introduccion y orientaciones para el estudio … · 2019. 10. 2. · las redes están formadas por...
TRANSCRIPT
1
INTRODUCCIÓN Y ORIENTACIONES PARA EL ESTUDIO
INDEPENDIENTE
Dado que el conocimiento es importante y primordial para el comportamiento inteligente, su representación constituye una de las máximas prioridades de la investigación en IA. El conocimiento puede ser representado como imágenes mentales en nuestros pensamientos, como palabras habladas o
escritas en algún lenguaje, en forma gráfica o en imágenes, como cadenas de caracteres o colecciones de
señales eléctricas o magnéticas dentro de un computador.
En nuestro estudio de IA, consideraremos las representaciones escritas y sus correspondientes estructuras
de datos utilizadas para su almacenamiento en un computador. La forma de representación que se escoja
dependerá del tipo de problema a ser resuelto y de los métodos de inferencia disponibles.
Una representación del conocimiento puede ser un esquema o dispositivo utilizado para capturar los
elementos esenciales del dominio de un problema. Una representación manipulable es aquella que facilita
la computación. En representaciones manipulables, la información es accesible a otras entidades que usan
la representación como parte de una computación.
Debido a la variedad de formas que el conocimiento puede asumir, los problemas involucrados en el desarrollo de una representación del conocimiento son complejos, interrelacionados y dependientes del
objetivo. El términos generales, se debe tratar que el conocimiento esté representado de tal forma que:
Capture generalizaciones.
Pueda ser comprendido por todas las personas que vayan a proporcionarlo y procesarlo. Pueda ser fácilmente modificado.
Pueda ser utilizado en diversas situaciones aún cuando no sea totalmente exacto o completo.
Pueda ser utilizado para reducir el rango de posibilidades que usualmente debería considerarse
para buscar soluciones.
El conocimiento declarativo puede ser representado con modelos relacionales y esquemas basados en lógica. Los modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o redes
semánticas. Los esquemas de representación lógica incluyen el uso de lógica proposicional y lógica de
predicados.
Los modelos procedimentales y sus esquemas de representación almacenan conocimiento en la forma de
cómo hacer las cosas. Pueden estar caracterizados por gramáticas formales, usualmente implantadas por sistemas o lenguajes procedimentales y sistemas basados en reglas (sistemas de producción).
Las representaciones declarativas son usualmente más expansivas y costosas, en el sentido que la
enumeración puede ser redundante e ineficiente. Sin embargo, la modificación de las representaciones declarativas es usualmente muy fácil; simplemente se agrega o se elimina conocimiento. Las
representaciones procedimentales, en cambio, pueden ser más compactas, sacrificando flexibilidad.
Representaciones prácticas pueden incluir elementos tanto declarativos (listado de hechos conocidos), como procedimentales (un conjunto de reglas para manipular los hechos).
Existen tres paradigmas que los investigadores han utilizado tradicionalmente para la resolución de problemas de IA:
2
Programación Heurística.- Está basado en el modelo de comportamiento humano y su estilo
para resolver problemas complejos. Existen diversos tipos de programas que incluyen algoritmos
heurísticos. Varios de ellos son capaces de aprender de su experiencia.
Redes Neuronales Artificiales.- Es una representación abstraída del modelo neuronal del cerebro humano. Las redes están formadas por un gran número de elementos simples y por sus
interconexiones. Una red neuronal artificial puede ser simulada o ser real. Al elemento procesador
de la red, se lo denomina neurona artificial. Evolución Artificial.- Su modelo está basado en el proceso genético de evolución natural,
propuesto por Charles Darwin. Se utilizan sistemas simulados en computador que evolucionan
mediante operaciones de reproducción, mutación y cruce (Algoritmos Genéticos).
Todo lo mencionado anteriormente es de suma importancia para la comprensión de los conceptos que posteriormente manejaremos. Por lo que es necesario que leamos con sentido critico y que conversemos
con nuestros compañeros y profesores sobre el alcance de dichas teorías.
Para introducirnos un poco mas en el estudio de la IA, en esta unidad abordaremos sobre las diferentes
formas de representación del conocimiento. Al finalizar estaremos en la capacidad de utilizar cada una de
ellas y además definir en que caso utilizarlas particularmente. Sin embargo, para ello debemos esforzarnos y profundizar mas en el contenido por medio de la lectura de la información de este
documento, los libros de IA y direcciones electrónicas que se plantean en la bibliografía.
3
OBJETIVOS
Comprender las definiciones de conocimiento y las diferencias entre los tipos básicos de conocimiento. Con el propósito de cumplir con el lema “Las buenas representaciones son la clave
de una resolución de problemas”
Conocer las diferentes formas de representación del conocimiento. Teniendo en cuenta que la mayor parte del trabajo requerido para construir sistemas de IA, está basado en el desarrollo de
adecuadas representaciones de conocimiento y sus correspondientes estrategias de manipulación.
Aplicar las diferentes técnicas de representación del conocimiento en la solución de problemas de
la vida real. Teniendo presente que no se puede manipular conocimiento a menos que esté adecuadamente representado. Esto lo haremos con el propósito de profundizar en los diferentes
tipos de representación del conocimiento, que serán de gran importancia para el desarrollo de
nuestro proyecto de sistema experto.
4
ESQUEMA DE CONTENIDO
1. REPRESENTACIÓN DEL CONOCIMIENTO .................................................................. 5
1.1 Tipos de Conocimientos ................................................................................................... 6
1.2 Descripciones Explícitas ................................................................................................ 6
1.3 Descripciones Implícitas .......................................................................................... 9
2. FORMAS DE REPRESENTACIÓN DEL CONOCIMIENTO ....................................... 9
2.1 Representación Mediante Reglas de Producción ...................................................... 10
2.1.1 Inferencia Basada en Reglas ............................................................................... 10
2.1.2 Sistemas de Producción ...................................................................................... 11
2.1.3 El Proceso de Razonamiento .............................................................................. 11
2.1.4 Razonamiento Progresivo ................................................................................... 12
2.1.5 Características de los Sistemas de Producción .................................................... 12
2.1.6 Ventajas y Desventajas de las Reglas de Producción........................................... 13
2.2 Redes Asociativas o Redes Semánticas ...................................................................... 14
2.2.1 Ventajas y Desventajas del Uso de Redes semánticas ................................................ 14
a. Ventajas .......................................................................................................................... 14
b. Desventajas ...................................................................................................................... 15
2.3. Lógica Proposicional ......................................................................................................... 15
2.4 Representación mediante Lógica de Predicados .............................................................. 17
2.4.1 Métodos de Razonamiento ........................................................................................ 19
2.4.2 Unificación ............................................................................................................... 20
2.4.3 Inferencia y Razonamiento ....................................................................................... 20
2.4.4 Ventajas y Desventajas de la Lógica de Predicados ................................................. 21
2.5 Representación mediante Plantillas o Frames .................................................................. 22
2.5.1 Ventajas y desventajas en del uso de plantillas .......................................................... 23
2.6. Representación mediante Objetos .................................................................................... 24
2.6.1.1 Ventajas ................................................................................................................. 25
2.6.1.2 Desventajas............................................................................................................... 25
5
DESARROLLO DE CONTENIDO
1. REPRESENTACIÓN DEL CONOCIMIENTO
Representación
En general, una representación es un conjunto de convenciones sobre la forma de describir algún tipo de cosa. El hallar una representación apropiada es una parte fundamental de la resolución de un problema. El
principio de la representación establece que:
Una vez que un problema es descrito mediante una buena
representación, el problema está casi resuelto.
Desde el punto de vista de ingeniería, la mayor parte del trabajo requerido para construir sistemas de IA, está basado en el desarrollo de adecuadas representaciones de conocimiento y sus correspondientes
estrategias de manipulación. No se puede manipular conocimiento a menos que esté adecuadamente
representado. En consecuencia, conocimiento: Puede ser definido como el conjunto de hechos y
principios acumulados por la humanidad, o el acto, hecho o estado de conocer. Es la familiaridad con el lenguaje, conceptos, procedimientos, reglas, ideas, abstracciones, lugares, costumbres y asociaciones,
unida a la habilidad de utilizar estas nociones en forma efectiva para modelar diferentes aspectos del
universo que nos rodea.
Los métodos generales desarrollados para la resolución de problemas y técnicas de búsqueda al inicio de la era de la IA demostraron no ser suficientes para resolver los problemas orientados a las aplicaciones, ni
fueron capaces de satisfacer los difíciles requerimientos de la investigación. A este conjunto de métodos,
procedimientos y técnicas, se lo conoce como Inteligencia Artificial Débil. La principal conclusión que
se derivó de este trabajo inicial fue que los problemas difíciles sólo podrían ser resueltos con la ayuda del
conocimiento específico acerca del dominio del problema.
La aplicación de estas ideas dio lugar al desarrollo de los denominados Sistemas Basados en
Conocimiento (Knowledge Based Systems) y al aparecimiento de la Ingeniería Cognoscitiva, como una
rama de la IA, que estudia los sistemas basados en el conocimiento. La definición de un sistema basado en
conocimiento puede ser simplemente la siguiente:
Es un sistema computarizado capaz de resolver problemas en el
dominio en el cual posee conocimiento específico.
La solución es esencialmente la misma que hubiera dado un ser humano confrontado con idéntico
problema, aunque no necesariamente el proceso seguido por ambos puede ser igual.
El simple concepto dado, puede causar confusión ya que muchos sistemas basados en programas
convencionales podrían ser incorrectamente categorizados como sistemas basados en conocimiento. Esta
inconsistencia puede ser aclarada, sobre la base de tres conceptos fundamentales que distinguen a los sistemas basados en conocimiento de los programas algorítmicos convencionales y de los programas
generales basados en búsqueda (IA débil):
1. La separación que existe entre el conocimiento, y la forma cómo éste es utilizado. 2. El uso de conocimiento específico de un determinado dominio.
6
3. La naturaleza heurística, antes que algorítmica del conocimiento utilizado.
Dicho de una manera simple, los programas convencionales utilizan algoritmos para resolver problemas,
mientras que los sistemas basados en conocimiento resuelven problemas donde las soluciones algorítmicas
no existen o son muy costosas para ser implementadas.
1.1 Tipos de Conocimientos
Los conceptos de conocimiento e inteligencia están íntimamente ligados. La inteligencia requiere de la posesión y acceso al conocimiento. Conocimiento no debe ser confundido con datos o información. El
conocimiento incluye y requiere del uso de datos e información. Además, combina relaciones,
dependencias, y la noción del saber con datos e información. También seria bueno definir que metaconocimiento que mucho se confunde con la definición de conocimiento, en general podríamos
decir, que es conocimiento acerca del conocimiento, esto es, conocimiento acerca de lo que se conoce.
El conocimiento puede ser de tipo procedimental, declarativo o heurístico.
Conocimiento procedimental es aquel conocimiento compilado que se refiere a la forma de realizar una
cierta tarea (el saber como hacerlo). Por ejemplo, los pasos necesarios para resolver una ecuación
algebraica son expresados como conocimiento procedimental.
Por otro lado, el conocimiento declarativo es conocimiento pasivo, expresado como sentencias acerca de
los hechos del mundo que nos rodea (el saber que hacer). La información personal en una base de datos es
un típico ejemplo de conocimiento declarativo. Tales tipos de datos son piezas explícitas de conocimiento
independiente.
El conocimiento heurístico es un tipo especial de conocimiento usado por los humanos para resolver problemas complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la
palabra griega heuriskein que significa descubrir, encontrar. Se entiende por heurístico a un criterio,
estrategia, método o truco utilizado para simplificar la solución de problemas. El conocimiento heurístico
usualmente se lo adquiere a través de mucha experiencia.
1.2 Descripciones Explícitas
La descripción explícita de una buena representación está caracterizada por los siguientes aspectos
importantes:
Hace explícitos los objetos y las relaciones de importancia: de una sola mirada se puede apreciar lo que sucede.
Pone de manifiesto las restricciones inherentes al problema.
Agrupa los objetos y las relaciones.
Suprime los detalles insignificantes. Es transparente: se puede entender lo que representa.
Es completa: contiene todo lo que es necesario que debe expresar.
Es concisa: expresa todo lo necesario con eficacia.
Las representaciones tienen cuatro ingredientes fundamentales:
El léxico, que determina los símbolos que están permitidos en el vocabulario de la representación.
7
Una parte estructural que describe las restricciones sobre la forma en que los símbolos pueden
ordenarse.
Una parte operativa que especifica los procedimientos de acceso que permiten crear
descripciones; así como la forma de modificarlas y utilizarlas para responder preguntas.
Una parte semántica que establece una forma de asociar el significado con las descripciones.
Para ilustrar el problema de la representación, considérese el siguiente ejemplo:
Un granjero desea cruzar un río llevando consigo un lobo silvestre, una oveja y una carga de col. Por desgracia su bote es tan pequeño que sólo puede transportar una de
sus pertenencias en cada viaje. Peor aún, si no vigila al lobo, puede comerse a la oveja y si no cuida la col, se la puede comer la oveja; de modo que no puede dejar al lobo solo
con la oveja, ni a la oveja sola con la col. ¿ Cómo puede hacer para cruzar el río sin
contratiempos?
La representación utilizada en el problema del granjero, es un ejemplo de red semántica. Desde el punto
de vista del léxico, las redes semánticas están formadas por nodos, que representan objetos; enlaces, que representan relaciones entre objetos; y, etiquetas de enlace, que denotan relaciones particulares.
Desde el punto de vista estructural, los nodos están conectados entre sí por enlaces etiquetados. En los
diagramas, los nodos aparecen como círculos, elipses o rectángulos; y, los enlaces como flechas que apuntan de un nodo a otro.
Desde la perspectiva de la semántica, el significado de los nodos y sus enlaces, depende de las
definiciones y características del problema.
Desde la perspectiva operativa, los procedimientos de acceso son, en general, cualquiera de los
siguientes: constructores, destructores, lectores y escritores. Las redes semánticas usan constructores para formar nodos y enlaces; lectores para responder preguntas acerca de estos; escritores, para modificar
nodos y enlaces; y, ocasionalmente, destructores, para borrar nodos y enlaces.
8
Figura 1. Representación del problema del granjero, el lobo, la oveja y la col.
Las especificaciones dadas por una red semántica, son los suficientemente explícitas, como para ser
utilizadas en representaciones de problemas de IA.
Existen diversos grupos de familias de representaciones, que se derivan de las redes semánticas: árboles
semánticos, árboles de búsqueda, árboles de juegos, árboles de decisión, sistema de plantillas, red de
propagación de valores, red de restricción aritmética, red de contracción, red de intervalos, espacio de
estados, etc.
Una representación basada en una red semántica, en determinados problemas, puede generar árboles o
grafos. El árbol es un tipo de red semántica que no contiene lazos, en cambio un grafo es una estructura
en la que pueden haber varios de ellos.
Desde el punto de vista de los procesos de búsqueda, los árboles son preferibles a los grafos, ya que no
hay que preocuparse por la posibilidad de quedar atrapados en algún lazo.
9
1.3 Descripciones Implícitas
En general, una red semántica de cualquier tipo no necesariamente puede presentar todos sus estados y
transiciones. Pueden haber ocasiones en las que es preferible no trabajar con la representación completa o
en las que es prácticamente imposible obtenerla. En estos casos se desarrolla sólo la sección necesaria, partiendo de un estado inicial y generando los siguientes estados, según se los requiera. Una descripción
de red semántica que está compuesta por un estado inicial y un mecanismo para generar los estados
sucesores, se dice que es una descripción implícita del espacio de estado.
A manera de ejemplo, el espacio de estado del problema del granjero dado anteriormente, puede ser
descrito en forma implícita. Para ello, se hacen las siguientes consideraciones preliminares:
Sean las variables Pg, Pl, Po, Pc las que denoten las posiciones del granjero, lobo, oveja y col, respectivamente. Sus valores sólo puede ser 1 o 2, para indicar que se encuentran en la orilla 1 o
en la orilla 2 del río.
Se define la función OPUESTO, tal que OPUESTO(1) = 2; y, OPUESTO(2) = 1.
Ahora, las reglas para generar los estado sucesores de (Pg, Pl, Po, Pc), pueden ser escritas como sigue:
El estado (OPUESTO(Pg), Pl, Po, Pc), es un sucesor. Si Pg = Pl entonces (OPUESTO(Pg), OPUESTO(Pl), Po, Pc) es un sucesor.
Si Pg = Po entonces (OPUESTO(Pg), Pl, OPUESTO(Po), Pc) es un sucesor.
Si Pg = Pc entonces (OPUESTO(Pg), Pl, Po, OPUESTO(Pc)) es un sucesor.
Naturalmente, algunos de los estados sucesores son inaceptables, de acuerdo con las condiciones del
problema.
Un proceso de búsqueda puede utilizar una descripción implícita del espacio de estado para encontrar una
ruta desde un estado inicial hasta un estado objetivo, generando repetidamente estados sucesores y probándolos para ver si uno de ellos es el objetivo. Mientras no se encuentre el estado objetivo, el proceso
debe ser capaz de escoger el estado sucesor que parece más prometedor, o que no viola las restricciones
del problema, para continuar con su ruta. Si no es posible establecer el potencial de los estados sucesores,
siempre se podrá escoger alguno basado en algún criterio arbitrario.
2. FORMAS DE REPRESENTACIÓN DEL CONOCIMIENTO
En organismos biológicos se estima que el conocimiento es almacenado como estructuras complejas de
neuronas interconectadas. En las computadoras, el conocimiento también se almacena como estructuras
simbólicas, pero en forma de estados eléctricos y magnéticos.
En forma natural, el ser humano representa el conocimiento simbólicamente: imágenes, lenguaje hablado
y lenguaje escrito. Adicionalmente, ha desarrollado otros sistemas de representación del conocimiento:
literal, numérico, estadístico, estocástico, lógico.
La ingeniería cognoscitiva ha adaptado diversos sistemas de representación del conocimiento que, implantados en un computador, se aproximan mucho a los modelos elaborados por la psicología
cognoscitiva para el cerebro humano. Entre los principales se formas de representación del conocimiento
tenemos:
10
LÓGICA SIMBÓLICA FORMAL:
Lógica proposicional
Lógica de predicados.
Reglas de producción.
FORMAS ESTRUCTURADAS:
Redes asociativas o semánticas.
Estructuras marco.
Representación orientada a objetos
2.1 Representación Mediante Reglas de Producción
Los sistemas basados en reglas son los más comúnmente utilizados. Su simplicidad y similitud con el
razonamiento humano, han contribuido para su popularidad en diferentes dominios. Las reglas son un
importante paradigma de representación del conocimiento.
Las reglas representan el conocimiento utilizando un formato SI-ENTONCES (IF-THEN), es decir tienen
2 partes:
La parte SI (IF), es el antecedente, premisa, condición o situación; y
La parte ENTONCES (THEN), es el consecuente, conclusión, acción o respuesta.
Las reglas pueden ser utilizadas para expresar un amplio rango de asociaciones, por ejemplo:
SI está manejando un vehículo Y se aproxima una ambulancia, ENTONCES baje la
velocidad Y hágase a un lado para permitir el paso de la ambulancia.
SI su temperatura corporal es de 39 ºC, ENTONCES tiene fiebre.
SI el drenaje del lavabo está tapado Y la llave de agua está abierta, ENTONCES se
puede inundar el piso.
2.1.1 Inferencia Basada en Reglas
Una declaración de que algo es verdadero o es un hecho conocido, es una afirmación (fact). El conjunto
de afirmaciones se conoce a menudo con el nombre de memoria de trabajo o base de afirmaciones. De igual forma, al conjunto de reglas se lo denomina base de reglas.
Un sistema basado en reglas utiliza el modus ponens para manipular las afirmaciones y las reglas durante el proceso de inferencia. Mediante técnicas de búsqueda y procesos de unificación, los sistemas basados
en reglas automatizan sus métodos de razonamiento y proporcionan una progresión lógica desde los datos
iniciales, hasta las conclusiones deseadas.
Esta progresión hace que se vayan conociendo nuevos hechos o descubriendo nuevas afirmaciones, a
medida que va guiando hacia la solución del problema.
11
En consecuencia, el proceso de solución de un problema en los sistemas basados en reglas va realizando
una serie de inferencias que crean un sendero entre la definición del problema y su solución. Las
inferencias están concatenadas y se las realiza en forma progresiva, por lo que se lo que se dice que el
proceso de solución origina una cadena de inferencias.
Los sistemas basados en reglas difieren de la representación basada en lógica en las siguientes características principales:
Son en general no-monotónicos, es decir hechos o afirmaciones derivadas, pueden ser retractados, en el momento en que dejen de ser verdaderos.
Pueden aceptar incertidumbre en el proceso de razonamiento.
2.1.2 Sistemas de Producción
Un sistema de producción proporciona una estructura que facilita la descripción y la ejecución de un
proceso de búsqueda. Un sistema de producción consiste de:
Un conjunto de facilidades para la definición de reglas. Mecanismos para acceder a una o más bases de conocimientos y datos. Una estrategia de control que especifica el orden en el que las reglas son procesadas, y la forma de
resolver los conflictos que pueden aparecer cuando varias reglas coinciden simultáneamente.
Un mecanismo que se encarga de ir aplicando las reglas.
Dentro de esta definición general de sistema de producción, se incluyen:
Lenguajes básicos para sistemas de producción (LISP, CLIPS, PROLOG). También se los conoce como lenguajes de Inteligencia Artificial.
Sistemas híbridos y sistemas vacíos (shells) para producción de sistemas basados en
conocimientos (VP-Expert, Expert Teach, Personal Consultant, Intelligence Compiler, EXSYS).
Arquitecturas generales para resolución de problemas (máquinas LISP, máquinas PROLOG).
2.1.3 El Proceso de Razonamiento
El proceso de razonamiento en un sistema basado en reglas es una progresión desde un conjunto inicial de afirmaciones y reglas hacia una solución, respuesta o conclusión. Como se llega a obtener el resultado, sin
embargo, puede variar significativamente:
Se puede partir considerando todos los datos conocidos y luego ir progresivamente avanzando
hacia la solución. Este proceso se lo denomina guiado por los datos o de encadenamiento
progresivo (forward chainning).
Se puede seleccionar una posible solución y tratar de probar su validez buscando evidencia que la
apoye. Este proceso se denomina guiado por el objetivo o de encadenamiento regresivo
(backward chainning).
12
2.1.4 Razonamiento Progresivo
En el caso del razonamiento progresivo, se empieza a partir de un conjunto de datos colectados a través de
observación y se evoluciona hacia una conclusión. Se chequea cada una de las reglas para ver si los datos
observados satisfacen las premisas de alguna de las reglas. Si una regla es satisfecha, es ejecutada derivando nuevos hechos que pueden ser utilizados por otras reglas para derivar hechos adicionales. Este
proceso de chequear reglas para ver si pueden ser satisfechas se denomina interpretación de reglas.
La interpretación de reglas es realizada por una máquina de inferencia en un sistema basado en conocimiento. La interpretación de reglas, o inferencia, en el razonamiento progresivo involucra la
repetición de los pasos que se indican en la siguiente figura.
Figura 2. Proceso de Razonamiento Progresivo
2.1.5 Características de los Sistemas de Producción
Un sistema de producción, al igual que los problemas, puede ser descrito por un conjunto de
características que permiten visualizar la mejor forma en que puede ser implementado.
Un sistema de producción se dice que es monotónico si la aplicación de un regla nunca evita que más
tarde se pueda aplicar otra regla que también pudo ser aplicada al momento en que la primera fue seleccionada.
Un sistema de producción es parcialmente conmutativo si existe un conjunto de reglas que al aplicarse en una secuencia particular transforma un estado A en otro B, y si con la aplicación de cualquier permutación
posible de dichas reglas se puede lograr el mismo resultado.
Un sistema de producción es conmutativo, si es monotónico y parcialmente conmutativo.
13
SISTEMA DE PRODUCCIÓN MONOTÓNICO NO-
MONOTÓNICO
PARCIALMENTE CONMUTATIVO Demostración de
Teoremas
Navegación
Robótica
PARCIALMENTE NO
CONMUTATIVO
Síntesis Química Juego de Ajedrez
Tabla 1. Resumen de Características
2.1.6 Ventajas y Desventajas de las Reglas de Producción
a. Desventajas
Algunos problemas existen en los sistemas basados en reglas. Estos problemas caen dentro de una de las
siguientes categorías:
Encadenamiento infinito; Incorporación de conocimiento nuevo contradictorio, y
Modificación de reglas existentes.
Desventajas adicionales pueden ser:
Ineficiencia (necesidad de modularizar o de introducir metarreglas),
Dificultad de establecer relaciones,
Adaptación al dominio (rápido crecimiento del número de reglas).
El conocimiento acerca de las reglas de producción se denomina METARREGLA. Las metarreglas
facilitan y aceleran la búsqueda de soluciones.
b. Ventajas
A pesar de las desventajas anotadas, los sistemas basados en reglas han permanecido como los esquemas más comúnmente utilizados para la representación del conocimiento. Como ventajas significativas se
pueden mencionar las siguientes:
Modularidad,
Uniformidad y
Naturalidad para expresar el conocimiento.
14
2.2 Redes Asociativas o Redes Semánticas
Las redes semánticas, fueron originalmente desarrolladas para representar el significado o semántica de
oraciones en inglés, en términos de objetos y relaciones. Actualmente, el término redes asociativas es más
ampliamente utilizado para describirlas ya que no sólo se las usa para representar relaciones semánticas,
sino también para representar asociaciones físicas o causales entre varios conceptos u objetos.
Las redes asociativas se caracterizan por representar el conocimiento en forma gráfica. Agrupan una
porción de conocimiento en dos partes: objetos y relaciones entre objetos. Los objetos se denominan
también nodos (elementos del conocimiento) y las relaciones entre nodos se denominan enlaces o arcos.
Cada nodo y cada enlace en una red semántica, deben estar asociados con objetos descriptivos.
Figura 3. Fragmento de una red asociativa
Son muy apropiadas para representar conocimiento de naturaleza jerárquica. Su concepción se basa en la
asociación de conocimientos que realiza la memoria humana.
Las principales aplicaciones son:
Comprensión de lenguaje natural,
Bases de datos deductivas,
Visión por computadora,
Sistemas de aprendizaje.
2.2.1 Ventajas y Desventajas del Uso de Redes semánticas
a. Ventajas
Las redes asociativas tienen dos ventajas sobre los sistemas basados en reglas y sobre los basados en
lógica:
1. Permiten la declaración de importantes asociaciones, en forma explícita y sucinta.
15
2. Debido a que los nodos relacionados están directamente conectados, y no se expresan las
relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda por hechos
particulares puede ser significativamente reducido.
b. Desventajas
Entre las desventajas de las redes asociativas, se pueden mencionar:
1. No existe una interpretación normalizada para el conocimiento expresado por la red. La
interpretación de la red depende exclusivamente de los programas que manipulan la misma. 2. La dificultad de interpretación a menudo puede derivar en inferencias inválidas del conocimiento
contenido en la red.
3. La exploración de una red asociativa puede derivar en una explosión combinatoria del número de
relaciones que deben ser examinadas para comprobar una relación
2.3. Lógica Proposicional
La lógica proposicional es la más antigua y simple de las formas de lógica. Utilizando una representación
primitiva del lenguaje, permite representar y manipular aserciones sobre el mundo que nos rodea. La
lógica proposicional permite el razonamiento, a través de un mecanismo que primero evalúa sentencias simples y luego sentencias complejas, formadas mediante el uso de conectivos proposicionales, por
ejemplo Y (AND), O (OR). Este mecanismo determina la veracidad de una sentencia compleja,
analizando los valores de veracidad asignados a las sentencias simples que la conforman.
Una proposición es una sentencia simple que tiene un valor asociado ya sea de verdadero (V), o falso (F).
Por ejemplo:
Hoy es Viernes
Ayer llovió
Hace frío La lógica proposicional, permite la asignación de un valor verdadero o falso para la sentencia completa, no tiene facilidad par analizar las palabras individuales que componen la sentencia.
Por este motivo, la representación de las sentencias del ejemplo, como proposiciones, sería:
hoy_es_Viernes
ayer_llovió
hace_frío
La proposiciones pueden combinarse para expresar conceptos más complejos. Por ejemplo: hoy_es_Viernes y hace_frío.
A la proposición anterior dada como ejemplo, se la denomina fórmula bien formada (well-formed formula, wff). Una fórmula bien formada puede ser una proposición simple o compuesta que tiene sentido
completo y cuyo valor de veracidad, puede ser determinado. La lógica proposicional proporciona un
mecanismo para asignar valores de veracidad a la proposición compuesta, basado en los valores de
veracidad de las proposiciones simples y en la naturaleza de los conectores lógicos involucrados.
Los conectadores básicos de la lógica proposicional, se dan en la Tabla 2. Las tablas de verdad para las
operaciones básicas, se muestran en la Tabla 3.
16
NOMBRE CONECTOR SÍMBOLO
Conjunción
Disyunción
Negación
Implicación
Equivalencia
AND
OR
NOT
If-Then
Igual
^
v
~
=>
=
Tabla 2. Conectores básicos de la lógica proposicional
p q Disyunción
p v q
Conjunción
p ^ q
Negación
~p
Implicación
p => q
Equivalencia
p = q
V V V V F V V
V F V F F F F
F V V F V V F
F F F F V V V
Tabla 3. Tablas de verdad para operadores lógicos
El conectador de implicación, puede ser considerado como un condicional expresado de la siguiente
forma:
SI A => B va a ser verdadero,
ENTONCES toda vez que A sea verdadero, B debe ser siempre verdadero.
Existen varias equivalencias en lógica proposicional, similares a las del álgebra Booleana. Estas se dan en
la Tabla 4.
DENOMINACIÓN REPRESENTACIÓN LÓGICA
Leyes Equipotenciales A => B = ~A v B
17
A ^ ~A = F
A v ~A = V
Leyes Conmutativas A ^ B = B ^ A
A v B = B v A
Leyes Distributivas A ^ (B v C) = (A ^ B) v (A ^ C)
A v (B ^ C) = (A v B) ^ (A v C)
Leyes Asociativas A ^ (B ^ C) = (A ^ B) ^ C
A v (B v C) = (A v B) v C
Leyes Absortivas A ^ (A v B) = A
A v (A ^ B) = A
Leyes de DeMorgan ~(A ^ B) = ~A v ~B
~(A v B) = ~A ^ ~B
Tabla 4. Equivalencias en lógica proposicional
2.4 Representación mediante Lógica de Predicados
La principal debilidad de la lógica proposicional es su limitada habilidad para expresar conocimiento.
Existen varias sentencias complejas que pierden mucho de su significado cuando se las representa en
lógica proposicional. Por esto se desarrolló una forma lógica más general, capaz de representar todos los detalles expresados en las sentencias, esta es la lógica de predicados.
La lógica de predicados está basada en la idea de las sentencias realmente expresan relaciones entre
objetos, así como también cualidades y atributos de tales objetos. Los objetos pueden ser personas, objetos
físicos, o conceptos. Tales cualidades, relaciones o atributos, se denominan predicados. Los objetos se conocen como argumentos o términos del predicado.
Al igual que las proposiciones, los predicados tienen un valor de veracidad, pero a diferencia de las preposiciones, su valor de veracidad, depende de sus términos. Es decir, un predicado puede ser verdadero
para un conjunto de términos, pero falso para otro.
Por ejemplo, el siguiente predicado es verdadero:
color (yerba, verde),
el mismo predicado, pero con diferentes argumentos, puede no ser verdadero:
color (yerba, azul) o color (cielo, verde) Los predicados también pueden ser utilizados para asignar una cualidad abstracta a sus términos, o para
representar acciones o relaciones de acción entre dos objetos. Por ejemplo:
18
mortal(juan_carlos)
clima(martes, lluvioso) ave(gaviota)
ama(roberto, vanessa)
lee(alex, novela)
mordio(boby, cartero)
Al construir los predicados se asume que su veracidad está basada en su relación con el mundo real.
Naturalmente, siendo prácticos, trataremos que los predicados que definimos estén de acuerdo con el
mundo que conocemos, pero no es absolutamente necesario que así lo hagamos. En lógica de predicados el establecer como verdadero un predicado es suficiente para que así sea considerado.
Demos el siguiente ejemplo, que indica que Ecuador está en Europa:
parte_de(ecuador, europa)
Obviamente, esto no es verdadero en el mundo real, pero la lógica de predicados no tiene razón de saber
geografía y si el predicado es dado como verdadero, entonces es considerado como lógicamente
verdadero. Tales predicados, establecidos y asumidos como lógicamente verdaderos se denominan axiomas, y no requieren de justificación para establecer su verdad.
La lógica de predicados, se ocupa únicamente de métodos de argumentación sólidos. Tales
argumentaciones se denominan Reglas de Inferencia. Si se da un conjunto de axiomas que son aceptados como verdaderos, las reglas de inferencia garantizan que sólo serán derivadas consecuencias verdaderas.
Tanto los conectivos lógicos, como los operadores dados anteriormente para la lógica proposicional, son igualmente válidos en lógica de predicados. De hecho, la lógica proposicional es un subconjunto de la
lógica de predicados. Cada uno de los argumentos en los ejemplos de predicados dados anteriormente,
representan a un objeto específico. Tales argumentos se denominan constantes. Sin embargo, en la lógica de predicados se pueden tener argumentos que en determinado momento pueden ser desconocidos. Estos
son los argumentos tipo variable.
En el ejemplo: color (yerba, X), la variable X, puede tomar el valor de verde, haciendo que el predicado sea verdadero; o puede tomar el valor de azul, dando lugar a que el predicado sea falso.
Las variables, también pueden ser cuantificadas. Los cuantificadores que típicamente se utilizan en lógica
de predicados son:
El cuantificador universal; indica que la fórmula bien formada, dentro de su alcance, es
verdadera para todos los valores posibles de la variable que es cuantificada. Por ejemplo:
X . . . . Establece que "para todo X, es verdad que . . . "
El cuantificador existencial; , indica que la fórmula bien formada, dentro de su alcance, es
verdadera para algún valor o valores dentro del dominio. Por ejemplo:
X . . . Establece que "existe un X, tal que . . . "
A continuación se dan algunos ejemplos de predicados cuantificados:
X, [niño (X) => le_gusta (X, helados)].
19
Y, [mamífero (Y) => nace (Y, vivo)].
Z, [cartero(Z) ^ mordió (boby, Z)]. Desde el punto vista de representación, los cuantificadores son difíciles de usar. Por lo que es deseable
reemplazarlos con alguna representación equivalente, más fácil de manipular. El caso del cuantificador
universal es más simple ya que se asume a todas las variables como universalmente cuantificadas.
El cuantificador existencial es más difícil de reemplazar. El cuantificador existencial garantiza la
existencia de uno o más valores particulares (instancias) de la variable cuantificada, que hace a la cláusula
verdadera. Si se asume que existe una función capaz de determinar los valores de la variable que hace la cláusula verdadera, entonces simplemente se remueve el cuantificador existencial y se reemplaza las
variables por la función que retorna dichos valores. Para la resolución de problemas reales, esta función,
llamada función de Skolem, debe ser conocida y definida
2.4.1 Métodos de Razonamiento
En lógica de predicados, existen tres métodos básicos de razonamiento: deductivo, abductivo e inductivo.
Deducción.- Es el razonamiento a partir de un principio conocido hacia un desconocido; de lo
general, a lo específico, o de la premisa a la conclusión lógica. La deducción realiza inferencias
lógicamente correctas. Esto significa que la deducción a partir de premisas verdaderas, garantiza el resultado de conclusiones también verdaderas. La deducción es el método más ampliamente
comprendido, aceptado y reconocido de los tres indicados. Es la base tanto de la lógica
proposicional, como de la lógica de predicados. A manera de ejemplo, el método deductivo, se
puede expresar, utilizando lógica de predicados, como sigue:
A, B, C, [mayor (A, B) mayor (B, C) mayor (A, C)]
Abducción.- Es un método de razonamiento comúnmente utilizado para generar explicaciones. A diferencia de la inducción, la abducción no garantiza que se puedan lograr conclusiones
verdaderas, por lo tanto no es un método sólido de inferencia. La forma que tiene la abducción es
la siguiente:
SI la sentencia (A B) es verdadera y B es verdadera,
ENTONCES A es posiblemente verdadera.
En abducción, se empieza por una conclusión y se procede a derivar las condiciones que
podrían hacer a esta conclusión válida. En otras palabras, se trata de encontrar una
explicación para la conclusión.
Inducción.- Se define como el razonamiento a partir de hechos particulares o casos individuales,
para llegar a una conclusión general. El método inductivo es la base de la investigación científica.
La forma más común del método inductivo es la siguiente:
SI se conoce que P(a), P(b), ......, P(n) son verdaderos,
ENTONCES se puede concluir que X, P(X) es también verdadero.
20
La inducción es una forma de inferencia muy importante ya que el aprendizaje, la
adquisición de conocimiento y el descubrimiento están basados en ella. Al igual que la
abducción, la inducción no es un método sólido de inferencia.
El razonamiento deductivo es una forma monotónica de razonar que produce argumentos que preservan la
verdad.
En un sistema monotónico todos los axiomas utilizados se conocen como verdaderos por sus propios
méritos, o pueden ser derivados de otros hechos conocidos como verdaderos. Los axiomas no pueden cambiar, ya que una vez que se los conoce como verdaderos, siempre permanecen así y no pueden ser
modificados o retractados. Esto significa que en el razonamiento monotónico el conjunto de axiomas
continuamente crece en tamaño.
Otro aspecto del razonamiento monotónico es que si más de una inferencia lógica puede ser hecha a un
tiempo específico y una de ellas se realiza, las inferencias que quedan serán todavía aplicables después
que dicha inferencia haya sido hecha.
2.4.2 Unificación
Cuando se tienen sentencias compuestas por predicados y conectivos lógicos, se debe evaluar la veracidad
de cada uno de sus componentes para determinar si toda la sentencia es verdadera o falsa. Para ello, se
busca en el conjunto de axiomas la forma de establecer la veracidad de los predicados componentes. Un predicado componente se dice que es verdadero si se identifica con un axioma de la base de información.
En la lógica de predicados, este proceso es algo complicado ya que las sentencias pueden tener términos
variables. A los predicados que tienen variables por argumentos, se los denomina patrones.
La unificación es el proceso de computar las sustituciones apropiadas que permitan determinar si dos
expresiones lógicas, ya sean predicados o patrones, coinciden.
El proceso de unificación involucra los siguientes pasos:
Todo predicado que no contenga variables en sus argumentos, deben tener un axioma que se
identifique totalmente, para considerarlo como verdadero.
Si un predicado contiene una variable, esta debe ser asociada a un valor determinado. Esta
asociación se realiza buscando en la base de axiomas y seleccionando todos aquellos que se identifican con el patrón en todo, excepto por la variable. La variable es asociada con el valor en
la posición correspondiente del axioma. Si más de un axioma se identifica con el predicado dado,
todos los valores asociados son considerados y son tratados separadamente. El proceso de identificación continua asumiendo que el valor de la variable es el valor asociado,
en cualquier lugar que esta aparezca.
Los conectivos lógicos son aplicados a todos los predicados, para determinar la veracidad de la
sentencia dada.
2.4.3 Inferencia y Razonamiento
Inferir es concluir o decidir a partir de algo conocido o asumido; llegar a una conclusión. A su vez,
razonar es pensar coherente y lógicamente; establecer inferencias o conclusiones a partir de hechos conocidos o asumidos.
21
El proceso de razonamiento, por lo tanto, involucra la realización de inferencias, a partir de hechos
conocidos. Realizar inferencias significa derivar nuevos hechos a partir de un conjunto de hechos
conocidos como verdaderos. La lógica de predicados proporciona un grupo de reglas sólidas, con las
cuales se pueden realizar inferencias. Las principales Reglas de Inferencia son: Modus ponens.- Es la más importante, en los sistemas basados en conocimiento. Establece que: p
y (p q)
Si las sentencias p y (p q) se conocen que son verdaderas,
Entonces se puede inferir que q también es verdadera.
Modus tolens.- Esta regla establece que:
Si la sentencia (p q) es verdadera y q es falsa,
Entonces se puede inferir que p también es falsa.
Resolución.- Utiliza refutación para comprobar una determinada sentencia. La refutación intenta
crear una contradicción con la negación de la sentencia original, demostrando, por lo tanto, que la
sentencia original es verdadera. La resolución es una técnica poderosa para probar teoremas en lógica y constituye la técnica básica de inferencia en PROLOG, un lenguaje que manipula en
forma computacional la lógica de predicados. La regla de resolución, establece que:
SI (A O B) es verdadero y (~B O C) es verdadero,
ENTONCES (A O C) también es verdadero
2.4.4 Ventajas y Desventajas de la Lógica de Predicados
A continuación se presentan algunos aspectos característicos de la lógica de predicados y su
implementación computacional, el lenguaje de programación PROLOG:
Manejo de incertidumbre.- Una de las mayores desventajas de la lógica de predicados es que sólo
dispone de dos niveles de veracidad: verdadero y falso. Esto se debe a que la deducción siempre
garantiza que la inferencia es absolutamente verdadera. Sin embargo, en la vida real no todo es blanco y negro. En cierta forma el PROLOG ha logrado mitigar esta desventaja, permitiendo la
inclusión de factores de certeza.
Razonamiento monotónico.- La lógica de predicados al ser un formalismo de razonamiento
monotónico, no resulta muy adecuada para ciertos dominios del mundo real, en los cuales las verdades pueden cambiar con el paso del tiempo. El PROLOG compensa esta deficiencia,
proporcionando un mecanismo para remover los hechos de la base de datos. Por ejemplo, en
TURBO PROLOG se tiene la cláusula retractall.
Programación declarativa.- La lógica de predicados, tal como está diseñada en PROLOG, es un lenguaje de programación declarativo, en donde el programador sólo necesita preocuparse del
conocimiento expresado en términos del operador de implicación y los axiomas. El mecanismo
deductivo de la lógica de predicados llega a una respuesta (si esto es factible), utilizando un
proceso exhaustivo de unificación y búsqueda. A pesar que la búsqueda exhaustiva puede ser apropiada en muchos problemas, también puede introducir ineficiencias durante la ejecución. Para
22
lograr un cierto control en el proceso de búsqueda, PROLOG ofrece la operación de corte, CUT.
Cuando no se utiliza el CUT, PROLOG se convierte en un lenguaje puramente declarativo.
2.5 Representación mediante Plantillas o Frames
Una plantilla (frame) es una estructura de datos apropiada para representar una situación estereotípica. Las
plantillas organizan el conocimiento en objetos y eventos que resultan apropiados para situaciones específicas. Evidencia psicológica sugiere que la gente utiliza grandes plantillas para codificar el
conocimiento de experiencias pasadas, o conocimiento acerca de cosas que se encuentran comúnmente,
para analizar y explicar una situación nueva en su cotidiana actividad cognoscitiva.
Una plantilla representa un objeto o situación describiendo la colección de atributos que posee. Están
formadas por un nombre y por una serie de campos de información o ranuras (slots). Cada ranura puede contener uno o más enlaces (facets). Cada enlace tiene un valor asociado. Varios enlaces pueden ser
definidos para cada ranura, por ejemplo:
Rango.- El conjunto de posibles valores para la ranura.
Valor.- El valor de la ranura.
Default.- El valor a ser asumido si no se especifica alguno.
Además los enlaces pueden ser procedimientos que residen en la base de datos y están aguardando para
ser utilizados cuando se los necesite. Entre los más comunes se pueden mencionar:
Si-Necesitado.- Procedimiento(s) para determinar el valor actual de una ranura. Si-Agregado.- Procedimiento(s) a ejecutarse cuando un valor es especificado para una ranura.
Si-Modificado.- Procedimiento(s) a ejecutarse si el valor de una ranura es cambiado.
A estos procedimientos también se los denomina demons y representan un concepto poderoso en las plantillas, esto es, la habilidad de combinar conocimiento procedimental dentro de la estructura de
conocimiento declarativo de la plantilla. Esto sugiere que una plantilla puede ser un medio poderoso de
representación del conocimiento, especialmente si se la incorpora en una red de plantillas.
En la siguiente figura se muestra una representación abstracta de una plantilla.
23
Figura 4. Representación abstracta de una plantilla.
Se pueden establecer ciertas similitudes entre un sistema basado en plantillas y un sistema de bases de
datos. Aparentemente los dos representan "datos" (a través de las ranuras de una plantilla y de los campos
de una tabla de datos), sin embargo las plantillas representan en realidad conocimiento, mientras que las bases de datos representan sólo datos. La investigación que se realiza actualmente en bases de datos está
examinando la posibilidad de aplicarlas a la representación del conocimiento, incorporando herencia y
demons (Bases de Datos Inteligentes), similar a lo que se tiene en sistemas basados en conocimiento.
2.5.1 Ventajas y desventajas en del uso de plantillas
2..5.1.1 Ventajas
Las ventajas que se pueden establecer para los sistemas basados en plantillas son las siguientes:
1. Facilidad de proceso guiado por las expectativas. Un sistema basado en plantillas, mediante los demons es capaz de especificar acciones que deben tener lugar cuando ciertas condiciones se han
cumplido durante el procesamiento de la información.
2. El conocimiento que posee un sistema basado en plantillas es significativamente más estructurado y organizado que el conocimiento dentro de una red asociativa.
24
3. Las plantillas pueden ser estructuradas de tal forma que sean capaces de determinar su propia
aplicabilidad en determinadas situaciones. En el caso de que una plantilla en particular no sea
aplicable, puede sugerir otras plantillas que pueden ser apropiadas para la situación.
4. Se puede fácilmente almacenar en las ranuras valores dinámicos de variables, durante la ejecución de un sistema basado en conocimiento. Esto puede ser particularmente útil para aplicaciones de
simulación, planeamiento, diagnóstico de problemas o interfaces para bases de datos.
2.5.1.2 Desventajas
Las principales desventajas que se pueden establecer para la representación del conocimiento mediante
plantillas, son:
1. Dificultad de representar objetos que se alejen considerablemente de estereotipos. 2. No tiene la posibilidad de acomodarse a situaciones u objetos nuevos.
3. Dificultad para describir conocimiento heurístico que es mucho más fácilmente representado
mediante reglas.
2.6. Representación mediante Objetos
Los objetos, son similares a las plantillas. Ambos sirven para agrupar conocimiento asociado, soportan
herencia, abstracción y el concepto de procedimientos agregados. La diferencia radica en lo siguiente:
1. En las plantillas, a los programas y a los datos se los trata como dos entidades relacionadas
separadas. En cambio en los objetos se crea una fuerte unidad entre los procedimientos (métodos) y los datos.
2. Los demons de las plantillas sirven sólo para computar valores para las diversas ranuras o para
mantener la integridad de la base de conocimientos cada vez que una acción de alguna plantilla, afecta a otra. En cambio, los métodos utilizados por los objetos son más universales ya que
proporcionan cualquier tipo general de computación requerida y además soportan
encapsulamiento y polimorfismo.
Un objeto es definido como una colección de información representando una entidad del mundo real y una
descripción de cómo debe ser manipulada esta información, esto es los métodos. Es decir, un objeto tiene un nombre, una caracterización de clase, varios atributos distintivos y un conjunto de operaciones. La
relación entre los objetos viene definida por los mensajes. Cuando un objeto recibe un mensaje válido,
responde con una acción apropiada, retornando un resultado.
NOMBRE OBJETO Limpiador Izquierdo
UN-TIPO-DE Limpiador
ATRIBUTOS Hecho de metal y caucho
Longitud: 14 pulgadas
Color: negro y plateado
25
Localización: inferior izquierda
Función: remover humedad de parabrisa
OPERACIONES Activado: se mueve en arco sobre el parabrisa repetidamente de izquierda a derecha
Desactivado: se mueve a posición de reposo
Tabla 5. Descripción tipo objeto para un limpia parabrisas.
2.6.1 Ventajas y desventajas de los objetos
2.6.1.1 Ventajas
Los objetos, como forma de representación del conocimiento ofrecen las siguientes ventajas:
Poder de abstracción. Encapsulamiento o capacidad de esconder información. Herencia, es decir pueden recibir características o propiedades de sus ancestros.
Polimorfismo, que permite crear una interfaz común para todos los diversos objetos utilizados
dentro del dominio.
Posibilidad de reutilización del código.
Mayor facilidad para poder trabajar eficientemente con sistemas grandes.
2.6.1.2 Desventajas
Las desventajas son similares a las que se indicaron para las plantillas:
Dificultades para manejar objetos que se alejan demasiado de la norma.
Dificultades para manejar situaciones que han sido encontradas previamente.
26
RESUMEN
Como hemos visto la representación del conocimiento constituye uno de los elementos más
importante que se tiene que tener en cuenta al momento de resolver un problema. Como bien hemos
conocido, la buena representación del conocimiento, nos conduce a una adecuada y rápida solución
de un problema.
Existe una variedad de formas de representación, sin embargo, las mas utilizadas son:
Reglas de Producción: Debido a la sencillez y acercamiento a la forma de pensar de los seres
humanos. Se ha convertido en una técnica de gran importancia, debido a que puede ser usada
con facilidades en los lenguajes tradicionales como Visual Basic, Access que hoy utilizamos.
La Logia de Predicados: Fue una de las primeras formas de representación del conocimiento.
Inclusive en sus inicios de la IA, la mayoría de las representaciones se orientaban hacia esta
técnica. Inclusive se crearon leguajes orientados, tales como Prolog y Lisp, que fueron de
suma importancia en el desarrollo de la programación lógica.
Los Frames y Poo: Son ambas técnicas que están directamente relacionados con los
paradigmas orientados a objetos. Hoy en día en su mayoría los sistemas comerciales e
inclusive los sistemas expertos se desarrollan usando estas técnicas de representación del
conocimiento.
Hemos conocido diferentes paradigmas para representar el conocimiento, cada paradigma comprende
una colección de métodos, configuraciones y técnicas desarrolladas para manipular el conocimiento.
En general, una técnica de IA está caracterizada por incluir los siguientes componentes:
Procesos de Búsqueda.- Proporciona una forma de resolver problemas para los cuales no hay
un método más directo, así como también se constituye en un marco de trabajo dentro del cual
cualquier técnica directa puede ser incorporada.
Uso del Conocimiento.- Proporciona una forma de resolver problemas explotando las
estructuras de los objetos involucrados.
Abstracción.- Proporciona una forma de separar rasgos importantes y variaciones, de los
tantos que no tienen importancia
Es bueno mencionar que la manipulación del conocimiento involucra además la selección de objetos,
entidades y rasgos que son claves para las representaciones. Al nivel más bajo de representación del
conocimiento, estas entidades pueden consistir de simples datos de entrada, por ejemplo: grabaciones
cuantizadas y digitalizadas de audio, datos de una imagen, valores captados por un sensor,
información de interruptores o hechos elementales. Estos bloques constructivos de la representación
se los denomina comúnmente primitivas. La representación escogida para las primitivas, puede
determinar las capacidades del sistema, el éxito, la corrección y sus posibilidades de expansión.
Por lo que podemos concluir que existen diferentes formas de representación del conocimiento, cada
una tiene sus características y aplicaciones propias, es menester de nosotros como ingenieros
identificar aquella técnica que más se aplica en resolución del problema que pretendemos resolver. Es
obvia, la necesidad que tenemos de aplicar estas técnicas en la solución de los problemas de la vida
real, pues de esto dependerá el desarrollo de las capacidades y destrezas en la solución de los
problemas, en nuestra vida diaria.
27
GLOSARIO
Conocimiento: Los conceptos de conocimiento e inteligencia están íntimamente ligados. La inteligencia
requiere de la posesión y acceso al conocimiento. Conocimiento no debe ser confundido con datos o
información. El conocimiento incluye y requiere del uso de datos e información. Además, combina
relaciones, dependencias, y la noción del saber con datos e información.
Objeto: es definido como una colección de información representando una entidad del mundo real y una descripción de cómo debe ser manipulada esta información, esto es los métodos. Es decir, un objeto tiene
un nombre, una caracterización de clase, varios atributos distintivos y un conjunto de operaciones. La
relación entre los objetos viene definida por los mensajes. Cuando un objeto recibe un mensaje válido,
responde con una acción apropiada, retornando un resultado
Programación Heurística.- Está basado en el modelo de comportamiento humano y su estilo para
resolver problemas complejos. Existen diversos tipos de programas que incluyen algoritmos heurísticos.
Varios de ellos son capaces de aprender de su experiencia.
Redes Neuronales Artificiales.- Es una representación abstraída del modelo neuronal del cerebro humano. Las redes están formadas por un gran número de elementos simples y por sus interconexiones. Una red neuronal artificial puede ser simulada o ser real. Al elemento procesador de la red, se lo denomina
neurona artificial.
Representación: es un conjunto de convenciones sobre la forma de describir algún tipo de cosa
28
EJERCICIOS DE AUTOCOMPROBACIÓN
1. Responda las siguientes Preguntas
a. Cuales son los tipos de conocimientos abordados en clase
b. Cuales son las formas de representación del conocimiento más utilizadas.
c. Cual de las formas de representación del conocimiento es el que más se relaciona con el
lenguaje natural.
2. Represente en forma de lógica de Predicados los siguientes planteamientos
a. Juan Viaja a Masaya
b. Antonio es padre de Hilmary
c. Un Juez no debe ser deshonesto
3. Construya tres reglas de producción, utilizando como base el problema de reparación y
mantenimiento de Computadoras
SOLUCIÓN A LOS EJERCICIOS DE AUTOCOMPROBACIÓN
1.a
Conocimiento procedimental es aquel conocimiento compilado que se refiere a la forma de realizar una
cierta tarea (el saber como hacerlo).
Conocimiento declarativo es conocimiento pasivo, expresado como sentencias acerca de los hechos del
mundo que nos rodea (el saber que hacer).
Conocimiento heurístico es un tipo especial de conocimiento usado por los humanos para resolver problemas complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la
palabra griega heuriskein que significa descubrir, encontrar.
1.b
Lógica proposicional
Lógica de predicados.
Reglas de producción.
Redes asociativas o semánticas.
Estructuras marco.
Representación orientada a objetos
29
1.c
La forma de representación que más se parece a la forma en que nos expresamos los seres humanos, es
conocida como Reglas de Producción.
2.a
Viaja(Juan, Masaya)
2.b
Padre(Antonio, Hilmary)
2.c
¬Deshonesto(Juez)
3.
Regla de Producción 1.
SÍ MonitorOscuro ENTONCES
Revise los botones del brillo
Revise el cable de alimentación
Regla de Producción 2
SI MantenimientoPreventivo ENTONCES
Aplique el antivirus a todas las unidades en su computadora
Pásele el Scandisk a todas las unidades en su computadora
Defragmente su disco duro, para optimizarlo
Regla de Producción 3
SI InstalaNuevaTarjetaRed ENTONCES
Instale el manejador de la tarjeta
Si desea trabajar en la red, configúrela