inteligencia artificial
TRANSCRIPT
Unidad 3 Representacin del conocimiento y razonamiento.
3.1. Sistemas basados en conocimiento.Durante los aos 60, la mayor
parte de los trabajos de investigacin sobre inteligencia artificial
se centraban en los algoritmos de bsqueda heurstica y en la
concepcin de sistemas para la resolucin de problemas con un inters,
en principio, puramente terico y acadmico (demostracin de teoremas,
juegos, problemas lgicos, etc.), pero con la idea implcita de que
los resultados pudieran ser aplicables a problemas reales. Algunas
lneas con posibilidades de aplicacin prctica inmediata, como la
traduccin automtica entre lenguajes naturales, se abandonaron
pronto al percibirse la dificultad del problema. A mitad de los 70
comienzan a tomar cuerpo dos ideas clave que, aunque muy
relacionadas, no son idnticas. Se trata del paradigma del sistema
experto y del paradigma del conocimiento.
3.1.1. Concepto de conocimiento.
El conocimiento es la sumatoria de las representaciones
abstractas que se poseen sobre un aspecto de la realidad. En este
sentido, el conocimiento es una suerte de mapa conceptual que se
distingue del territorio o realidad. Todos los procesos de
aprendizajes a los que una persona se expone durante su vida no son
sino un agregar y resignificar las representaciones previas a
efecto de que reflejen de un modo ms certero cualquier rea del
universo.
En la actualidad aquel conocimiento ms valorado por la sociedad es
el llamado cientfico, en tato y en cuanto se supone guarda una
cercana ms estrecha con lo representado. Para valorar esta cercana
lo relevante es que puedan hacerse predicciones sobre aquella
materia sobre lo que trata el saber. Lo interesante es comprobar
que el propio mtodo cientfico, que es un modo de legitimar un
determinado conocimiento, puede ser considerado en s mismo como un
conocimiento. En efecto, las fases que constituyen la elaboracin de
una teora y la posterior contrastacin se consideran como los
procedimientos ms pertinentes para elaborar un saber certero,
constituyendo este proceso una representacin en s misma.
3.1.2. Lenguajes utilizados en la representacin de
conocimiento.
En el caso de los sistemas basados en conocimiento, el lenguaje en el que se expresa la ontologa debe reunir caractersticas que a veces (dependiendo del dominio) no es fcil compatibilizar:Sintaxis formalizada, para poder disear sobre bases slidas un procesador.
Semntica bien definida y que permita la implementacin procedimental en el procesador de algoritmos de razonamiento eficientes.
Desde el punto de vista pragmtico, expresividad suficiente para representar de la manera menos forzada posible el conocimiento. Esto significa que, para una determinada conceptuacin, el lenguaje con el que se construyen los modelos en el nivel simblico debe permitir una interpretacin declarativa que represente todos los aspectos de esa conceptuacin. En la prctica puede ocurrir que no encontremos el lenguaje ideal, y tengamos que forzar la conceptuacin para que se ajuste al lenguaje elegido.
Hay lenguajes formales, o tericos, que satisfacen en mayor o menor
grado esas condiciones y lenguajes de implementacin, o prcticos,
que, siguiendo el modelo de algn lenguaje formal, estn adaptados
para mecanizar la construccin de ontologas. Nos centraremos en los
primeros, que son relativamente estables, y sobre los que se basan
los segundos, algunos muy voltiles. Por ejemplo: Prolog es un
lenguaje de implementacin de la lgica de primer orden, que en sus
versiones ms recientes incluye tambin construcciones para la
programacin con restricciones.
OWL (Web Ontology Language) es un lenguaje de ontolologas para la web basado en una lgica de descripciones (en realidad, son tres sublenguajes). Procede de la fusin de otros dos elaborados independientemente alrededor del ao 2000: DAML (DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio de Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el marco de los programas de la U.E.). En 2001 se form un comit conjunto que hizo una propuesta al Consorcio Web (W3C), y ste public el estndar (Proposed Recommendation en la terminologa del W3C) en 2003, modificado el 10 de febrero de 2004. Existen numerosas propuestas de mejoras y modificaciones. En el Apndice B se resume la versin actual.
Hasta la segunda mitad de los aos 80 se estaban utilizando diversos
lenguajes que podan clasificarse en dos tipos: Lenguajes basados en
la lgica de predicados de primer orden, con sintaxis y semntica
formalizadas, con una base rigurosa para el razonamiento, pero con
grandes dificultades para implementar algoritmos de razonamiento
eficientes, con una rigidez sintctica que impide ciertas
conceptuaciones naturales y con pocas posibilidades de
modularizacin.
Lenguajes basados en modelos de psicologa que, al estar derivados del estudio de la mente humana, permiten conceptuaciones ms naturales y algoritmos de razonamiento ms eficientes, pero que tienen una sintaxis menos formalizada y carecen de una definicin semntica precisa (a pesar de que uno de ellos se llama redes semnticas).
Como es natural, diversos investigadores trataron de elaborar
propuestas para aunar las ventajas de unos lenguajes y otros
(Hayes, 1979, Nilsson, 1982, Brachman y Levesque, 1985), pero no
fue hasta el final de los 90 cuando quedaron relativamente
establecidas las llamadas lgicas de descripciones, que en el
momento actual son los lenguajes por antonomasia para la
representacin del conocimiento.
A las lgicas de descripciones dedicaremos el Captulo. Pero hay al
menos cuatro razones por las que nos parece conveniente detenernos
previamente en los lenguajes ms antiguos: la lgica clsica de primer
orden sigue siendo la base fundamental de las dems formulaciones de
la lgica;
en el diseo de muchos sistemas basados en conocimiento, especialmente los que no son muy complejos, se siguen utilizando algunos de esos lenguajes;
las ideas originales ayudan a entender y justifican ciertas decisiones de diseo, y
la naturaleza interdisciplinaria de estos primeros trabajos hace muy interesante su estudio.
3.2. Mapas conceptuales.
En Inteligencia Artificial, Quillian desarroll una forma de mapa conceptual que se denomin redes semnticas y que se usa ampliamente para la representar el conocimiento formal. En lingstica, Graesser y Clark han desarrollado un anlisis de formas de argumentacin en el texto en forma de mapas conceptuales estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la ciencia, la dinmica de mapas conceptuales se ha usado tambin para representar los procesos de cambio conceptual de las revoluciones cientficas y en filosofa de la ciencia, Toulmin desarroll una teora de argumentacin cientfica basada en mapas conceptuales. Tambin los mapas conceptuales han sido utilizados en la educacin, el diseo de las organizaciones para la toma de decisiones, la adquisicin de conocimiento especializado, los sistemas sociales, la toma de decisiones polticas, etc.
Un mapa conceptual es una tcnica sencilla que permite representar el conocimiento de forma grfica como redes conceptuales compuestas por nodos que representan los conceptos, y enlaces, que representan las relaciones entre los conceptos.
3.3. Redes semnticas.Muchas disciplinas han desarrollado tcnicas de realizacin de diagramas que constituyen lenguajes formales visuales que representan el conocimiento operacional en forma esquemtica. El filsofo y lgico Charles S. Pierce desarroll sus grafos existenciales como una tcnica formal de razonamiento para la inferencia lgica y en aos recientes se ha estado cultivando el inters en el estado formal de las pruebas visuales en matemticas. En Inteligencia Artificial, Sowa ha desarrollado los grafos de Peirce como estructuras formales conceptuales para la representacin de la inferencia lgica de las declaraciones del lenguaje natural.
La presentacin visual de las estructuras de conocimiento ha sido un rasgo caracterstico de las redes semnticas desde sus inicios. En la adquisicin de conocimiento, en particular, la presentacin de conocimiento formal ha sido algo importante para su validacin. Hay muchas tcnicas para tal adquisicin pero todas ellas, en ltima instancia, terminan en una base de conocimiento que opera con la semntica formal. Sin embargo, la expresin de esta base de conocimiento en el lenguaje formal usado por el sistema no es por lo general muy comprensible a los no programadores. Es preciso, por tanto, un lenguaje visual que ofrezca tanto formas comprensibles como posibilidades formales atractivas no slo para la comprensin, sino tambin para la correccin, y para las partes del proceso de adquisicin del conocimiento en s mismo.
El temprano desarrollo de redes semnticas acab en fuertes crticas sobre la semntica de diagramas particulares ya que sta no estaba bien definida. Los nodos, arcos y sus etiquetas podan usarse muy libremente y con una gran ambigedad, y los diagramas estaban sujetos a interpretaciones diferentes. En los aos 70 existan propuestas para formalizar una red semntica bien definida y esto hizo factible que la semntica formal fuera desarrollada para sistemas de representacin de conocimiento terminolgicos. En 1991, Profits estableci una semntica formal para mapas conceptuales para sistemas terminolgicos lgicos que dio lugar a un ejemplo principal de su uso en la solucin de un sistema de asignacin de espacio.
Las redes semnticas son sistemas de organizacin del conocimiento que estructuran los conceptos, no como una jerarqua sino como una red. Los conceptos son como nodos, con varias relaciones que se ramifican hacia fuera de ellas. Las relaciones pueden incluir relaciones tipo todo-parte, causa-efecto, padre-nio, "es un" o "es parte".
Las redes semnticas son grafos orientados que proporcionan una representacin declarativa de objetos, propiedades y relaciones. Los nodos se utilizan para representar objetos o propiedades. Los arcos representan las relaciones entre nodos. El mecanismo de inferencia bsico en las redes semnticas es la herencia de propiedades.
Las redes semnticas proporcionan un modelo de presentar las relaciones entre los conceptos y los acontecimientos y constituyen una descripcin de nuestra forma de razonar.
Las partes de una red semntica son:
nodos: es un concepto y se encierra e un crculo o elipse.
relaciones: es una propiedad del concepto y pueden ponerse de dos formas:
o implcitas: es una flecha que no especifica su contenido
o explcitas: es una flecha en donde se especifica su contenido
3.4. Lgica de predicados.En lgica de predicados, los valores de verdad se atribuyen apredicadosque denotan relaciones entre entidades del universo modelado. Por ejemplo, en vez de tener una variableqpara representar "Scrates es un hombre", se escribe el predicadohombre( mortal(scrates)Para aplicar este silogismo basta asignar la variableX, que puede tomar un valor arbitrario, con la constantescrates. Se obtiene la frmula:hombre(scrates)mortal(scrates)Despus, para obtener la conclusin, se opera exactamente como en la lgica proposicional.
3.4.1. Sintaxis.Los parntesis, adems de servir como smbolos auxiliares para evitar ambigedades sin necesidad de recordar el convenio de precedencia, se utilizan para formalizar la idea de que un smbolo de predicado se aplica a smbolos que representan a un objetos:p(x,A)representa la relacinpentre la variablexy la constanteA. Esta construccin, smbolo de predicado aplicado sobre uno o varios smbolos representativos de objetos, que sustituye a las antiguas variables proposicionales , se llamafrmula atmica, o, simplemente,tomo.Un objeto puede estar representado por una constante, una variable o una funcin aplicada sobre otros objetos, o sobre otras funciones. En general, se llamatrminoa la representacin de un objeto. La forma de una funcin es la misma que la de un tomo: un smbolo de funcin seguido por trminos entre parntesis.En lgica de proposiciones utilizbamos los simbolos , , ,como metasmbolos para representar sentencias. Aadiremos ahora , y para representar tomos, trminos y funciones, respectivamente.
3.4.2. Semntica.
Una fbf, como 'cadena de caracteres', no tiene significado real (semntica).
Una estructura establece la 'semntica real' de los elementos de la lgica:
Dominio de aplicacin.Semntica de las constantes, predicados, funciones:Qu significado tienen?: (Juan es 'ese' individuo)Qu se cumple en el mundo real?Un conjunto de fbf (sin significado) puede representar la "realidad" mediante una estructura asociada.
Para la asignacin de un valor de verdad a una fbf, debe 'interpretarse' en una estructura dada, que representa el significado (semntica) de los elementos de la fbf.
{A(J, m(M))} es cierta si:Se establece la interpretacin:
A se asocia a "ama"
J se asocia a Juan y M a Mara
m se asocia a la funcin unaria "madre de"
En la estructura S:
Dominio: {Juan, Mara, Ana}
{Madre-de(Mara) = Ana}
"Juan ama a la madre de Mara" es verdadera
3.4.3. Validez.Los trminos "razonamiento" e "inferencia" son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones.Las tablas de verdad sirven no solo para definir los conectores, sino tambin para probar la validez de las oraciones. Si se desea considerar una oracin, se construye una tabla de verdad con una hilera por cada una de las posibles combinaciones de valores de verdad correspondientes a los signos propositos de la oracin. Se calcula el valor de verdad de toda la oracin, en cada una de las hileras. Si la oracin es verdadera en cada una de las hileras. La oracin es valida.Las tablas nos manifiestan los valores de verdad de cualquier proposicin, as como el anlisis de los mismos, encontrndonos con los siguientes casos:Tautologa o validez:
Se entiende por proposicin tautolgica, o tautologa, aquella proposicin que en todos los casos posibles de su tabla de verdad su valor siempre es V.Contradiccin:
Se entiende por proposicin contradictoria, o contradiccin, aquella proposicin que en todos los casos posibles de su tabla de verdad su valor siempre es FContingencia (verdad indeterminada)
Se entiende por verdad contingente, o verdad de hecho, aquella proposicin que puede ser verdadera o falsa, o no se tiene suficiente informacion para llegar a una conclusinSatisfabilidad.
Si en la tabla de verdad se obtiene al menos una
VERDAD
3.4.4. Inferencia.Selecciona, decide, interpreta y aplica el conocimiento de la base de conocimientos sobre la base de hechos con el fin de obtener la solucin buscada. Un mecanismo de inferencia debe ser independiente del conocimiento y de los hechos. Est caracterizado por:
El lenguaje en que ha sido escrito.
La velocidad de trabajo: Inferencias/segundo.
Las estrategias de bsqueda de soluciones:
No Ordenada: aleatoria, heurstica.Ordenada: Encadenamiento hacia adelante (guiado por los datos, deductivo), encadenamiento hacia atrs (guiado por los objetivos, inductivo).La forma en que elige el conocimiento.
La posibilidad de incorporar metaconocimiento.
El tipo de lgica que emplea en el razonamiento:
Booleana, trivalente, multivalente, difusa.Monotnica o no monotnica.Atemporal o temporal.Lgica de orden 0, orden 0+, orden 1.
El mtodo que utiliza para la evaluacin del conocimiento incompleto o incierto:
Determinstico.Probabilstico.Aproximado.Difuso.
3.5. Razonamiento con incertidumbre.
En situaciones reales, no siempre es posible contar con toda la
informacin. Inclusive la informacin disponible puede ser
incorrecta, incompleta o cambiar muy rpidamente.
Todo esto da lugar a diferentes formas de inconsistencias e
incertidumbre.
Diversos mtodos han sido desarrollados para evaluar los grados de
certeza o de verdad de las conclusiones. Uno de los ms
generalizados consiste en asignar coeficiente de certeza o de
confianza a los hechos que intervienen en las en las condiciones y
en la conclusin de una regla.
Los principales modelos desarrollados son:Modelo estadstico
probabilstico.
Modelo aproximado.
Modelo de lgica difusa.
3.5.1. Aprendizaje.
Simon (1983), define el aprendizaje como cambios en el sistema
que se adaptan de manera que permiten llevar a cabo la misma tarea
de un modo ms eficiente y eficaz. En la prctica, el aprendizaje se
usa para resolver problemas y puede representar la diferencia entre
la resolucin rpida y la imposibilidad de resolverlo. La idea de
poder aprender de la propia experiencia en la resolucin de
problemas nos lleva a esperar obtener mejores soluciones en un
futuro. El aprendizaje esta relacionado con el conocimiento. Puede
definirse como el proceso mediante el cual un ente adquiere
conocimiento. Este conocimiento puede ser suministrado por otro
ente denominado profesor o puede adquirirse sin la ayuda del mismo.
Hay distintas formas de aprendizaje, entre las cuales se
vern:
Aprendizaje memorstico
Aprendizaje a travs de consejos
Aprendizaje mediante experiencia en la resolucin de problemas
Aprendizaje a partir de ejemplos o Induccin
Aprendizaje basado en explicaciones
Descubrimiento
Analoga
Redes Neuronales
3.5.2. Razonamiento probabilstico.
La tcnica ms antigua y mejor definida para manejar la incertidumbre
es la Regla de Bayes, la misma que est basada en la teora clsica de
la probabilidad Las hiptesis son ms o menos probables dependiendo
de las posibilidades de los hechos o evidencias que las sostiene La
probabilidades se calculan en base a la frmula general de la
probabilidad condicionada de Bayes o algunas transformaciones de la
misma
3.5.3. Lgicas multivaluadas.
3.5.4. Lgica difusa.scrates)que relaciona a la entidad "Scrates"
con el hecho de "ser hombre". Un predicado tambin puede aplicarse a
variables que denotan entidades annimas o genricas. Por ejemplo,
para escribir la premisa "Todos los hombre son mortales", que no se
refiere a ningn "hombre" en particular, se utiliza el
predicadohombre(X)en queXes una variable que denota a cualquier
entidad del universo modelado que cumple con el hecho de "ser
hombre".El silogismo completo queda expresado de la siguiente
manera:X (hombre(X)mortal(X))
hombre(scrates)
mortal(scrates)Para aplicar este silogismo basta asignar la variableX, que puede tomar un valor arbitrario, con la constantescrates. Se obtiene la frmula:hombre(scrates)mortal(scrates)Despus, para obtener la conclusin, se opera exactamente como en la lgica proposicional.