Convenente: Fundação Padre Urbano Thiesen

Transcrição

23/11/201
1
Relatório de Acompanhamento Técnico de Projetos
Nº do Contrato / Convênio (01.23.4567.89)
0
1
.
1
0
.
0
2
Referência FINEP (1234/56)
9
9
.
0
0
2
3
3
6
/
Beneficiário (a) / Conveniente
Período (mm/aa até mm/aa)
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA
ANEXO J - Análise e especificação dos critérios de aderência/ compatibilidade de
OAs ao OBAA
Análise e especificação dos critérios de aderência/
compatibilidade de OAs ao OBAA
Versão 1.0
Título do projeto:
Infraestrutura OBAA-MILOS: Infraestrutura Multiagente
para Suporte a Objetos de Aprendizagem OBAA
Sigla do Projeto:
OBAA-MILOS
Referência:
2336/09
Número:
01.10.0299.00
Executores:
UFRGS – Universidade Federal do Rio Grande do Sul
UNISINOS- Universidade do Vale do Rio dos Sinos
Coordenador Geral:
Rosa Vicari
Coordenador (UNISINOS): João Carlos Gluz
Proponente:
FAURGS – Fundação de Apoio a UFRGS
Data:
24 de outubro de 2011
Autores:
Alexandre Moretto Ribeiro
Elder Rizzon Santos
Júlia Marques Carvalho da Silva
Tiago Primo
Projeto Infraestrutura OBAA-MILOS
1/20
p. 1/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
Sumário
1. Introdução......................................................................................................................... 5
1.1. Objetivo........................................................................................................................5
1.2. Escopo..........................................................................................................................5
1.3. Estrutura do Documento.............................................................................................. 5
2. Perfis de metadados do padrão OBAA: Full e Lite.......................................................6
3. Fundamentação tecnologica: motores de inferência para ontologias OWL...............8
3.1 Pellet............................................................................................................................10
3.2 F-OWL........................................................................................................................ 11
3.3 Vampire....................................................................................................................... 13
4. Uso de perfis representados em ontologias para a verificação de compatibilidade. 14
REFERÊNCIAS................................................................................................................. 17
2/20
p. 2/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
LISTAS DE ABREVIATURAS
DL
MILOS
RDF
OA
OBAA
OWL
W3C
XML
Lógica Descritiva
Multiagent Infrastructure for Learning Object Support
Resource Description Framework
Objeto de Aprendizagem
Objetos de aprendizagem Baseados em Agentes Artificiais
Web Ontology Language
World Wide Web Consortium
Extensible Markup Language
3/20
p. 3/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
1. Introdução
O objetivo mais geral do projeto Infraestrutura OBAA-MILOS é criar as bases
tecnológicas que permitam efetivar a adoção da proposta de metadados de objetos de
aprendizagem OBAA como o futuro padrão nacional para objetos de aprendizagem. Isto
inclui:
(a) A ampla divulgação e discussão sobre as características do padrão;
(b) A elaboração e publicação de melhorias, adições e atualizações do padrão, além
da geração de conteúdos e materiais baseados no padrão;
(c) O projeto e implementação de ferramentas tecnológicas de apoio ao padrão
para, por exemplo, utilização, compatibilização e verificação de OAs compatíveis
com o OBAA.
O projeto OBAA-MILOS envolve a especificação e a implementação de uma arquitetura
de agentes que suporte os requisitos de adaptabilidade, interoperabilidade e acessibilidade
previstos pelo padrão OBAA, sendo compatível com o panorama de padrões educacionais
e multimídia atuais.
1.1. Objetivo
Este relatório apresenta uma análise acerca da verificação quanto a aderência
(compatibilidade) de objetos de aprendizagem ao padrão OBAA.
1.2. Escopo
A verificação quanto a compatibilidade de um OA ao OBAA possui aplicações no contexto
de desenvolvimento de novos conteúdos no padrão OBAA e também quanto à utilização de
conteúdos já desenvolvidos (objetos legados) na estrutura OBAA-MILOS.
1.3. Estrutura do Documento
O relatório está organizado da seguinte forma:
•
O capítulo 2 apresenta uma proposta para os perfis de metadados do OBAA,
estabelecendo uma base de comparação a qual é utilizada no momento da
verificação de compatibilidade.
•
O capítulo 3 apresenta um estudo sobre as tecnologias relacionadas à ontologias e
web semântica, as quais são utilizadas para fazer a verificação e classificar os
objetos quanto a sua compatibilidade com os perfis do padrão OBAA.
4/20
p. 4/20
23/11/2011
0
.
1
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
•
O capítulo 4 especifica uma forma automatizada para realizar a classificação de
objetos quando a sua aderência ao padrão OBAA.
2. Perfis de metadados do padrão OBAA: Full e Lite
A partir dos resultados de uma pesquisa para verificar a utilização de padrões por
professores, observou-se a necessidade de propor duas versões do OBAA: uma completa
(Full) e outra reduzida (Lite). A versão completa se trata da versão atualmente proposta,
com elementos que possibilitam descrever objetos de aprendizagem multiplataforma e com
requisitos de acessibilidade. Já a versão reduzida, visa fornecer um modelo simplificado,
fácil de ser descritos pelos desenvolvedores de objetos de aprendizagem e implantados nos
repositórios. Ambas versões são apresentadas na sequência.
O modelo de metadados atual da especificação OBAA contempla um conjunto extenso de
elementos, que inclui os metadados IEEE LOM, a fim de manter compatibilidade, e o
acréscimo de elementos com o intuito de atender as necessidades do projeto OBAA.
Entretanto, a partir deste trabalho, percebeu-se a necessidade de modificação de alguns
elementos, principalmente no que se refere aos valores válidos, isto é, quais são os valores
que podem ser preenchidos em um determinado elemento. Estas modificações são
apresentadas na Tabela 1.
Elemento
4.1 Technical / Format
4.7 Technical / Duration
7.1 Relation / Kind
Descrição da Alteração
Acrescentar a opção de “non-digital” como valor válido, indicando que o objeto de
aprendizagem consiste em um material não digital, ou seja, físico.
Acrescentar a opção “non-defined” como valore válido, pois nem todos objetos de
aprendizagem apresentam duração técnica, ex: imagem, arquivos de apresentação de
slides, etc.
Acrescentar as opções abaixo como valores válidos a fim de proporcionar relações
pedagógicas entre os objetos de aprendizagem:
isConcept: este relacionamento visa relacionar um objeto de aprendizagem com
atividades práticas ou de exemplificação a um objeto de aprendizagem que traz conceitos;
isPractice:visa relacionar um objeto de aprendizagem conceitual ou com exemplos a
um objeto de aprendizagem com atividades práticas;
isExample: relaciona um objeto de aprendizagem conceitual ou prático a um objeto de
aprendizagem com exemplos; e,
isAlternative: relaciona um objeto de aprendizagem conceitual com outro conceitual,
um prático com outro prático, ou um com exemplo a outro exemplo, desde que estes
abordem a mesma temática.
Tabela 1. Alterações Propostas à Especificação OBAA
As modificações aqui propostas resumem algumas das percepções obtidas durante as
análises dos resultados dos grupos focais. Elas, acrescentadas a proposta original do
5/20
p. 5/20
23/11/2011
0
.
1
1
.
0
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
p. 6/20
OBAA, são aqui denominada de OBAA Full, pois contém o conjunto completo de
metadados OBAA.
Ainda, faz-se a proposta de um conjunto resumido dos metadados OBAA, baseados nos
elementos utilizados de fato nos grupos focal estruturado e semiestruturado, o OBAA Lite.
Esta versão utiliza-se dos elementos básicos para identificação do objeto de aprendizagem
em um repositório e de elementos utilizados de fato pelos usuários-professores. O OBAA
Lite é apresentado na Tabela 2.
Elemento
1. General (geral)
-
1.2 Title (título)
Nome do objeto de aprendizagem
1.3 Language (idioma)
Idioma do objeto de aprendizagem
1.4 Description (descrição)
4.3 Location (localização)
Descrição do objeto de aprendizagem
Palavras ou frases que descrevam o objeto de
aprendizagem
A época, cultura ou geografia que o objeto de
aprendizagem se aplica
URL onde está armazenado o objeto de
aprendizagem
5. Educational
-
1.5 Keyword (palavra-chave)
1.6 Coverage (cobertura)
4. Technical (técnico)
5.2 Learning Resource Type
(tipo de recurso de
aprendizagem)
5.5 Intended End User Role
(público-alvo)
5.6 Context (contexto)
5.9 Typical Learning Time
(tempo de aprendizagem
típica)
5.10 Description (descrição)
Descrição
Tipo de recurso de aprendizagem utilizado, por
ordem de predominância
Principal usuário para o objeto de aprendizagem
Principal ambiente onde o objeto de
aprendizagem pode ser usado
Tamanho
1
Como preencher
LangString[1000]
Ex: (“en”, “The life and works of Leonardo da
1
Vinci”)
Máximo 10 CharString[100]
itens
Ex: “en”, “en-GB”, “de”, “fr- CA”, “it”, “grc”
LangString[2000]
Ex: (“en”, “In this video clip, the life and works
of Leonardo da Vinci are briefly presented. The
Máximo 10 focus is on his artistic production, most notably
itens
the Mona Lisa.”)
Máximo 10 LangString[1000]
itens
Ex: (“en”, “Mona Lisa”)
Máximo 10 LangString[1000]
itens
(“en”, “16th century France”)
1
Máximo 10 CharString[1000]
itens
Ex: “http://host/id”
Máximo 100
itens
Ex: “exercise”, “simulation”, “questionnaire”,
“diagram”, “figure”, “graph”, “index”, “slide”,
“table”, “narrative text”, “exam”,
Máximo 10 “experiment”, “problem statement”, “selfitens
assessment”, “lecture”
Máximo 10
itens
Ex: “teacher”, “author”, “learner”, “manager”
Máximo 10 Ex: “school”, “high education”, “training”,
itens
“other”
Tempo que o aluno levará para usar o objeto de
aprendizagem
1
Comentários de como o objeto de aprendizagem é Máximo 10
usado
itens
Duration
Ex: “PT1H30M”, “PT1M45S”
LangString[1000]
Ex: (“en”, “Teacher guidelines that come with a textbook.”)
Tabela 2. Proposta para o OBAA Lite
6/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
Notam-se que os elementos selecionados para o OBAA Lite consistem naqueles que mais
foram utilizados pelos professores, em especial da categoria 5. Educational. Ainda, foram
adicionados elementos para identificação (1. General), localização (4. Technical) e direitos
autorais (6. Rights). Com esta proposta, pretende-se simplificar a descrição e facilitar a
implantação da especificação OBAA nos repositórios.
3. Fundamentação tecnológica: motores de inferência para
ontologias OWL
OWL (Web Ontology Language) é uma linguagem ontológica, composta por três versões
com níveis de expressividade diferentes, desenvolvida pelo W3C (World Wide Web
Consortium). A construção da OWL foi motivada pelo importante papel previsto para as
ontologias na Web Semântica (WS) (disponibilizar vocabulários precisamente definidos e
processáveis por máquinas para utilização em anotações semânticas) e também pelo
reconhecimento de que as linguagens existentes na época, RDF e RDF-S não eram
expressivas o suficiente.
A idéia de “processável por máquinas” (ZOU, 2005) significa que a informação em
questão explicitamente preparada para inferência computacional e reutilização por várias
aplicações. A concretização da WS requer linguagens para modelar o significado das
informações presentes na Web e aplicações para publicar, descobrir, processar e anotar
informações codificadas com elas. O tratamento desses requisitos envolve aspectos de
diversas áreas, tais como, representação e inferência de conhecimento, bancos de dados,
recuperação de informações, sistemas multi-agente (SMA), processamento de linguagem
natural e aprendizagem de máquina. Apesar da OWL ter sido projetada para utilização no
desenvolvimento da WS ela tornou-se um padrão de facto para o desenvolvimento de
ontologias em geral (GRAU, 2006). Isso deve-se a grande quantidade de ferramentas
disponíveis e à possibilidade de compartilhamento e reutilização fornecidas pela adoção de
um padrão.
As principais funcionalidades de um motor de inferência para OWL são a compatibilidade
com a semântica formal ao processar informações em OWL, a descoberta de
inconsistências em dados OWL, e inferir novas informações a partir do que é conhecido
atualmente. Zou (2007) apresenta um exemplo simples para demonstrar a aplicação de
inferência integrada à SMA e assistentes pessoais: Manoel está visitando Porto Alegre e
quer encontrar um restaurante italiano próximo ao local onde ele está. Seu PDA tenta
satisfazer esse desejo procurando por algo do tipo restaurante com uma propriedade
tipoDeCozinha com o valor Italiana. O restaurante “Boa Pizza” anuncia sua cozinha como
sendo do tipo pizza. Os valores italiana e pizza não são equivalentes em todos os
contextos, logo o restaurante Boa Pizza não é considerado um restaurante com cozinha
italiana. Utilizando-se de ontologias, um “anúncio semântico” do restaurante torna a
situação mais clara: Pizza rdfs: SubClassOf cozinhaItaliana. Com a informação codificada
7/20
p. 7/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
dessa forma, um motor de inferência presente no PDA de Manoel pode determinar que o
restaurante Boa Pizza seja o que ele está procurando. Zou (2007) aponta algumas
funcionalidades importantes para motores de inferência OWL:
Verificação de consistência. A definição dos conceitos de uma ontologia (TBox) impõem
um conjunto de restrições ao que pode ser modelado. O motor de inferência deve verificar
a sintaxe e a utilização dos termos OWL, e garantir que as instâncias (ABox) atendam a
todas as condições.
Computação de implicações (entailments). Implicação, satisfatibilidade
subclassificação (subsumption) são tarefas essenciais para um motor de inferência.
e
Processamento de consultas. É necessário o suporte a consultas expressivas e de fácil
utilização, tanto para usuários humanos quanto para componentes de software.
Inferência com regras. Regras podem ser utilizadas para controlar a inferência, descrever
regras de negócio, ou expressar restrições e relações não suportadas pela OWL. Deve ser
fornecida uma interface para processar regras contemplando classes, propriedades e
instâncias OWL.
Tratamento de tipos de dados em XML. Estes tipos de dados podem ser usados
diretamente em OWL para representar tipos primitivos de dados (inteiro, caractere, data,
etc.). Tipos complexos de dados podem ser definidos a partir dos tipos básicos e outros
tipos complexos. O papel do motor de inferência nessa situação é testar a satisfatibilidade e
conjunções dos tipos de dados construídos. A linguagem OWL é baseada na Lógica
Descritiva (DL) (BAADER, 2007), uma família de linguagens projetada para representar
conhecimento sobre conceitos e suas hierarquias. As DL geralmente possuem uma
semântica de tal forma a torná-las subconjuntos de lógica de primeira ordem. Sendo assim,
várias abordagens fundamentadas nessas lógicas são utilizadas para desenvolver motores
de inferência para OWL (ZOU, 2007):
Utilização de um motor de inferência para DL especializado. Motores de DL são
utilizados para especificar a hierarquia terminológica e possibilitar a subclassificação.
Esses motores possuem a vantagem de serem decidíveis. Três desses sistemas são o FaCT
(PATEL-SCHNEIDER, 1999), o Racer (HAARSLEV, 2001) e o Pellet. Cada um deles
implementa um tipo diferente de DL. O Racer implementa SHIQ(D) utilizando um
algoritmo Tableaux (árvore de refutação). É um motor de inferência completo para OWLDL e possibilita inferência TBox e ABox. O sistema FaCT implementa SHIQ mas permite
apenas inferência TBox. Já o Pellet implementa SHIN(D) e possui um verificador de
consistência completo para OWL-Lite permitindo consultas TBox e Abox. independente de
implementação para o acesso à funcionalidades de inferência em DL.
A seguir são apresentados três dos principais motores de inferência para OWL, os quais
podem ser utilizados para realizar a classificação dos objetos de aprendizagem.
8/20
p. 8/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
3.1 Pellet
O Pellet (SIRIN, 2007) foi o primeiro motor de inferência para OWL-DL completo (ou
seja, a DL SHOIN(D)), com suporte para inferência em indivíduos (ABox), suporte
nominal e consultas conjuntivas (conjunctive query), tipagem de dados definida pelo
usuário, e ferramentas para depuração de ontologias. Além disso, esse motor implementa
algumas extensões para a OWL-DL: um formalismo para combinação de ontologias (seção
1.4), um operador não-monotônico e suporte preliminar para inferência híbrida utilizando
regras.
A OWL 1.1 amplia a OWL-DL com restrições de cardinalidade qualificadas, axiomas para
subpropriedades complexos (entre uma propriedade uma cadeia de propriedades),
restrições de reflexividade locais, propriedades reflexivas, irreflexivas, simetrias e
assimétricas, e propriedades disjuntas (disjoint properties). O Pellet é implementado em
JAVA e possui código aberto. O acesso às funcionalidades é feito através de linha de
comando, interface WEB, implementação de um servidor DIG, conexões de API para as
ferramentas RDF/OWL Jena e OWL-API.
A Figura 1 exibe os principais componentes do Pellet. Fundamentalmente, o Pellet é um
motor de inferência para DL, baseado em algoritmos tableaux. Desta forma, todos os
serviços de inferência são reduzidos a verificações de consistência. O motor permite que
outros algoritmos tableaux sejam utilizados. O algoritmo padrão lida com SROIQ(D), mas
existem outras implementações, por exemplo, para extensões não-monotônicas e
integração com regras. Apesar de ser, fundamentalmente, um motor de inferência para DL,
o Pellet foi projetado com o objetivo de ser utilizado em OWL. Essa decisão de projeto
influenciou bastante a arquitetura geral do motor. A implementação do algoritmo tableaux,
por exemplo, permite inferência com as instâncias (ABox) sem utilizar a suposição de
nome único. Outra conseqüência do foco em OWL é o suporte aos tipos de dados de XMLS e o motor de consultas.
O núcleo do sistema (Figura 1) é o motor de inferência (Tableaux reasoner) o qual verifica
a consistência de uma base de conhecimento. O motor possui um módulo para lidar com
tipos de dados, responsável por checar a consistência de conjunções de tipos simples do
XML-S. As ontologias OWL são carregadas no motor após a validação das classes e
consertos na ontologia (Species Validation & Ontology Repair). Esta etapa garante que
todos os recursos tenham uma tripla de tipo apropriada (um requisito para OWL-DL mas
não para OWL-Full) e declarações de tipos inexistentes sejam adicionadas de acordo com
uma heurística (SIRIN, 2005).
Durante a fase de carregamento da ontologia, os axiomas sobre classes são colocados no
componente TBox e as asserções acerca dos indivíduos são armazenadas no componente
ABox. Axiomas TBox passam pelo pré-processamento tradicional de uma inferência em
DL (normalização, absorção e internalização), antes de serem alimentados para o motor
9/20
p. 9/20
23/11/2011
0
1
.
1
.
0
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
tableaux. O sistema fornece uma camada para o acesso programático através de uma
Service Programming Interface (SPI) para o acesso aos serviços de inferência. O
processamento de consultas permite responder consultas ABox (conjuntivas) expressas em
SPARQL ou RDQL.
Figura 1. Arquitetura do Pellet
3.2 F-OWL
F-OWL (ZOU, 2007) é um motor de inferência para RDF e OWL baseado em F-logic, uma
abordagem para definir sistemas baseados em frames em lógica. F-OWL é implementado
usando o sistema de programação lógica XSB e a extensão Flora-2 a qual fornece uma
camada para representação através de frames. A utilização de XSB e Flora-2 facilita a
integração com outros mecanismos de inferência e aplicações, tais como planejadores e
inferência padrão.
XSB é um sistema de programação lógica que disponibiliza toda a funcionalidade do
Prolog e também funções para tabulação (tabling), negação não estratificada (non-stratified
negation), construtores de alta ordem e um sistema de pré-processamento flexível. A
tabulação é útil para o processamento recursivo de consultas, permitindo aos programas
encerrarem corretamente em muitos casos onde a abordagem padrão não o faz. Com essa
estrutura é possível inserir regras do tipo “se e somente se” diretamente. O XSB possibilita
a utilização de extensões para programas lógicos através do pré-processamento de
bibliotecas, por exemplo, uma interface orientada a objetos, a Flora-2.
O Flora-2 é um compilador para um dialeto de lógica de Frames em XSB, utilizando
tabulação, HiLog e uma semântica para negação também presente no XSB. A
10/20
p. 10/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
implementação do Flora-2 é feita através de um conjunto de bibliotecas (run-time) e um
compilador para traduzir uma união das linguagens Flogic e HiLog em código Prolog
tabulado. HiLog é a sintaxe padrão utilizada pelo Flora-2 para representar termos de
funções e predicados. Flora-2 é uma linguagem orientada a objetos para bases de
conhecimento e uma plataforma para desenvolvimento de aplicações. A linguagem de
programação utilizada no Flora-2 é um dialeto de F-logic com extensões, tais como uma
forma natural para realizar meta-programação no estilo HiLog e atualizações lógica no
estilo de lógica transacional.
O F-OWL utiliza um sistema baseado em frames para inferência com ontologias OWL.
Um importador OWL lê o conteúdo da ontologia a partir de uma URI e então extrai as
triplas RDF da ontologia. As triplas são convertidas para o formato de frames do F-OWL e
então são processadas pelo motor. As regras definidas na linguagem Flora-2 são utilizadas
para verificar a consistência da ontologia e extrair conhecimentos ocultos através de
resolução.
As duas principais abordagens para computar implicações em uma ontologia são: a
redução para um problema de satisfatibilidade em SHOIN(D) e SHIF(D) – esta abordagem
se beneficia da similaridade da OWL com DL; e a geração de um fechamento dedutivo
(deductive closure) a partir de um grafo RDF composto de triplas – provar a implicação
torna-se a tarefa de construir e pesquisar o grafo de fechamento. Com a inferência
forward/backward do XSB e a lógica em frames do Flora, o F-OWL utiliza a segunda
abordagem para computar o fechamento dedutivo de um conjunto de declarações RDF ou
OWL. O fechamento é um grafo que consiste de todas as triplas <sujeito, predicado,
objeto> que satisfaçam {sujeito, objeto}==> IEXT(I(predicado)). Isso é definido como:
<sujeito, predicado, objeto> ==> KB ⇔ {sujeito, objeto} ==> IEXT(I(predicado))
Onde KB é a base de conhecimento, I(x) é a interpretação de um grafo e IEXT(x) é a
relação de extensão binária de propriedades. O F-OWL (escrito na extensão Flora-2 para
XSB) consiste no seguinte conjunto de regras:
•
Um conjunto de regras para inferir sobre RDF/RDF-S e OWL; • Um conjunto de
regras para mapear tipos de dados XML em termos XSB; •Um conjunto de regras para
realizar verificações de consistência em ontologias; •
Um conjunto de regras que
fornece uma interface entre chamadas da API Java e a camada mais baixa de regras Flora2/XSB.
A utilização de F-OWL para a inferência em uma ontologia consiste das seguintes etapas: •
Carregar regras da aplicação adicionais ao motor;
•
Adicionar novas declarações RDF e OWL (ontologias ou asserções) ao motor. As
triplas (sujeito, predicado, objeto) nas declarações OWL são traduzidas para um estilo 2ply de frames: sujeito(predicado, objeto)@modelo;
11/20
p. 11/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
•
Realizar consultas ao motor. As regras RDF e OWL são aplicadas recursivamente
para gerar todas as triplas corretas. Se uma consulta não possui variáveis, um Verdadeiro é
retornado quando uma interpretação da questão é encontrada. Se a consulta inclui uma
variável, as variáveis são trocadas pelos valores da interpretação e então retornadas;
•
A ontologia e as triplas podem ser removidas, se desejável, pois o sistem XSB
armazena as triplas computadas em tabelas indexadas, tornando as próximas consultas
mais rápidas.
3.3 Vampire
A linguagem OWL-DL corresponde à DL SHOIND-n, a qual, assim como a maioria das
DL, é um fragmento da lógica clássica de primeira ordem (FOL). Sendo assim, é possível
aplicar os métodos para inferência automatizada da FOL como um mecanismo para
inferência em OWL-DL. Esta abordagem não deve substituir os motores de inferência
especializados para DL, mas pode servir como um mecanismo complementar para lidar
com problemas fora do escopo dos motores para DL atuais. A abordagem apresentada por
Tsarkov (2004), utiliza uma implementação já existente de um provador para FOL, com
alguns ajustes para explorar a estrutura e necessidades de inferência de DL. A
implementação apresentada foi desenvolvida como um estudo de viabilidade.
Dada uma base de conhecimento K (equivalente a uma ontologia em OWL-DL),
consistindo de um conjunto de axiomas sobre conceitos, papéis, indivíduos e,
possivelmente, tipos de dados, as principais funções de inferência são: verificação da
consistência da base de dados (os axiomas de K são contraditórios?), consistência entre
conceitos (é consistente se um conceito possui no mínimo uma instância), subclassificação
de conceitos (as instâncias de um conceito são necessariamente instâncias de outro
conceito), verificação de indivíduos (uma classe contem um dado indivíduo), recuperação
de indivíduos (encontrar os indivíduos de uma dada classe), hierarquia (obter a ordenação
parcial da hierarquia de conceitos de K), e a derivabilidade / causalidade / conseqüência
lógica (implicação) (K é capaz de derivar todos os axiomas em outra base de
conhecimento). Todas essas funções podem ser reduzidas à consistência da base de dados
ou, consistência de conceitos.
Foram realizados testes com funções de classificação e um conjunto de verificações de
consistência e derivabilidade em OWL-DL. Cada função de classificação transforma-se em
um conjunto de tarefas de consistência/subclassificação. O protótipo utiliza o motor de
inferência FaCT++ (TSARKOV, 2006). Esta implementação utiliza os algoritmos de
tableaux escritas para o FaCT original, entretanto utiliza C++ ao invés de LISP. O objetivo
do FaCT++ é fornecer um motor para DL complexas, tais como SHIQ e OWL-DL, com
bom desempenho, extensibilidade e estruturas de dados adequadas para lidar com bases de
conhecimento muito grandes. O provador de teorema utilizado foi o Vampire
12/20
p. 12/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
(RIAZANOV, 2002), o qual é um provador genérico para FOL (general purpose FOL
prover). Dado um conjunto de fórmulas de primeira-ordem na sintaxe de FOL completa, o
Vampire transforma o conjunto de clausulas satisfazíveis, e então tenta demonstrar a
inconsistência da clausula saturando-a com resolução ordenada e superposição. Se o
processo de saturação termina sem encontrar uma refutação no conjunto de entrada, isso
indica que o conjunto de clausulas e, consequentemente, o conjunto de fórmulas originais é
satisfatível.
Entretanto, o Vampire não utiliza nenhuma otimização para a inferência ontológica. Sua
implementação é altamente otimizada para encontrar refutações, muitas vezes utilizando
procedimentos incompletos. Funções de inferência mais leves, necessárias para resolver
problemas fáceis de uma forma rápida não foram testados com o motor. A maioria das
funcionalidades implementadas, como técnicas de indexação de termos complexas, levam
a uma sobrecarga nas primeiras etapas de uma execução, o que somente vale a pena em
problemas difíceis.
Uma funcionalidade interessante da utilização de provadores FOL é a extensibilidade. A
atual arquitetura em camadas da web semântica possui camadas acima da ontológica
(OWL). Através dessas camadas será adicionada mais expressividade, a qual não será
possível de ser tratada através dos fragmentos de FOL utilizados por motores para DL.
Uma das extensões já propostas para OWL é a Semantic Web Rule Language (SWRL) –
Linguagem de Regras da Web Semântica, a qual aumenta a OWL com regras de Horn. A
lógica da SWRL permite regras pouco restritivas, resultando em linguagem combinada não
decidível. Através de mais uma tradução é possível estender a abordagem de mapeamento
para FOL do Vampire para incorporar essas regras, disponibilizando uma implementação
simples de um motor de inferência para SWRL.
4. Uso de perfis representados em ontologias para a verificação
de compatibilidade
A utilização de critérios de análise e verificação de metadados são parte da iniciativa de
documentar o processo mental de construção de um Objeto de Aprendizagem OBAA.
Desta forma torna-se possível que computadores infiram se um objeto de aprendizagem é
compatível com o padrão OBAA e se este está de acordo com aspectos específicos de um
perfil descrito.
A abordagem para documentar os perfis de metadados e seus critérios de verificação está
fundamentada nos conceitos e técnicas da web semântica. Utilizando-se da linguagem
OWL, um perfil de metadados é implementado como uma Classe onde especifica-se os
componentes do perfil. Tal especificação pode ser modelada através de várias formas em
OWL. Neste caso, propomos a utilização de um axioma específico o qual é disponibilizado
em OWL desde suas versões iniciais. Através da utilização de um conceito da linguagem já
13/20
p. 13/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
formalizado e definido é possível utilizarmos os motores de inferência para realizarem a
análise e verificação dos objetos de aprendizagem junto a conjuntos de perfis.
Esta verificação se torna possível pois cada perfil deve disponibilizar informações
relacionadas aos metadados que deve estar presentes na documentação de um OA, bem
como, aspectos relacionados a plataforma e domínio de aplicação do mesmo. Desta forma
torna-se possível analisar inconsistências de um OA frente a um perfil.
A viabilidade tal proposta é possível devido a maneira como é declarado o Perfil em OWL.
Desta forma podemos declarar que um perfil é composto por um sub-conjunto de
metadados associadas a instruções sobre como deve ser o conteúdo dos mesmos. A partir
desta declaração, os objetos de aprendizagem que utilizarem determinado conjunto de
metadados possuem sua aderência definida automaticamente pelo motor de inferência.
Sob uma perspectiva técnica, esta declaração é feita utilizando-se o axioma
equivalentClass, o qual permite definir uma equivalência entre uma classe um conjunto de
propriedades (as propriedades são utilizadas para representar os metadados e também
instruções de preenchimento).
A seguir são apresentados exemplos de utilização do axioma equivalentClass para a
descrição de perfis.
14/20
p. 14/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
Figura 2. Ilustração do uso de axiomas no Protégé
Os exemplos de utilização foram desenvolvidos com o uso da ferramenta de
desenvolvimento de ontologias Protégé. A Figura 2 ilustra a utilização da propriedade
equivalentClass. O código em OWL que descreve este relacionamento é:
<EquivalentClasses>
<Class IRI="#Core"/>
<ObjectIntersectionOf>
<DataSomeValuesFrom>
<DataProperty IRI="#supportedPlatform"/>
<Datatype abbreviatedIRI="xsd:string"/>
</DataSomeValuesFrom>
15/20
p. 15/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
<DataSomeValuesFrom>
<DataProperty IRI="#title"/>
<Datatype abbreviatedIRI="xsd:string"/>
</DataSomeValuesFrom>
</ObjectIntersectionOf>
</EquivalentClasses>
Considerado o código em OWL apresentado, DataProperty representa as propriedades de
dados que devem ser satisfeitas para que um indivíduo possa ser inferido como parte da
classe que ilustra o perfil CORE.
A partir do uso de classes com o axioma equivalentClass é possível utilizar motores de
inferência para classificar os objetos quanto a sua aderência aos perfis. O exemplo da
Figura 3 ilustra a inferência do perfil CORE no objeto OutrasInfancias o qual possui em
sua definição apenas as propriedades representando seus metadados.
Com esta definição é possível verificar através do conteúdo de uma DataProperty se o
objeto deve ou não ser verificado frente a outra ontologia. Por exemplo, se a DataProperty
tem o valor “MOBILE”, deve ser criada uma relação deste OA com esta ontologia e então
o reasoner verificará a aderência deste OA frente a dispositivos móveis.
16/20
p. 16/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
Figura 3. Exemplo de um OA representado em OWL
REFERÊNCIAS
Aart C.; Wielinga B.; Schreiber, G.. Message Content Ontologies. TAMMA, V.;
CRANEFIELD, S.; FININ, T. (Ed.) [S.l.]: Springer, 2005. p.169–200. (Whitestein Series in
Software Agent Technologies).
BAADER, F.; HORROCKS, I.; SATTLER, U. Description Logics. In: van Harmelen, F.;
LIFSCHITZ, V.; PORTER, B. (Ed.). Handbook of Knowledge Representation. [S.l.]:
Elsevier, 2007. To appear.
BECHHOFER, S.; MÖLLER, R.; CROWTHER, P. The DIG Description Logic Interface.
In: DESCRIPTION LOGICS, 2003. Anais [S.l.: s.n.], 2003.
BERNERS-LEE, T.; HENDLER, J.; LASSILA, O. The Semantic Web. Scientific
American, May 2001.
BORDINI, R. H.; MOREIRA, A. F. Proving BDI properties of agent-oriented
programming languages * The asymmetry thesis principles in AgentSpeak(L). In: Annals
17/20
p. 17/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
of Mathematics and Artificial Intelligence 42(1-3):197-226. Special Issue on
Computational Logic in Multi-Agent Systems. Kluwer Academic Publishing, 2004.
CALVANESE, D.; GIACOMO, G.; LEMBO, D.; LENZERINI, M.; ROSATI, R. Tractable
Reasoning and Efficient Query Answering in Description Logics: the dl-lite family.
Journal of Automated Reasoning, Hingham, MA, USA, v.39, n.3, p.385–429, 2007.
Chen, H.; Finin, T.; Joshi, A. The SOUPA Ontology for Pervasive Computing. TAMMA,
V.; CRANEFIELD, S.; FININ, T. (Ed.). [S.l.]: Springer, 2005. p.233–258. (Whitestein
Series in Software Agent Technologies).
CLARK, K. L.; MCCABE, F. G. Go! — A Multi-Paradigm Programming Language for
Implementing Multi-Threaded Agents. Annals of Mathematics and Artificial
Intelligence, Hingham, MA, USA, v.41, n.2-4, p.171–206, 2004.
CLARK, K. L.; MCCABE, F. G. Ontology schema for an agent belief store. International
Journal of Human-Computer Studies, Duluth, MN, USA, v.65, n.7, p.640–658, 2007.
Dickinson I; Wooldridge, M. Some Experiences with the Use of Ontologies in
Delaberative Agents. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). [S.l.]: Springer,
2005. p.277–298. (Whitestein Series in Software Agent Technologies).
DICKINSON, I.; WOOLDRIDGE, M. Agents are not (just) web services: considering bdi
agents and web services. In: WORKSHOP ON SERVICE-ORIENTED COMPUTING
AND AGENT-BASED ENGINEERING (SOCABE'2005), 2005., 2005. Proceedings
[S.l.: s.n.], 2005.
DICKINSON, I.; WOOLDRIDGE, M. Towards practical reasoning agents for the semantic
web. In: AAMAS '03: PROCEEDINGS OF THE SECOND INTERNATIONAL JOINT
CONFERENCE ON AUTONOMOUS AGENTS AND MULTIAGENT SYSTEMS, 2003,
New York, NY, USA. Anais ACM, 2003. p.827–834.
FIKES, R.; HAYES, P.; HORROCKS, I. OWL-QL—a language for deductive query
answering on the Semantic Web. Journal of Web Semantics, [S.l.], v.2, n.1, p.19–29,
2004.
FIPA. FIPA Ontology Service Especification XC00086D.
<http://www.fipa.org/specs/fipa00086> Acesso em dezembro, 2007.
Disponível
em:
Georgeff, M. P.; Lansky, A. L. Reactive reasoning and planning. In: Proceedings of the
Sixth National Conference on Artificial Intelligence (AAAI’87). AAAI Press, Menlo
Park, CA, 1987 pp. 677–682.
Grau, B. C.; KAZAKOV, Y.; HORROCKS, I.; SATTLER, U. A Logical Framework for
Modular Integration of Ontologies. In: INT. JOINT CONF. ON ARTIFICIAL
INTELLIGENCE (IJCAI 2007), 20., 2007. Proceedings [S.l.: s.n.], 2007. p.298–303.
18/20
p. 18/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
GRAU, B. C.; HORROCKS, I.; KAZAKOV, Y.; SATTLER, U. Just the right amount:
extracting modules from ontologies. In: WWW '07: PROCEEDINGS OF THE 16TH
INTERNATIONAL CONFERENCE ON WORLD WIDE WEB, 2007, New York, NY,
USA. Anais ACM, 2007. p.717–726.
GRAU, B. C.; PARSIA, B.; SIRIN, E. Combining OWL ontologies using epsilonConnections. Journal Web Semantics, [S.l.], v.4, n.1, p.40–59, 2006.
HAARSLEV, V.; MöLLER, R. RACER System Description. In: INTERNATIONAL
JOINT CONFERENCE ON AUTOMATED REASONING, IJCAR'2001, JUNE 18-23,
SIENA, ITALY, 2001. Anais Springer-Verlag, 2001. p.701–705.
Zou Y.; Finin, T.; Chen, H. F-OWL: an inference engine for the semantic web. HINCHEY,
M.; RASH, J. L.; TRUSZKOWSKI, W. F.; ROUFF, C. A. (Ed.). [S.l.]: Springer-verlag,
2004. p.238–248. (Lecture Notes in Computer Science, v.3228). (proceedings of the Third
International Workshop (FAABS), April 16-18, 2004, Greenbelt, MD, USA).
Horrocks, I.; KUTZ, O.; SATTLER, U. The Even More Irresistible SROIQ. In: Proc. of
the 10th Int. Conf. on Principles of Knowledge Representation and Reasoning
(KR 2006), pages 57-67. AAAI Press, 2006.
MOREIRA, Á. F.; VIEIRA, R.; BORDINI, R. H.; HÜBNER, J. F. Agent-Oriented
Programming with Underlying Ontological Reasoning. In: DALT, 2005. Anais [S.l.: s.n.],
2005. p.155–170.
PATEL-SCHNEIDER, P. F.; HORROCKS, I. DLP and FaCT. In: AUTOMATED
REASONING WITH ANALYTIC TABLEAUX AND RELATED METHODS:
INTERNATIONAL CONFERENCE TABLEAUX'99, 1999. Anais [S.l.: s.n.], 1999. p.19–
23.
Pazienza, M. T.; Vindigni, M.. Agent to Agent Talk: “nobody there?”supporting agents
linguistic communication. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). [S.l.]:
Springer, 2005. p.43–72. (Whitestein Series in Software Agent Technologies).
Rao, A. S.; Georgeff, M. P. An abstract architecture for rational agents. In: Proceedings of
the Third International Conference on Principles of Knowledge Representation and
Reasoning (KR’92). Morgan Kaufman, San Mateo, CA, 1992 pp. 439–449.
REASONING (IJCAR 2006), 2006. Proceedings Springer, 2006. p.292–297. (Lecture
Notes in Artificial Intelligence, v.4130).
RIAZANOV, A.; VORONKOV, A. The design and implementation of VAMPIRE. AI
Communications, [S.l.], v.15, n.2-3, p.91–110, 2002.
19/20
p. 19/20
23/11/2011
0
1
.
1
0
.
0
2
9
9
.
0
0
2
3
3
6
/
FAURGS
07/2010 até 06/2013
0
9
Título do projeto
SIRIN, E.; PARSIA, B.; GRAU, B. C.; KALYANPUR, A.; KATZ, Y. Pellet: a practical
owl-dl reasoner. [S.l.]: University of Maryland Institute for Advanced Computes Studies
(UMIACS), 2005. (2005-68).
SIRIN, E.; PARSIA, B.; GRAU, B. C.; KALYANPUR, A.; KATZ, Y. Pellet: a practical
owl-dl reasoner. J. Web Sem., [S.l.], v.5, n.2, p.51–53, 2007.
TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). Ontologies for Agents: theory and
experiences. [S.l.]: Springer, 2005. (Whitestein Series in Software Agent Technologies).
TSARKOV, D.; HORROCKS, I. FaCT++ Description Logic Reasoner: system description.
In: INTERNATIONAL JOINT CONFERENCE ON AUTOMATED
TSARKOV, D.; RIAZANOV, A.; BECHHOFER, S.; HORROCKS, I. Using Vampire to
Reason with OWL. In: INTERNATIONAL SEMANTIC WEB CONFERENCE (ISWC
2004), 3., 2004. Proceedings Springer, 2004. p.471–485. (Lecture Notes in Computer
Science, v.3298).
VIEIRA, R.; MOREIRA, Á. F.; BORDINI, R. H.; HÜBNER, J. F. An Agent-Oriented
Programming Language for Computing in Context. In: IFIP PPAI, 2006. Anais [S.l.: s.n.],
2006. p.61–70.
WESSEL, M.; MÖLLER, R. A High Performance Semantic Web Query Answering
Engine. In: DESCRIPTION LOGICS, 2005. Anais [S.l.: s.n.], 2005.
20/20
p. 20/20

Convenente: Fundação Padre Urbano Thiesen

Transcrição

Documentos relacionados

APLICAÇÃO DA ESTEREOLOGIA EM ESTRUTURAS BIOLÓGICAS

Anexo H: Análise Preliminar das Tecnologias de

- Unibratec

universidade estadual paulista

Anexo ZB: Validação do Protótipo Inicial do Sistema de

Anexo C: Especificação da Arquitetura do Sistema de

João Paulo Andrade Almeida – Professor associado da

Relatorio_Acompanhamento_Tecnico

Anexo Y: Perfil de Aplicação Videoaula@RNP Versão 1.0

WPUC 2007

Comissão da Câmara aprova projeto que entrega Pré

módulos de inferência na nuvem de dados ligados

to get the file

Finep estuda orçamento entre r$ 7bi e r$ 12bi para inovação

C 08 - Técnico em Informática Classe O

Marcos Barbosa de Oliveira DA CIÊNCIA COGNITIVA À

Paradigmas em Estatística - CONRE-3