Universität des Saarlandes FR 6.2 Informatik
Stuhlsatzenhausweg, Geb. E1 1 66123 Saarbrücken
Tel.: (0681) 302-5252/2363 Fax: (0681) 302-5341 E-mail: wahlster@dfki.de
WWW: http://www.dfki.de/~wahlster
Wolfgang Wahlster
Vorlesung im WS 2006/07
Einführung in die Methoden
der Künstlichen Intelligenz
KI, Kognitionswissenschaft und Intellektik
Die KI hat: z ingenieurswissenschaftliche Ziele z kognitionswissenschaftliche Ziele
KI
Ingenieurswissenschaften
Informatik
Biowissenschaften Psychologie
Philosophie Linguistik
Kognitions- wissenschaft
Kerngebiete und Anwendungsfelder der KI
Natürlich- sprachliche
Systeme Natürlich- sprachliche
Systeme
Bild- verstehende
Systeme Bild- verstehende
Systeme
Experten- systeme Experten-
systeme RobotikRobotik
Multi- Agenten Systeme
Multi- Agenten Systeme
Intelligente Tutorielle
Systeme Intelligente
Tutorielle Systeme
Intelligente Hilfe- systeme Intelligente
Hilfe- systeme
Intelligente Benutzer- schnittstellen
Intelligente Benutzer- schnittstellen
Subsymbolische Verarbeitung Signal-Symbol-Transformation
Wissensrepräsentation Wissensverarbeitung
- Suchen - Inferieren - Lernen
Wissenspräsentation KI-Programmiermethoden
KI-Programmiersprachen
KI-Werkzeuge KI-Hardware
Einsatzbereiche der KI
Banken/Versicherungen Verkehr/Logistik/Vertrieb
Organisation/Büro/
Verwaltung
Banken/Versicherungen Verkehr/Logistik/Vertrieb
Organisation/Büro/
Verwaltung Industrielle Produktion
Automatisierung/Robotik Softwareproduktion, Militär, Nachrichtendienste
Industrielle Produktion Automatisierung/Robotik
Softwareproduktion, Militär, Nachrichtendienste
Telekommunikation/
Fortbildung
Haustechnik/Unterhaltung Telekommunikation/
Fortbildung
Haustechnik/Unterhaltung Medizin/Gentechnik
Sicherheits- /Leittechnik Umweltschutz/
Medizin/Gentechnik Sicherheits- /Leittechnik
Umweltschutz/
KI KI
Die Notwendigkeit hybrider KI-Systeme
Hybrides KI-System
Symbolische Ebene - Semantische Netze
- Regelbasierte Verfahren
- Constraintbasierte Techniken
Subsymbolische Ebene - Neuronale Netze
- Genetische Algorithmen - Fuzzy Control
zFahrzeug gemäß Verkehrsregeln und Zielvorgabe lenken
zwissensintensive höhere kognitive Prozesse mit Erklärungsmöglichkeit zweniger zeit- und störkritische
Verarbeitung
zFahrzeug gemäß Verkehrsregeln und Zielvorgabe lenken
zwissensintensive höhere kognitive Prozesse mit Erklärungsmöglichkeit zweniger zeit- und störkritische
Verarbeitung
Beispiel: Autofahren
zFahrzeug auf der Fahrbahn halten zunbewußter senso-motorischer
Prozeß, keine Erklärungsmöglichkeit zsehr schnelle, robuste Verarbeitung zFahrzeug auf der Fahrbahn halten zunbewußter senso-motorischer
Prozeß, keine Erklärungsmöglichkeit zsehr schnelle, robuste Verarbeitung
Biologische inspirierte autonome Roboter
Skorpionähmlicher Roboter mit Selbsterhaltungstrieb
Akustische Sprachanalyse
Wortlisten
Grammatik Wortbe- deutungen
Gesprächs- Kontext Wissen über das Gesprächs-
thema
Was hat der Sprecher
gesagt?
100 Alternativen
Was hat der Sprecher
gemeint?
10
Alternativen
Was will der Sprecher?
Eindeutiges Verstehen im Gesprächs- zusammenhang
Reduktion von Unsicherheit
Sprachanalyse Spracherkennung Gesprochene Eingabe
Reduktion von Interpretationsunsicherheit durch Wissenverarbeitung als Grundprinzip der KI
Sprachanalyse
Sprach- ver- stehen
Datenverarbeitung vs. Wissensverarbeitung am Beispiel Bahnauskunft
Bahn- kunde
Minderung der Dienstleistungsqualität bei Rationalisierung durch konventionellen DV-Einsatz
Informationssystem Kurs-
buch
Preis- liste Bahn-
kunde
Bahnbeamter mit
Klassische Auskunftssituation ggf. mit DV-Einsatz zur Unterstützung des Beraters
Handbuch oder DV-System Kurs-
buch
Preis- liste
Sprachlichem Wissen Konzeptionellem Wissen Inferentiellem Wissen Partnermodell
Bahn- kunde
Wissensbasiertes System
Wissensbasis Datenbasis
Kurs- Preis-
Sprachliches Wissen Konzeptionelles Wissen Inferentielles Wissen
Die wichtigsten Unterschiede zwischen
Datenverarbeitung und Wissensverarbeitung
Inhaltliche Kriterien
Datenverarbeitung Wissensverarbeitung
Automatisierung monotoner, klar strukturierter und wohldefinierter Informationsverarbeitungs-
prozesse
Automatisierung komplexer Informationsver- arbeitungsprozesse, die den intelligenten
Umgang mit diffusem Wissen erfordern
Komplexität entsteht hauptsächlich durch den Umfang der Datenmenge
Bei formaler Ein-/Ausgabespezifikation ist prinzipiell die Möglichkeit eines Korrektheits-
beweises gegeben
Hauptsächlich Verarbeitung homogen strukturier- ter Massendaten (viele Instanzen, wenigTypen) Nur der Programmierer, nicht das System selbst
kann einen ausgeführten Verarbeitungsprozeß erklären und rechtfertigen
Systementwickler schreibt mit Hilfe seines Wissens über den Anwendungsbereich ein
Programm
Zu automatisierende Verarbeitungsabläufe sind aus nichtautomatisierten Informations-
verarbeitungsprozessen bekannt
Komplexität entsteht hauptsächlich durch die Reichhaltigkeit der Wissensstruktur Da die Verarbeitung durch Heuristiken und
diffuses Wissen gesteuert ist, sind Korrektheitsbeweise nicht immer möglich Verarbeitung heterogen strukturierter Wissens-
einheiten (wenig Instanzen, viele Typen) Das wissensbasierte System selbst kann prinzipiell einen ausgeführten Verarbeitungs-
prozeß erklären und rechtfertigen
Wissensträger transferiert sein Wissen über den Anwendungsbereich in ein wissensbasiertes
System
Zu automatisierende Verarbeitungsabläufe sind kognitive Prozesse und daher nicht
direkt beobachtbar
Grundbegriffe der Wissensrepräsentation
Wissen: Ansammlung von Kenntnissen, Erfahrungen und Problemlösemethoden, die den Hintergrund für komplexe Informationsverarbeitungsprozesse bilden.
Wissensrepräsentation: Operationale sowie formale und damit computergerechte Darstellung von Wissensinhalten.
Wissensrepräsentationssprache: Formale Sprache zur systematischen Wissensrepräsentation.
Repräsentationskonstruktion: Teilmenge einer Wissensrepräsentationssprache.
Wissensbasis: Gesamtheit an Wissen, die einem KI-System zur Verfügung steht.
Metawissen: Wissen, das sich auf anderes Wissen innerhalb einer Wissensbasis bezieht.
Heterogene Wissensbasis: Wissensbasis, in der unterschiedliche Wissensrepräsenta- tionssprachen zur Codierung von Wissensquellen verwendet werden.
Wissensbasis
Wissensquellen Wissenseinheiten
Literatur (1)
z Christoph Beierle, Gabriele Kern-Isberner:
Methoden wissensbasierter Systeme: Grundlagen, Algorithmen, Anwendung Vieweg (2000), Braunschweig, ISBN 3-528-05723-8
z Wolfgang Bibel, Hölldobler Steffen, Schaub Torsten:
Wissensrepräsentation und Inferenz. Eine grundlegende Einführung.
Vieweg (1998), Braunschweig, ISBN: 3-528-05374-7 z Eugene Charniak, Drew McDermott:
Introduction to Artificial Intelligence
Addison-Wesley (1985), Reading, ISBN 0-201-11946-3 z Thomas Dean, James Allen und Yiannis Aloimonos:
Artificial Intelligence: Theory and Practice
The Benjamin/Cummings, Inc. (2002), Redwood City, ISBN 0-8053-2547-6 z Michael R. Genesereth, Nils J. Nilsson:
Logische Grundlagen der Künstlichen Intelligenz Vieweg (1989), Braunschweig, ISBN 3-528-04638-4
Literatur (2)
z Günther Görz (Hrsg.):
Einführung in die künstliche Intelligenz
Addison-Wesley (1993), Bonn, ISBN 3-89319-507-6 z Jochen Heinsohn, Rolf Socher-Ambrosius:
Wissensverarbeitung: eine Einführung
Spektrum Akademischer Verlag (1999), Heidelberg, ISBN 3-8274-0308-1 z Nils J. Nilsson:
Principles of Artificial Intelligence.
Springer (1998), Berlin, ISBN 3-54011-340-1
z David Poole, Alan Mackworth and Randy Goebel:
Computational intelligence a logical approach
Oxford University Press. (1998), New York, ISBN 0-19-510270-3 z Stuart Russell, Peter Norvig:
Künstliche Intelligenz: ein moderner Ansatz
Prentice Hall (2004), München, ISBN 3-8273-7089-2
Informatik
Repräsentation von Daten
KI-Forschung Kerninformatik
Theorie der Repräsentation von Wissen Theorie der Datenstrukturen
Wissensrepräsentationssprachen
Logikkalküle Produktionen- Systeme
Semantische Netze
Frames Inferenz- Netze
Actor- Systeme
KI-Programmier- sprachen
z Prädikatenlogik
z Sortenlogik
z Modallogik
z Zeitlogik
z Fuzzy Logik
z Nichtmonotone Logik
Vier Beschreibungsebenen für Wissensrepräsentations- sprachen
1) Implementationsebene z Objekte
z Pointer
2) Logische Ebene:
z Prädikate z Quantoren
3) Epistemologische Ebene z Vererbungsrelationen z Strukturierungsprimitive
4) Ontologische Ebene z
Zur Entwicklung semantischer Netzwerke
• Einfache semantische Netzwerke Quillian 1966
• Semantische Netzwerke mit Kasusrahmen Simmons 1971
Norman/Rummelhart 1972
• konzeptuelle Dependenz-Netze Schank 1972 (CD-Graphen)
• partitionierte semantische Netze Hendrix 1977 (LN2)
• gerichtete rekursive Bewertungsknoten- Boley 1975 Hypergraphen (DRLH)
• prozedurale semantische Netze Levesque 1977 (PSN)
• Strukturierte Vererbungsnetze Brachmann 1978
(SI-Netze, z.B. KL-ONE)
MUSIKINSTRUMENT musical instrument
MOEBEL piece of furniture
FARBE colour
SITZGELEGENHEIT seating
SESSEL arm-chair ROT
red WEISS
white SCHWARZ
black
KLAVIER
piano TISCH
table WASSER
water
GEGENSTAND object
FEST solid DING
thing
AGGREGATZUSTAND state
FLUESSIGKEIT liquid GETRAENK
drink
SAFT juice
APFELSAFT apple juice
APFELSAFT 1
WEISS white
KLAVIER 1 SCHWARZ
black
BEIN 1
BEIN 2 SESSEL 1
STUHL chair
KLAVIERSTUHL piano-stool BEIN
leg FLUESSIG
fluid
STUHL 1 KLAVIERSTUHL 1
Konzeptuelles semantisches Netz von HAM-RPM (v. Hahn, Wahlster)
U
U
U
U
U
U
U U U
U
U U
E
U U 0.7
V V
V D
D
E
U
T T
U D 0.8
ISA
ISA
ISA
ISA ISA
ISA
ISA (ANZAHL:4) 0.8
(ANZAHL:4) 0.7
REF HAP
REF
Frühe Semantische Netze in HAM-RPM
FESTsolid FLUESSIG
fluid GASFOERMIG
gas V
V V
BRAUN brown V
Das Umfeld terminologischer Logiken
Prädikatenlogik
Prädikatenlogik Thue SystemeThue Systeme Polymodale Logiken Polymodale
Logiken
Modelltheorie
Modelltheorie Reguläre Sprachen Reguläre Sprachen
Dynamische Logiken Dynamische
Logiken
Constraint Solving Constraint
Solving
Feature Logiken Feature Logiken
Terminologische Logiken Die KL-ONE Sprachfamilie
Terminologische Logiken Die KL-ONE Sprachfamilie
Feature Logiken
- Mengenwertige Features - Functional Uncertainty Feature Logiken
- Mengenwertige Features - Functional Uncertainty
Komplexe Objekte - Subtyp-Inferenz - Erfüllbarkeit
Komplexe Objekte - Subtyp-Inferenz - Erfüllbarkeit
nach B. Nebel
Hybride, KL-ONE-basierte Systeme
TBox
Father = (and Man Parent)
TBox
Father = (and Man Parent)
ABox
Father(a)
c x: Man(x) / ...
ABox
Father(a)
c x: Man(x) / ...
Wissensrepräsentation mit Terminologischen Logiken
Terminologische Logik = Konzeptsprachen = Termsubsumptionssprachen
= KL-ONE (Knowledge Language) Derivate
Hauptziel: Repräsentation von terminologischem Wissen auf der Basis strukturierter Vererbungsnetze
Konzepte und Taxonomien:
‚Konzept‘ als atomare Wissensenheit repräsentiert Klasse von Entitäten einer Diskurswelt
Konzept wird benannt nach den Elementen der Klasse
graphisch dargestellt als Ellipse, die den Namen umrahmt Ein Konzept, das eine Menge S repräsentiert, wird mit |C|S bezeichnet Wenn S 3 T, dann ist: |C|S Unterkonzept (Sub C) von |C|T
|C|T Oberkonzept (SuperC) von |C|S Diese Relation wird als: Konzeptsubsumption bezeichnet und
graphisch als dicker, gerichteter Pfeil von |C|S nach
|C|T dargestellt Man sagt: |C|T subsumiert |C|S
|C|S spezialisiert |C|T
Konzepte und Taxonomien
Die Konzeptsubsumption ist transitiv :
Falls |C|A subsumiert |C|B und |C|B subsumiert |C|C, dann gilt |C|A subsumiert |C|C.
ist antisymmetrisch :
Falls |C|A subsumiert |C|A‘ und |C|A‘ subsumiert |C|A, dann gilt |C|A = |C|A‘
induziert eine partielle Ordnung über eine Menge von Konzepten führt graphisch zu einem gerichteten azyklischen Graph, dessen Kanten Subsumptionsrelationen entsprechen.
Jedes Netzwerk enthält als Wurzel ein allgemeinstes Oberkonzept THING, das immer alle anderen Konzepte eines Netzes autark subsumiert.
Wenn ein neues Konzept in ein bestehendes Netzwerk aufgenommen werden soll, muß es an der richtigen Stelle in der Taxonomie plaziert werden.
Regel:
Das neue Konzept |C|A soll gleichzeitig die allgemeinsten Konzepte subsumieren, die weniger allgemein sind als |C|A
und: es soll alle spezifischsten Konzepte spezialisieren, die weniger spezifisch sind als |C|A Dieser Prozeß der Aufnahme eines neuen Konzeptes gemäß einer Regel wird als
Subsumptionsrelation in NIKL
Beachte: MICRO-COMPUTER spezialisiert DIGITAL-COMPUTER und ELECTRICAL-DEVICE.
RADIO ist kein VEGETABLE, da diese Subsumptionsrelation nicht repräsentiert ist.
DEVICE DEVICE
THING THING
ELECTRICAL- DEVICE ELECTRICAL-
DEVICE
VEGETABLE VEGETABLE MOUSE-
TRAP MOUSE-
TRAP COMPUTING-
DEVICE COMPUTING-
DEVICE
RADIO RADIO
SUPER- COMPUTER
SUPER- COMPUTER
MICRO- COMPUTER
MICRO- COMPUTER
WIND- TUNNEL
WIND- TUNNEL DIGITAL-
COMPUTER DIGITAL- COMPUTER
SLIDE- RULE SLIDE-
RULE ANALOG-
COMPUTER ANALOG- COMPUTER
Primitive und disjunkte Klassen
Ein als primitive Klasse markiertes Konzept (graphisch durch ⌧ gekennzeichnet)
spezifiziert notwendige, aber nicht hinreichende Bedingungen für die Zugehörigkeit zu der Klasse, die es repräsentiert.
Andere Konzepte können nur dann von einem als primitive Klasse markierten Konzept subsumiert werden, wenn dies explizit in ihrer Definition angegeben wird, d.h. der Classifier stellt keine Subsumptionsrelation zwischen neuen Konzepten und primitiven Klassen her.
Man kann Konzepte zu einer Disjunktheitsklasse zusammenfassen (Graphisch:
Verbindungslinie, die Subsumptionspfeile ‚überbrückt‘) um auszudrücken, daß diese Konzepte disjunkte Mengen repräsentieren.
Die Eigenschaft, zu einer Disjunktheitsklasse zu gehören, ist transitiv, d.h. Konzepte, die von verschiedenen Zweigen einer Disjunktheitsklasse subsumiert werden, sind auch
disjunkt.
VEHICLE VEHICLE MOTOR-
MOTOR- AIR-AIR-
⌧
Überdeckung und Partitionen
Ein Konzept |C|A wird überdeckt (graphisch: ‚Schleifen‘-Verbindungen der
Subsumptionspfeile) von einer Menge von Konzepten X, wenn jede Instanz von |C|A auch eine Instanz von wenigstens einem Konzept aus X ist.
Jeder Computer muss in eine der vier Klassen fallen, aber kann auch mehrere davon spezialisieren.
Eine Partition ist eine Überdeckung, die gleichzeitig auch eine Disjunktheitsklasse ist.
Es handelt sich um eine Zusammenfassung wechselseitig disjunkter Mengen, deren Vereinigung eine Obermenge der partitionierten Menge ist.
Eine Ladung kann nur genau eine Eigenschaft haben: positiv, negativ oder neutral
NEUTRAL NEUTRAL
NEGATIV NEGATIV POSITIV
POSITIV
ELECTRIC- CHARGE ELECTRIC-
CHARGE
⌧
⌧
⌧
MAIN- FRAME
MAIN- FRAME DIGITAL- COMPUTER
DIGITAL- COMPUTER SUPER
COMPUTER SUPER
COMPUTER MINI-
COMPUTER MINI-
COMPUTER⌧
⌧ ⌧
MICRO- COMPUTER
MICRO- COMPUTER⌧
Rollen und Rollenfüller
• Eine Rolle definiert eine Beziehung zwischen zwei Konzepten.
Eine Rolle wird als zweistellige Relation graphisch durch ein umkreistes Quadrat dargestellt.
Vom Definitionsbereich der Rolle führt eine ungerichtete Kante zu Rollensymbol.
Vom Rollensymbol führt eine gerichtete Kante zum Bildbereich der Rolle.
• Eine Instanz des Bildbereichs einer Rolle nennt Rollenfüller.
• ‚Alle Bewohner eines belebten Planeten sind Lebensformen.‘
• c x 2 INHABITED-PLANET(x) d y 2 LIFE-FORM(y) o INHABITANT(x,y)
• Die Rolle |R| INHABITANT repräsentiert eine Relation, die auf alle Unterkonzepte des Definitionsbereiches vererbt wird.
INHABITED PLANET INHABITED
PLANET
LIFE- FORM
LIFE- FORM
⌧
⌧
INHABITANT
Rollentaxonomie
• Wenn eine Rolle |R|A eine speziellere Relation repräsentiert als |R|B, dann nennen wir
|R|A Unterrolle (SubR) von |R|B und
|R|B Oberrolle (SuperR) von |R|A.
• |R|A differenziert |R|B und |R|B verallgemeinert |R|A.
• Die allgemeinste Oberrolle ist MostGeneralRole. Sieht man diese Oberrolle als Konzept an (kann man für alle Rollen tun), so ergibt sich:
• Primitive Rollen sind Rollen, die ihre Oberrolle in einer Weise differenzieren, die dem System unzugänglich ist.
PET
RENT LEASE
RELATION
SPOUSE
LOVER PARTNER
USE
FRIEND
THING THING
MostGeneralRole MostGeneralRole
domain range
(1 1) (1 1)
Inverse Rollen
• Eine weitere Möglichkeit, eine Rolle zu definieren, besteht darin, sie als inverse Rolle einer anderen anzugeben.
Die inverse Rolle wird auf alle Unterrollen vererbt.
Für jedes Instanz/Füller-Paar einer Rolle gibt es ein korrespondierendes Instanz/Füller-Paar der inversen Rolle.
• Graphisch wird eine Rolle jeweils mit einer bidirektionalen Kante zu der inversen Rolle gekennzeichnet.
Country Country Government Government
RULED-BY
RULES inverse role
⌧
⌧
Rollenrestriktionen
• Eine Rollenrestriktion hat zwei Komponenten:
– eine Werterestriktion (VR) – eine Anzahlrestriktion (NR)
• Die Werterestriktion schränkt die Menge möglicher Rollenfüller ein.
• Eine Anzahlrestriktion legt eine untere und obere Schranke für die Kardinalität der Menge der Rollenfüller ein.
• Dabei sei:
0 := keine untere Schranke
N(oder NIL) := keine obere Schranke
(u o) := u ist untere und o ist obere Schranke, u ! o; u, o P 0 (k k) = (k) := genau k Elemente.
• c x 2 JET-PLANE(x) d y 2 JET-ENGINE(y) o POWERED-BY(x,y) VEHICLE
VEHICLE
⌧
JET-PLANE JET-PLANE
⌧
ENGINE ENGINE
⌧
JET-ENGINE JET-ENGINE
⌧ POWERED-BY
POWERED-BY
(1 N)
Rollenbeziehungen
• Um ein Konzept exakt zu definieren, ist es häufig notwendig, nicht nur isoliert für
einzelne Rollen Restriktionen zu formulieren, sondern auch Beziehungen zwischen den Rollenfüllermengen zweier Rollen bezüglich eines Konzeptes zu fordern.
• Dazu dienen Rollenbeziehungen (engl. oft role constraints oder role value maps), die aus zwei Rollenketten und einem Beschränkungstyp (Teilmenge, Obermenge, Gleichheit) bestehen.
• Eine Rollenkette ist eine Liste von Rollen, deren erstes Element mit dem Konzept verbunden ist, für das die Rollenbeziehung definiert wird.
• Da jede Rolle in einer Rollenkette einer Relation entspricht, ergibt eine Rollenkette eine Komposition der Relationen. Der Definitionsbereich der komponierten
Relation ist das Konzept, für das die Rollenbeziehung definiert ist.
• Mit Rollenbeziehungen können also Relationen repräsentiert werden, die verschiedene Konzepte, Rollen und Taxonomieebenen ‚überspannen‘.
• Graphisch wird ein Beschränkungstyp durch einen Rhombus dargestellt , der das
Beispiel für Rollenbeziehungen
• Im folgenden Beispiel wird die Muttersprache einer Person als die Sprache definiert, welche die Bewohner der Stadt sprechen, in der die Person geboren wurde.
1. Rollenkette: MOTHER-TONGUE (PERSON) =
2. Rollenkette: SPEAK (RESIDENTS (LOCATION (BIRTH (PERSON))))
LANGUAGE
⌧
PERSON
⌧
(PERSON)
⌧
CITY
⌧
HOSPITAL
⌧
=
LANGUAGE
⌧
PERSON
⌧
CITY
⌧
HOSPITAL
⌧
=
MOTHER-TONGUE BIRTH
LOCATION RESIDENTS
SPEAK
LOCATION RESIDENTS
SPEAK
MOTHER-TONGUE BIRTH
Darstellung ohne Knotenkopie für Person:
ATOM-OR-ION ATOM-OR-ION
THING THING
UNIT-OF- MATTER UNIT-OF- MATTER
Beispiel für eine Konzeptdefinition: das Wasserstoffatom
PARTICLE PARTICLE
HYDROGEN- ATOM HYDROGEN-
ATOM
NEUTRON NEUTRON
CHARGED- PARTICLE CHARGED- PARTICLE
PROTON PROTON ELECTRON
ELECTRON CONTAINS-2
(0 N)
(1 N) CONTAINS-1
CONTAINS-3 (1 1)
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
Definitionen für Wasserstoffatom
(DEFCONCEPT UNIT-OF-MATTER PRIMITIVE (SPECIALIZES THING)) (DEFCONCEPT PARTICLE PRIMITIVE (SPECIALIZES UNIT-OF-MATTER)) (DEFCONCEPT NEUTRON PRIMITIVE (SPECIALIZES PARTICLE))
(DEFCONCEPT CHARGED-PARTICLE PRIMITIVE (SPECIALIZES PARTICLE)) (DEFCONCEPT ELECTRON PRIMITIVE (SPECIALIZES CHARGED-PARTICLE)) (DEFCONCEPT PROTON PRIMITIVE (SPECIALIZES CHARGED-PARTICLE)) (DEFCONCEPT CHARGED-PARTICLE-DICHOTOMY (ELECTRON PROTON)) (DEFCONCEPT ATOM-OR-ION PRIMITIVE (SPECIALIZES UNIT-OF-MATTER)
(ROLE CONTAINS-1 (VRCONCEPT NEUTRON) (MIN 0) (MAX NIL))
(ROLE CONTAINS-2 (VRCONCEPT CHARGED-PARTICLE) (MIN 1) (MAX NIL)))
(DEFCONCEPT HYDROGEN-ATOM PRIMITIVE (SPECIALIZES ATOM-OR-ION) (ROLE CONTAINS-3 (DIFFERENTIATES CONTAINS-2)
(VRCONCEPT ELECTRON (NUMBER 1)) (ROLE CONTAINS-4 (DIFFERENTIATES CONTAINS-2)
(VRCONCEPT PROTON) (NUMBER 1)))
Definition eines Kreises als Subkonzept von Ellipse
THING THING
MATHEMATICAL OBJECT MATHEMATICAL
OBJECT
⌧ LINE- SEGMENT
⌧ LINE- SEGMENT
⌧ CLOSED-
CURVE
⌧ CLOSED-
CURVE
⌧ ELLIPSE
⌧ ELLIPSE CIRCLE
CIRCLE
=
MINOR-AXIS
MAJOR-AXIS MINOR-AXIS MAJOR-AXIS
(1 1)
(1 1)
(1 1)
(1 1)
(DEFCONCEPT MATHEMATICAL-OBJECT (SPECIALIZES THING)) (DEFCONCEPT LINE-SEGMENT
PRIMITIVE (SPECIALIZES MATHEMATICAL-OBJECT)) (DEFCONCEPT CLOSED-CURVE
PRIMITIVE (SPECIALIZES MATHEMATICAL-OBJECT)) (DEFCONCEPT ELLIPSE
Automatische Klassifikation
(DEFCONCEPT GROSSVATER (SPECIALIZES MANN)
(ROLE KIND (VR ELTERNTEIL) (MIN 1)))
ELTERNTEIL ELTERNTEIL GROSSVATER GROSSVATER ELTERNTEIL
ELTERNTEIL
MENSCH MENSCH
GELDGELD MENSCH
MENSCH
MANNMANN
MENSCH MENSCH (DEFCONCEPT ELTERNTEIL
(SPECIALIZES MENSCH) (ROLE KIND (MIN 1)))
SPECIALIZES-Kante
⌧
⌧
S S
S S
VR VR
VR
RR
RR RR
RR
VR P 1 KIND
P 1 KIND P 1 ENKEL
EINKOMMEN
Automatische Klassifikation
(DEFCONCEPT GROSSVATER (SPECIALIZES MANN)
(ROLE KIND (VR ELTERNTEIL) (MIN 1)))
ELTERNTEIL ELTERNTEIL GROSSVATER GROSSVATER ELTERNTEIL
ELTERNTEIL
MENSCH MENSCH
GELDGELD MENSCH
MENSCH
MANNMANN
MENSCH MENSCH
⌧
⌧
S
S S
VR VR
VR
RR
RR RR
RR
VR P 1 KIND
P 1 KIND P 1 ENKEL
EINKOMMEN
Inferenzdienste in Konzeptsprachen
In der T-Box:
In der gesamten Wissenbasis (T-Box und A-Box):
Sind alle Konzepte verschieden oder stimmen welche überein? (Äquivalenz) Welche Unterbegriffsbeziehungen bestehen? (Subsumption/Klassifikation) Welche Rollen-Beziehungen gelten daher für die Begriffe? (Vererbung) Ist ein definierter Begriff sinnvoll oder ist die Klasse grundsätzlich leer? (Inkohärenz) Haben zwei Klassen gemeinsame Instanzen oder nicht? (Disjunktheit)
Ist die WB konsistent? (Konsistenz)
Welche Klassen instantiiert ein gegebenes Objekt? (Instantiierung/Realisierung) Welche der bekannten Elemente enthält eine vorgegebene Klasse? (Retrieval) Welche (Rollen-)Beziehungen bestehen zwischen verschiedenen Objekten? (Vererbung)
Inferenzdienste
T-Box:
Wissensbasis (WB):
Subsumption: cx LKW(x) 0 Transportfahrzeuge(x)?
Vererbung: cx Mutter_ohne_Söhne(x) 0 dy Kinder(x,y)
Inkohärenz: cx lGroßvater(x)? oder: ex. Interpretation I ~dx Großvater(x)?
Disjunktheit: l dx Vater(x) o Mutter(x)?
Konsistenz: existiert ein Modell der WB, d.h. ex. Interpretation I ~ WB?
Instantiierung/Realisierung: Güterzug(Z#521)?
bzw. Finde alle Konzepte C mit C(Z#521)!
Retrieval: Finde alle Objekte c mit Frau(c)!
Eine formale Semantik von Konzeptsprachen
Warum?
Präzisierung der Bedeutung von Repräsentationskonstrukten Vergleichbarkeit mit anderen Formalismen
Algorithmisierung
Entscheidbarkeit und Komplexität
Wie?
Konzepte beziehen sich auf Mengen von Instanzen: Konzeptextension
Rollen beschreiben Relationen zwischen diesen Instanzen: Rollenextension Konzeptbeschreibungen geben notwendige und hinreichende Bedingungen für Instanzen an
Subsumption ist die notwendige Inklusion von Konzeptextensionen Inkonsistenz ist die notwendige Leerheit von Konzeptextensionen
Rollen, Konzepte und ihre Interpretation
A: Menge von atomaren Konzepten (Variablen: A, B) S: Menge von atomaren Rollen (Variablen: S)
Interpretation: I Z 6D, 8%9I7 mit D beliebige Menge und Funktion:
A / 2D
S / 2D / 2D3 8%9I:
8A9I heißt Konzeptextension 8S9I heißt Rollenextension
8S9I(d) heißt Rollenfüllermenge der Rolle S für d R: Menge von Rollenbeschreibungen
R / S atomare Rolle
- R l R# Rollenkonjunktion - R-C Rollenrestriktion
Terminologien, Modelle, Subsumption
Eine Interpretation I erfüllt eine solche Gleichung (symbolisch ~I):
~I A ^ C 5 8A9I Z 8C9I ~I A 8 C 5 8A9I 4 8C9I
~I S ^ R 5 8S9I(d) Z 8R9I(d) für alle d 2 D ~I S 8 R 5 8S9I(d) 4 8R9I(d) für alle d 2 D
def def def def
I ist ein Modell von T gdw. I alle Gleichungen erfüllt.
Der intuitive Subsumptionsbegriff ergibt sich dann wie folgt:
C wird von D in T subsumiert (C 7T D) gdw.
8C9I 4 8D9I für alle Modelle I von T.
Eine Terminologie (T) ist eine Menge von Gleichungen und Ungleichungen der folgenden Form (keine Doppeldefinitionen):
A ^ C definiertes Konzept A 8 C primitives Konzept S ^ R definierte Rolle S 8 R primitive Rolle.
C, D / A atomares Konzept
- u universelles Konzept
- t leeres Konzept
- C l D Konzeptkonjunktion - cR: C Werterestriktion
- dR: C Existenzrestriktion - dPn R Minimumrestriktion - d#n R Maximumrestriktion
- PYQ Koreferenzrestriktion
P, Q / (R1 R2 ... Rn) Rollenkette
Konzeptbeschreibungen und ihre Interpretation
8u9I ZD
8t9I Zt
8C l D9I Z8C9I h 8D9I
8cR: C9I Z& d 2 D - 8R9I(d) 4 8C9I (
8dR: C9I Z& d 2 D - 8R9I(d) h 8C9I s \ ( 8dPn R9I Z& d 2 D - / 8R9I(d) / P n (
Konzeptbildende Operatoren
Abstrakte Form: Konkrete From: Interpretation: Bezeichnung:
C, D / A A 3[A] Atomares Konzept
| C l D (and C D) 3[C] h3[D] Konzeptkonjunktion
| C k D (orC D) 3[C] g3[D] Konzeptdisjunktion
| lC (not C) D \3[C] Konzeptnegation
| cR : C (all R C) { d 2 D | 3[R](d) 4 3[C] } Wertrestriktion
| dR (some R) { d 2 D | 3[R](d) s \ } Existenzrestriktion
| Pn R (atleastn R) { d 2 D | | 3[R](d) | P n } Minimum-Zahlenrestriktion
| #n R (atmostn R) { d 2 D | | 3[R](d) | # n } Maximum-Zahlenrestriktion
| n R (exact n R) { d 2 D | | 3[R](d) | Z n } Exakte Zahlenrestriktion
| (0nPn) R (optatleastn R) { d 2 D | 3[R](d) Z \ n | 3[R](d) | P n } (Opt.) Minimum-Zahlenrestriktion
| dR: C (some R C) { d 2 D | 3[R](d) h 3[C] s \ } (Qual.) Existenzrestriktion
| Pn R: C (atleastn R C) { d 2 D | | 3[R](d) h 3[C] | P n } (Qual.) Minimum-Zahlenrestriktion
| #n R: C (atmostn R C) { d 2 D | | 3[R](d) h 3[C] |# n } (Qual.) Maximum-Zahlenrestriktion
| Zn R: C (exact n R C) { d 2 D | | 3[R](d) h 3[C] |Z n } (Qual.) Exakte Zahlenrestriktion
| RC Z SC (eq RC SC) { d 2 D | 3[RC](d) Z 3[SC](d) } Rollenketten-Gleichheit
| RC s SC (neq RC SC) { d 2 D | 3[RC](d) s 3[SC](d) } Rollenketten-Ungleichheit
| RC 4 SC (subsetRC SC) { d 2 D | 3[RC](d) 4 3[SC](d) } Rollenketten-Teilmengenbeziehung
| r : C (in r C ) { d 2 D | \ s 3[r](d) 4 3[C] } Attributrestriktion auf Konzept
| r : i (is r i ) { d 2 D | 3[i](d) 2 3[r](d) } Attributrestriktion auf Individuum
| rcZ sc (opteq rc sc ) { d 2 D | 3[rc](d) Z3[sc](d) } (Opt.) Attributketten-Gleichheit
| rcs sc (optneq rc sc ) { d 2 D | 3[rc](d) s3[sc](d) } (Opt.) Attributketten-Ungleichheit
| rcZ sc (eq rc sc ) { d 2 D | 3[rc](d) Z3[sc](d) s \ } Attributketten-Gleichheit
| rcs sc (neqrc sc ) { d 2 D | \ s 3[rc](d) s3[sc](d) s\ } Attributketten-Ungleichheit
| {i1 , i2 , . . . , in} (oneof i1. . . in) { 3[i1], 3[i2], . . . , 3[in] } Aufzählung
| datatype Abstrakter Datentyp
| fn (apply fn) Aufruf externer Funktion
Y Y
Beispiel für initiale Konzepttaxonomie: NIKL
PREDICATED THING THING
RELATION LISPDATA
CONSP
CHARACTERP
ATOM
ARRAYP
VECTORP
SECOND- SYMBOLP
NULL NUMBERP
2-PLACE RELATION
ROLE- RELATION
INTEGERP
RATIONALP FLOATP
FIRST- PLACE SD
⌧
⌧
⌧
⌧
⌧
⌧ ⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
⌧
Framesprachen
Modellierungsprimitive OKBC-Lite
Framesprachen Modellierungsprimitive
OKBC-Lite
Konzeptsprachen/
Terminologische Logiken
Formale Semantik Subsumption, Inferenzen
Konzeptsprachen/
Terminologische Logiken Formale Semantik
Subsumption, Inferenzen
Websprachen
XML- und RDF-Syntax Websprachen
XML- und RDF-Syntax
OIL OIL
OIL führt drei Sprachfamilien zusammen
Drei Ebenen von Mark-up-Sprachen im Web
WWW-Dokument WWW-Dokument Inhalt
Struktur
Form
OIL
XML
HTML
OIL: Erweitert Frame-Sprachen
• Klassen können primitiv sein (notwendige Bedingungen)
– elephant 0 animal that has-colour grey
• oder definiert (notwendige und hinreichende Bedingungen)
– vegetarian 5 person who eats meat nor fish
• Klassen sind als Slot-Constraints zugelassen
– slot-constraint eats has-value meat (eats some meat)
– slot-constraint eats value-type meat
(eats only meat)
OIL: Erweitert Frame-Sprachen
• Verwendung arbiträrer Klassennamen
– slot-constraint eats value-type
NOT(
ORmeat fish)
• Kardinalitätsrestriktion kann Klassennamen enthalten
– slot-constraint eats max-cardinality 1 plant
• Die sub-slot-Relation wird unterstützt
– daughter-of sub-slot of child-of
• Slot-Eigenschaften können spezifiziert werden
– transitive (e.g., part-of )
– symmetrical (e.g., connected-to)
OIL: Beispiel einer Ontologie für Drucker (Teil 1)
class-def Product slot-def Price
domain Product
slot-def ManufacturedBy domain Product
class-def PrintingAndDigitalImagingProduct subclass-of Product
class-def HPProduct subclass-of Product
slot-constraint ManufacturedBy has-value "Hewlett Packard"
class-def Printer
subclass-of PrintingAndDigitalImagingProduct slot-def PrinterTechnology
domain Printer
slot-def Printing Speed domain Printer
slot-def PrintingResolution domain Printer
class-def PrinterForPersonalUse subclass-of Printer
class-def HPPrinter
subclass-of HPProduct and Printer
OIL: Beispiel einer Ontologie für Drucker (Teil 2)
class-def LaserJetPrinter subclass-of Printer
slot-constraint PrintingTechnology has-value "Laser Jet"
class-def HPLaserJetPrinter
subclass-of LaserJetPrinter and HPProduct class-def HPLaserJet1100Series
subclass-of HPLaserJetPrinter and PrinterForPersonalUse slot-constraint PrintingSpeed
has-value "8 ppm"
slot-constraint PrintingResolution has-value "600 dpi"
class-def HPLaserJet1100se
subclass-of HPLaserJet1100Series slot-constraint Price
has-value "$479"
class-def HPLaserJet1100xi
subclass-of HPLaserJet1100Series
Einige Begriffe zur Repräsentation einer
Aktionssemantik in terminologischen Logiken
Aktionen ändern den Zustand der Welt.
Aktionsparameter:
Objekte, die für Aktionen relevant sind, formale Objektparameter,
Typ beschränkt auf Konzept, (Cup1 CUP)
Zustände:
beschrieben mittels Attributen,
durch Restriktion der Attributwerte oder
‘Agreements‘ auf Attributketten,
(Cup1.contents.temperature: HOT) (Cup1.position = Agent.hand.inside) Vor/Nachbedingungen:
Konjunktion von Zuständen
Aktionstypen
Atomare Aktionen:
nicht zerlegbar,
definiert durch Vor- und Nachbedingungen,
Vorbedingung muss erfüllt sein, damit Aktion ausgeführt werden kann,
Nachbedingung wird hergestellt, nachdem Aktion erfolgreich abgelaufen ist.
Aktionssequenzen:
Sequenz von Aktionen mit optionalen Einschränkungen bzgl.
der Aktionsparameter der Teilaktionen
(defaction PUT-CUP-UNDER-WATEROUTLET (actpars ( (Cup1 CUP)
(Agent PERSON)
(Duo1 ESPRESSO-MACHINE)) (before (Cup1.position = Agent.hand.inside))
(after (Cup1.position = Duo1.wateroutlet.under)))) (defaction TURN-SWITCH-TO-ESPRESSO
(actpars ( (EM1 ESPRESSO-MACHINE) (Agent PERSON))
(before (EM1.state: (and OFF READY))) (before (EM1.has-on/off-switch.position:
OFF-POSITION)) (after (EM1.state: ON)
(EM1.has-on/off-switch.position:
ESPRESSO-POSITION))))
(defaction MAKE-ESPRESSO
(actpars ( (EM ESPRESSO-MACHINE) (Agent PERSON)...)
(sequence
(A1...) ...
(A5 PUT-CUP-UNDER-WATEROUTLET) (A6 TURN-SWITCH-TO-ESPRESSO)
...) (constraints
(equal Agent (A5 Agent) (A6 Agent) ...) (equal EM (A5 Duo1) (A6 EM1) ...)
...)))
LIVING-OBJECT PHYSICAL-OBJECT
COMPOUND-PHYSICAL-OBJECT
LOCATION
(defaction PUT-CUP-UNDER-WATEROUTLET (actpars ((Agent PERSON)
(Duo1 ESPRESSO-MACHINE)) (Cup1 CUP))
(before (Cup1.position = Agent.hand.inside))
(after (Cup1.position = Duo1.wateroutlet.under))))
PERSON ESPRESSO-MACHINE WATEROUTLET CONTAINER
HAND PART-OF-BODY
wateroutlet
inside
CUP part
under position
CONCEPT
role
RAT RAT
Plan P1
P2
Action Action Action Action Action
R A T
*TOP*
Phys. Obj. Beings Cup Machine
Human
K R I
S Duo
Aktionen
TBox WERKZEUGE ABox
R A T
K R I S Ereignisse
Take-Cup#5 Place-Cup#13 Turn-Switch#6
Switch#2 Cup#9 User#5 Aktions-Subsumption
Aktions-Subsumption Ausführbarkeitstest Ausführbarkeitstest
Planinstantiierung Planinstantiierung
Simulation Simulation
Zwischenzustände Zwischenzustände
Realisation Realisation Konzeptinstantiierung Konzeptinstantiierung Konsistenz
Konsistenz KlassifikationKlassifikation
Anwendbarkeitstest Anwendbarkeitstest
RAT: Services
• Feasibility Test: ist der Plan P generell ausführbar?
• Instantiierung: Erzeuge eine Planinstanz I mit den angegebenen Parameterwerten.
• Applicability Test: Ist die Planinstanz I im aktuellen Weltzustand anwendbar?
• Simulation: Simuliere die Ausführung der Planinstanz I bis zu einer bestimmten Stelle innerhalb des Plans.
• Intermediate States: Berechne den Weltzustand an einer
bestimmten Stelle des Plans.
Ausführbarkeitstest
• Gegeben: Aktionssequenz P = (A1 A2 A3)
Gesucht: Globale Vor- und Nachbedingungen von P
• Algorithmus: (temporal projection) Propagieren der Bedingungen
• Berechnung der schwächsten (allgemeinsten) Vorbedingung
und der stärksten (speziellsten) Nachbedingung
Instantiierung
• Bei der Instantiierung einer Aktionssequenz werden alleTeilaktionen instantiiert. Dafür können für die formalen Aktionsparameter konkrete Objekte der KRIS-Abox angegeben werden.
• Danach kann mit Hilfe der gespeicherten ADD- und DELETE-Listen eine Simulation des Planablaufs auf verschiedenen Ebenen
durchgeführt werden.
• Die KRIS-ABox repräsentiert dabei den jeweiligen aktuellen
Weltzustand.
Subsumption
Subsumption zwischen Aktionen kann auf Subsumption zwischen Vor- und Nachbedingungen reduziert werden.
Vier verschiedene Subsumptionsbeziehungen:
z Goal Subsumption (z.B. plan retrieval) A 8
aB 5 Post(A) 8 Post(B)
z Abstraction Subsumption (z.B. hierarchical planning) A 8
bB 5 Pre(A) 8 Pre(B) o Post(A) 8 Post(B) z Applicability Subsumption (z.B. plan optimization)
A 8
gB 5 Pre(B) 8 Pre(A) o Post(A) 8 Post(B)
o Par(A) 8 Par(B)
BREW- ESPRESSO
PREPARE-ESPRESSO-POWDER
REMOVE-COVER-OF-WATERCONTAINER
SCREW-IN-COVER-OF-WATERCONTAINER PREPARE-WATER
PLACE-CUP-UNDER-OUTLET
TURN-MACHINE-ON
ESPRESSO-DROPS-INTO-CUP
TURN-MACHINE-OFF
LIFT-LID
INSTALL-COVER-OF-WATERCONTAINER FILL-WATER-INTO-WATERCONTAINER
PUT-IN-COVER-OF-WATERCONTAINER LIFT-COVER-OF-WATERCONTAINER UNSCREW-COVER-OF-WATERCONTAINER
INSTALL-FILTER-IN-HOLDER
FILL-FILTER-HOLDER
INSTALL-FILTER-HOLDER
action57543 TAKE-CUP
action57544 PRESS-BUTTON
PUT-FILTER-INTO-HOLDER
PUL-BACKWARD-CLIP-OF-FILTER
COMPRESS-ESPRESSO-POWDER FILL-IN-ESPRESSO-POWDER
SCREW-FILTER-HOLDER PLACE-FILTER-HOLDER
Action Sequence „Put_cup_under_drain“
(defaction put_cup_under_drain
(actpars ((Agent USER) (Object CUP) (EM1 DUO5649)) (sequence (A1 take_cup) (A2 put_down_cup))
(constraints
(eq Agent (A1 Agent)) (eq Agent (A2 Agent)) (eq Object (A1 Object)) (eq Object (A1 Object)) (eq EM1 (A2 EM1)))))
(defaction take_cup
(actpars ((Agent USER) (Object CUP)) (before (is (Object position) LOCATION)
(is (Agent has-hand contents) *BOTTOM*))
(after (eq (Object position) (Agent has-hand region-inside)) (eq (Agent has-hand contents) CUP))))
(defaction put_down_cup
(actpars ((Agent USER) (Object CUP) (EM1 DUO5649))
(before (eq (Object position) (Agent has-hand region-inside)) (eq (Agent has-hand contents) Object)
(is (EM1 has-drain occupied-by) *BOTTOM*))
Ausführbarkeitstest Fortsetzung
Dabei:
z Konsistenz aller Zwischenzustände
z Prüfung der Anwendbarkeit für jede Teilaktion (ist Vorbe- dingung der Teilaktion allgemeiner als der aktuelle Weltzu- stand?)
Seiteneffekt:
z Speicherung der ADD- und DELETE-Listen von Zustandsbe-
schreibungen
Ausführbarkeitstest Fortsetzung
• Abbildung der Anwendbarkeitstests in TL
‘Aktion A anwendbar in Weltzustand S‘
/‘Vorbedingung von A subsumiert S‘
• Zustandsbeschreibung
/Konzeptbeschreibung (defaction . . . (actpars ((Cup1 CUP)) . . .) . . .)) (Cup1.position = Agent.hand.inside)
/(and (all Cup1 CUP)
(equal (compose Cup1 position)
(compose Agent hand inside))) (Cup.contents.temperature: HOT)
/(and (all Cup1 CUP)
(some (compose Cup1 contents temperature)
Architektur eines Produktionensystems
Datenbasis
C5 C1 C3
Produktions- regeln C1 + C2 Æ A1
C3 Æ A2 C1 + C3 Æ A3 C4 Æ A4 C5 Æ A5
Regelinterpreter
Match Produktions-
regeln gegen Datenbasis
Erkennung Aktion
Konfliktmenge
C3 Æ A2 C1 + C3 Æ A3 C5 Æ A5
C3 Æ A2 Evaluiere A2
Entwicklung der Produktionensysteme
Post 1943
Markov 1954
Chomsky 1957
Newell/Simon 1965
Produktionensystem für „P minus Q“
Datenbasis: (START) (P 5) (Q 3) Variablen: X1 X2
Produktionsregeln:
R1: (START)
Æ LÖSCHE ((START)), ERGÄNZE ((COUNT 0)) R2: (COUNT X1) & (P X2) & (Q X2))
Æ DRUCKE (X1), STOP R3: (COUNT X1) & (Q X2)
Æ ERSETZE (X1, SUCC(X1), (COUNT X1)), ERSETZE (X2, SUCC(X2), (Q X2))
DB1: (COUNT 0) (P 5) (Q 3) <R1>
DB2: (COUNT 1) (P 5) (Q 4) <R3>
DB3: (COUNT 2) (P 5) (Q 5) <R3>
“2“ <R2>
Das kanonische System von Emil Post als Vorläufer von Produktionensystemen
Postsche Systeme sind Ersetzungssysteme, die über einem endlichen Alphabet V definiert sind und aus
- einer endlichen Menge von Ersetzungsregeln und
- einer endlichen Menge von Zeichenketten über V (Axiome) bestehen.
Beispiel: Erzeugung aller Palindrome (Zeichenketten, die in beiden
Leserichtungen gleich sind: ‘Reliefpfeiler‘, ‘Ein Neger mit Gazelle zagt im Regen nie‘) über einem Alphabet.
Alphabet: V = {a, b, c}
Axiome: a, b, c, aa, bb, cc Ersetzungsregeln: $ Æ a$a
$ Æ b$b
$ Æ c$c
$ kann durch beliebige Zeichenketten über V ersetzt werden.
$ Æ aca Æ bacab Æ cbacabc Unterschiede zu Produktionensystemen:
- Datenbasis (Arbeitsspeicher, Working Memory) besteht aus nicht weiter strukturierten Symbolfolgen