No final desta UC os estudantes deverão conhecer as principais linguagens de representação de conhecimento, utilizadas em Inteligência Artificial, bem como algoritmos e sistemas que lhes permitam desenvolver aplicações que tirem partido do conhecimento representado. Deverão ainda perceber as vantagens da utilização de algumas dessas linguagens na modelação de Bases de Dados e Sistemas de Informação.

Conhecimento:

• principais linguagens de representação de ontologias.
• algoritmos de raciocínio sobre essas linguagens, e sua utilidade.
• problemática da expressividade das linguagens de representação versus a complexidade computacional do raciocínio.
• limitações dessas linguagens para representação de conhecimento de senso comum.
• principais linguagens de representação de conhecimento de senso comum em Inteligência Artificial.
• algoritmos de raciocínio sobre essas linguagens, e sua utilidade.

Aptidões:

• usar as linguagens de representação de conhecimento na modelação de bases de dados, e de domínios de aplicação simples em Inteligência Artificial;
• aplicar os mecanismos de raciocínio sobre essas linguagens de representação de conhecimento para testes de correção de modelos de Bases de Dados e formulação de perguntas mais expressivas em Bases de Dados;
• aplicar os mecanismos de raciocínio sobre essas linguagens para derivação de consequências em domínios (em Inteligência Artificial);
• relacionar essas linguagens com problemas de integração de dados em Bases de Dados;
• aplicar essas linguagens na representação de problemas, incluindo de problemas de satisfação e de escalonamento;
• utilizar sistemas que implementam mecanismos de raciocínio sobre essas linguagens, e integrar com outros sistemas para a construção de aplicações.

Competências:

• Aplicação de conhecimentos teóricos formais em aplicações práticas.
• Estar ciente de trade-offs no desenho.

A UC tem uma primeira parte que se foca em linguagens para especificação de domínios (por vezes também conhecidas como Ontology Languages), e em métodos e algoritmos para raciocínio nestas linguagens. Estas linguagens têm aplicação quer na área de Inteligência Artificial, quer na área de Bases de Dados e Sistemas de Informação. Na segunda parte, a UC foca-se em linguagens e sistemas para representação de conhecimento em problemas típicos da área de Inteligência Artificial, nomeadamente em linguagens para representação de conhecimento de senso comum, e para representação de conhecimento em problemas de satisfação, escalonamento e planeamento.

1. Introdução à Representação de Conhecimento e Raciocínio
2. Sistemas baseados em Ontologias
   1. Modelação de informação através de Ontologias
   2. Linguagens de ontologies (Lógicas de Descrição)
   3. Resposta a consultas a Bases de Dados e Ontologias
   4. Acesso a dados baseado em Ontologias
   5. Integração de dados baseada em Ontologias
   6. Raciocínio em linguagens de Ontologias
3. Sistemas baseados em Regras
   1. Raciocínio não-monotónico
   2. Datalog
   3. Acesso a dados baseado em Datalog
   4. Integração de dados baseada em Datalog
   5. Programação por Conjuntos de Resposta

Livros de Texto

• Knowledge Representation and Reasoning by Ronald Brachman & Hector Levesque, Morgan Kaufmann 2004.

• Answer Set Solving in Practice by M. Gebser, R. Kaminski, B. Kaufmann, and T. Schaub. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan and Claypool, 2012.

• Handbook of Knowledge Representation edited by Frank van Harmelen, Vladimir Lifschitz and Bruce Porter, Elsevier 2007.

• The Description Logic Handbook: Theory, Implementation, and Applications. F. Baader, D. Calvanese, D. McGuinness, D. Nardi, and P. F. Patel-Schneider. Cambridge University Press, 2003.