Artificial Intelligence – Intelligenza Artificiale

RICCARDO ROSATI
RICCARDO ROSATI

Obiettivi generali:

Conoscere i linguaggi di riferimento delle tecnologie semantiche attuali, in particolare le famiglie dei linguaggi di rappresentazione della conoscenza basate sul concetto di classe (class-based) e sul concetto di regola (rule-based), e le principali tecniche di ragionamento per tali linguaggi. Conoscere le tecnologie semantiche standard basate su tali formalismi di rappresentazione della conoscenza, in particolare i linguaggi RDF e OWL, con l'obiettivo di progettare e gestire una base di conoscenza ontologica. Conoscere gli elementi di base della rappresentazione di azioni e ragionamento su azioni.

Obiettivi specifici:

Conoscenza e comprensione:
Le logiche descrittive, i principali formalismi per la rappresentazione della conoscenza basati sul concetto di classe, e i linguaggi basati su regole, con particolare riferimento a Datalog e alcune sue estensioni. I principali standard Web per le tecnologie semantiche, in particolare i linguaggi RDF, SPARQL e OWL.

Applicare conoscenza e comprensione:
Essere in grado di progettare una base di conoscenza, scegliendo il formalismo e le tecnologie di gestione più appropriati per il contesto applicativo in esame.

Capacità critiche e di giudizio:
Essere in grado di valutare gli aspetti semantici salienti di una base di conoscenza e di una applicazione basata sulla conoscenza. Essere in grado di scegliere la migliore tecnologia disponibile per il processamento di una base di conoscenza.

Capacità comunicative:
Le attività progettuali e le esercitazioni del corso permettono allo studente di essere in grado di comunicare e condividere i requisiti di una applicazione che richiede la costruzione e la gestione di una base di conoscenza e/o l'uso delle tecnologie semantiche standard.

Capacità di apprendimento:
Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, le modalità di svolgimento del corso, in particolare le attività progettuali, stimolano lo studente all'approfondimento autonomo di alcuni argomenti presentati nel corso, al lavoro di gruppo, e all'applicazione concreta delle nozioni e delle tecniche apprese durante il corso.

- Conoscenza dei principali approcci alla rappresentazione della conoscenza in Intelligenza Artificiale.
- Conoscenza di alcune delle principali tecniche di ragionamento automatico in rappresentazione della conoscenza.
- Capacità di applicare i precedenti approcci e tecniche a specifici casi d'uso.

Nessun prerequisito.

1 - Introduction to knowledge representation
2 - Class-based formalisms
Description Logics
Reasoning in Description Logics
Description Logics vs. relational databases
3 - Rule-based formalisms
Brief introduction to logic programming
Datalog
Reasoning in Datalog
Datalog vs. Description Logics
Datalog extensions
Datalog with negation
Answer Set Programming (ASP)
Reasoning in ASP
Comparison with SQL
4 - Semantic technologies
Semantic Web
RDF, RDFS, SPARQL
Linked data
Ontologies
OWL
OWL profiles
Reasoning in OWL profiles
5 - Knowledge representation and Deep Learning
Deep Learning and Large Language Models
Knowledge graph embedding
The role of Knowledge Representation and Reasoning in Large Language Models

Dispense distribuite dal docente.

Didattica frontale tradizionale.

Nessun obbligo di frequenza.

L'esame consiste in una prova scritta e un progetto pratico.

Esempi ed esercizi sono disponibili sul Web e accessibili a partire dalla pagina all'indirizzo https://www.diag.uniroma1.it/rosati/krst/

• Rappresentazione della conoscenza in Intelligenza Artificiale


• Rappresentazione della conoscenza basata sulla logica


• Rappresentazione della conoscenza e ragionamento basati su classi


• Rappresentazione della conoscenza e ragionamento basati su regole


• RDF, SPARQL, OWL


• Rappresentazione della conoscenza nell'apprendimento automatico