Eduardo Mena webdiis.unizar.es/ ~ mena/ Dpto. de Informática e Ingeniería de Sistemas

1. Ontologías y AgentesMáster “Ingeniería del Software, Métodos Formales y Sistemas de Información”Universidad Politécnica de ValenciaCurso 2013-2014 Eduardo Mena http://webdiis.unizar.es/~mena/ Dpto. de Informática e Ingeniería de Sistemas Universidad de Zaragoza Valencia, Mayo 2014

2. Grupo de Sistemas de Información Distribuidos (SID) • Desarrollo de proyectos I+D en el área de gestión de datos • Bases de datos distribuidas y heterogéneas • Sistemas de información globales, Web Semántica • Servicios de datos en entornos móviles • Contacto: Eduardo Mena (emena@unizar.es) • http://sid.cps.unizar.es/ • En cooperación con el Grupo de Bases de Datos Interoperantes (BDI), Universidad del País Vasco, http://siul02.si.ehu.es/ "Ontologías y Agentes"

3. Áreas de Aplicación (1/2) • Bases de datos distribuidas y federadas • Sistemas de información globales, Web semántica "Ontologías y Agentes"

4. Áreas de Aplicación (2/2) • Servicios de datos en entornos móviles • Sistemas de agentes inteligentes (móviles) "Ontologías y Agentes"

5. Índice (1/2) • Ontologías • Representación del conocimiento • Descripciones semánticas • Lenguajes de representación del conocimiento • Sistemas Terminológicos • Lógica de descripciones • Ejemplos de sistemas • Aplicación de las ontologías • Bases de datos federadas • Sistemas de información globales • Web Semántica "Ontologías y Agentes"

6. Índice (2/2) • Sistemas de agentes inteligentes • Agentes inteligentes • Características • Agentes móviles • Aplicación de los agentes a sistemas de información • A nivel de diseño • A nivel de comunicaciones remotas • Ejemplos de sistemas basados en agentes "Ontologías y Agentes"

7. Ontologías "Ontologías y Agentes"

8. ¿De qué hablaremos? • Ontologías: desde la IA y BD • Definiciones y estado del arte • Reglas prácticas para la creación de ontologías • Ejemplos de aplicación de las ontologías • Distintos campos de aplicación • Distintos sistemas • Uso de ontologías: Problemas principales "Ontologías y Agentes"

9. Datos, Metadatos, Conocimiento • Datos • (BD) Hechos, estado de las cosas • Metadatos • Datos sobre los datos • Información • Datos + semántica • Conocimiento • (Epistemología, Chisholm 1977) • C sabe k  k es cierto  C acepta k  k es evidente para C • (IA) Permite comportamiento inteligente "Ontologías y Agentes"

10. Metadatos • Información semántica sobre los datos • Objetivo • Describir contenidos • Separar datos de significado • Permitir comportamiento “inteligente” • Problema • Su generación es difícil de automatizar "Ontologías y Agentes"

11. Información • Es la representación del conocimiento, comunica la estructura del conocimiento a través de datos, la información es la forma tangible y comunicable del conocimiento • Las escuelas y universidades tienen como actividad central propiciar el conocimiento a partir de la información "Ontologías y Agentes"

12. Conocimiento • Es todo lo que se ha aprendido y organizado de acuerdo a aquellos conceptos, imágenes o relaciones que ha podido dominar; el conocimiento es una abstracción mental • Supone cierto razonamiento y enjuiciamiento que organiza la información mediante su comparación y clasificación "Ontologías y Agentes"

13. ¿Qué es una ontología? “Especificación de una conceptualización” (T. Gruber) • También es: • Conocimiento • Descripciones semánticas • Metainformación • ¿ Base de conocimientos ?  • ¿ Taxonomía ?  • ¿ Jerarquía de clases ?  • Sistema de gestión del conocimiento • Representación • ¿ Expresividad ? • ¿ Lenguaje interrogación ? • ¿ Capacidades Deductivas ? "Ontologías y Agentes"

14. Ventajas • Depende del contexto, en sistemas de información: • Mejor consultar una ontología que los depósitos de datos • Visión homogénea de toda la información (heterogénea) disponible • Alto nivel semántico • Conocimiento compartido • Metainformación sobre los datos • Ej. Ontología biblioteca "Ontologías y Agentes"

15. Biblio-Thing Document Technical-Report Book Miscellaneous-Publication Proceedings Edited-Book Technical-Manual Cartographic-Map Computer-Program Doctoral-Thesis Multimedia-Document Artwork Newspaper Journal Master-Thesis Magazine Ejemplo: Stanford-I Conference Agent Person Organization Author Publisher University Thesis Periodical-Publication http://www-ksl.stanford.edu/knowledge-sharing/ontologies/html/bibliographic-data/ "Ontologías y Agentes"

16. Print-Media Journalism Press Publication Periodical Newspaper Magazine Book Journals Pictorial Series Trade-Book Brochure TextBook SongBook Reference-Book PrayerBook CookBook Encyclopedia WordBook HandBook Directory Instruction-Book Annual GuideBook Manual Bible Instructions Reference-Manual Ejemplo 2: subconjunto de WordNet 1.5 http://www.cogsci.princeton.edu/~wn/w3wn.html "Ontologías y Agentes"

17. Problemas con las Ontologías • Fuerte carga filosófica • No olvidar contexto aplicación • Difícil definición/explotación • Elegir bien el sistema de representación del conocimiento • Ingeniería del conocimiento, no automatizable • Experiencia • Complejidad del sistema • ¿Realmente necesitamos una ontología? • Tamaño (Ej: Cyc) • Conocimiento distribuido: ontologías especializadas en dominios "Ontologías y Agentes"

18. ontología Ontología Global ontología ontología ontología Ontologías Distribuidas vs. Ontología Global "Ontologías y Agentes"

19. Construcción de ontologías Lenguaje (signos + semántica) Términos (conceptos, atributos), relaciones, reglas, instancias Representan un punto de vista/dominio No hay lugar para la redundancia "Ontologías y Agentes"

20. Sistemas de Representación del conocimiento • Permiten: • Crear ontologías/bases de conocimiento • Y algunos: • Manipular/interrogar ontologías • Incluso otros: • Introducir/recuperar instancias (datos) • Lenguajes • Ontolingua, KIF, KQML, DL, DAML, OWL • ¿Cuál necesitamos?  ¿qué esperamos de él? • Expresividad • Razonadores • Protégé : editor de ontologías (RDF, DAML, OWL) "Ontologías y Agentes"

21. Lenguajes de Representación del Conocimiento • RDF (Resource Description Framework): • XML, herencia de clases (RDF-class, RDF-property) • Expresividad similar a OO • OIL (Ontology Inference Layer) • No XML, API basado en Lisp • DAML (DARPA Agent Markup Language) • RDF+OIL, XML, lógica SHOIQ (roles inversos, roles transitivos, cjtos.) • Pensado para Lógica Descriptiva (enlace con razonador) • DAML-S • OWL (Ontology Web Language) • Pensado para la Web Semántica, estándar de W3C (Febrero 2004) • Nivel Lite (similar RDF), DL (SHOIN), OWL full (autoextensible) • OWL-S • OWL2 (2009): OWL2 EL (ptime), OWL2 QL (BDs), OWL2 RL (reglas) "Ontologías y Agentes"

22. Sistemas Basados en Lógica Descriptiva (Sistemas Terminológicos) • Distintas expresividades • Operadores muy expresivos: ALL, jerarquías de roles, roles inversos, roles transitivos, disjoint • Mundo abierto vs. mundo cerrado • Tbox (conceptos y roles) • Términos primitivos (cond. necesarias) • Términos definidos (cond. necesarias y suficientes) • Subsumisión. Mecanismo de clasificación • detección de inconsistencias • simplificación de expresiones • Abox (instancias) • Rbox (reglas, C ⇒ D) • Las preguntas son expresiones (clasificables) "Ontologías y Agentes"

23. Expresividad "Ontologías y Agentes"

24. Razonadores DL • Clásicos • CLASSIC, BACK, FaCT, Loom • Primeros orientados a la Web Semántica • CORBA-FaCT, RACER (servicio web), enlace con DAML y OWL • Actuales • Pellet • SROIQ(D), SWRL, SPARQL, razonamiento incr., justificaciones, Java, open source & comercial (Clark&Parsia) • Hermit • SROIQ(D), SWRL, Java, academic (Univ. Oxford) • FaCT++ • SROIQ(D), C++, academic (Univ. Manchester) • SR • EL+, Java, gubernamental (CSIRO’sHealthInformatics, Australia) • [Fuente: K. Dentler et al, “Comparison of Reasoners for large Ontologies in the OWL 2 EL Profile”, Semantic Web 1(5), 2011] "Ontologías y Agentes"

25. Ejemplo 1: Familia.pl (BACK) :- backinit, backtell(personas:<anything), backtell(conoce_a:<domain(personas) and range(personas)), backtell(padre:<conoce_a), backtell(conocidos:=trans(conoce_a)), backtell(padre_conocidos:=conocidos.padre), backtell(conocidos_lejanos:=conocidos and trans(padre)), backtell(hijos:=inv(padre)). extension :- backtell(edu::personas and conoce_a:(josito and jonni) and padre:papaedu), backtell(josito::personas and conoce_a:edu and padre:papajosito), backtell(jonni::personas and padre:papajonni), backtell(papajonni::personas and conoce_a:edu). "Ontologías y Agentes"

26. Ejemplo 2: Proyectos.pl (1/2) :- backinit, backstate(verbosity=silent), backtell(personas:<anything), backtell(nombre:<domain(personas) and range(string)), backtell(ocupacion:<domain(personas) and range(string)), backtell(jefes:=personas and ocupacion:'jefe'), backtell(proyectos:<anything), backtell(titulo:<domain(proyectos) and range(string)), backtell(miembros:<domain(proyectos) and range(personas)), backtell(superpro:=proyectos and atleast(3,miembros)), backtell(jefe:=miembros and range(jefes)). "Ontologías y Agentes"

27. Ejemplo 2: Proyectos.pl (2/2) extension :- backtell(jonni::personas and nombre:jonni and ocupacion:currito), backtell(josito::personas and nombre:josito and ocupacion:currito), backtell(nestor::personas and nombre:nestor and ocupacion:especialista), backtell(edu::personas and nombre:edu and ocupacion:jefe), backtell(josemi::personas and nombre:josemi and ocupacion:encargado). backtell(aims::proyectos and titulo:aims and miembros:allknown(personas and nombre:(edu or josito or josemi))). "Ontologías y Agentes"

28. ¿Para qué sirve todo esto? • Ontologías únicamente • Para casi nada!! • ¿Quien analizará las definiciones formales de los términos? • Mejor guardar esa información en una BD • Ontología + razonador • Detección de inconsistencias • Simplificación de expresiones  Clasificación • En sistemas de información • Buscar en ontología vs. depósitos de datos • Vista homogénea (sobre datos heterogéneos) "Ontologías y Agentes"

29. Algunos campos de aplicaciónde las ontologías • Bases de datos federadas • Sistemas de información globales • Agentes inteligentes "Ontologías y Agentes"

30. Semántica, formatos, etc. Telnet IP WWW FTP Archie C C++ Java Formularios Interfaces ad hoc Oracle Sybase Informix Problema Datos "Ontologías y Agentes"

31. Objetivo Formatos Datos Semántica "Ontologías y Agentes"

32. Bases de Datos Federadas (BDF) • Esquema global (ontología) Datos • Bases de datos autónomas, diseño bottom-up • Enlace BDs – Ontología (GAV vs. LAV) ? "Ontologías y Agentes"

33. BDF: Arquitectura de 5 niveles . . . . . Vista 1 Vista m Esquema integrado (ont. integrada) Integración Esq. Export. canónico 1 (ont1) Esq. Export. canónico n (ont2) Traducción Esq. Exportado 1 Esq. Exportado n Esquema BD 1 Esquema BD n . . . . . "Ontologías y Agentes"

34. Sistemas de Información Globales Muchos depósitos de datos (miles, millones) Gran heterogeneidad a todos los niveles Altamente dinámico y cambiante Un ejemplo: La Web Adaptación de las técnicas conocidas a dicho contexto Aún es objeto de investigación "Ontologías y Agentes"

35. Aproximaciones de los 90’s: clasificación Basados en palabras clave Basados en Agentes TSIMMIS, DISCO Altavista, Yahoo!, Google Basados en Ontologías Una Ontología Global Varias Ontologías SIMS, InfoSleuth, OBSERVER Carnot, Information Manifold Sistemas de Acceso a Información "Ontologías y Agentes"

36. Aprox. relevantes de los 90’s SIMS (Univ. de California del Sur, 1992) TSIMMIS (Univ. de Stanford & IBM, 1993) Information Manifold (AT&T Bell Lab., 1994) OBSERVER (Univ. Pais Vasco & UGA, 1995) InfoSleuth (MCC, 1996) "Ontologías y Agentes"

37. Aproximaciones: Comparativa Depósitos heterogéneos Generación de wrappers Capacidad de respuesta Descr. semántica de datos Interop. entre ontologías Vocabulario compartido Respuestas imprecisas TSIMMIS        InfoSleuth        IM        SIMS        OBSERVER        "Ontologías y Agentes"

38. Ejemplo: El sistema OBSERVER • Sistema de Información Global • gran numero de fuentes de datos (con cualquier organización de datos) • múltiples ontologías (indepen. del sistema DL) • depósitos de datos y ontologías reales • Interoperación entre ontologías (división del espacio de información) • relaciones semánticas interontología • traducción de preguntas con o sin cambio de semántica • estimación del cambio de semántica "Ontologías y Agentes"

39. Arquitectura de OBSERVER Relaciones Interontología Query Processor IRM OntologyServer OntologyServer OntologyServer Enlaces Enlaces Enlaces Enlaces Ontology Based System Enhanced with Relationships for Vocabulary hEterogeneity Resolution "Ontologías y Agentes"

40. Construcción de la pregunta Comienzo Seleccionar Ontología Usuario Editar pregunta Expansión incremental a otra ontología Elegir plan con menor pérdida Acceso a los datos Acceder datos subyacentes Generar Planes Correlacionar y mostrar respuesta Integrar nueva ont. y ont. usuario Seleccionar ontología destino No Si Final Más datos? Procesamiento de Preguntas (Query Processor) "Ontologías y Agentes"

41. Multiples ontologías: Transformaciones de la pregunta Query Processor OntologyServer Pregunta del usuario expresada en términos de la Ontología Usuario Respuesta expresada según la semántica de la Ontología Usuario Rel. del IRM F. Trans. Inv. del IRM Correlación F. Trans. del IRM Pregunta expresada en términos de la Ontología Destino Respuesta expresada según la semántica de la Ontología Destino Traducción a Enlaces F. Trans. Inv. de enlaces Correlación F. Trans. de enlaces Respuesta expresada según la semántica de los depósitos Pregunta expresada en Enlaces Acceso a los datos subyacentes "Ontologías y Agentes"

42. Respuesta relevante Pérdida en Recall Pérdida en Precision Respuesta obtenida Respuesta relevante y obtenida Pérdida semántica Pérdida semántica en respuestas "Ontologías y Agentes"

43. OBSERVER: aportaciones • Uso de ontologías pre-existentes Descripción de los depósitos de datos • Manejo de relaciones interontología Manejo de distintos vocabularios • Procesamiento incremental Acceso a gran número de depósitos • Respuestas con pérdida de información Estimación de la pérdida "Ontologías y Agentes"

44. Problemas de los sistemas de los 90’s • Integración estática de fuentes de datos • La traducción e integración se hace “a mano” por humanos y cuesta bastante tiempo • Generación no automática de la información de enlace • Hay que definir a mano el camino hacia los datos • Generación no automática de las relaciones interontología • Hay que definir a mano las propiedades semánticas entre ontologías • Sensible a nuevas ontologías/depósitos de datos • No relaciones entre los datos (constantes) • Ej. (tema=“Marte”)  (tema=“sistema solar”) • Métodos de interrogación no adecuados para usuarios finales • Selección de la(s) ontología(s) para preguntar • Pregunta en DL  ¿palabras clave, lenguaje natural? • Imposibles de aplicar directamente a contextos altamente dinámicos (como la Web) "Ontologías y Agentes"

45. Web Semántica • Problemas con la Web actual • HTML • Orientado a humanos • Búsquedas sintácticas (palabras clave) • Objetivos • Separar contenido de visualización • Orientado a humanos y a programas (servicios) • Búsquedas semánticas (expresar qué se está buscando) "Ontologías y Agentes"

46. Web Semántica • Definición • Proyecto W3C desde aprox. 1999 • Nueva filosofía • Red de ordenadores  Espacio compartido • Documentos autodescritos • Procesable por máquinas (ni lenguaje natural, ni GUIs) • Enlaces indirectos (independencia de la localización) • Claves • XML • Ontologías • Servicios Web "Ontologías y Agentes"

47. Objetivos de la Web Semántica • Permitir un procesamiento de preguntas guiado por la semántica • Obtener sólo lo que el usuario busca • Descubrir automáticamente información semántica en las ontologías disponibles en el sistema de información • Descubrir automáticamente fuentes de datos relevantes "Ontologías y Agentes"

48. Web Semántica "Ontologías y Agentes"

49. Evolución de la Web Web 3.0 Web x.x Web 1.0 Web 2.0

50. Evolución de la Web