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;
esempimyfamily.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
deftemplatecon 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
perceptper 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 viaperceptvecchi 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
| Argomento | Fonte primaria |
|---|---|
| Definizioni, architettura, domini | 05_Sistemi_Esperti.pdf slide 1–9 |
| Forward/backward, CLIPS, ciclo | slide 7–10+ |
| Template, pattern, field constraint | slide centrali + bpg.pdf cap. corrispondenti |
| Rete/agenda/rifrazione/salience | slide con esempi occhi blu + attivazioni |
| CF/MYCIN | slide MYCIN + 06_Incertezza confronto CF vs probabilita’ |
| Esempi pratici | myfamily.clp, wine.clp, patrons-2.clp, bw.clp, lezione-9-clips.txt |
| Wumpus | progetto 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.