Mod Appunti Intelligenza Artificiale

INVITOALLIN TEL LI GENZ AARTI FIC IALE
Con il termine intelligenza artificiale si intende generalmente l'abilit di un computer di svolgere funzioni e ragionamenti tipici della mente umana. Lo scopo dellintelligenza artificiale la ricerca automatica di soluzioni di problemi Nel suo aspetto puramente informatico, essa comprende la teoria e le tecniche per lo sviluppo di algoritmi che consentano alle macchine (tipicamente ai calcolatori) di mostrare un'abilit e/o attivit intelligente, almeno in domini specifici. Uno dei problemi principali dell'intelligenza artificiale quello di dare una definizione formale delle funzioni sintetiche/astratte di ragionamento, meta-ragionamento e apprendimento dell'uomo, per poter poi costruire dei modelli computazionali che li concretizzano e realizzano ( in modo "goal-oriented") La domanda al centro del dibattito sull'intelligenza artificiale fondamentalmente una sola: "I computer possono pensare?" Le risposte sono varie e discordi, ma perch abbiano un senso bisogna prima determinare cosa significhi pensare. Ironicamente, nonostante tutti siano d'accordo che gli esseri umani sono intelligenti, nessuno ancora riuscito a dare una definizione soddisfacente di intelligenza; proprio a causa di ci, lo studio dell'IA si divide in due correnti: la prima, detta intelligenza artificiale forte, sostenuta dai funzionalisti, ritiene che un computer correttamente programmato possa essere veramente dotato di una intelligenza pura, non distinguibile in nessun senso importante dall'intelligenza umana. L'idea alla base di questa teoria in auge negli anni 50 il concetto che risale al filosofo empirista inglese Thomas Hobbes, il quale sosteneva che ragionare non nient'altro che calcolare: la mente umana sarebbe dunque il prodotto di un complesso insieme di calcoli eseguiti dal cervello; la seconda, detta intelligenza artificiale debole, sostiene che un computer non sar mai in grado di eguagliare la mente umana, ma potr solo arrivare a simulare alcuni processi cognitivi umani senza riuscire a riprodurli nella loro totale complessit.
Algoritmo In informatica, con il termine algoritmo si intende un metodo per la soluzione di un problema adatto a essere implementato sotto forma di programma. Intuitivamente, un algoritmo si pu definire come un procedimento che consente di ottenere un risultato atteso eseguendo, in un
OPsonline.it la principale web community italiana per studenti e professionisti della Psicologia Appunti desame, tesi di laurea, articoli, forum di discussione, eventi, annunci di lavoro, esame di stato, ecc E-mail: info@opsonline.it Web: http://www.opsonline.it Gestito da Obiettivo Psicologia srl, via Castel Colonna 34, 00179, Roma - p.iva: 07584501006
determinato ordine, un insieme di passi semplici corrispondenti ad azioni scelte solitamente da un insieme finito. Da questa definizione si evincono le quattro propriet fondamentali dell'algoritmo: la sequenza di istruzioni deve essere finita; essa deve portare ad un risultato; le istruzioni devono essere eseguibili materialmente; le istruzioni devono essere espresse in modo non ambiguo.
Esiste una formalizzazione del problema di algoritmo. Un algoritmo viene definito come una sequenza finita di operazioni elementari che preso un valore in input (chiamato istanza) ne genera uno in uscita (chiamato soluzione). Dato dunque un algoritmo A si denota con fA la funzione che associa a ogni ingresso x di A la corrispondente uscita fa(x). Questa corrispondenza tra input e output rappresenta il problema risolto dall'algoritmo. Formalmente un problema una funzione definita su un insieme Di di elementi che chiameremo istanze, a valori su un insieme Ds di soluzioni. L'esecuzione di un algoritmo su un dato input richiede il consumo di una certa quantit di risorse; queste possono essere rappresentate dal tempo di computazione impiegato e dallo spazio di memoria utilizzato. importante saper valutare la quantit di risorse consumate proprio perch un consumo eccessivo pu pregiudicare le stesse possibilit di utilizzo di un algoritmo. Lo studio di un algoritmo viene suddiviso in tre fasi: 1. sintesi (detta anche disegno o progetto): dato un problema f, costruire un algoritmo A per risolvere f, cio tale che f=fa. 2. analisi : dato un algoritmo A ed un problema f, dimostrare che A risolve f, cio f=fa (correttezza) e valutare la quantit di risorse usate da A (complessit concreta). 3. classificazione (o complessit strutturale): data una quantit T di risorse, individuare la classe di problemi risolubili da algoritmi che usano al pi tale quantit. Un algoritmo che risolve un problema si dice corretto. Strutture dati La maggior parte degli algoritmi coinvolge metodi sofisticati per l'organizzazione dei dati utilizzati nelle elaborazioni. Gli oggetti creati con questi metodi vengono chiamati strutture dati. Algoritmi semplici possono richiedere strutture dati complesse e viceversa. Inoltre molte tipologie di algoritmi sono nate per la gestione di strutture dati complesse e per agevolarne la gestione. Esempi di strutture dati sono gli Array, le liste, le code, le pile, gli alberi e i grafi.
Modelli formali Allo scopo di trattare il concetto di algoritmo con strumenti matematici, era necessario darne una definizione pi rigorosa. Questo obiettivo stato realizzato inventando una serie di modelli matematici di algoritmo. Uno dei pi celebri la macchina di Turing. Essa rappresenta una sorta di computer ideale corredato di un programma da eseguire. Rispetto a un computer ideale, la macchina di Turing ha un funzionamento pi semplice, con il vantaggio per che il suo funzionamento facilmente descrivibile in termini matematici, facendo uso di concetti come insieme, relazione e funzione. Inoltre, stato dimostrato che la macchina di Turing tanto potente quanto la macchina di von Neumann, che il modello sottostante a tutti i computer reali. In altre parole, se un certo problema pu essere risolto da un computer (opportunamente programmato), esso pu certamente essere risolto anche da una macchina di Turing. Dopo la macchina di Turing, proposta da Alan Turing nel 1936, altri matematici hanno elaborato rappresentazioni formali del concetto di algoritmo, fra i quali ricordiamo, per esempio, il lambda calcolo. Dopo alcuni anni, emerse che tutti questi modelli erano equivalenti. I problemi che una macchina di Turing poteva risolvere erano gli stessi che poteva risolvere una macchina di von Neumann e anche gli stessi che poteva risolvere una funzione costruita col lambda calcolo. Da questi risultati, tra l'altro, scatur la tesi di Church-Turing, che afferma che qualsiasi algoritmo modellabile con una macchina di Turing. In altri termini, questa tesi sostiene che sostanzialmente impossibile cercare di immaginare un modello di algoritmo pi potente e anche, come corollario, che nessuna macchina potr mai risolvere problemi che una macchina di Turing non possa risolvere in linea di principio. Ovviamente, non si tratta di un teorema, in quanto la tesi stabilisce l'eguaglianza di due concetti (algoritmo e macchina di Turing) di cui solo il secondo ha una definizione formale. La tesi ancora oggi generalmente condivisa, sebbene nuove ricerche nel settore dell'ipercomputazione sembrino volte a metterla in discussione.
1. Cenni storici - Test di Turing: il calcolatore pu mostrare comportamento intelligente? Turing propone il seguente criterio: se una macchina pu sostenere una conversazione (scritta) senza mai svelare la propria natura di macchina, allora le si pu attribuire intelligenza - 1956 John McCarthy introduce il termine intelligenza artificiale e assume che teoricamente ogni aspetto dellapprendimento o qualsiasi altra caratteristica dellintelligenza pu essere descritto in maniera tanto precisa da permettere la costruzione di una macchina che lo simuli. Dimostrazione di teoremi Gli studiosi si sono interessati allintelligenza artificiale per la possibilit di costruire macchine capaci di ragionare, cio di trarre conclusioni logiche. Il ragionamento logico costruisce teoremi a partire da frasi ritenute vere (assiomi). Un dimostratore di teoremi funziona analogamente a un programma per calcoli numerici, solo che al posto dei numeri deve poter rappresentare e manipolare simboli. A partire da piccole strutture
iniziali definite dal programma, si arriva a collaudare idee e risolvere problemi complessi. Studio dei giochi soluzione automatica di problemi. generazione di stati Ernst Newell 1969 General Problem Solver Limite dellapprendimento Un sistema artificiale non pu essere considerato intelligente se non apprende nuovi concetti e metodi di soluzione di problemi sulla base della sua percezione del mondo che lo circonda e di riflessioni sul suo comportamento Artur Samuel anni 60 creazione di un programma per il gioco della dama capace di apprendere. Esso infatti si automodificava in modo da migliorare le proprie prestazioni. Elaborazione e comprensione del linguaggio naturale anni 50 tentativi fallimentari di programmi per la traduzione 1966 ELIZA (Weizenbaum) il programma simula il comportamento di uno psicoterapeuta rogersiano formulando frasi innescata dalla rilevazione di parole chiave. poco convincente. Secondo le parole di Minsky, dopo il 1962 l'IA cambia le sue priorit: essa d minore importanza all'apprendimento, mentre pone l'accento sulla rappresentazione della conoscenza e sul problema ad essa connesso del superamento del formalismo finora a disposizione e liberarsi dalle costrizioni dei vecchi sistemi. I punti cardine di questa ricerca sono gli studi di Minsky sulla rappresentazione distribuita della conoscenza, quella che viene chiamata la "societ delle menti", e il lavoro di John McCarthy sulla rappresentazione dichiarativa della conoscenza. Quest'ultima viene espressa formalmente mediante estensioni della logica dei predicati e pu quindi essere manipolata facilmente. Con i suoi studi sul "ragionamento non monotono" e "di default", McCarty contribuisce a porre gran parte delle basi teoriche dell'IA. ANNI 70 Viene messo a fuoco laspetto particolare dellintelligenza che consiste nella capacit di conservare conoscenze e organizzarle in modo tale da poterle ritrovare. Problema della definizione di metodi e formalismi per la rappresentazione della conoscenza, dove conoscenza intesa come tutto ci che si conosce relativamente a un dato problema. La svolta: possibile costruire un sistema altamente efficiente attraverso la rappresentazione esplicita della conoscenza relativa a un dominio applicativo specifico. Nozione di sistema basato sulla conoscenza, sistema che incorpora una rappresentazione esplicita di una data conoscenza e la utilizza nella ricerca automatica di soluzioni di problemi nel dominio.
Primo sistema basato sulla conoscenza: SHRDLU (Winograd). Il sistema possiede una conoscenza di un piccolo mondo di oggetti tridimensionali ed in grado di rispondere e reagire a domande sottopostegli in linguaggio naturale (primo successo nel campo dellelaborazione del linguaggio naturale) Lapproccio dellintelligenza artificiale consiste ora nel trattamento altamente specializzato di problemi su domini molto ristretti: ci consente di costruire sistemi dalle elevate prestazioni (sistemi esperti). I sistemi esperti hanno sostituito i sistemi di produzione per via delle difficolt incontrate da questi ultimi, con particolare riferimento alla necessit di fornire inizialmente la conoscenza in forma esplicita e la poca flessibilit delle regole di produzione. Questi sistemi, di cui Dendral il pi rappresentativo, mostrano le enormi possibilit offerte da un efficace sfruttamento di (relativamente) poche basi di conoscenza per programmi capaci di prendere decisioni o fornire avvisi in molte aree diverse. In pratica l'analisi dei dati stata razionalizzata e generalizzata. Un sistema esperto competente (non intelligente), si basa su una rappresentazione esplicita della conoscenza (contenuta in una base di conoscenza, analoga ad una banca dati) e sulluso di algoritmi di soluzione automatica (chiamati motori inferenziali) che usano tale conoscenza. Lassociazione del motore inferenziale alla base di conoscenza permette di costruire soluzioni a problemi complessi, rendendo esplicite conoscenze che sono conseguenze di quelle contenute nella base di conoscenza. Sistemi basati sulla conoscenza (sistemi esperti): Feigenbaum: Heuristic Dendral (struttura molecola) MYCIN (diagnosi mediche del sangue) McDermott: R1
Si pone ora il problema del trattamento dell'incertezza, che parte costituente della realt e delle problematiche pi comuni. Mycin introduce l'uso di "valori di certezza": un numero associato a ciascun dato e che viene calcolato per la nuova conoscenza inferita. Malgrado ci, le difficolt nel trattare correttamente l'incertezza portano ad abbandonare l'uso di sistemi a regole per avvicinarsi a quella che la moderna IA.
ANNI 80 Grande richiesta di sistemi esperti in molti domini. Negli anni 80 il tema centrale dellIntelligenza Artificiale ancora la rappresentazione della conoscenza: dibattito tra sostenitori di una rappresentazione procedurale-algoritmica e una rappresentazione dichiarativa. rappresentazione procedurale-algoritmica si pone lenfasi sulle procedure di soluzione di problemi
rappresentazione procedurale rappresentazione dichiarativa si tende a separare la conoscenza sugli oggetti che costituiscono il dominio del problema e sulle relazioni che li legano dalle procedure che risolvono il problema. formalismo dichiarativo Formalismo: linguaggio di rappresentazione che unisce alla sintassi uniforme una semantica chiara e rigorosa. Problema delluso della logica classica in sistemi di intelligenza artificiale: la logica non adeguata alla rappresentazione della conoscenza e del ragionamento di senso comune Sviluppo di formalismi specifici. es. ragionamento temporale Very Large Knowledge Bases: utilizzo di basi di conoscenza molto grandi per testare le soluzioni efficaci per sistemi piccoli
DIBATTITO ATTUALE Tentativo di sviluppare sistemi che simulino la percezione umana. Dibattito tra sostenitori dellapproccio logico-simbolico e i sostenitori delle metodologie sub-simboliche. Per metodologie sub-simboliche si intendono quelle che permettono unelaborazione a un livello pi basso di quello dei simboli di un sistema formale, es. uso di reti neurali. Lapproccio logico-simbolico adeguato nei compiti di ragionamento preciso e uso di conoscenza strutturata, mentre lapproccio sub-simbolico adeguato in compiti di percezione, ragionamento in presenza di incertezza, ecc.
2. Risoluzione automatica di problemi La risoluzione automatica di problemi, denota quellarea dellIntelligenza Artificiale dedicata alla ricerca di metodi per la soluzione di particolari classi di problemi: scacchi, rompicapo, dimostrazione automatica di teoremi, ecc. Tecnica fondamentale: ricerca automatica di soluzioni, esame di un ampio insieme di possibilit alternative. Ci pu essere possibile quando le alternative sono poche, se sono molte il problema definito computazionalmente intrattabile. E possibile agire restringendo il campo delle alternative, scegliendo quelle che con un maggior grado di probabilit conterranno la soluzione. La scelta guidata dalluso di un qualche tipo di euristica, cio una conoscenza specifica sul dominio che consente di trovare la soluzione senza bisogno di dover condurre un esame esaustivo di tutte le alternative. SPAZIO DEGLI STATI
- Stato: rappresentazione di una possibile configurazione di oggetti pertinenti al problema - Operazioni di transizione di stato: consentono di passare da uno stato a un altro - Spazio degli stati: insieme di tutte le possibili situazioni raggiungibili nel corso del processo di soluzione di un problema, assieme alle azioni che determinano il passaggio da uno stato a un altro. Un problema specificato determinando uno stato iniziale, un insieme di stati finali e un insieme di transizioni di stato che trasformano uno stato in un altro. Una soluzione data da una sequenza di transizioni che portano dallo stato iniziale a uno stato finale.
RICERCA CIECA Lo spazio degli stati in generale rappresentabile mediante un grafo: un grafo costituito da un insieme di oggetti chiamati nodi (stato del problema) e da una relazione di collegamento tra i nodi detta arco (applicazione delloperatore che fa passare da uno stato a un altro). es. op: S1 S2 Una ricerca un attraversamento di un grafo, deve trovare un cammino da un nodo iniziale a un nodo finale. Diverse strategie di ricerca in base al diverso ordine in cui possono essere generati ed esaminati i nodi: Forward chaining: ricerca in avanti o guidata dai dati, a partire dallo stato iniziale op: Si Sk Backward chaining: ricerca allindietro o guidata dallobiettivo, si parte da una delle possibili soluzioni op: Sk Sf Strategia mista (fra le due precedenti): bidirezionale o opportunistica Ricerca in profondit (depth first search). Ricerca sistematica che permette di provare tutte le alternative in modo ordinato, purch il mondo non sia infinito. Ricerca in ampiezza (breadth first search). Ricerca che permette di trovare una soluzione partendo dallesame dei percorsi pi brevi Le strategie di ricerca in ampiezza e in profondit sono cieche, nel senso che utilizzano approcci esaustivi che non vedono dove stanno andando. Lordine di visita dei nodi fissato a priori senza sfruttare alcuna conoscenza, dunque sono tipi di ricerca che possono perdere molto tempo a cercare in direzioni totalmente sterili. RICERCA EURISTICA Un metodo di ricerca informato sfrutta la conoscenza specifica sul dominio in esame consentendo di ottenere risultati soddisfacenti anche in problemi di grandi dimensioni. Tale conoscenza detta euristica e permette di selezionare solo i cammini pi promettenti. Funzione di valutazione euristica: associa a ogni nodo dello spazio degli stati un valore numerico, un peso, che rappresenta la desiderabilit dello stato corrispondente. Ricerca best first (ordinata): a ogni passo viene privilegiato il nodo con la funzione di valutazione migliore
Algoritmo A*. E utilizzato largamente nelle ricerche euristiche, trova sempre il cammino pi breve tra lo stato iniziale e lobiettivo ogniqualvolta la funzione di valutazione euristica per ciascun nodo N non superi la distanza reale tra N e lobiettivo. GIOCHI Es. dama, backgammon, go. La caratteristica di tali giochi che un vantaggio di un giocatore corrisponde a una perdita in egual misura dellatro giocatore. Dunque in ogni stato si devono considerare le mosse possibili del giocatore di turno e le possibili contromosse dellavversario, valutandone le conseguenze ALBERI La radice il nodo rappresentato in alto dal quale ha origine tutto lalbero. Per raggiungere ogni altro nodo esiste un cammino (ramo) che collega la radice ad esso. Un albero non contiene cicli, cio non voi sono cammini che partendo da un nodo ritornano al nodo stesso. I punti terminali dellalbero si chiamano foglie e sono nodi che non hanno figli. GRAFI AND/OR In alcuni problemi necessario risolvere tutti i sottoproblemi per risolvere il problema complessivo es. SPOSTARSI PRENDERE UN TAXI PRENDERE LA MACCHINA PRENDERE LE CHIAVI IN GARAGE La radice dellalbero, che rappresenta il problema iniziale, collegata a due figli, che sono in OR tra loro: per risolvere il problema iniziale sufficiente scegliere di risolvere uno dei due problemi figli. Il nodo 2 ha invece due figli i cui archi sono collegati tra loro, sono in AND, devono cio essere risolti entrambi perch sia risolto il problema del nodo genitore. ANALISI MEZZO-FINE General Problem Solver (Newell, Shaw, Simon). Il problema analizzato in termini di stati e operatori che consentono di trasformare uno stato in un altro. Una soluzione del problema consiste in una successione di operatori la cui applicazione in cascata
ANDARE
trasforma lo stato iniziale nello stato finale. La ricerca della soluzione avviene con lidentificazione di una differenza tra stato attuale e stato finale e, conseguentemente, nella scelta e nellapplicazione di un operatore rilevante per ridurre tale differenza. lidentificazione e riduzione delle differenze viene ripetuta fino a ottenere lo stato finale. Il calcolo delle differenze si basa su una funzione che deve essere definita a priori a seconda del dominio di applicazione (vedi esempio Robbie). SODDISFACIMENTO DI VINCOLI Vincolo: relazione tra due o pi elementi che deve essere soddisfatta o mantenuta valida. La costruzione della soluzione procede per cicli. Durante ciascun ciclo si propagano i vincoli esistenti, finch possibile, a tutti gli oggetti, cio si esplicitano le loro conseguenze.
3. Rappresentazione della conoscenza Un sistema basato sulla conoscenza incorpora una rappresentazione esplicita della conoscenza relativa ai problemi da risolvere. Una rappresentazione di una conoscenza un modo schematico di conservare le informazioni a essa relative, mettendo in rilievo alcuni particolari e omettendone altri che non sono rilevanti; inoltre cruciale la scelta del modo in cui rappresentare le informazioni relative a un dato problema. I metodi formali per la rappresentazione della conoscenza sono basati sulluso di oggetti formali (simboli), che possono essere trattati astraendo dal loro collegamento con la realt (la loro interpretazione o il loro significato), in base soltanto alla loro forma. Le espressioni formali sono interpretabili nella realt da rappresentare, mediante regole di interpretazione che associano a esse un significato in modo non ambiguo. Le principali caratteristiche dei sistemi di rappresentazione formali sono la precisione e lastrazione dal significato, che li rendono linguaggi adeguati per comunicare con le macchine. La conoscenza relativa al dominio descritto viene esplicitamente rappresentata in una base di conoscenza, mentre lattivit di soluzione automatica di problemi viene delegata al motore inferenziale. Lassociazione del motore inferenziale alla base di conoscenza permette di costruire soluzioni a problemi complessi, rendendo esplicite conoscenze che sono conseguenze di quelle contenute nella base di conoscenza (vedi esempio pag. 61). Descrizione dei formalismi fondamentali utilizzati per la rappresentazione della conoscenza Regole di produzione: rappresentano il primo tentativo di separazione della conoscenza dal controllo Formalismi dichiarativi: logica, reti semantiche, frame
Nessuno dei formalismi pu essere considerato il migliore in assoluto, ma piuttosto i diversi approcci possono essere confrontati rispetto a vari criteri. McCarthy individu tre fondamentali criteri di adeguatezza: metafisica, epistemologica ed euristica. adeguatezza metafisica: capacit di un formalismo di costruire modelli della realt conservando una stretta corrispondenza con gli oggetti rappresentati adeguatezza epistemologica: facilit con cui il formalismo pu essere utilizzato per rappresentare la conoscenza adeguatezza euristica: misura in cui la conoscenza espressa nel formalismo si presta a essere sfruttata per la ricerca automatica di soluzioni REGOLE DI PRODUZIONE Il sistema di rappresentazione della conoscenza basato sulle regole di produzione stato molto usato nella costruzione di sistemi esperti. In un sistema a regole la conoscenza parcellizzata e ogni porzione di essa rappresentata da una regola (di produzione) della forma: Se condizione allora conclusione e/o azione Un sistema a regole di produzione caratterizzato da tre componenti: memoria di produzione, memoria di lavoro e interprete delle regole.
Problema
MEM ORIA DI PROD UZIO NE Soluzione
INT ERP RET E
ME MO RIA
La memoria di produzione contiene le regole. Nella memoria di lavoro sono rappresentate le informazioni interessanti relative alla situazione attuale, per esempio i dati relativi al problema da risolvere e la parte di soluzione su cui il sistema lavora per costruire la soluzione finale. Linterprete delle regole ricerca nella memoria di produzione tutte le regole la cui parte di sinistra (le condizioni) soddisfatta dal contenuto della memoria di lavoro. Tra le regole applicabili ne viene scelta e applicata una soltanto. Lapplicazione di una regola modifica il contenuto della memoria di lavoro
in accordo con ci che espresso nella parte destra (la conclusione) di tale regola. Il ciclo si ripete finch si perviene a una soluzione oppure non vi sono pi regole applicabili. Quando linterprete si trova a dover risolvere un conflitto, cio a scegliere quale delle regole applicabili va eseguita, ha a disposizione una strategia: ad esempio un principio spesso adottato stabilisce che sia preferita una regola meno generica rispetto ad unaltra. A volte tali principi sono incorporati nellinterprete delle regole, ma in altri sistemi essi sono dichiarati esplicitamente come meta-regole, cio regole relative alla modalit di applicazione di altre regole. Questa una rappresentazione della conoscenza di tipo euristico, che ha forma di meta-conoscenza, cio conoscenza sulla conoscenza; essa fornisce al sistema una guida su come usare la conoscenza sul dominio, quindi orienta la ricerca automatica delle soluzioni, rendendola significativamente pi efficiente di una ricerca cieca e uniforme. - In un sistema a regole, la meta-conoscenza rappresentata mediante meta-regole. LOGICA DEI PREDICATI La logica lo studio del ragionamento dal punto di vista formale, indipendente cio dal suo contenuto. I ragionamenti espressi seguono la regola: Se A allora B. A. Quindi B. Il calcolo dei predicati si basa su una semplice grammatica, che permette di costruire formule (o frasi o espressioni); alle formule corrette associato un significato attraverso un meccanismo di interpretazione (o semantica), per cui esse risultano vere (o false) in un determinato dominio. Nel calcolo dei predicati definito un apparato deduttivo, che descrive le forme di ragionamento corretto per mezzo di un insieme di regole di inferenza; queste consentono di dedurre in modo logicamente corretto nuove formule a partire da un insieme di formule date. Dedurre in modo logicamente corretto significa: SE le formule di partenza (premesse della regola) sono tutte vere, ALLORA anche la nuova formula dedotta (conclusione) vera.
Grammatica: insieme finito di regole che descrivono la struttura delle espressioni, quindi permette di riconoscere quelle corrette da quelle scorrette. Linguaggio logico: costituito da un insieme di simboli, alcuni dei quali sono patrimonio comune a tutti i linguaggi, altri sono specifici del linguaggio particolare. Proposizione semplice (o atomica): asserisce lesistenza di una relazione tra oggetti Termini: denotano oggetti Predicati (o costanti predicative): denotano propriet e relazioni Formula atomica: costituita da un predicato applicato a uno o pi termini Connettivi proposizionali: negazione logica disgiunzione (oppure)
congiunzione (e) implicazione Una formula si dice tautologica o logicamente valida se essa sempre vera, comunque si interpretino le costanti predicative e individuali che occorrono in essa.

.... vedi esempio assassino Quantificatore universale: Quantificatore esistenziale:
Teoria logica: costituita da assiomi, cio assunzioni esplicite di base su quel che vero nel mondo che si vuole descrivere. Tutto il resto pu essere da esse derivato.
Un sistema logico fornito di un apparato deduttivo, cio un insieme di regole che permettono di dedurre nuove formule a partire dagli assiomi di una teoria, con la garanzia che le formule derivate (teoremi) sono vere secondo ogni interpretazione in cui sono veri gli assiomi. finisci 77-80
RETI SEMANTICHE E FRAMES
Reti semantiche e Frames sono formalismi che permettono descrizioni strutturate della conoscenza: sebbene siano nati separatamente, si sono andati sempre pi fondendo, infatti i nodi di una rete semantica sono spesso strutturati in forma di frame.
RETI SEMANTICHE
Lespressione rete semantica risale al 1966, stata introdotta da Quillian per indicare la rappresentazione del significato di parole (semantica) mediante le relazioni che le collegano ad altre parole, come in una rete. Nelle reti semantiche si conserva la semplicit degli oggetti primitivi e si introduce una rappresentazione esplicita delle relazioni che le collegano: la base di conoscenza vista come una collezione di oggetti e relazioni binarie tra essi.
Il sistema di rappresentazione della rete semantica basata sui grafi, un insieme di formule logiche costituite ciascuna da un predicato applicato a due argomenti. Es:
-un -un su su
-un
argomento f
argomento
i n
Arco: (frecce) oltre a rappresentare una relazione, uno strumento di organizzazione e strutturazione della conoscenza Nodi: (rettangoli)
Caratteristiche fondamentali delle reti semantiche: - La struttura stessa che rappresenta le conoscenze viene utilizzata come guida nella ricerca di informazioni rilevanti per svolgere un determinato compito. - Contengono solo relazioni binarie - Vantaggio rispetto al linguaggio logico: permette di assegnare un significato al ruolo di ciascun argomento (nel ling. logico dipende dalla sua posizione). Nel linguaggio logico il numero di argomenti fissato, a una rete semantica possono essere aggiunti nodi e archi. - Svantaggio rispetto al linguaggio logico: costruzione pi complessa - Archi Instance of o Member-of: la corrispondente relazione viene denominata classificazione. es. Giovanni una istanza della classe degli studenti
- Relazione di generalizzazione. es. studenti una sottoclasse di persone. rappresentata con un arco is-a - Una relazione tra una parte e il tutto, detta di aggregazione, denotata dallarco partof. es. persona formata da braccia, gambe, testa... - Concetto di ereditabilit. Alcune propriet di una classe possono essere definite specifiche per quella classe, quindi non ereditabili, mentre altre possono essere definite come ereditabili dalle classi pi specializzate che sono a essa legate in una gerarchia isa o dagli oggetti che di tale classe sono istanze. Ogni propriet viene rappresentata una sola volta, associata alla classe pi generale, e viene poi ereditata da tutte le sue sottoclassi.
Conclusione: il potere espressivo delle reti semantiche non maggiore di quello della logica, la strutturazione dalla rappresentazione consente comunque di definire meccanismi di deduzione specializzati che la rendono pi efficiente.
FRAMES
Nel 1975 Minski ipotizz che la comprensione di una realt (o di un testo in linguaggio naturale) potesse consistere fondamentalmente nel confrontare linformazione da interpretare con una conoscenza strutturata di ci che normalmente avviene. Utilizz il termine frame per indicare gli schemi di interpretazione che permettono di inquadrare situazioni, eventi o oggetti particolari. Un frame una struttura che individua linsieme di informazioni necessarie per caratterizzare un oggetto. es.frame di elefante
Frame: Elefante Sottoclasse-di: Animale, Mezzo-di-Trasporto Sottoclassi: Elefante-Africano, Elefante-Asiatico Colore: Valore-di-default: Grigio Peso: Valore-massimo:6 tonnellate Altezza: Valore-massimo: metri 3,50
Parti: slot
Proboscide,
Zanne
Il frame ha campi (slot) per le entit che giocano un ruolo nello stereotipo, relazioni tra questi campi, e la specifica dei valori di default per essi, cio dei valori che si assumono validi in assenza di informazioni contrarie.
possibilit di rappresentare propriet che valgono tipicamente, cio quasi sempre, e per le quali comunque possono esistere eccezioni I frame sono uno strumento per organizzare la conoscenza in una forma che faciliti il reperimento e linferenza di propriet e che inoltre permetta linterpretazione di nuovi dati in termini di conoscenza relativa a situazioni simili. Secondo il paradigma di frame, una base di conoscenza un insieme di frame legati da relazioni come in una rete semantica, ma anche correlati secondo principi pi laschi (non rigidi) come la somiglianza tra due frame (es. usati per automatizzare la comprensione di metafore e analogie). La maggior parte dei sistemi esistenti in cui la conoscenza rappresentata mediante frame consentono di mescolare negli stessi frame conoscenze di tipo dichiarativo con informazioni di tipo procedurale
Non esiste un formalismo che sia in assoluto migliore di altri, per questo vengono costruiti sistemi ibridi. Es. ART, KEE, ecc.
4. Ragionamento automatico Accanto al formalismo di rappresentazione necessario specificare come le informazioni debbano essere trattate; un formalismo permette di creare strutture che devono essere poi interpretate e manipolate da un agente esterno. Ci vale per qualsiasi formalismo, ma i metodi di elaborazione pi sofisticati e diversificati sono quelli per il trattamento di informazioni rappresentate mediante formalismi logici. Per specificare una logica non basta stabilire le regole per la costruzione delle formule, ma bisogna anche stabilire qual linsieme di regole (apparato deduttivo) che permette di derivare nuove formule da altre formule. Lautomazione di un apparato deduttivo costituisce un sistema per fare ragionamento in modo automatico.
Per automatizzare il ragionamento logico necessario definire un metodo meccanico per eseguire dimostrazioni. Esempio: - T una teoria logica che rappresenta le conoscenze su un dato dominio - Si deve determinare se una formula A un teorema della teoria T. - Perch questo tipo di problema sia risolubile in modo meccanico occorre avere una procedura automatica che determini se esiste una dimostrazione di A a partire dagli assiomi di T Questo tipo di problemi in generale semidecidibile, cio non sempre in grado di dare una risposta: qualsiasi procedura pu infatti trovarsi di fronte a qualche A e T che la fanno entrare in un ciclo di calcoli che non termina mai e che dunque non porta a nessuna risposta. Tuttavia le procedure migliori garantiscono che ci pu accadere soltanto nel caso in cui a non sia un teorema di T. DECIDIBILITA E SEMIDECIDIBILITA Supponiamo che sia un problema del tipo: Dato un oggetto x di una certa classe C, determinare se x gode della propriet P oppure no.Una procedura di decisione di un procedimento automatico che risolve , cio che dato un qualunque elemento x della classe C determina se x ha la propriet P oppure no.Un problema decidibile se esiste una procedura di decisione per esso. semidecidibile se esiste un procedimento automatico che, dato un qualunque elemento x della classe C che gode della propriet P, riconosce che x gode di P; tuttavia non si pu prevedere il suo comportamento nel caso in cui per x non valga la propriet P
RAGIONAMENTO CLASSICO E il ragionamento tipico della matematica che presuppone lesistenza di un mondo di oggetti statico (atemporale), del quale si rappresentano propriet che sono certamente o vere o false e del quale non interessa altro che dichiarare ci che vero. Per la logica classica si possono definire diversi sistemi deduttivi, tra loro equivalenti nel senso che permettono di derivare gli stessi teoremi. Uno dei metodi di dimostrazione automatica per il calcolo dei predicati la procedura di risoluzione introdotta da Robinson nel 1965. Il metodo di risoluzione caratterizzato dalluso di ununica regola di inferenza, che, nel caso del semplice calcolo proposizionale corrisponde a un Modus Ponens generalizzato, cio a uninferenza della forma. AB equivalente a: AC BC
AB BC AC
Dalle premesse alla conclusione c stata una cancellazione del simbolo B. Questa regola alla base del principio di risoluzione di Robinson che, nel caso del calcolo dei predicati, combinato con applicazioni guidate della regola di particolarizzazione, che permette di dedurre da una formula universale x A(x) una sua qualsiasi istanza A(t). Il sistema di risoluzione consente di verificare se una determinata formula derivabile in una teoria e ci avviene mediante refutazione, cio per assurdo. Il ragionamento pe assurdo piuttosto abituale: se si vuole provare A, si dimostra che dal contrario di A seguirebbe una contraddizione. Analogamente se si vuole verificare una formula A derivabile nella teoria T si verifica se laggiunta di A a T genera una contraddizione. La risoluzione un metodo generale che dunque permette di determinare se un insieme di formule genera una contraddizione. vedi esempio, forma a clausole 98-100 La macchina ragiona in modo tale da produrre un risultato soddisfacente, ma il modo in cui arriva a tale soluzione molto pi complesso e quasi disorientante per una mente umana. Questione cruciale per lintelligenza artificiale: opportuno riprodurre una funzionalit piuttosto che la modalit di funzionamento (cio si pu anche non tener conto del funzionamento della mente umana)? La risoluzione un metodo di funzionamento corretto e completo: ogni formula dimostrabile per risoluzione da una teoria T effettivamente una conseguenza logica di T (correttezza) e mediante la risoluzione dimostrabile qualsiasi conseguenza logica di T (completezza). Spesso, tuttavia, lapplicazione del metodo di risoluzione per la soluzione di problemi complessi non di fatto praticabile, a causa dellalto numero di passi che possono essere necessari per trovare una soluzione. E possibile applicare delle restrizioni che rendano la risoluzione pi raffinata ed efficiente RAGIONAMENTO MODALE E TEMPORALE Per rappresentare ragionamenti pratici o di senso comune necessario utilizzare formalismi differenti da quello logico. I formalismi modali sono unestensione di quello classico e permettono di esprimere non solo se una proposizione vera, ma anche in che modo essa vera. Sono modalit ad esempio la necessit, la possibilit, lobbligatoriet, ecc.: modalit diverse sono caratterizzate in una logica descrivendone il comportamento e le peculiarit. Uno degli usi tradizionali del formalismo modale quello che consente di rappresentare conoscenze con riferimenti temporali. Il ragionamento temporale connesso al ragionamento su azioni ed eventi ed strumentale alla costruzione di piani di azioni volti al raggiungimento di determinati obiettivi. Laspetto temporale pu essere rappresentato per mezzo di operatori modali: le logiche temporali modali estendono la logica classica con operatori quali , e o, dove A significa A sempre vero (da ora in poi), A significaA sar vero, prima o poi, oA significa A sar vero, nel prossimo istante temporale.
Tali operatori vengono infatti interpretati in una struttura che consiste in un insieme discreto di intervalli temporali o mondi, ciascuno dei quali una fotografia di un determinato istante temporale. I mondi formano una successione lineare: Ogni istante temporale un mondo classico: ogni proposizione che non contenga operatori temporali vera o falsa in un determinato istante. Per formalizzare ragionamenti di senso comune a volte opportuno fare riferimento esplicito allaspetto temporale. E possibile utilizzare due approcci diversi: 1.Modificare il linguaggio utilizzato in modo da poter trattare il tempo nellambito della logica classica. Consiste nellaggiungere un argomento a ogni predicato per permettere di fare riferimento al tempo. Es. parte (t,treno,Torino) significa che il treno parte per Torino nellistante t. 2.Basarsi sulla logica classica e sulla reificazione delle proposizioni, che vengono trattate come oggetti di cui si parla, utilizzando predicati i cui argomenti siano termini rappresentanti proposizioni. es. vale (p,t) significa p vale nel momento t. RAGIONAMENTO SULLA CONOSCENZA E SUL RAGIONAMENTO Un sistema di intelligenza artificiale possiede conoscenza sul mondo ed in grado di ragionare su tale conoscenza: per mezzo di una procedura di inferenza, il sistema estrae dalle conoscenze rappresentate nella base di conoscenza nuove conoscenze in esse contenute implicitamente.. Vi sono situazioni in cui un sistema deve essere in grado di considerare come oggetto di esame la propria conoscenza e i propri ragionamenti, per estrarre da essi nuove informazioni. In intelligenza artificiale sono stati studiati essenzialmente tre tipi di approccio per rappresentare la conoscenza sulla conoscenza (meta-conoscenza) e il ragionamento sul ragionamento e sulla conoscenza (meta-ragionamento): Logiche modali epistemiche: loperatore K indica ci che lagente conosce: KA lagente sa che A vero BA lagente crede che A vero critica: si basa sullassunzione che lagente un ragionatore perfetto (onniscienza logica) Logica classica con reificazione delle proposizioni Architetture di meta-livello Fin qui le forme di ragionamento esaminate hanno in comune la certezza della deduzione. In ogni inferenza (corretta) di tipo deduttivo la verit delle premesse condizione sufficiente per assicurare la verit della conclusione. Non sempre il ragionamento di senso comune gode di questa propriet, es. ragionamento che coinvolge valori di default. RAGIONAMENTO NON-MONOTONO
Assunzione di mondo chiuso: il mondo racchiuso completamente nella descrizione che ne viene data. Ragionamento non monotno: laggiunta di nuove informazioni pu modificare la correttezza della conclusione. La stessa propriet caratterizza il ragionamento per default, condotto sulla base di ipotesi della forma generalmente vale A. Il ragionamento che utilizza assunzioni su ci che vale normalmente (default), in assenza di informazioni contrarie segue lo schema: A non dimostrabile e normalmente vale A A esempio uccelli pag.113 e seguenti Il ragionamento non monotono un esempio in cui la conclusione non una conseguenza logica delle premesse; lincertezza dellinferenza non monotona dovuta allincompletezza delle informazioni. RAGIONAMENTO ABDUTTIVO E un tipo di inferenza in cui la verit della conclusione non conseguenza certa della verit delle premesse, dunque lo schema logico del ragionamento abduttivo in qualche modo contrapposto a quello del Modus Ponens, inverte cio la relazione naturale tra causa ed effetto. Questo tipo di ragionamento non logicamente corretto e pu Se essere A confutato. Es. Se nessuno in casa, nessuno risponde al allo telefono ra A casa Rossi non risponde nessuno al telefono Quindi a casa Rossi non c nessuno Dato il contesto si pu dire che la conclusione la spiegazione pi probabile o la pi semplice. Labduzione, nonostante la sua non correttezza, molto usata nelle attivit umane comuni: es. se viene chiesto: hai lorologio? si deduce che perch vuole sapere lora. Il sistema esperto MYCIN (degli anni 70) che effettua diagnosi di malattie infettive si pu considerare il primo che affronta il problema della generazione automatica di ipotesi a partire da un insieme di osservazioni. MYCIN utilizzava per uno schema deduttivo, con regole del tipo SE sintomo ALLORA causa, cosicch lesistenza di una determinata patologia poteva essere dedotta con un determinato grado di certezzadalla presenza dei sintomi. Il ragionamento abduttivo viene cio formalizzato secondo uno schema deduttivo, con laggiunta di fattori di certezza associati a ciascuna proposizione e regole che determinano come calcolare il fattore di certezza di una conclusione in base ai fattori di certezza delle premesse e della regola stessa.
La caratterizzazione del ragionamento abduttivo come generazione di spiegazioni o ipotesi coinvolge diversi concetti. - Innanzitutto la necessit di ricercare spiegazioni sorge quando si verifica un evento non normale, dunque una teoria dellabduzione deve definire esattamente cosa si intende per anormalit o malfunzionamento. - Dato un problema abduttivo caratterizzato da una teoria T e unosservazione B, una spiegazione per esso una formula A che, aggiunta a T, consenta di derivare B. Occorre selezionare spiegazioni A ragionevoli tra tutte quelle che possono spiegare B in base a T, si introduce dunque il concetto della plausibilit, cio dellinsieme di criteri che possono portare a preferire una spiegazione ad unaltra. - Non contraddittoriet con la teoria APPRENDIMENTO AUTOMATICO E RAGIONAMENTO INDUTTIVO Lapprendimento pu essere considerato una forma di inferenza: un determinato insieme di informazioni sul dominio di interesse viene esteso con laggiunta di nuove informazioni estratte da esso. Esistono varie forme di apprendimento (deduttivo, per analogia, per generalizzazione, per osservazione diretta, per aggregazione di dati osservati, ecc.) e di conseguenza diverse forme di inferenza caratterizzano lapprendimento. Apprendimento per scoperta AM (Automated Mathematics) un programma scritto da D. Lenat. Linformazione iniziale fornita da AM era la descrizione di un centinaio di concetti di base della teoria degli insiemi nella forma di funzioni LIPS. Oltre a queste nozioni, AM conteneva la codifica di qualche principio di base su come si fa matematica; ad esempio, conteneva linformazione che modificare e manipolare qualche dettaglio di concetti gi scoperti avrebbe portato probabilmente a inventare nuovi concetti interessanti. Infatti AM scopr i numeri, interi, la moltiplicazione, i numeri primi,ecc. In seguito Lenat svilupp un nuovo programma, EURISKO, che venne usato in un gioco di strategia: EURISKO impar strategie di gioco giocando contro se stesso e giunse perfino a vincere un torneo nazionale. Nonostante i risultati di AM e EURISKO, non ne sono emersi metodi generali applicabili a problemi di interesse pratico, e non hanno dunque avuto seguito.
Apprendimento per ragionamento induttivo Si cerca di estrarre una regola generale da un insieme di esempi particolari. Es. Tutti i corvi avvistati fino a oggi sono neri. Quindi tutti i corvi sono neri La verit della conclusione soltanto plausibile e supportata dallelevato numero di casi finora osservati. La conlusione non una conseguenza logica della premessa, dunque il ragionamento logicamente non corretto e pu essere confutato. Linduzione tuttavia uno dei meccanismi di apprendimento fondamentali.
Automatizzare lapprendimento induttivo significa concepire un programma che, in base a una serie di esempi di una certa classe U, costruisca uno schema che serva a classificare correttamente esempi successivi. La propriet di correttezza approssimata delle conclusioni indotte rappresenta la probabilit che la conclusione sia vera, qualora sia applicata a un elemento qualsiasi di U. La maggior parte degli algoritmi per il ragionamento induttivo pone delle restrizioni sulla forma sintattica della proposizione che pu essere indotta. Apprendimento secondo il modello delle reti neurali (ambito dellapproccio sub-simbolico) Le reti neurali sono caratterizzate da un alto numero di semplici processori elementari, con un elevatissimo grado di interconnessione, i quali operano in parallelo elaborando i valori che ricevono in ingresso dai propri vicini. Lo studio delle reti neurali ha origine negli anni 40 col lavoro di McCulloch e Pitts, in cui venne proposto un primo modello formale di neurone, con il duplice obiettivo di capire come funziona il cervello e di progettare macchine in grado di simularne il comportamento. Basandosi sulle idee sui neuroni di Hebb, Rosenblatt formul il primo modello di rete di neuroni in grado di apprendere a riconoscere elementi, modificando la struttura delle connessioni: il percettrone. Minski e Paper nel 1969 evidenziarono i limiti del percettrone e la ricerca sulle reti neurali venne molto ridimensionata. Negli anni 80 si riaccese linteresse per i modelli neurali Algoritmi genetici (ambito sub-simbolico) Nascono per la soluzione di problemi di ottimizzazione, pi recentemente si stanno affermando nel campo dellapprendimento automatico. Gli algoritmi genetici si ispirano alla genetica delle popolazioni: il processo di soluzione viene visto come un processo di evoluzione. Si prende in considerazione un insieme di soluzioni possibili per il problema posto (generazione iniziale). Le generazioni successive vengono generate attraverso una serie di operazioni su quelle precedenti, tra cui le principali sono lincrocio (generare una nuova soluzione da due soluzioni genitrici) e la mutazione (introduzione di mutamenti casuali). Il vantaggio degli algoritmi genetici sta nella capacit di considerare molte soluzioni a un tempo e da queste soluzioni generarne altre che convergono verso un obiettivo.
5.Pianificazione automatica Il problema della generazione di un piano di azione capace di condurre al raggiungimento di un dato obiettivo si pu in parte ricondurre a quello della soluzione automatica di problemi. Bisogna per considerare che un piano di azione per il raggiungimento di un obiettivo un caso particolare di ragionamento sul tempo e sulle azioni, si possono dunque adottare formalismi temporali e descrivere le regole che stabiliscono quali sono gli effetti delle diverse azioni. - McCarthy e Hayes nel 1969 posero il problema del frame problem, cio il problema di esprimere un dominio dinamico in logica senza specificare esplicitamente quali
condizioni non sono influenzate da unazione. Si tratta di definire assiomi che esprimano il fatto che il verificarsi di un evento non modifica altro che la realt a esso collegata, un problema tipico delle logiche che consentono di ragionare su situazioni che evolvono nel tempo. Un altro problema tipico del ragionamento su azioni sollevato dal fatto che vi sono normalmente molte condizioni che non vengono menzionate esplicitamente e che tuttavia devono essere vere perch unazione sia eseguibile. Poich creare pianificatori generali, capaci di far fronte a situazioni non previste esplicitamente, molto pi complesso che creare pianificatori specializzati, alcuni ricercatori hanno recentemente cercato un approccio diverso da quello classico: la pianificazione reattiva. La pianificazione reattiva consiste nel realizzare dei sistemi che funzionino in tempo reale e che non necessitino di informazioni simboliche e di ricerche, ma che siano in grado di reagire velocemente agli stimoli dellambiente; il controllo viene quindi fatto attraverso un ciclo continuo di lettura sensoriale ed esecuzione dellazione corrispondente mediante gli attuatori. Limiti: - La pianificazione classica, molto poco adattabile alla dinamicit dellambiente, deve manipolare grandi quantit di conoscenze con notevoli problemi di efficienza e di inadeguatezza alle prestazioni in tempo reale. - Lapproccio reattivo di comportamenti sofisticati e di alto livello sembra destinato a fallire per rappresentazioni di conoscenze complesse. Ricerca attuale: integrazione tra i due approcci. 6.Elaborazione del linguaggio naturale Il problema dellelaborazione del linguaggio in intelligenza artificiale comprende sia la comprensione che la generazione di frasi o discorsi. Nella realizzazione di un sistema per la comprensione del linguaggio naturale (scritto) si pongono problemi molto complessi: Il dialogo un processo basato su conoscenze che i due interlocutori (o agenti) hanno a disposizione: - conoscenze linguistiche: lessico, morfologia, sintassi, semantica lessicale, forme idiomatiche, ecc. - conoscenze sul mondo - conoscenze contestuali - conoscenze sullo stato dellaltro agente, dei sui obiettivi, le sue conoscenze, ecc., ovvero un modello dellaltro agente Tutte queste conoscenze devono essere rappresentate e utilizzate da una serie di programmi in grado di analizzare una frase, di comprenderne il significato, ecc. Lo scambio comunicativo originato dal desiderio da parte di almeno un agente di raggiungere un obiettivo, che egli cerca di avviare alla realizzazione intervenendo sullaltro agente per mezzo di espressioni linguistiche.
Traduzione: progressi nellambito dei traduttori per linguaggi di programmazione, ma esiti fallimentari per la traduzione del linguaggio naturale. Secondo lapproccio simbolico per la comprensione del linguaggio naturale occorre riconoscere quattro passi analitici fondamentali: - Analisi lessicale - Analisi sintattica - Analisi semantica - Analisi pragmatica
Glossario o Algoritmo: sequenza logica di istruzioni elementari (univocamente interpretabili) che, eseguite in un ordine stabilito, permettono la soluzione di un problema in un numero finito di passi Conoscenza e Informazione: la conoscenza qualcosa di diverso dalla semplice informazione. Entrambe si nutrono di affermazioni vere, ma la conoscenza una particolare informazione, dotata di una sua utilit. Formalismo: linguaggio di rappresentazione che unisce a una sintassi uniforme una semantica chiara e rigorosa. Grafo: struttura la conoscenza in una collezione di oggetti (nodi) e associazioni tra coppie di nodi (archi orientati etichettati); i primi denotano individui o concetti, i secondi relazioni binarie (cio predicati a due argomenti) tra essi Motore inferenziale = controllo Modus Ponens: Se A implica B (A B) una proposizione vera, e anche la premessa A vera, allora la conseguenza B vera. Operatore: azione che permette di trasformare uno stto del problema in un nuovo stato
o o
o o o
Lo scopo dellintelligenza artificiale la ricerca automatica di soluzioni di problemi

Mod Appunti Intelligenza Artificiale

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Mod Appunti Intelligenza Artificiale

Caricato da

Copyright:

Formati disponibili

INVITOALLIN TEL LI GENZ AARTI FIC IALE

MEM ORIA DI PROD UZIO NE Soluzione

INT ERP RET E

.... vedi esempio assassino Quantificatore universale: Quantificatore esistenziale:

RETI SEMANTICHE E FRAMES

Lo scopo dellintelligenza artificiale la ricerca automatica di soluzioni di problemi

Potrebbero piacerti anche