Anda di halaman 1dari 44

Perwakilan Pengetahuan

Kaedah perwakilan pengetahuan


Tiga kaedah
Pendekatan
Logic
Pendekatan
Objek

Pendekatan
Petua

Perwakilan Pengetahuan
Perwakilan berasaskan Logik (Logic)
Satu bahasa pewakilan pengetahuan yang penting.
Membenarkan fakta kompleks
menerbitkan fakta baru.

diwakilkan

dan

Logik merupakan satu sistem formal yang boleh


dihurai dgn bentuk sintaks (ungkapan yang
dibenarkan), semantiks (apa maksudnya) dan teori
pembuktiannya (bgm menghasilkan kesimpulan
baru apabila diberi beberapa pernyataan dalam
logik)

Perwakilan Pengetahuan
Perwakilan berasaskan Logik (Logic)
Proses logikal berlaku apabila manusia/sistem
menerima input atau fakta tentang sesuatu perkara.
Input diwakilkan seperti berikut:
Ayat biasa : Abu makan nasi
Ayat logik : abu_makan_nasi atau makan (abu, nasi)

Dua jenis logik yang digunakan


Logik Usulan
Cth: abu_makan_nasi

Logik Kalkulus
Cth: makan(abu,nasi)

Perwakilan Pengetahuan
Logik Usulan
Terdiri daripada 1 atau lebih ayat atomik.

Usulan Majmuk

Gabungan ayatayat atomic


menjadi

Cth: Semalam_hujan
saya_datang_lambat

Ayat yang tidak boleh


dipecahkan kepada unit-unit
yang lebih kecil
Cth: saya_datang_lambat,
semalam_hujan
Satu ayat atomic
dinamakan sebagai

Usulan asas
Penghubung/Operator

Perwakilan Pengetahuan
Logik Usulan
Menukar ayat biasa kepada logik usulan
Mimi ialah seorang pelajar
mimi_ialah_pelajar
Panduan:
1. Buang perkataan yang tidak perlu/tidak penting.
2. Kekalkan struktur/susunan ayat .
3. Hubungkan usulan asas menggunakan operator
penghubung.

Perwakilan Pengetahuan
Logik Usulan
Contoh:
.

Ayat Biasa: Hari ini hujan.


Ayat Logik: hari_hujan
Ayat Biasa: Mamat seorang yang kacak tetapi kurus.
Ayat Logik: mamat_kacak ^ mamat_kurus
Ayat Biasa: Ligam lapar atau kenyang.
Ayat Logik: lingam_lapar v lingam_kenyang
Ayat Biasa: Jika Minah lapar maka Minah makan. Jika kenyang
Minah tidur.
Ayat Logik: (minah_lapar makan) ^ (minah_kenyang tidur)
Ayat Biasa: Gina makan hanya apabila dia lapar.
Ayat Logik: gina_makan gina_lapar

Perwakilan Pengetahuan
Logik Usulan
Setiap usulan asas mempunyai nilai samada benar
(T) atau salah (F).
Bagi usulan majmuk nilai kebenarannya ditentukan
oleh dua perkara.
Nilai kebenaran usulan-usulan asas
yang membentuknya.
Jenis operator

semalam_hujan saya_datang_lambat

Perwakilan Pengetahuan
Logik Usulan
Operator dan Simbol
Nama Umum

Nama Formal

Simbol

Not

Negation

And

Conjunction

Or

Disjunction

If Then/Implies

Conditional

If and only if

Biconditional

Perwakilan Pengetahuan
Logik Usulan
Penjelasan nilai kebenaran bagi operator

Nilai yang bertentangan dengan nilai usulan.


Cth: not(A) ialah B
Kedua-dua usulan asas mesti benar supaya usulan
majmuk benar.
Cth: A ^ B, benar jika A dan B adalah benar
Sekurang-kurangnya satu usulan asas mesti benar
Cth: A v B, benar jika A atau B adalah benar
Jika premis benar maka usulan kesimpulan juga
mesti benar
Cth: A B, jika A benar maka B juga benar
Kedua-dua usulan asas mesti mempunyai nilai yang sama
Cth: A B, benar jika nilai A dan B adalah sama

Perwakilan Pengetahuan
Logik Usulan
Jadual kebenaran bagi usulan majmuk mengikut
operator.
P Q NOT AND OR

Implies Biconditional

Not(P)

P^Q

PvQ

PQ

P Q

T T

T F

F T

F F

Perwakilan Pengetahuan

Logik Usulan
Contoh
P = lapar
Q = ada_duit
R = makan

(P = tidak_lapar)
(Q = tiada_duit)
(R = tidak_makan)

Penyataan

Formula

P^Q

PvQ

PR

R P

Perwakilan Pengetahuan
Logik Usulan
Penggunaan tanda kurungan ()
- mempengaruhi makna usulan.
Cth:
1) (A ^ B) v C

2) A ^ (B v C)

- menunjukkan sempadan setiap operator


Nilai keutamaan bagi operator

Perwakilan Pengetahuan
Logik Usulan
Operator yang paling utama akan dipilih sebagai
operator prinsipal.
(A ^ B) (C v D)
Operator prinsipal berfungsi untuk memecahkan
usulan majmuk ke unit yang lebih kecil.

Perwakilan Pengetahuan
Logik Usulan
Contoh: Keutamaan Operator & Penggunaan (..)
P Q atau R dan Q
(P ((Q atau
R) dan
Q))
1
2
3

P atau Q dan R atau tak S T


((((P atau Q) dan R) atau (tak S)) T)
tak Q dan P Q tak P
((((tak Q) dan P) Q) (tak P))

Perwakilan Pengetahuan
Logik Usulan
Pernyataan yang ditulis dalam logik usulan dikenali
sebagai formula.
Contoh: (P ^ (P Q)) Q
P Q

PQ

P ^ (P Q)

(P ^ (P Q)) Q

T T

T F

F T

F F

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Bagaimana membina jadual kebenaran
P^QQ
1.
2.
3.

Kenalpasti usulan asas yang membentuk usulan majmuk di atas.


Jumlah baris dalam jadual ditentukan berdasarkan 2n, n ialah
bilangan usulan asas.
Jumlah lajur dalam jadual ditentukan:
1. Keluarkan semua usulan-usulan majmuk dan usulan asas yang
membentuk usulan majmuk tersebut (pecah ikut penghubung).
2. Setiap satu pecahan tersebut diletakkan dalam satu lajur.

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Kenalpasti usulan asas yang membentuk usulan
majmuk
P^QQ
Usulan majmuk di atas terdiri pada P dan Q.

Jumlah baris 2n dimana n = 2


22 = 4
Ada 4 baris

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Tentukan jumlah lajur
P^QQ

Lajur 4

P^Q

Lajur 3

Lajur 2

Lajur 1

P Q P^Q P^QQ
T

Semua nilai benar bagi kombinasi usulan


asas. Oleh itu formula tersebut dikatakan
tautology.

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Tentukan nilai kebenaran
Formula Tautology
Hasil akhir usulan majmuk/formula adalah BENAR.

Formula Contradict
Hasil akhir usulan majmuk/formula adalah PALSU.

Formula Contingent
Hasil akhir usulan majmuk/formula ada PALSU dan ada BENAR.

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Contoh
Formula Tautology
Hasil akhir usulan majmuk/formula adalah BENAR.
P Q P^Q P^QQ
T

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Contoh
Formula Contradict
Hasil akhir usulan majmuk/formula adalah PALSU.
P Q P^Q P^QQ

not(P ^ Q Q)

Perwakilan Pengetahuan
Logik Usulan Jadual Kebenaran
Contoh
Formula Contingent
Hasil akhir usulan majmuk/formula ada PALSU dan ada BENAR.
P Q PvQ PvQQ
T

Perwakilan Pengetahuan
Kelemahan Logik Usulan
Tidak dapat wakilkan pernyataan secara universal.
jika comel mengiau, maka comel adalah kucing
((comel_mengiau comel_ialah_kucing) ^ comel_mengiau)
comel_ialah_kucing

Kesilapan perwakilan.

Adakah sesiapa merujuk


kepada comel?

Sesiapa yang mengiau ialah kucing


((sesiapa_mengiau sesiapa_ialah_kucing) ^ comel_mengiau)
comel_ialah_kucing

Perwakilan Pengetahuan
Kalkulus Predikat
Satu sistem simbol (notasi piawai) yang juga
dikenali sebagai logik predikat tertib pertama (First
Order Predicate Logic - FOPL).
Terdiri daripada predikat
menggunakan operator.

yang

dihubungkan

Predikat terdiri daripada functor (nama predikat) dan


argumen (pemalar atau pembolehubah).
functor(arg1, arg2, var1, var2).
Cth:
mendaki(chong,bukit).
diatas(X, meja).

Perwakilan Pengetahuan
Kalkulus Predikat
Dua jenis quantifier
Universal
Existential
Diwakili oleh simbol ( )
dibaca sebagai there exist.
Predikat hanya benar bagi
sebahagian sahaja nilai
pembolehubah.

Diwakili oleh simbol () dan dibaca sebagai


for all.
Menunjukkan predikat adalah benar bagi
semua nilai pembolehubah.
Cth:
Ayat biasa: semua yang hidup akan mati
Ayat logic : X (hidup(X) mati(X))

Cth:
Ayat biasa: sebahagian pelajar pakai baju kuning
Ayat logik : X (baju(X, kuning))

Perwakilan Pengetahuan
Kalkulus Predikat
Contoh
jika comel mengiau, maka comel adalah kucing
((comel_mengiau comel_ialah_kucing) ^ comel_mengiau)
comel_ialah_kucing

(( X mengiau(X) kucing(X)) ^ mengiau(comel))


kucing(comel)

Pembolehubah X boleh digunakan untuk mewakili


objek yang hendak diwakilkan.

Perwakilan Pengetahuan
Kalkulus Predikat
Menulis ayat ke dalam bentuk kalkulus predikat
semua orang suka makan ayam goreng
X makan(X, ayam_goreng)
1.
2.
3.
4.

Kenalpasti hubungan yang bersesuaian sebagai nama predikat.


Cth: makan / suka / suka_makan.
Jadikan objek umum sebagai pengkuantiti. Cth: semua orang
X, ini kerana semua orang merujuk kepada sesiapa sahaja!
Objek yang khusus, jadikan sebagai argumen.
Gunakan penghubung yang bersesuaian, jika perlu.

Perwakilan Pengetahuan
Kalkulus Predikat
Contoh:
1.

Tiada sesiapa pun yang berjaya menamatkan larian.


X berjaya(X, tamatkan_larian)

2.

Sebahagian pelajar yang mengambil kursus TX5053 gagal dalam


peperiksaan.
X ambil(X, TX5053) ^ gagal(X, peperiksaan)

3.

Shima pandai semua jenis tarian melayu.


X tarian(X) pandai(shima, X)

4.

Semua yang bernyawa akan mati. Kerusi tidak bernyawa.


Kerusi tidak akan mati.
X (bernyawa(X) mati(X)) ^ (bernyawa(kerusi)
mati(kerusi))

Perwakilan Pengetahuan
Kalkulus Predikat
dan saling berkait menerusi negation.
Contoh:
Ayat biasa
Ayat logik

: Semua orang akan mati


: X mati(X)

Ayat biasa yang setara: Tiada seorang pun yang tidak akan mati
Ayat logik
: X mati(X)

Perwakilan Pengetahuan
Kalkulus Predikat
Perkaitan di ant. dengan - Petua De Morgan
1.
2.
3.
4.

X P
X P
X P
X P

X P
X P
X P
X P

Perwakilan Pengetahuan
Kalkulus Predikat
Perkaitan diant. dengan - Petua De Morgan
Contoh:
Semua burung ada sayap (X P)
tiada burung yang tiada sayap (X P)
Semua kucing tidak suka mandi (X P)
tiada kucing yang suka mandi (X P)
Tidak semua burung bertelur (X P)
Ada burung yang tidak bertelur (X P)
Tidak semua mangsa tidak selamat (X P)
Ada mangsa yang selamat (X P)

Contoh
Semua lelaki adalah manusia
Ada pelajar yang tidak suka pelajar perempuan
Ada pelajar perempuan yang tidak suka semua
pelajar lelaki

Contoh
Semua lelaki adalah manusia
X, (lelaki(X) manusia(X))

Ada pelajar yang tidak suka pelajar perempuan


X y(pelajar(X) perempuan(Y) ~suka(X, Y))

Ada pelajar perempuan yang tidak suka semua pelajar


lelaki
X[pelajar(X) perempuan(X) (Y, (pelajar(Y) lelaki(Y))
~suka(X, Y))]

Perwakilan pengetahuan
berlapis

petua + kerangka
Lain-lain

34
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Perwakilan Pengetahuan
Eksperimental

Cyc

NKRL

Spec-Charts Language

35
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

The Cyc System

Attempt to represent a substantial amount of common


sense knowledge
Bold assumptions: intelligence needs a large amount of
knowledge
Need a large knowledge base
Cyc over time is developing as a repository of a
consensus reality - the background knowledge
possessed by a typical U.S. resident
There are some commercial applications based on
portions of Cyc
36
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

NKRL

Narrative Knowledge Representation Language


(NKRL)

Standard, language-independent description of the


content of narrative textual documents

Can translate natural language expressions directly into


a meaningful set of templates that represent the
knowledge
37
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Knowledge Interchange
Format (KIF)
To Share Knowledge and Interact

38
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

The Spec-Charts Language

Based on Conceptual Graphs: to Define


Objects and Relationships

Restricted Form of Semantic Networks

Evolved into the Commercial Product STATEMATE


39
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Perwakilan Pengetahuan dan


Internet

Hypermedia documents to encode knowledge directly


Hyperlinks Represent Relationships
MIKE (Model-based and Incremental Knowledge
Engineering
Formal model of expertise: KARL Specification Language
Semantic networks: Ideally suited for hypermedia
representation
Web-based Distributed Expert System (Ex-W-Pert System)
for sharing knowledge-based systems and groupware
development

40
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Mewakilkan ketidakpastian :
satu pandangan

Mengendalikan darjah kebenaran /kepalsuan


dalam sistem pakar
Ketidakpastian
Apabila satu pengguna tidak boleh membenar
jawapan yang spesifik
Pengetahuan yang kurang jelas
Maklumat yang tidak lengkap
41
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Ketidakpastian
Beberapa cara dalam teori matematik dan
statistik

Statistik Bayesian
Dempster and Shafer's Belief Functions
Set kabur (Fuzzy set)
Set Kasar (Rough Set)

42
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Ketidakpastian dalam AI
Penaakulan yang hampir tepat ,
Penaakulan yang kurang tepat.

43
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Maklumat releven adalah kekurangan


dalam satu atau lebih

Maklumat adalah separa


Maklumat tidak semua mudah dapat
Perwakilan pengetahuan adalah kurang jelas
Sumber maklumat datang dari sumber berbeza dan sentiasa
konflik.
Maklumat adalah hampir tepat
Tidak wujud hubungan sebab-kesan
Boleh gabung petua kebarangkalian
IF the interest rate is increasing, THEN the price of stocks
will decline (80% probability)
44
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson
6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

Anda mungkin juga menyukai