Sistemas ExpertosIntroducción
Arquitectura - Motor de Inferencias
Ingeniería del Conocimiento
Ingeniería Electrónica
60´s
Inicio de los Sistemas Expertos
Se buscaban soluciones generales
70´s Los sistemas son más eficientes en dominios acotados
La calidad y cantidad de conocimiento son esenciales para una buena performance
Es importante independizar el conocimiento del dominio, del mecanismo de inferencia.
Sistemas basados en conocimiento (SBC-KBS)Definiciones.
Sistemas que representan el conocimiento sobre el dominio en forma explícita y separada del resto del sistema.
Waterman.
Sistemas que resuelven problemas aplicando una representación simbólica de la experiencia humana.
Jackson.
Sistemas basados en conocimiento (SBC-KBS)Definiciones.
Sistemas de software capaz de soportar la representación explícita del conocimiento de un dominio específico y de explotarlo a través de mecanismos apropiados de razonamiento para proporcionar un comportamiento de alto nivel en la resolución de problemas.
Guida y Taso
Sistemas Expertos: Definición.
Es un sistema de cómputo capaz de simular la conducta inteligente de un experto humano en un dominio específico y especializado, con el objeto de resolver problemas.
Hardware + software
Fuente de pericia humana en el dominio
Sistema de computación
Simulación
Conducta inteligente
Experto
Dominio limitado Específico y especializado
Experiencia humana vs. SE.
PERI CI A ARTI FI CI AL PERI CI A HUMANA Permanente Perecedera
Siempre accesible No siempre accesible Fácil de documentar No documentable
Estable, confiable Variable, flexible Costo manejable Costosa
Fragilidad de las máquinas Fragilidad humana Sin inspiración Creativa
Conocimiento técnico Sentido común Estática - Dinámica Dinámica (aprendizaje) Dominios estrechos Dominios más extensos
Los humanos son imprescindibles!!!
SE/SBC: Tareas
Tareas abordadas
Síntesis: Clasificación, diagnóstico
Análisis: Planificación, diseño o modelado
Las áreas de aplicación son muy variadas !!!
Los SBC abordan problemas complejos en dominios específicos en los que el peso de las heurísticas para acotar el espacio de búsqueda es importante.
Primeros Sistemas Expertos
MYCINStanford (Buchanan - Shortliffe 1976): Diagnóstico y tratamiento de enfermedades infecciosas (aprox. 500 reglas). Introduce factores de certeza.
PROSPECTOR
Stanford-US Geological Survey (Duda-Gashning-Hart, 1979): Evaluación de yacimientos minerales y petrolíferos. (aprox 1600 reglas). Probabilidades condicionales y Teorema de Bayes.
Conocimiento inexacto
INTERNISTPittsburg (Pople-Myers, 1977): Diagnóstico en Medicina interna. CADUCEUS: Analiza relaciones causales.
CASNETRutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma.
Razonamiento expertoModelos causales
R1
MOLGEN
Carnegie Mellon (Mc Dermott): Configuración de ordenadores VAX (aprox 500 reglas). Descompone el diseño en distintos niveles de abstracción. Reducción espacio
de búsquedaStanford (Stefik): Diseño de experimentos genéticos. Utiliza abstracción.
Habilidades que se esperan de un SE
Buena perfomance, comparable al menos a la de los especialistas.
Manipular con fluidez descripciones simbólicas.
Interfaz amigable, adecuada a las necesidades de la aplicación.
Habilidad para manipular conocimiento incompleto e impreciso.
Capacidad de explicar sus decisiones a los usuarios.
Posibilidad de justificar sus conclusiones.
Periodo industrial de la IA
Década de los 80
Importante apoyo económico a los esfuerzos de I+D.Gran cantidad de SE en distintos dominios.
CRISIS
Problemas con la metodología de desarrollo
Limitaciones propias del tipo de sistema.
Comparable a la Crisis de los SI pero posterior
Crisis SBC Desarrollo de la Ingeniería del Conocimiento
Crisis SI Desarrollo de la Ingeniería del Software
Ingeniería del Conocimiento (IC)
La Ingeniería del Software consiste en la aplicación de una aproximación sistemática, disciplinada y cuantificable al desarrollo,
funcionamiento y mantenimiento del software. (IEEE, 1999)
La IC tiene los mismos objetivos respecto de los SBC
SBC: Ventajas El conocimiento no se pierde.
Reducción del espacio de búsqueda con heurísticas para que el problema sea tratable en un tiempo razonable.
Manejo de conocimiento incierto e incompleto.
Posibilidad de justificar el razonamiento seguido.
Hacer el conocimiento disponible en ambientes hostiles o con carencia de especialistas.
Aumento de fiabilidad, evitando que prevalezcan las últimas experiencias.
Modificación sencilla de la BC por su característica modular.
SBC: Inconvenientes
La adquisición del conocimiento es difícil y cara. La reutilización del conocimiento en contextos diferentes
no es simple. Falta de creatividad y sentido común. Obstáculos para el aprendizaje y la adaptación.
Quedan inmersos en el campo de los Sistemas Inteligentes.
Se trabaja sobre metodología de desarrollo
Se los combina con otras tecnologías
Estructura básica de un SE/SBC.
Base de Conocimientos
Motor de Inferencias
Interface
Usuario
Ingeniero del conocimiento
Experto del dominio
KAT
Estructura básica de un SE/SBC
Base de Conocimientos
Su estructura de datos queda definida en términos del esquema de representación elegido para incorporar el conocimiento del dominio de trabajo.
Motor de Inferencias
Es la estructura de control de un SE, contiene el programa que gestiona la BC y otros mecanismos necesarios para administrar un sistema de naturaleza interactiva.
Separados entre sí
REPRESENTACION DEL CONOCIMIENTO
PREMISA FUNDAMENTAL DE IA:
Para que un sistema informático demuestre un comportamiento inteligente en la solución de problemas, debe poseer
gran cantidad de conocimientos y
un potente mecanismo de razonamiento.
IMPORTANCIA DE UNA ADECUADA REPRESENTACION DEL CONOCIMIENTO
•CONOCIMIENTO DEL MUNDO (en IA) Es la habilidad para construir un modelo de los objetos, sus vinculaciones y de las acciones que pueden realizar.
•REPRESENTACION DEL CONOCIMIENTO
Es la expresión mediante algún lenguaje, de un modelo que exprese el conocimiento sobre el mundo.
:
Conocimiento – Definición
El conocimiento es una mezcla de experiencia, información y “saber hacer” que actúa como marco para la incorporación de nuevas experiencias y guia la acción.
Se utiliza para alcanzar una meta
Genera nuevo conocimiento
Resulta en gran medida dependiente de la tarea y del dominio de aplicación.
Niveles de representación:
La representación elegida influye directamente en la eficacia y eficiencia de la solución lograda
Nivel del conocimiento
Nivel simbólico
Hechos, comportamiento y objetivos de los agentes.
Símbolos manipulables por un sistema
Debe existircorrespondencia
Adecuación representacionalAdecuación inferencial
Representación:Modelado de un sistemaAdquisición del conocimiento
Conceptos y relaciones
Métodos de inferencia
Modelo Conceptual
Modelo Formal
No computable
Semicomputable
Representa simbólicamente y organiza el conocimiento.Determina el mecanismo de inferencia adecuado.
Representación: Modelado de un sistema
Modelo Computable
Operacional
Bases de Conocimiento Mecanismos de inferencia Mecanismos de control
Las tareas de adquisición y modelado son difíciles y costosas.
Existen esquemas de representación útiles en dominios variados.
Los Sistemas Basados en Conocimiento los combinan.
ELEMENTOS BASICOS QUE INTERVIENEN EN EL DISEÑO DE UN SISTEMA BASADO EN EL CONOCIMIENTO (KBS) Lenguaje formal para expresar conocimiento Forma de efectuar razonamientos
COMPONENTE MEDULAR DE UN KBS (Agente)
BASE DE CONOCIMIENTOS (KB)
Es un conjunto de representaciones de hechos acerca del mundo
Conjunto de sentencias del lenguaje para la representación del conocimiento
AÑADIR YMODIFICAR SENTENCIAS
BC
PREGUNTAS RESPUESTAS
MECANISMO DE INFERENCIAS
UNA KB DEBE PERMITIR CON EFICIENCIA:
PROPIEDADES DE UN BUEN
FORMALISMO DE REPRESENTACION:
• ADECUACION REPRESENTACIONAL
• ADECUACION INFERENCIAL
• EFICIENCIA INFERENCIAL
• EFICIENCIA EN LA ADQUISICION- MODIFICACION
Rich & Knight
DISTINTOS PARADIGMAS:
• DECLARATIVODescripción del estado del mundo
• PROCEDIMENTALExpresión de las transformaciones de estados
• ORIENTADO A OBJETOSDescripción de los objetos existentes
DISTINTOS FORMALISMOS
FORMALISMOS LOGICOS SISTEMAS DE PRODUCCION FORMALISMOS ESTRUCTURADOS:
• REDES SEMANTICAS• FRAMES• OBJETOS• ONTOLOGÍAS
FORMALISMOS LOGICOSConstituyen sistemas formales en los cuales:
SINTAXIS Y SEMANTICA ESTA BIEN DEFINIDA
HAY UNA TEORIA DE LA DEMOSTRACION
•Completa y Consistente
LA LOGICA DE 1er ORDEN
Es la base de la mayoría de los esquemas de representación
FORMALISMOS LOGICOS
• Conocimiento es representado mediante un conjunto de fórmulas bien formadas (fbfs)en algún sistema lógico (proposicional - predicados - multivaluada...)
• Los mecanismos de inferencia son los métodos deductivos del sistema lógico (Resolución en predicados)
DISTINTOS SISTEMAS LOGICOS:
LOGICA PROPOSICIONAL LOGICA DE PREDICADOS LOGICAS NO-CLASICAS
– MULTIVALUADAS (Fuzzy Logic)– MODALES
OBJETIVO: ESTABLECER LA VALIDEZ DE DISTINTOS RAZONAMIENTOS - OBTENER CONCLUSIONES DE UN CONJUNTO DE FORMULAS
Sintaxis
Alfabeto PROPOSICIONAL
PROP que consiste de:
i) variables proposicionales p0, p1,p2,...
ii) conectivos , , , ,iii) símbolos auxiliares: (, )
Introducción Informal• Proposición: Una oración afirmativa de la
cual podemos decir que es verdadera o falsa (pero no ambas!!)
• Ejemplos de Proposiciones:
– Ayer llovió en Rosario.
– El sol gira alrededor de la tierra.
– 2 . 3 = 3 + 3
– 3 es primo.
– El auto no arranca.
más proposiciones...
– Si ayer llovió en Rosario, entonces el intendente se mojó.
– El sol gira alrededor de la tierra o la tierra gira alrededor del sol.
– 2 . 3 = 6 y 6 es impar
– El auto no arranca y las luces encienden.
Traducción al lenguaje Lógico
• Las oraciones compuestas se traducen usando los
conectivos
– Ejemplos:
• El auto no arranca y las luces encienden (p0 p1).
• Si las luces encienden, entonces la batería está ok (p1 p2) .
• 2 . 3 = 6 o 6 es impar (p3 p4).
• La corrección de este razonamiento depende de la relación entre los sujetos de las proposiciones.
• Lógica proposicional NO es suficientemente expresiva para captar esta relación
x (Perro(x)Mamífero (x)Perro (Rex) Mamífero (Rex)
x. P(x) P(Rex)
Todo perro es un mamífero y Rex es un perro, luego Rex es un mamífero..
Por qué lógica de predicados ?
• Lógica proposicional : bajo poder expresivo• Muchas expresiones usuales no son
representables
• « Rex es un perro »
En proposicional:
p (una prop. atómica)
En predicados:
Sujeto: Rex
Propiedad: Ser Perro
Perro(Rex)
Lenguaje de lógica de predicados• símbolos para denotar objetos - sb. de constante (ej. Rex, 2, - sb. de variable (ej. x, y, z) - sb. de función (ej. +, *, Padre) etc que
permiten crear nuevos nombres de objetos • símbolos de propiedades y de relaciones
(Es-perro)• conectivos• cuantificadores
Ejemplos de traducción• Si algunos perros son mamíferos, luego todos
son mamíferos (x) (P(x) M(x)) x (P(x) m(x))
• Todo número es par o impar (x) (N(x) P(x) I(x))
• Ningún número es a la vez par e impar
x) (P(x) I(x))
PROLOG: Una implementación de
programación lógica
LOGICA DE PREDICADOS + DEDUCCIÓN AUTOMÁTICA
(RESOLUCION)
• Dada la BC y una fórmula podemos probar que
» BC -
Podemos contestar perro (Rex) ?
preguntas como X / perro (X)?
LOGICA DE PREDICADOS COMO FORMALISMO DE REPRESENTACION VENTAJAS:
Es un formalismo bien establecido con una sintaxis y semántica bien definida y que maneja fácilmente aspectos cuantificación.
Automatización de la deducción
LIMITACIONES:Existen límites en el poder expresivo:
• posibilidades, incertidumbre,Problemas en la implementación de otros tipos de
razonamientos (aproximados, no-monótonos).
Representación del Conocimiento Otros formalismos
DISTINTOS FORMALISMOS
FORMALISMOS LOGICOSSISTEMAS DE PRODUCCIONFORMALISMOS
ESTRUCTURADOS:• REDES SEMANTICAS• FRAMES• OBJETOS
OTROS FORMALISMOS Sistemas de producción
Utilizan elementos de la lógica
Salen del marco estrictamente formal más flexibles más eficientes
Pierden propiedades fundamentales como la consistencia y completitud.
Newell & Simon - 1973
SE basados en reglas de producción
Sistemas de producción
Newell y Simon (1972): Al resolver problemas, las personas utilizan su memoria a largo plazo (permanente) que aplican a situaciones actuales contenidas en su memoria a corto plazo (transitoria). Esto puede generar modificaciones en la última.
BC (Reglas)
Memoria de trabajo (Hechos)
Motor de Inferencias
Mundo Exterior
Los sistemas de producción
Sistemas de producciónLos procesos del dominio se representan como acciones
independientes que son integradas por el mecanismo de inferencias para resolver una tarea más general.
Motor deInferencias
BASE DE CONOCIMIENTO
Base deHechos
Base deReglas
ARQUITECTURA
SE basados en reglas de producción
Reglas de producción
IF < CONDICION > THEN < ACCION>
Son “gránulos” de conocimiento.
Reúnen información relativa a las condiciones de disparo y a los efectos resultantes del disparo.
Son estructuras bidireccionales.
SI ?X ES MAMIFERO Y ?X COME CARNE
ENTONCES ?X ES CARNIVORO.
SE basados en reglas de producciónVentajas:Naturaleza modular: El conocimiento es fácil de
encapsular y expandir.
Explicaciones sencillas: El registro de reglas disparadas permite presentar la cadena de razonamiento asociada.
Semejanza con el proceso cognitivo humano: modelo natural del razonamiento humano.
Dificultades: Completitud y consistencia como responsabilidad del desarrollador.
Se necesitan otras estructuras para lograr una visión global del conocimiento del dominio.
Se las combina con otros formalismos de representación.
Sistemas de producciónSe utilizan Reglas de Producción para
representar el conocimientoIF <premisa> THEN <conclusión y/o acción>
Son los elementos de deducción básicos
El proceso de inferencia se basa fundamentalmente en la Regla de Inferencia de la lógica denominada MP A B, A / B
Reglas de producciónEs el modelo formal para representar un elemento
mínimo de conocimientoIF <premisa> THEN <conclusión y/o acción>
Conclusión
Puede especificar Acción
Estrategia
La premisa puede tener conectivos lógicos
<premisa> = <cláusula1 AND/OR...AND/OR cláusulak>
Reglas de producción- Ejemplos Si un animal come carne entonces es
carnívoro.
Si un animal tiene dientes agudos y garras entonces es carnívoro.
Si un animal es carnívoro y es de color marrón-claro y tiene el pelaje franjas negras, entonces es un tigre.
Reglas de producción- Ejemplos
Sintaxis Reglas en KAPPA-PC
MakeRule( Rtigre, [], animal:grupo #= carnívoro And
animal:color #= leonado And animal:pelaje #= franjas_negras, animal:especie = tigre );
Sistemas de producción
Cada regla es independiente del resto de las reglas en la BC.
Las reglas no tienen porque estar ordenadas en la BC.
Las reglas se pueden agrupar por nociones semánticas en “módulos” o “grupos”.
El metaconocimiento puede ser expresado mediante reglas: metareglas
Sistemas de producción.Un ejemplo de regla
Un especialista que participa en el desarrollo de un sistema basado en conocimiento relativo al diagnóstico de una falla en un auto, podrá expresar:
“ si el motor no arranca y las luces no encienden, entonces la falla está en la batería ”.
A partir de esta expresión, se puede definir la regla de producción asociada a las proposiciones como:
If el motor no arranca
And las luces no encienden,
Then la falla está en la batería .
Sistemas de producción.Un ejemplo de regla
Sistemas de producción.Un ejemplo
If el motor no arranca And las luces no enciendenThen falla la batería. If el motor no arranca And las luces enciendenAnd llega combustibleThen falla el sistema de ignición. If el motor no arranca And las luces enciendenAnd no llega combustibleThen falla el sistema de combustible.
Sistemas de producción.Un conjunto de reglas
El desarrollo de las reglas de producción para construir la KB.
• Debe observarse que las reglas no están identificadas, por ejemplo: con una numeración correlativa.
El desarrollo de las reglas de producción para construir la KB.
• Cada una de estas re-glas aparece como un gránulo de conoci-miento que es inde-pendiente de las res-tantes reglas, con lo cual, la ampliación de la KB puede realizarse sin mayor problema.
El desarrollo de las reglas de producción para construir la KB.
• Sin embargo, desde el punto de vista del motor de inferencia, estas reglas deben estar relacionadas para que puedan ser interpretadas adecuadamente durante el proceso de inferencia.
• Por ejemplo; la premisa “el motor no arranca”
El desarrollo de las reglas de producción para construir la KB.
• Lo mismo ocurre con “las luces no en-cienden”, en la se-gunda y tercera re-glas.
• Por consiguiente, este es el único requisito que requiere el agre-gado de nuevas re-glas.
Sistemas de producción Como razonamos???
Utilizando un
MECANISMO DE INFERENCIA
(MOTOR DE INFERENCIA)
El cual determina de que forma utilizar las reglas para alcanzar el objetivo planteado
La ejecución del proceso de inferencia en los KBS
Supóngase que se observa una falla en motor del auto y se constata que: “no arranca el motor, ni encienden las luces, y llega combustible”.
Desde el enfoque del KBS, es necesario ingresar esta información en la memoria de trabajo, para obtener una solución o respuesta al problema.
Entonces, la interfaz de este KBS, deberá proveer unos cuadros de un diálogo orientado, que permita ingresar las observaciones del caso.
La ejecución del proceso de inferencia en los KBS
La ejecución del proceso de inferencia en los KBS
• La respuesta seleccionada en el primer cuadro de diálogo, origina la plantilla “el motor no arranca”, que ingresará a la memoria de trabajo del KBS.
La ejecución del proceso de inferencia en los KBS
• Continuando con el diálogo orientado, ingresarán otras dos plantillas a la memoria de trabajo: “las luces no encienden” y “llega combustible”.
La ejecución del proceso de inferencia en los KBS
• El proceso de ejecución que realiza el motor de inferen-cia, consiste en tomar cada una de estas plantillas, y explorar la KB buscando coincidencias en las premisas de cada una de las reglas.
• Con la primera plantilla, “el motor no arranca”, en-cuentra que hay una con-cordancia en las tres reglas.
La ejecución del proceso de inferencia en los KBS
• Con la segunda plantilla “las luces no encienden”, solo hay concordan-cia en la primera regla, y la segunda y tercera reglas quedan descartadas.
• La primera regla se desen-cadena, y produce entonces la conclusión: “falla la ba-tería”, y el problema queda resuelto.
La ejecución del proceso de inferencia en los KBS
Por último cabe observar que este proceso de comparación que explora cada una de las reglas, es prácticamente independiente del orden en que se encuentren dispuestas las mismas en la KB.
Este proceso de inferencia en los KBS, es denominado: sistema de inferencia por filtrado (pattern maching inference system), o simplemente, filtrado.
Sistemas de producción Motor de Inferencia
Direcciones de búsqueda:
Hacia delante, Forward Chaining o guiada por los hechos.
Hacia atrás, Backward Chaining o guiada por los objetivos.
Para seleccionar las reglas candidatas en cada estado utiliza el EMPAREJAMIENTO, FILTRADO o MATCHING.
Sistemas de producción
Flexibles.
Sencillos de modificar y extender.
A los expertos les resulta simple “pensar en reglas”.
Completitud y consistencia.
El conocimiento se separa en pequeños “gránulos”.
VENTAJAS
PROBLEMAS Es común que se los combine con otros
formalismos.
Sistemas estructurados
ESTRUCTURAS DE RANURA Y RELLENO (slot and filler) REDES SEMANTICAS (Quillan 67/68) FRAMES (Minsky, 75)
OBJETOS ( Década 80)
Redes semánticas Idea: el significado de un concepto
depende del modo en que se encuentre conectado a otros conceptos
Representación: mediante un grafo dirigido donde
los nodos representan objetos y los arcos relaciones entre los conceptos
REX PERRO MAMIFERO
INSTANCIA ES-UN
Redes semánticas - Ejemplo
ES-UN
ES-UNES-UN
TIENEEstudiante -FCEIA
Estudiante -UNR
Estudiante -LCC Estudiante -IEca
Juan PerezPedro García Legajo P-1233/5
Legajo
Prom1 Prom2
Promedio
TIENE
INSTANCIA
INSTANCIAINSTANCIA
TIENETIENE
INSTANCIAINSTANCIA
Redes semánticas - Arcos
Etiquetas de los arcos
“es-un” relación subclase-clase “instancia” relación objeto-clase “parte-de” relación componente-objeto
definidas por el usuario
Dominio de aplicación
Generalización
Instanciación
Agregación
Descripción
Sistemas basados en Redes semánticas
Base de conocimiento
En esta representación una BC es una colección de estos grafos
Las modificaciones se refieren a inserción o eliminación de nodos y sus relaciones.
Redes semánticas Como razonamos???
Búsqueda de intersecciónEncontrando relaciones entre objetosCual es la conexión entre Rex y mamífero?Es Juan Pérez un estudiante de la UNR?Cuál es el promedio de Pedro García?
Utiliza fundamentalmente la estructura jerárquica
Marcos (frames)Una red semántica representa conexiones entre
entidades Problemas más
complejos
Asignar más estructura a los nodos y a las conexiones
Marcos No existe una distinción clara entre una Red
semántica y un sistema de Marcos
Marcos (frames)
Idea: Estructura para atender la representación del conocimiento asociado a situaciones estereotipadas (Minsky)
Representación: Es una colección de atributos (ranuras - slots) con valores asociados (y posibles restricciones entre valores, llamados facetas)
Marcos - Estructura
NOMBREENCABEZADO ES-UN
INSTANCIA
ATRIBUTO1 VALOR1
ATRIBUTOn VALORn
•valores pordefecto•procedimientos•relación con otros marcos
(slots)
Marcos - EjemploEstudiante FCEIA
ES-UNEstudiante UNR TIENE Legajo (letra/numerodigito)TIENE Promedio (procedimiento)
Estudiante Ing.Eca.ES-UNESTUDIANTE FCEIA
Juan PerezINSTANCIA Estudiante Ing.Eca.TIENE Promedio = 6,80DIRECCION ...... (Defecto Rosario)TEL .....TRABAJA NO (Defecto No)
Sistemas de MarcosMC ActoresInterpreta: Si(*)Nombre: Conj Caracteres(*)Peliculas: (0..100)(*)Fecha1aPelicula:
MC Fecha(*)Dia: (1..31)(*)Mes: (0..120)(*)Año: 1900..2005
MC ActorSexo: M(*)ParejaMiticaCon:
MC ActrizSexo: F(*)ParejaMiticaCon:
MI - 7543Nombre: H.BogartFecha1aPelicula:ParejaMiticaCon:
MI - 8832Nombre:L.BacallPeliculas: 42ParejaMiticaCon:
MI - 2232Dia: 27Mes: 3Año: 1944
Instancia
Instancia
Instancia
InstanciaInstancia
Sistemas de Marcos
Marcos Clase
Marcos Instancia
Representan conceptos, o situaciones genéricas descriptos por propiedades comunes
Elementos específicos. Sus propiedades se asocian con información de cada individuo
Propiedades
De Clase: Atributos genéricos de un concepto, con valores comunes a todas sus ocurrencias.
De Instancia: Atributos con valores particulares para cada ocurrencia del concepto (*).
Slots definidos enlos marcos Clase
Sistemas de MarcosConsideraciones al definir los Slots:
Evitar redundancias aprovechando la herencia.
Poseer información suficiente para identificar el marco clase.
En un marco clase se puede definir un slot de instancia en base a otro marco clase.
Los slots de instancia pueden tener uno o varios valores.
En los marcos clase se pueden redefinir slots heredados para representar excepciones a la herencia.
Sistemas de Marcos
Facetas Modelan características de slots y relaciones
Algunas facetas declarativas usuales:
Tipo de Slot: Tipo de datos de los valores, puede apuntar a otro marco.
Cardinalidad: Cantidad de valores posibles.
Valores permitidos: tipo de datos, rango o puntero a otro marco.
Valores por defecto: Para slots de instancia si quedan sin definir.
Marcos – Facetas/Métodos
Hay facetas ligadas a métodos de uso frecuente, asociados a cambios o utilización de los valores de las ranuras:
When_needed: Formas de conseguir el valor cuando se lo necesita y no está disponible.
Before_changed: Restricciones propias del dominio.
After_changed: Acciones pertinentes asociadas a los cambios de valor de la ranura.
When_accessed: Acciones pertinentes cuando la ranura es accedida de alguna forma.
Sistemas de MarcosBASE DE CONOCIMIENTOConjunto de marcos relacionados mediante los
valores de los slots (atributos)
INFERENCIAUtilizar la estructura jerárquica para heredar
propiedades (valores de slots).Tener procedimientos (reglas) para hallar
valores de los slots.
Sistemas de Marcos
Tienen mucha tradicion en IA y son antecesores de los objetos
Los sistemas de marcos agregan expresividad a las redes semánticas y permiten representar conocimiento declarativo y procedimental.
Marcos se utilizan para estructurar el conocimiento en Kappa-PC
Objetos
Los vemos más como una forma de representar el mundo que como un paradigma de programación
Los encontramos en muchas herramientas dentro del área.
Tienen ciertas características en común con los agentes.
Objetos
Pensados como gran aporte para el Reuso
BALA DE PLATA
Década del 80
Actualmente se apunta a relaciones arquitecturales entre clases para lograr
Evolución y Mantenibilidad
Patrones de diseño
Objetos OBJETO: Es una entidad que tiene un comportamiento.
ESTADO INTERNO MENSAJES que es capaz de responder.
INTERFAZ
Un PROGRAMA OO es una red de objetos cooperantes, que interactúan entre sí, enviándose mensajes.
ENCAPSULAMIENTO
Permite la utilización de clases con implementaciones intercambiables.
Objetos
Una CLASE es una definición de las características comunes de un conjunto de objetos semejantes.
CLASE
ESTRUCTURA: Conjunto de variables de clase e instancia.
INTERFAZ: conjunto de métodos. Los objetos concretos buscan en su clase la definición cuando reciben un mensaje.
Objetos
Las CLASES se organizan en jerarquías modelizando el dominio
De Estructura: Más estática.
De Comportamiento: Ocurre en ejecución. HERENCIA
Esquema de colaboración entre objetos (explícito en
el código)
Cuando un objeto recibe un mensaje, busca el código en su clase, y si no lo encuentra recorre la jerarquía.
Cómo elegir la mejor representación???
No hay receta establecida !!!
Analizar las características del conocimiento involucrado.
Recurrir a la combinación de formalismos.
Frente a cada problema a resolver: