CLIPS e sistemi esperti — note complete

Fonti: slide sez. 4 (05_Sistemi_Esperti.pdf, 190 slide); manuale
bpg.pdf (CLIPS Basic Programming Guide); AppuntiCLIPS-V5.rtf;
esempi myfamily.clp, wine.clp, patrons-2.clp, bw.clp,
CLIPS-Esempi-01.clp, lezione-9-clips.txt; progetto Wumpus
(progetto CLIPS 2025-2026.pdf, wumpus.zip).
Termini inglesi verbatim: knowledge-based system, working memory (WM),
knowledge base, inference engine, forward chaining (data-driven), backward
chaining (goal-driven), production rule, LHS/RHS, pattern matching, Rete
algorithm, agenda, activation, firing, refraction, recency, specificity,
conflict resolution, salience, deffacts, deftemplate, defrule,defmodule,
certainty factor (CF), MYCIN
.


1. Sistemi esperti: definizioni e architettura

Definizioni parafrasate da Giarratano e Riley (1998, slide 1):

  • Un sistema informatico che riproduce, in un dominio circoscritto, alcune capacità decisionali di un esperto umano.
  • Un programma che combina conoscenza e inferenza per risolvere problemi che richiedono competenze specialistiche.

Proprieta’ (slide 2–4; Feigenbaum: la potenza dipende da quantita’ e
qualita’ della conoscenza):

  • Specificita’: dominio limitato, prestazioni da esperto umano.
  • Rappresentazione esplicita della conoscenza (non istruzioni
    immutabili ma ambiente da rappresentare, usare, modificare).
  • Meccanismi di ragionamento, capacita’ di spiegazione
    (reasoning chain = sequenza di regole attivate).
  • Capacita’ di operare in domini poco strutturati.

Architettura (slide 6):

  • Knowledge base: regole + fatti iniziali.
  • Working memory (WM): fatti correnti (dinamica).
  • Inference engine: matching + selezione + esecuzione.
  • Knowledge acquisition facility: aiuta l’ingegnere a mantenere regole.
  • User interface: pone problemi, restituisce risposte + spiegazioni.

Domini applicativi (slide 8): interpretazione (Dendral, Hearsay-II),
diagnosi (MYCIN), monitoring (VM), planning/scheduling (Molgen),
previsione (Prospector), configurazione (R1/XCON).

Quando NON usarli (slide 9): esistono algoritmi tradizionali efficienti;
il problema e’ computazione non conoscenza; conoscenza non elicitabile;
utente riluttante per task critici. Nota: un sistema a regole e’
Turing-completo, quindi puo’ risolvere qualsiasi problema (planning
incluso) — ma “con molta fatica”: non sempre e’ il formalismo adeguato.

2. Forward vs backward chaining (slide 7)

  • Forward chaining (data-driven): da fatti a conclusioni; appena
    osservazioni disponibili si fa matching con antecedenti. Real-time
    monitoring e controllo. CLIPS, OPS5.
  • Backward chaining (goal-driven): da ipotesi a supporti; cerca regole
    e fatti fino a dimostrare il goal. Diagnostica. MYCIN, Prolog.

3. CLIPS: cos’e’ e ciclo di esecuzione

CLIPS = C Language Integrated Production System, NASA 1985–1996
(tuttora mantenuto). Strumento per sistemi esperti a regole; sistema
eterarchico (“piatto”: nessuna gerarchia di controllo imposta).

Ciclo recognize-act (slide 10+):

1. MATCH:   confronta LHS delle regole con i fatti in WM (Rete)
2. SELECT:  risolvi conflitti in agenda → scegli un'attivazione
3. ACT:     esegui RHS (assert/retract/modify, printout, ...)
4. ripeti finche' agenda non vuota o (run) terminato

Comandi interattivi visti nelle slide: (load ...), (reset) (carica
deffacts), (facts), (agenda), (run), (watch ...).

4. Fatti, template e pattern

  • Fatti ordinati (ordered facts): liste (persona Mario occhi blu).
  • Fatti strutturati: via deftemplate con slot tipizzati:
    (deftemplate persona (slot nome) (slot occhi)).
  • deffacts: fatti iniziali caricati con (reset).
  • Pattern nella LHS: vincoli per campo — variabili ?x, jolly,
    field constraint (&, |, ~, predicati :), test su multislot.
    Vantaggio dei field constraint (slide): filtrano il matching senza regole
    ausiliarie, riducono attivazioni spurie.
  • Funzioni su multivalori (create$, delete$, member$, …) mostrate
    con esempi numerici nelle slide.

5. Regole: LHS, RHS, variabili

Struttura generale:

(defrule nome-regola "commento opzionale"
  (pattern-1 ?x ...)
  (test ...)
  =>
  (assert (nuovo-fatto ?x))
  (printout t "messaggio" crlf))
  • LHS: congiunzione di pattern (CE) + test/exists/forall/not.
  • RHS: azioni procedurali; assert, retract, modify, duplicate,
    I/O, aritmetica, controllo.
  • Variabili legate nel matching, usate nella RHS; gli esempi myfamily,
    wine, patrons-2, bw (mondo dei blocchi) mostrano catene di regole
    realistiche.

6. Rete, agenda, attivazioni, rifrazione

  • Rete algorithm: compila la LHS in rete di discriminazione (nodi
    alfa per test su singolo pattern, beta per join tra pattern); il matching
    e’ incrementale sui soli fatti cambiati.
  • Activation: istanza di regola con fatti che soddisfano la LHS; va in
    agenda.
  • Firing: esecuzione della RHS; puo’ cambiare la WM e creare/rimuovere
    attivazioni.
  • Rifrazione (refraction): una regola scatta una sola volta per la
    stessa istanza di fatti (es. slide: occhi blu — senza rifrazione loop
    infinito di stampe; con rifrazione una sola stampa per persona).
  • Esempi numerici di attivazioni nelle slide (conteggi Esempio di attivazioni di regole).

7. Conflict resolution: recency, specificity, salience, strategie

Quando piu’ attivazioni sono in agenda, CLIPS sceglie con strategia
(impostabile con set-strategy):

  • Depth (default): le piu’ recenti prima (LIFO, recency).
  • Breadth: le meno recenti prima (FIFO).
  • Simplicity / Complexity: preferisce regole con pochi/molti test
    (specificity misurata).
  • LEX / MEA: combinazioni lessicografiche di recency/specificity.
  • Salience: priorita’ esplicita (declare (salience N)); valore alto =
    scatta prima indipendentemente dalla strategia. Da usare con parsimonia
    (distrugge dichiarativita’, rende il controllo opaco).
  • Moduli (defmodule): partizionano regole/fatti per fasi (focus
    esplicito del processo decisionale — obbligatorio nel progetto).

8. Incertezza nei sistemi a regole: MYCIN e certainty factor

Le slide riportano l’esempio MYCIN con evidenza 0.6 e la teoria dei
certainty factor (CF):

  • CF ∈ [-1, +1]: positivo = conferma, negativo = disconferma.
  • Combinazione di due conferme: CFnew = CF1 + CF2 − CF1·CF2
    (es. slide: 0.7 + 0.5 − 0.35 = 0.85).
  • I CF sono gradi di belief che NON soddisfano gli assiomi di
    probabilita’
    (slide sez. incertezza): euristica pratica, non calcolo
    probabilistico. Nel progetto Wumpus sono consigliati ma non obbligatori
    per gestire la vaghezza delle percezioni.

9. Organizzare un agente CLIPS: pattern dal progetto Wumpus

Requisiti del progetto (progetto CLIPS 2025-2026.pdf; dettagli in
projects/progetto_clips_wumpus/README.md):

  • Fatto percept per step (x, y, steps, breeze, stench, glitter, energy) +
    counter; il simulatore legge UN solo (action (move ?label)) per step.
  • Azioni: movimento, grab, quit, pit-north/south/west/east (±25 oro).
  • Moduli obbligatori per fasi (es. percezione → ipotesi → decisione →
    azione); buttar via percept vecchi per non intasare la WM.
  • Confronto tra due agenti (stupido vs intelligente) per mostrare che
    la knowledge base fa la differenza; discussione su ciclo, rifrazione,
    elementi fondamentali.

10. Mappa fonti e lacune

ArgomentoFonte primaria
Definizioni, architettura, domini05_Sistemi_Esperti.pdf slide 1–9
Forward/backward, CLIPS, cicloslide 7–10+
Template, pattern, field constraintslide centrali + bpg.pdf cap. corrispondenti
Rete/agenda/rifrazione/salienceslide con esempi occhi blu + attivazioni
CF/MYCINslide MYCIN + 06_Incertezza confronto CF vs probabilita’
Esempi praticimyfamily.clp, wine.clp, patrons-2.clp, bw.clp, lezione-9-clips.txt
Wumpusprogetto CLIPS 2025-2026.pdf, wumpus.zip

Lacune: bpg.pdf (manuale completo, centinaia di pagine) usato solo per i
costrutti citati dalle slide; AppuntiCLIPS-V5.rtf non convertito in testo
(formato RTF, serve lettura dedicata); wumpus.zip/memory-allocator non
scompattati; conteggi slide approssimativi.