Van taakmethode naar inferentiestructuur CONTROL-STRUCTURE: REPEAT cover(complaint -> hypothesis); predict(hypothesis -> expected-finding); obtain(expected-finding -> actual-finding); evidence := evidence ADD actual-finding; compare(expected-finding + actual-finding -> result); UNTIL "result = equal or no more solutions of over"; END REPEAT IF result == equal THEN fault-category := hypothesis; ELSE "no solution found"; END IF

8 Een inferentie … is een atomaire redeneerstap.

9 Inferentie De algemene vorm van een inferentie is als volgt: inference n input: a output: b static: r

10 In grafische notatie hypothesis observable specify system model

11 inferentiestructuur

12 Maak hiervan een inferentiestructuur while new-solution cover(complaint -> hypothesis) do differential := hypothesis add differential; end while repeat select(differential -> hypothesis); specify(hypothesis -> observable); obtain(observable -> finding); evidence := finding add evidence; for each hypothesis in differential do verify(hypothesis + evidence -> result); if result == false then differential := differential subtract hypothesis until size differential =< 1 or “no more observables left” faults := differential;

13 inferentiestructuur

14 Annoteer de inferenties

15 Annoteer de inferentiestructuur

16 Zo wordt kennis niet gemodelleerd

17 Zo wordt kennis wel gemodelleerd

18 Kennisrollen hypothesis observable specify system model dynamic input roledynamic output role static role inference

19 Kennisrol in CML INFERENCE cover; ROLES: INPUT: complaint; OUTPUT: hypothesis; STATIC: causal-model; SPECIFICATION: "Each time this inference is invoked, it generates a candidatesolution that could have caused the complaint. The output thus should be an initial state in the state dependency network which causally ``covers'' the input complaint."; END INFERENCE cover;

20 domain mappings

21 dynamic domain mappings in CML KNOWLEDGE-ROLE complaint; TYPE: DYNAMIC; DOMAIN-MAPPING: visible-state; END KNOWLEDGE-ROLE complaint; KNOWLEDGE-ROLE hypothesis; TYPE: DYNAMIC; DOMAIN-MAPPING: invisible-state; END KNOWLEDGE-ROLE hypothesis;

22 static domain mapping in CML KNOWLEDGE-ROLE causal-model; TYPE: STATIC; DOMAIN-MAPPING: state-dependency FROM car-network; END KNOWLEDGE-ROLE causal-model;

23 regeltypes

24 domeinschema

25 kennisbank met regels KNOWLEDGE-BASE car-network; USES: state-dependency FROM car-diagnosis-schema, manifestation-rule FROM car-diagnosis-schema; EXPRESSIONS: /* state dependencies */ fuse.status = blown CAUSES power.status = off; battery.status = low CAUSES power.status = off; …. /* manifestation rules */ fuse.status = blown HAS-MANIFESTATION fuse-inspection.value = broken; battery.status = low HAS-MANIFESTATION battery-dial.value = zero; ….. END KNOWLEDGE-BASE car-network;

26 REGELS

27 Wat is een regel? Binnen KAM beschouwen we regels van de vorm: als … dan …

28 Wat is een regel? De algemene manier van noteren van regels is: a  b Een regel brengt twee zaken met elkaar in verband: a heet 'antecedent' en b 'consequent'

29 Elicitatie: De waaromvraag Kinderen in een bepaalde leeftijdscategorie zijn er heel goed in A: Waarom b? E: Omdat a! waarmee de regel a  b boven tafel is gekomen.

30 Regels hebben een richting. maar ze kunnen ook in de omgekeerde richting worden gebruikt. er zijn verschillende soorten redeneringen. We onderscheiden: deductie, abductie en inductie.

31 Deductie is het toepassen van een algemene regel op een specifiek geval: a en a  b dus b

32 Abductie is het in omgekeerde richting toepassen van een algemene regel op een specifiek geval: b en a  b dus a

33 Inductie is het vormen van een algemene regel op basis van een aantal specifieke gevallen.

34 CONNECTION SYMBOLS Modelleren van regels

35 Connection symbols In CommonKADS komen onder andere de volgende relaties tussen a en b voor: – causation – manifestation – indication – implication – bstraction – …

36 Causation is de oorzaak-gevolgrelatie. Het één is de oorzaak van de ander, de ander is het gevolg van het één.

37 Manifestation Manifestation betreft de relatie tussen oppervlakkige of direct observeerbare eigenschappen en dieperliggende of niet direct observeerbare eigenschappen. Het een manifesteert zich als de ander. De ander is een manifestatie van het één.

38 Manifestation

39 Implication en indication zijn algemener van aard – Bij indication duidt het één op de ander. – Bij implication is het één een logisch gevolg van de ander. – Indication is zwakker dan implication

40 Abstraction Bij abstraction is het één een abstractie van de ander, d.w.z. bevat informatie van een hogere graad van abstractie.

41 Dus schrijf geen ‘a  b’ maar: a CAUSES b a HAS MANIFESTATION b a INDICATES b a IMPLIES b a HAS ABSTRACTION b …

42 Opdracht: Vul in x is 67 jaar oud … x is 65+-er. x is een mannetje … x heeft oranje vleugelpunten x heeft iets verkeerds gegeten … x heeft last van buikpijn

43 TRANSFERFUNCTIES Communicatie met de buitenwereld

44 Transferfuntie verschil met inferentie? geen statische kennis! als er redeneren aan te pas komt dan gebeurt dit buiten het kennissysteem.

45 Transferfunctie Een transferfunctie is onderdeel van de taakmethode van het kennismodel Het is een abstractie van de communicatie met de buitenwereld. Typen: receive, obtain, provide, present attributeobtainfeature

46 transferfuncties

47 Nogmaals inferentie kennisrollen domain mappings regeltype regels

48 Hoe koppelen? complaint hypothesis cover causal model ? fuel-tank.status = empty CAUSES engine-behaviour.status = does-not-start battery.status = low CAUSES power.status = off

49 fuel-tank.status = empty CAUSES engine-behaviour.status = does-not-start battery.status = low CAUSES power.status = off antecendent rule type connection symbol verzin een naam: ‘state-dependency’ consequent

50 Definitie van regeltype RULE-TYPE state-dependency ANTECEDENT: invisible-car-state CONSEQUENT: car-state CONNECTION-SYMBOL: CAUSES

51 Domain-mapping RULE-TYPE state-dependency ANTECEDENT: invisible-car-state CONSEQUENT: car-state CONNECTION-SYMBOL: CAUSES complaint hypothesis cover causal model Let op: causale regels worden andersom gebruikt!

52 Regels soms andersom gebruiken (abductie) complaint hypothesis cover causal model fuel-tank.status = empty CAUSES engine-behaviour.status = does-not-start battery.status = low CAUSES power.status = off

53 Domain-mapping RULE-TYPE state-dependency ANTECEDENT: invisible-car-state CONSEQUENT: car-state CONNECTION-SYMBOL: CAUSES complaint hypothesis cover causal model

54 Domain-mapping RULE-TYPE state-dependency ANTECEDENT: invisible-car-state CONSEQUENT: car-state CONNECTION-SYMBOL: CAUSES complaint hypothesis cover causal model dus omdraaien!!!

55 Definitie van domain-mappings KNOWLEDGE-ROLE complaint TYPE: DYNAMIC DOMAIN-MAPPING: car-state KNOWLEDGE-ROLE hypothesis TYPE: DYNAMIC DOMAIN-MAPPING: invisible-car-state etc …

56 Koppeling inferenties en regels Kortom: – een inferentie – heeft kennisrollen – die worden via domain mappings – aan concepten en regeltypes gekoppeld – waarvan de daartoe behorende regels in de kennisbank staan.

57 firma interview – part 4

58

59 Week 46 Week 47 Week 48 Week 49 Week 50 Week 51 Week 52 Week 1 Week 2 Week 3 Week 4 Week 5 College 1 Geen college + opdracht 1 College 2 + opdracht 2 College 3 College 4 + opdracht 3 College 5 kerstvakantie herkansingweek Geen college + Opdracht 4 College 6 Roel van den Broek Eindpresentaties + eindrapport Tentamen


Download ppt "Kennisacquisitie en - modellering Rogier van Eijk college 5 Inferentie en communicatie."

Verwante presentaties


Ads door Google