Академический Документы
Профессиональный Документы
Культура Документы
Nota:
El contenido de estos apuntes es solamente orientativo, puede contener errores y/o erratas y debe ser contrastado
con la bibliografa de la asignatura. No siendo en ningn momento suficientes como nico material de referencia
para el estudio de la asignatura.
Definicin.
Conceptos bsicos de los S.E.
Introduccin
Tcnicas manuales e interactivas
4.2.1.- Entrevistas.
4.2.2.- Observacin
4.2.3.- Mltiples expertos
4.2.4.- Tcnicas basadas en psicologa
4.2.5.- Adquisicin de conocimiento bajo incertidumbre.
4.3.-
Aprendizaje automtico.
4.4.-
4.5.-
TEMA 1
INGENIERIA DEL CONOCIMIENTO
1.- Introduccin.
La Inteligencia Artificial ha conseguido considerables logros en el campo de los
Sistemas Expertos, hasta mediados de los 60.
Un nuevo conjunto de principios, tcnicas y herramientas han surgido con la Ingeniera
del Conocimiento. Esta busca, mtodos y tcnicas para que en el rea de los Sistemas
Expertos, los hombres construyan sistemas de mquinas especializadas en la resolucin de
problemas.
EXPERTOS
2.1.- Definicin
Un sistema es un programa que emplea conocimiento humano, implementado en un
computador, para resolver problemas para los cuales es necesaria la inteligencia (experiencia)
humana.
Los sistemas se pueden dividir en Sistemas Basados en Conocimiento y otros
sistemas. La diferencia entre los SBC y los otros, estn en la cantidad y en lo puntual del
conocimiento que implementan.
Los SBC son capaces de responder a una pregunta, ya que tienen implementados un
mdulo de explicacin. A estos sistemas se les llama tambin Sistemas Expertos
Consultivos.
Los Otros, son programas parecidos al del ajedrez, ya que realizan un movimiento,
pero no indican porque lo han hecho, aunque se lo pregunte.
Los SBC a su vez se pueden dividir en Sistemas Expertos y otros.
Los Sistemas Expertos aparecen en los 60, siendo un avance de la Inteligencia
Artificial. Los Sistemas Expertos estn muy avanzados en muchos campos de la ciencia, pero
sobre todo se utilizan para el diagnstico, y para la educacin.
Reglas Heursticas
Metaconocimiento.
Estrategias globales para la solucin de estos tipos de problemas.
Anlisis
-------------------
INFORMACION
Proceso de integracin
Sntesis
CONOCIMIENTO
----------------------------
ii)
iii)
iv)
4.- CONCEPTOS
CONOCIMIENTO
GENERALES
EN
LA
ADQUISICION
DEL
4.1.- Introduccin
La transferencia de conocimientos desde una fuente a la base es denominado Adquisicin de
Conocimiento. La adquisicin de conocimiento implica la aplicacin de tcnicas para
reconocer conocimiento subyacente y construir un modelo de representacin del
conocimiento. El conocimiento es adquirido en pedazos.
Despus de cada aumento de conocimiento, la eficiencia de un sistema experto se
espera que mejore.
Las fuentes de conocimiento son los expertos, libros, experiencias personal, datos
experimentales agrupados en bases de datos y algunos ms. Como resultado de la adquisicin
de conocimiento, la base de conocimiento es construida.
En el caso de redes de produccin las nuevas reglas son construidas e incorporadas al
sistema de produccin.
En el caso de redes semnticas, nuevos nodos son creados y aadidos a la estructura
por adicin de enlaces, mientras que en el caso de sistemas "frame" algunos "slots" (aberturas)
vacos de frames existentes deben ser rellenados. Los nuevos frames pueden ser creados por
instanciacin de frames genricos y luego enlazados con el sistema. En todos los casos, las
nuevas unidades de conocimiento pueden causar la revisin del sistema existente (por ejemplo
nuevas reglas pueden interferir con algunas de las existentes por lo que el sistema entero debe
ser modificado).
La adicin de conocimiento a un sistema experto puede suceder directamente en las
mismas unidades que ya existen en la base de conocimiento, o como el resultado de la
induccin de ejemplos, o como deduccin de otro conocimiento ya existente en la base de
conocimiento. Tanto la induccin como la deduccin pueden ser realizadas por una mquina.
La induccin es el proceso de producir principios generales a partir de ejemplos especficos,
mientras que la deduccin significa obtener conclusiones especficas a partir de principios
generales.
En general las tcnicas de adquisicin de conocimiento pueden ser divididas en
manuales y basadas en computadoras.
La tcnica manuel ms popular de adquisicin de conocimiento est basada en el
contacto directo de un ingeniero de conocimiento con un experto en el dominio sin el uso de
herramientas basadas en un computador especializados. Las tcnicas manuales de adquisicin
de conocimiento consumen tiempo y son caras.
ADQUISICION DE CONOCIMIENTO
1.- Tcnicas manuales
2.- Tcnicas asistidas por Ordenador
2.1.- Interactivas
2.2.- Aprendizaje automtico
4.2.1.- La Entrevista
En una tpica sesin de entrevistas el ingeniero de conocimiento gasta la mayor parte
del tiempo preparando la sesin, posteriormente analizndola. Tambin ser necesario generar
una documentacin de la base de conocimiento.
Usualmente las fuentes de conocimiento son organizadas en librera especialmente
diseada. Los conceptos usuados en el dominio son catalogados en un diccionario de
conocimientos.
Un ingeniero de conocimientos adquiere conocimientos a travs de varias sesiones de
entrevistas. Al principio estas sesiones no deben ser estructuradas. mientras que el ingeniero
est preguntando cuestiones generales. Avanzando en el proceso de adquisicin de
conocimiento est preguntando cuestiones especficas). Las sesiones deben ser grabadas
(video o grabadora). Debe usarse alguna forma de mantener la informacin, como tomar notas
o rellenar cuestiones especiales, denominadas cuestiones de adquisicin del conocimiento.
Las cuestiones de adquisicin del conocimiento contienen informacin esencial, tal
como una serie de metas en la sesin, descripcin de los datos obtenidos de la forma de
hechos, definiciones, funciones selecciones, tablas, taxonomas, etc, as como alguna
informacin oficial ( por ejemplo: tiempo de la sesin, nombre del ingeniero del conocimiento,
nombre del experto).
Como resultado de la entrevista el ingeniero obtiene reglas de la forma if..then, en un
lenguaje claro, algn elemento del proceso revisado es usado para verificar el conocimiento
adquirido. En la revisin, se deben utilizar otros ingenieros del conocimiento o gestores.
En una entrevista estructurada tpica, el ingeniero del conocimiento debera guiar al
experto durante la sesin, siguiendo la agenda previamente preparada, poniendo mucha
atencin en las metas de la sesin sumarize la sesin y verificando los resultados de la
entrevista. Al mismo tiempo, algunos escollos, como identificacin en muchas fuentes deben
ser evitados.
El experto debe ser tratado con respeto; el ingeniero del conocimiento y debera
mantener su equilibrio entre ser demasiado dominante y mostrarse no demasiado obediente.
En general el experto debe tener bastantes oportunidades para expresar ideas; las preguntas
deben ser realizadas usando el lenguaje del experto y deben ser breves. El proceso de
entrevista es ms un arte que una ciencia.
4.2.2.- Observacin
2.
Estructuracin:las variables inciertas que van a ser valoradas son seleccionadas y las
suposiciones sobre variables son exploradas.
3.
4.
5.
Verificacin: Permite estar seguros de que el experto cree en las probabilidades dadas.
Si no es as se modifican y vuelven a verificarse.
6.
7.
2.
una fuente, a una forma que puede ser acoplada y utilizada. El alumno realizar
algunas inferencias, pero la mayora son responsabilidad del profesor.
3.
4.
b)
Otro objetivo del aprendizaje es alcanzar una descripcin discriminante. En este caso,
un conjunto de ejemplos y una familia fija de otros conjuntos de ejemplos, son dados. La tarea
consiste en describir el conjunto de tal forma que se distinga de cualquier otro conjunto de los
que forman la familia de conjuntos.
Otro objetivo del aprendizaje es presentar una descripcin taxonmica. El problema es
clasificar un conjunto de ejemplos dentro de unas subclases que satisfagan algn criterio.
Actualmente son muy usados los mtodos que utilizan grupos de conceptos, donde los
conjuntos de ejemplos se clasifican dentro de las clases de acuerdo a varios conceptos.
METADENDRAL pertenece a esta rea.
Recordemos que encontrar una descripcin de caractersticas o una descripcin
determinante constituye aprendizaje a partir de ejemplos, mientras que la determinacin de
grupos conceptuales pertenece a los mtodos de aprendizaje a partir de la observacin.
En aprendizaje inductivo se utilizan dos enfoques para controlar la estrategia:
1.
2.
En una entrevista, los ejemplos o los datos tratados corresponden a las observaciones
que hace el experto o al tipo de acciones que realiza ante determinadas situaciones. En las
bases de datos para muchas instancias especficas, los valores de los atributos son
determinados por valores de variables de decisin, brevemente llamado decisiones.
El aprendizaje de las reglas puede ser automatizado, lo que es de gran ayuda para el
ingeniero.
Debemos enfatizar que la eficiencia de los programas de aprendizaje automtico es
insignificante en comparacin de los beneficios potenciales derivados de la realizacin de un
Sistema Experto.
Primero debemos aclarar que 'ejemplos' son entendidos. Para ello introducimos el
concepto de Tabla de Decisin. Un algoritmo para determinar las reglas ser descrito
despus.
4.4.1.- Tablas de Decisin
El primer punto para el enfoque hacia un algoritmo inductivo, que presentamos aqu,
es la tabla de decisin. Esta tabla puede ser el resultado de una entrevista, de una recuperacin
de informacin desde una base de datos o una observacin del protocolo de varios procesos.
Por ejemplo, en un proceso industrial (ejemplo: fbrica de azcar) tenemos:
...-
Los parmetros a1,..., an son llamados Atributos mientras que las acciones del
operador b1,...,bn se llaman Decisiones. Un atributo o decisin "q" puede aceptar un conjunto
de valores. ese conjunto se llama dominio de "q".
Cualquier conjunto de valores de un atributo puede ser cuantificado por los expertos
en funcin de cmo tomar ellos sus decisiones.
Por ejemplo, los resultados de un anlisis de glucosa pueden clasificarse como bajo,
normal, alto o muy alto nivel de azcar en sangre. En este caso se distinguen cuatro niveles.
De forma similar las decisiones pueden tener definidos un nmero de niveles que puede ser
diferente, los elementos t1,....tn se suelen llamar Entidades de la Tabla.
Debemos recordar que el concepto de tabla de decisin y base de datos aunque son
similares no son idnticos. En una tabla de decisin puede haber lneas duplicadas etiquetadas
por dos entidades distintas (x e y). Esto significa que para cualquier atributo o decisin "q"
ambas entidades x e y tendrn idnticos valores. Esta situacin no ocurre en una base de
datos, mientras que en una tabla de decisin es muy normal. Muchos pacientes pueden tener
los mismos resultados en una prueba y estar clasificados dentro del mismo nivel de
enfermedad. De forma similar, los parmetros de los procesos y las acciones del operador
almacenados en diferentes instantes, pueden ser iguales, con la misma exactitud, obtenida a
partir de la cuantificacin.
Veamos la siguiente tabla de decisin sencilla.
x1
X2
X3
X4
X5
X6
Error!Marcador
no definido.
El atributo a puede tomar dos valores L y H, bajo y alto. El atributo b puede tomar
uno de los valores 0, 1, 2. La decisin'a' representa tres posibles acciones, u, v y w. Existen 6
entidades en la tabla x1,..., x6, x denota una variable que representa una entidad. Esta tabla es
completa, todos los posibles pares de valores por atributo estn incluidos. No existen pares
duplicados de valores de (a,b).
La entidad x1 puede ser descrita de la siguiente manera:
(x1, a, L) (x1, b, 0) (x1, c, u)
esto es:
Si para x1 el valor de a es L, y para x1 el valor de b es 0 entonces para x1 el
valor de c es u.
Puede observarse que la anterior regla es verdadera no slo para x1 sino para cualquier
x, porque no hay otra entidad caracterizada por los mismos valores para los atributos a y b, y
caracterizada por otro valor para el atributo c. De esta manera, la regla que describe x1 puede
ser escrita de la siguiente forma:
(x,a,L) (x,b,0) (x,c,u)
La tcnica anterior se llama el Cambio de Constante a Variable (Michalski 1983) (la
constante x1 se cambia en la variable x).
La otra entidad que toma valor u en el atributo c es x2 que se describe como:
(x2, a, H) (x2, b, 0) (x2, c, u)
Haciendo el cambio de la constante x2 a la variable x (mismo razonamiento que en x1).
(x, a, H) (x, b, 0) (x, c, u)
Se tiene slo dos posibles valores L, y H, para el atributo a, de esta manera, tenemos
las siguientes dos reglas:
(x, a, L) (x, b, 0) (x, c, u)
(x, a, H) (x, b, 0) (x, c, u)
que se pueden reemplazar por la regla:
(x,b,0) (x, c, u)
Ambas reglas se han subsumido en una sola. En otras palabras ambas reglas tienen el
mismo efecto que la primera, excepto que esta contiene restricciones adicionales.
Esta tcnica se llama Droppping condiciones (Michalski, 1983).
Usando una argumentacin similar las siguientes tres reglas pueden ser construidas:
(x, b, 2) (x, c, w)
(x, a, H) (x, b, 1) (x, c, v)
Se puede observar que las siguientes cuatro reglas tienen la misma variable x en cada
tripleta. Por motivos de simplicidad se puede reescribir la regla de la forma:
(b,0) (c,u)
(a,L) (b,1) (c,w)
(b, 2) (c, w)
(a, H) (b, 1) (c, v)
donde x se ignora. En los siguientes ejemplos la misma simplificacin se ha usado (variables
que denotan entidaders que se ha ignorado). En el ejemplo anterior las reglas no son inducidas
sistemticamente sino ms bien supuestas. Dos algoritmos para induccin de reglas se
presentarn a lo largo de este captulo. En las reglas construidas con la ayuda de estos
algoritmos, las decisiones de las reglas incluidas dependen de sus ms pequeos nmeros de
atributos posibles.
La tabla de decisin anterior es completa, todas las situaciones para los atributos a y b
son cubiertos, por el conjunto de las cuatro ltimas reglas.- Esto es, estas son reglas no
extraviadas (perdidas).
El concepto de Regla perdida se ilustra en la siguiente tabla:
x1
x2
x4
x5
x6
Error!Marcador
no definido.
Esta tabla es una modificacin de la tabla anterior, sin la lnea etiquetada x3.
En la base de la tabla las siguientes reglas pueden ser incluidas:
(b, 0) (c, u)
(b, 1) (c, v)
(b, 2) (c, w)
Comparando el conjunto de reglas de esta tabla con el conjunto de reglas de la tabla
anterior dos observaciones pueden ser hechas:
1.
2.
IMAGENES
MENTALES
REPRESENTACION
HABLADA
REPRESENTACION
paso 1
ESCRITA
CADENA
CARACTERES
BINARIO
MEMORIA
2.- Procedurales
2.1.- Estructurados
2.2.- Orientados a objetos
1.1.- Declarativos
Hay que indicar la forma, la estructura de la representacin, etc.
1.1.- Lgicos.
Se basa en la descripcin de proposiciones de objetos y de reflejar en la forma
del razonamiento humano. No permite encadenar cosas.
Una de las lgicas usadas es la LOGICA DE 1 ORDEN, la cual es un
modelo simple y no estructurado, presentando problemas de monotona.
No es estructurada.
Se puede modificar fcilmente
Es un lenguaje bastante fcil.
Es completa.
Tiene poderosas herramientas de inferencia.
1.2.- Estructurado.
Una forma, es la basada en las redes semnticas.
Partiendo de la idea de Aristteles, de Asociacionismo y segmentacin,
se crean las redes semnticas, como una alternativa a la lgica.
Las REDES SEMANTICAS son grafos en los que los nodos son
conceptos, y los arcos relaciones de conceptos, que pueden ser:
*.-
*.-
EJEMPLO:
COSAS----- ----------INERTES
ANIMADAS
VEGETALES
ANIMALES
Pata
Cabeza
Los arcos deben tener el menor valor conceptualposible, y deben ser los
menos posibles.
Minsky, introdujo el concepto de FRAME (marco, estructura), que se
define como una especie de casillero donde se colocan valores de este atributo,
y cuando se han rellenado se tiene un item completo.
Las caractersticas de los Frame son:
*.- Muchas de las dependencias semnticas se introducen en las casillas.
*.- En el frame se puede introducir ms cosas que en las redes, como son las
condiciones genricas.
*.- Se pueden hacer inferencias existenciales parciales.
*.- Se pueden trabajar dentro de ellos, mediante procedimientios.
EJEMPLO:
PERRO
Nombre
Edad
Propietario
Raza
Animal
Vertebrado
DEPENDENCIA
ESTEREOTIPO
2.- Procedurales.
Emn los modelos de representacin procedural, hay que detallar mucho.
2.1.- Estructurados.
Hay que destacar los GUIONES que son sucesiones dinmicas de
frame y procedimientos.
En ellos hay muchas heursticas y frame estructurados.
2.2.- Procedimientos orientados a objetos.
La idea es la de la programacin dirigida a objetos.
TEMA 2:
1.-
2.-
3.-
4.-
CARACTERSTICAS Y ESTRUCTURAS DE UN
SISTEMA EXPERTO.
Introduccin1.1.-
1.2.-
1.3.-
Definicin de un S.E.
2.1.-
Definicin de S.E.
2.2.-
2.3.-
2.4.-
Anatoma de un S.E.
3.2.-
3.3.-
3.4.-
4.1.-
Arquitectura.
TEMA 2
CARACTERISTICAS Y ESTRUCTURA
DE UN SISTEMA EXPERTO
1.- Introduccin.
1.1.- Introduccin a los Sistemas Expertos.
Desde que el proyecto DENDRAL empez a finales de los 60, algunos de los trabajos ms
productivos en I.A. han estado en la subdisciplina cuya meta principal es la produccin de
programas con un nivel-experto en su ejecucin.
El objetivo de DENDRAL era tener una ejecucin que pudiese rivalizar con expertos
humanos en la obtencin de la estructura de molculas complejas a partir de un diagrama espectral
de masa.
Con el xito de la heurstica DENDRAL referente a la interpretacin fuerte de un problema
normalmente reservado a qumicos experimentales, una nueva metodologa empezaba a ser visible:
La construccin de sistemas sobre dominios limitados donde el conocimiento era obtenido de
humanos expertos.
Eliminacin de redundancias.
"La potencia de un Sistema Experto deriva del conocimiento especfico que este posee y no
de los formalismos particulares y esquemas de inferencia que emplee".
Esta conclusin supuso un gran cambio en la perspectiva de muchos trabajos sobre IA.
Como reaccin a las muchas limitaciones percibidas sobre sistemas de propsito general se
comienza a trabajar sobre sistemas de aplicacin especfica.
A comienzos de los 80 la tecnologa de los Sistemas Expertos primero limitada al contexto
Acadmico, comenz a aparecer como aplicaciones comerciales. Relevantes fueron XCON y
XSEL (desarrollados por DEC) y LATS-1 (por General Electric).
Adems de la construccin de Sistemas Expertos, se hicieron grandes esfuerzos en el
desarrollo de herramientas para una rpida construccin de los mismos. Estas incluyen herramientas
de programacin como EMYCIN Y AGE, herramientas de adquisicin del conocimiento como
EXPERTS Y KAS, herramientas de aprendizaje de la experiencia como META-DENDREL Y
EURISKU.
Los antiguos sistemas Expertos y herramientas requeran hardware especial pero los
recientes desarrollos software pueden ejecutarse en computadores normales.
Una observacin, emprica (no tautolgica), a tener en cuenta es la siguiente:
Un conocimiento experto es necesario y casi suficiente para el desarrollo de un Sistema
Experto.
Veamos ahora algunos de los Sistemas Expertos desarrollados a lo largo de la historia:
1.-
Puede ser considerado como el predecesor de los Sistemas Expertos. Fue desarrollado por
Newell y Simon. Busca los pasos necesarios para pasar de un objetivo inicial a un objetivo
final o meta. Para cada problema GPS contar con una serie de operadores que cambian el
"mundo" de diferentes maneras. Cada operador lleva asociada una lista de precondiciones
que se deben dar en el estado actual del mundo para que se pueda aplicar, as como una
DENDRAL
El mdulo de explicaciones
Trata incertidumbre:
Conocimiento no preciso, no exacto. Utiliza reglas que invoca hacia atrs,
ya que trabaja hacia atrs a partir de sus propias conclusiones y puede tener un
dilogo preguntando al usuario la informacin necesaria para continuar el
encadenamiento hacia atrs.
5.- CASNET
Se ha usado en el diagnstico y terapia del glaucoma. En lugar de reglas usa una red causal
para modelizar enfermedades. Dentro de esta red el programa razona para determinar los
efectos de una terapia o enfermedad, de este modo presenta la enfermedad como un
proceso dinmico sobre el que razona y puede explicar al usuario. Tambin incluye reglas
probabilticas y diferentes opiniones expertas que usar para dar diagnsticos alternativos.
6.- TEIRESIAS
3.
4.
3.-
4.-
1.-
2.-
3.-
4.-
5.-
6.-
7.-
para interpretar
su
Usuario
Proc. Lenguaje
Hechos
Conocimientos
Mod. Explicacin
Plan
Interprete
Agenda
Organizador
Solucin
Reforzador
FIGURA 1
Componentes que podemos encontrar en un Sistema Experto sofisticado:
La adquisicin del conocimiento es la acumulacin, transferencia y
transformacin de pericia para la solucin de problemas, desde la fuente de conocimiento
hasta un programa de computadora.
La adquisicin del conocimiento es la acumulacin, transferencia y transformacin
de pericia para la solucin de problemas, desde la fuente de conocimiento hasta un
programa de contadora.
La adquisicin del conocimiento es una tarea compleja, se necesita un ingeniero del
conocimiento para interactuar con uno o ms expertos humanos en la construccin
de la base de conocimiento. El ingeniero ayuda al experto estructurando el rea del
problema para interpretar e integrar las respuestas humanas a las cuestiones.
2.-
3. El motor de inferencia
Es en cierto modo el cerebro de los Sistemas Expertos, es conocido tambin
como estructura de control o interpretador de reglas.
Se trata de un programa de computadora que posee una metodologa para razonar acerca
de la informacin de la base del conocimiento y de blackboad, y para formular conclusiones. Es el
encargado de tomar las decisiones de como usar el conocimiento del sistema para el desarrollo de
la agenda que organiza y controla los pasos dados para solucionar los problemas actuales.
Consta de los siguientes componentes principalmente:
- Un interpretador:
Ejecuta el tem escogido de la agenda, aplicando la correspondiente regla de la base de
conocimiento.
- Un organizador (scheduler)
Mantiene el control sobre la agenda y determina las acciones que estn pendientes de ser
ejecutadas. Da una prioridad a cada tem de la agenda.
Debe estimar los efectos de la aplicacin de diferentes reglas. Necesita establecer una prioridad
acorde con el plan a establecer, sobre los distintos tems de la agenda.
- Un reforzador de consistencia
Aade nuevas concusiones a la base de conocimiento. Intenta mantener una representacin
consistente de la solucin.
4. La Pizarra
Se trata de una zona de memoria utilizada como rea de trabajo, en la que se introduce la
descripcin del problema actual (especificado por la entrada de datos), as como hiptesis,
decisiones y resultados intermedios. Tres tipos de decisiones son almacenadas aqu:
- Un plan describe como debemos atacar el problema para alcanzar el objetivo.
-La agenda
Recoge las acciones que estn esperando a ser ejecutadas.
La solucin elemental
Representa las hiptesis candidatas y las decisiones que el sistema ha
generado por el momento y las dependencias que relacionan unas decisiones con otras.
5. Interface de usuario
Los Sistemas Expertos contienen un procesador del lenguaje para evitar los problemas de
comunicacin entre el usuario y la computadora. Esta informacin podra ser introducida en
lenguaje natural y en algunos casos mediante grficos.
6. Subsistema de explicacin (justificador)
La habilidad de seguir el rastro del razonamiento hasta llegar a la conclusin obtenida es
muy importante en la transferencia de la experiencia y en la solucin del problema, de esto es de lo
que se encarga el subsistema de explicacin, que tambin es capaz de explicar el comportamiento
del Sistema Experto interactivamente respondiendo a cuestiones tales como:
6. - Cmo pueden reconocerse ciertas caractersticas de los datos cuando son extrados de
un flujo?.
7.- Son los datos seguros, exactos o precisos (duros) o son inseguros, inexactos o
imprecisos (blandos)?
8.- Son los datos consistentes y completos para los problemas a resolver?
4.- IMPLEMENTACION.
El ingeniero del conocimiento combina, reorganiza y formaliza el conocimiento para formar
un flujo de informacin compatible con las caractersticas del problema, resultando un programa
prototipo capaz de ser ejecutado y probado.
5.- PRUEBAS
La ejecucin del prototipo es evaluada y revisada conforme a los estandartes definidos por
los expertos en el dominio del problema. Normalmente este es un proceso iterativo: El experto
evala la ejecucin del programa y el ingeniero revisa la base de conocimiento.
Los pasos a seguir para la Adquisicin de conocimiento son:
.- Paso 1. Definicin inicial del programa
Descripcin inicial del paso:
.- Se definir el cometido del problema con toda la claridad y profundidad como sea
posible.
.- Se seleccionar la solucin apropiada.
.- Se identificarn todos los inconvenientes potenciales (SCAN).
1.1.- Identificar los fines y requerimientos.
.
.
- Entrenamiento tecnolgico.
- Entrenamiento tcnico.
.- Entrenamiento en el dominio del problema.
.- Direccin participativa en el diseo del entrenamiento.
4.2.A.- Identificar los usuarios finales y los expertos adicionales en las tareas.
4.2.B.- Decidir un plan efectivo para comprender el tema en el proyecto.
4.2..C.- Impacto en los usuarios.
4.3.- Determinar mtodos de comunicacin y estrategia.
.- Paso 5. Documentacin.
Descripcin del paso:
.
- Tareas.
- Plan.
- Personas responsables.
.- Definir parmetros.
5.4.- Desarrollo del cambio de procesos a procedimientos.
5.5.- Requerimientos de hardware necesarios.
.- Paso 6. Armazn bsico
Descripcin del paso:
.
6.1.- Implementar un plan para incluir las tareas expertas y los usuarios finales en la construccin
del armazn bsico.
6.2.- Desarrollo del plan de transicin adaptativa.
.
.- Ampliar el sistema obtenido tras el paso 6, hasta que est al nivel esperado por el
experto.
7.1.- Revisin tcnica y operacional de la factibilidad del sistema.
7.2.- Escribir o revisar el documento del diseo formal.
7.3.- Implementar un plan para incluir las tareas expertas y los usuarios finales aadiendo la pericia
al sistema.
7.4.- Aadir la pericia al sistema (requiere una reescritura del cdigo existente).
7.5.- Evaluacin peridica de la construccin del sistema.
.
..
- Establecer un proceso de ayuda a los usuarios finales para mostrar las implicaciones de
usar el sistema.
7.6.- Repetir los pasos 7.4 y 7.5 hasta que los objetivos sean satisfechos.
7.7.- Desarrollo inicial de la documentacin para el campo de los test (Manuelas, Guas de
Usuario,.....
7.8.- Desarrollo del proceso cclico de lanzamiento.
.
7.10.- Escribir el plan de pruebas de aceptacin y aprobarlo para el campo de las pruebas.
.- Paso 8. Conjunto de pruebas.
Descripcin del paso:
.
- Entrenar lo usuarios.
.- Implementar el proceso de lanzamiento.
9.2.- Implementar un proceso para obtener y responder conceptos concernientes a los usuarios
finales.
9.3.- Lanzamiento del producto a la produccin.
.- Paso 10. Modo de produccin.
Descripcin del paso:
.- Incrementar la pericia del sistema, adaptado a las necesidades de la empresa y
transportarlo a otros sitios y organizaciones..
10.1.- La organizacin continuar aadiendo pericia al sistema.
10.2.- Evaluacin del sistema.
10.3.- Si se planea el transporte del sistema a otro sitio :
.- seleccionar un usuario final de la organizacin en el nuevo sitio.
.- Ayuda para determinar si el sistema es satisfactible.
.
- Los Sistemas Expertos trabajan muy bien en dominios reducidos, en algunos casos muy
reducidos.
- La mayora de los Sistemas Expertos no tienen medios independientes para chequear cuando sus
conclusiones son razonables.
- El vocabulario que los expertos utilizan para expresar hechos y relaciones es frecuentemente
limitado y no entendible por otros.
- Es frecuente necesitar la ayuda de los ingenieros del conocimiento que son escasos y caros, esto
hace que la construccin de los Sistemas Expertos sea ms bien costosa.
- Los Sistemas Expertos se equivocan, ya que estn diseados para comportarse como expertos,
generalmente producen respuestas correctas, pero a veces producen incorrecciones, de todas
formas tienen capacidad para aprender de sus propios errores.
HEARSAY-II
Sus diseos se caracterizan porque soportan esquemas de razonamientos sofisticados. La
complejidad del problema que trata es la causa de estos diseos.
En contraste con MYCIN, HEARSAY-II trata con problemas que requieren una
arquitectura especial. Las caractersticas de estos problemas incluyen datos o conocimientos poco
fiables, un gran espacio de bsqueda de soluciones posibles, inadecuados mtodos para evaluar
soluciones parciales, falta de una secuencia segura que solucione el problema , interaccin entre
decisiones que se relacionan subproblemas distintos, la necesidad de separar subsoluciones para
ayudar al anlisis, ausencia de un modelo de resolucin de problemas que determine que lnea de
razonamiento seguir, la necesidad de integrar diversos tipos de conocimiento en un nico sistema
de resolucin de problemas y la necesidad de una forma de representar el conocimiento.
HEARSAY-II resuelve los diversos problemas organizndose como una coleccin de
cooperadores especialistas en distintos temas. Este tipo de cooperacin ha sido adoptado por
distintas aplicaciones como:
- Cristalografa de proteicas.
- Programacin automtica........
TEMA 3
REPRESENTACION DEL CONOCIMIENTO
MEDIANTE EL LENGUAJE DE LA LOGICA
1.- Lgica de Predicados.
1.1.- Introduccin.
Cuando se resuelva un problema complejo en I.A., se
necesita una gran cantidad de conocimiento y mecanismos para
manipular dicho conocimiento a fin de crear soluciones a
problemas nuevos.
Los programas
representacin del
hablar de cada uno
punto que surge en
saber, que estamos
diferentes:
HACIENDO SOL
Xy persona (x)
Persona (Marco)
gobernante (Cesar)
intentarasesinar (Marco, Cesar)
Persona (Marco)
intentarasesinar (Marco, Cesar)
Persona (Marco)
menor (0,1)
menor (1,2)
menor (2,3)
el
uno
en
que
el
1. Hombre /(Marco)
2. Pompeyano (Marco)
3. Nacido (Marco, 40)
4. X hombre (x) mortal (x)
5. X pompeyano (x) muerto (x,79)
6. Erupcion (volcn, 79)
7. X t1 t2 mortal (x) nacido (x, t1) mayor (t2, t1,
150) muri (x,t2)
8. Ahora =1983
9. Xt vivo (x,t) muerto (x,t)
10. Xt1t2 muerto (x,t1) mayor (t2,t1) muri (x, t2)
vivo (Marco, ahora)
10
Muerto (Marco, t1) mayor (ahora, t1)
mayor (ahora,79)
mayor (1983,79)
calculamos
nada
1.4 RESOLUCION
La resolucin es un procedimiento que obtiene su
eficiencia del hecho de que opera con sentencias que han sido
convertidas a una forma normalizada muy conveniente, que
describiremos ms adelante.
La resolucin produce sus demostraciones por medio de
refutaciones. En otras palabras, para demostrar un aserto (es
decir, mostrar que es valido), la resolucin intenta mostrar
que su negacin produce una contradiccin con los asertos
conocidos (es decir que no es satisfactible). Este enfoque
contrasta con la tcnica que hemos estado usando para generar
demostraciones por encadenamiento hacia atrs, a partir del
teorema a demostrar hasta los axiomas. La discusin
subsiguiente sobre cmo funciona la resolucin ser mucho ms
directa despus de que hayamos discutido la forma normalizada
en que representaremos los asertos, por lo que la diferimos
hasta entonces.
1.4.1.- CONVERSION A FORMA CLAUSULA
Supongamos que sabemos que todos los romanos que Marco
conoca o bien odiaban a Cesar o crean que cualquiera que
odiase est loco. Podemos representar eso en la siguiente fbf:
x [romano (x) conoce (x, Marco)]
xQ(x)
se convertira en
xP(x)
4
yQ(y)
Presidente(S1)
padre de (y,x)
(x),
Q(x)
xP(x)
xQ(x)
fro.
invierno
invierno
Producirn la clusula vaca. Si existe una contradiccin, ya
se encontrar alguna vez. Naturalmente, si no existe ninguna
contradiccin, es posible que el procedimiento nunca termine,
aunque como veremos, a menudo existen formas de detectar que
no existe contradiccin.
Hasta ahora slo hemos discutido la resolucin lgica
proposicional. En lgica de predicados la situacin es ms
complicada puesto que debemos considerar todas las formas
posibles de sustituir valores en las variables. La base
terica del procedimiento de resolucin en lgica de
predicados es el Teorema de Herbrand, que nos dice lo
siguiente:
.-Para ver si un conjunto de clusulas S es insatisfactible,
es necesario considerar solamente las interpretaciones en un
conjunto concreto llamado Universi Herbrand de S.
.-Un conjunto de clusulas S es insatisfactible si y solo si
es insatisfactible un subconjunto finito de S en el que haya
obtenido, para todas las variables ligadas un valor que pueda
sustituirlas.
La segunda parte del teorema es importante si no existe
ningn procedimiento computacional para demostrar la
insatisfacibilidad, puesto que ningn procedimiento podr
examinar un conjunto infinito en una cantidad finita de
tiempo.
La primera parte sugiere que una forma de acometer la
bsqueda de una contradiccin es intentar sistemticamente las
sustituciones posibles y ver si alguna produce una
contradiccin. Pero eso es muy ineficiente. El principio de
resolucin introducido en primer lugar, proporciona una forma
de encontrar contradicciones intentando un nmero de
sustituciones. La idea es mantener las clusulas en su forma
general mientras sea posible e introducir sustituciones
especficas slo cuando sea estrictamente necesarias.
1.4.3.- RESOLUCION EN LOGICA PROPOSICIONAL
En la lgica proposicional, el procedimiento para producir
una demostracin por resolucin de la proposicin S respecto
a un conjunto de axiomas F es el siguiente:
1. Convertir todas las proposiciones de F a forma
clausal.
(P
Q)
(S
T)
1
P
T
T
S
Q
2
3
4
5
Q R
R
_____________________________________
P Q
devolvemos f
odia
intentarasesinar
(x2, Cesar)
Marco /x2
Marco /x1
Cesar / y1
gobernante (Cesar)
intentarasesinar (Marco, Cesar)
intentarasesinar
Cesar)
8
(Marco,
NO-POSITIVOS
NO-NEGATIVOS
NO- CERO
NEGATIVOS
CERO
POSITIVOS
x [coche
En forma clusula
{ coche (x),
superclase
Es denotada por:
S1
S2
CLASE DE ARGUMENTOS
CLASE DE RESULTADOS
Cero, Cero
No Positivo, Cero
Negativo, positivo
Cero
Cero
Negativo
at
________________________
____________________________
Situacin S1
Ponermesa S
Ponermesa (A, S )
Situacin S2
S
S
s x
sobre (x, mesa, s)
(x, s) )
Sf
Sobre
S3) )
3.- { s z y (sobre ( y, z, s) (Igual (z,
Mesa)
8-
Sobre
(B, Mesa, Si )
Demostracin:
9.- X B
Sf = Poner (x, S3)
(B, Mesa, S5)
10.- Y B S4 S5
9 R 4
S0) Igual (Z, Mesa)
11.- Z
A
(B,A,S7)
12.- S7 Si
3 R 8
Sobre
10 R 7
(B, Z,
Sobre
11 R 1
Sobre
NIL
LOGICAS NO MONOTONAS
P,
entonces
2.-
Este ejemplo
levemente en
en presencia
razonamiento
x ( ( x.
. volar)
(Ozzie
.
. pjaro ) M (x.
(x. tiene habilidad
. pjaros)
tiene habilidad
. volar) )
LOGICAS MULTIVALUADAS
U
T
F
B
=
=
=
=
La
La
La
La
Verdadero (V)
Falso (F).
No tiene valor (N).
T
T
T
N
N
N
F
F
F
T
N
F
T
N
F
T
N
F
B
T
N
F
T
T
N
T
T
T
verdad
= 1 - r
r2 = max { r1, r2 }
r2 = min { r1, r2 }
r2 = min { 1, 1-r1 + r2 }
Verdad (V).
Falso (F).
Indecible (I).
T
T
T
I
I
I
F
F
F
T
I
F
T
I
F
T
I
F
.
2.5.3.-
B
T
I
F
T
I
I
T
T
T
Lgica de Bochvar
Verdad (V).
Falso (F).
Paradjico (P).
T
T
T
P
T
P
F
T
B
T
P
F
P
P
P
F
F
F
P
F
T
P
F
P
P
F
P
T
2.6.-LOGICAS FUZZY
Existen una gran cantidad de conocimiento de sentido comn que no puede ser
acomodado por la lgica convencional. Esto es porque el conocimiento de sentido
comn tpicamente contiene una gran cantidad de incertidumbre. Por ejemplo,
consideremos la siguiente pieza de sentido comn:
Si un coche es ofrecido para venderlo y est viejo
y barato, entonces es probable que no est en buen
estado.
Hay mucha incertidumbre en esta sentencia. La lgica
convencional no admite grados de verdad y por
consiguiente no puede ser usada para representar y
razonar con sentencias de este tipo.
La lgica Fuzzy puede acomodar tal incertidumbre y
lo hace por aproximacin a la semntica que es
completamente distinto de cmo es usada en lgica
convencional.
.- Test-Score semntico es usado para asignar un
significado a una proposicin en la lgica de Fuzzy. En
test-score semntico una proposicin es considerado como
una coleccin de contenciones elsticas. Por ejemplo,
la proposicin Mara es morena representa una
contencin elstica sobre el color del pelo de Mara.
2.6.1.-
[ 0, 1 ]
de la
U
donde uA(x) es una funcin caracterstica de pertenencia
Dilatacin
:
DIL (A) = [ uA(x) ]1/2
x
U
Concentracin :
CON (A) = [ uA(x) ]2
x
U
Normalizacin: NORM(A)= { uA(x)
/ maxx {uA(x) }
MODALES
Modalidad Atltica
las mismas
mundo
las
velocidad de
RELACCION DE ACCESIBILIDAD
>
sii
wj
W,
<w,w>
W
:
Si <wi, wj >
<wi, wk >
<wj,
wk >
entonces
W :
Si <wi,
wj >
entonces <wj,
wi >
wi , wj, W :
R o <wj, wi >
Si wi
R
<>
wj
entonces
<wi,
wj >
b)
c)
P infiere
(P
Q)
( P
Q )
Si R es reflexiva:
LA1:
es decir, si
P es verdad en algn mundo w, entonces Es
verdad en w ya que w es accesible desde s mismo.
2.LA2:
Si R es transitiva
P
Si R es simtrica:
LA3: P
P
P
PA4:
2.-
3.-
4.-
5.-
6.-
REPRESENTACION
Las propiedades modales de las proposiciones se
representan as
P.............. P es posiblemente verdad
P............ P es posiblemente falsa
P.............. P es contingente
P............... P es necesariamente verdad
P............ P es necesariamente falsa
P............... P es no-contingene.
Relaciones modales entre pares de proposiciones
Q..................
Q
a Q
P implica estrictamente
Q................... P es equivalente a Q
(d)
AS2: P x
P
AS3: x
/
P
Q ]
Desde Px infiere x
Px donde x es libre en P
[ P
[ P
Q ]
AS2: P P
AS3: P
P
3.-
R1:
desde
4.-
P infiere
Desde
Q ] donde
R3:
]
Desde
5.-
La definicin
D1:
[ P
x no
Q ]
infiere
es libre de Q
Q ] infiere [ P
[x
[P
para P
LOGICA TEMPORAL
y (et(x,y)
tpt(x)
tptp(y) ]
donde tpt significa que x es un punto temporal
x y [ et (x, y ) ( x = y ) et (y,x)
tpt(x) tpt (y)]
Esto puede leerse como dados dos puntos
temporales uno es predecesor de otro o los
dos son iguales.
c)
x y [ et (x, y )
et(y,z) ]
et(x,z)
Los estados de et son transitivos.
b)
c)
x y [et(x,y) et(y,x) ]
Si un punto es predecesor de otro, este ltimo
no puede ser predecesor del primero.
(llover)
(llover)
(llover)
(llovr)
(llover)
significa:
est lloviendo
significa:
llovi
significa:
ha llovido
significa:
llover
significa:
habr llovido
:
Ha sido siempre el caso que q
Ser siempre el caso que q
q
q
Gq
Hq
r ]
r ]
q
q
[ Gq
[ Hq
Gr ]
Hr ]
Pasado
Presente
Futuro
Pasado
Presente
Futuro
3.-
tipo:
IF condicin
THEN
Accin
*.-
2.-
Los S.E. basados en reglas son muchos menos caros que otros que
emplean otros modos de representacin.
3.-
4.-
5.-
6.-
7.-
2.- Tipos.
Los tipos de los valores de los atributos pueden ser
numricos, o simblicos. Es preferible trabajar con
tipos simblicos, ya que los expertos, que vayan a
utilizar un S.E. darn sus resultados simblicamente y
pocos numricamente.
Numrico:1.000 Kg.
Simblico:
Pesado
Expresiones
Simples
Conjuntivas
Disjuntivas
Conclusiones
Compuestas
Mixtas
Negativas
Libre
Primeramente, indicaremos que una premisa o conclusin
consta de una o varias clusulas. A partir de ahora, vamos a
suponer que son varias clusulas.
Las clusulas mltiples, deben ser CONJUNTIVAS
(CONECTADAS con AND) o DISJUNTIVAS (unidas con OR). A veces,
indicamos que las clusulas disjuntivas no estn permitidas en
la conclusin de las relas. Tambin, notamos que las premisas
de las reglas deben ser bastante completas.
Otra propiedad de las clusulas es que se pueden asociar
slo con premisas. Esa es la propiedad que puede ser libre o
especificada, y si es especificada debe ser con true o false.
Si los valores de los atributos de la premisa todava no se
conocen, la clusula es denominada como clusula LIBRE. Hay
que distinguir entre que no se conocen y desconocidos.
Nosotros debemos hacer esta distincin, para la siguiente
parte. Si la clusula es libre, entonces cada clusula ser
verdadera o false.
Segn esto debemos tener en cuenta que:
LAS REGLAS
3.3.1.-
FUNCIONAMIENTO DE UNAREGLA
B = Y
Entonces
C = Z
3.3.2.-
Nombre de la regla.
Notas,Referencias y comentarios
Factor de Confianza.
6.-
Prioridad y Costo.
Preferencia en el encadenamiento.
Clusulas disjuntas.
Regla 1b: SI B
ENTONCES
D =
XX
Regla 2:
SI A = X
O B = Y
ENTONCES D =
XX
SI A = X
Y C = Z
Y B = NOT Y
ENTONCES D =
YY
Y tenemos:
A = X
C = Z
Y B =
Concluimos:
NOT
XX
D=
YY
Regla 1:
SI A = X
O B = Y
ENTONCES D =
XX ( cf
0.3 )
SI A = X
Y C =
Z
Y B = NOT Y
ENTONCES D =
YY
0.6 )
(CF
=
=
XX
YY
Mtodo de Tablas
SI A = a
Y B = b
ENTONCES R =
Regla 2:
SI A = NO a
Y C = c
ENTONCES S = s
Regla 3:
SI S = s
Y B = b
ENTONCES X =
Clusula
Atributo
Valor
1
a
2
NOT
1
b
3
b
2
c
3
s
2
s
1
r
3
Si B y C
ENTONCES G
Regla 2:
SI A Y G
ENTONCES I
Regla 3:
SI D Y G
ENTONCES J
Regla 4:
SI E O F
ENTONCES H
Regla 5:
SI D Y H
ENTONCES K
A
R2
AND
AND
AND
B
AND
E
OR
F
FIGURA 2
Mientras la red de inferencia proviene de la ilustracin
grfica de la cadena, un procedimiento ms formal es
necesario actualmente para conducir procesos de
inferencia ms largos, ms realistas, y ms
problemticos.
3.3.5.-
.-
.-
2.- Inconsistencia.
Hay que tener en cuenta este punto:
.-
Reglas redundantes.
.-
Reglas conflictivas.
.-
Reglas sumergidas.
1.- Introduccin
2,. Representacin Declarativa.
2.1.-Introduccin
2.2.- Redes semnticas
2.2.1.- Introduccin
2.2.2.- Primeras aplicaciones de las Redes
semnticas
2.2.3.- Tipos de redes semnticas.
2.2.4.- Otros modelos de representacin.
2.3.- Frames
2.4..- Guiones
3.- Representacin Procedural.
TEMA 4
REPRESENTACION ESTRUCTURADA
DEL CONOCIMIENTO
1.- INTRODUCCION.
Los mtodos de representacin del conocimiento discutidos en los captulos anteriores
son tiles para representar hechos simples. Pero los objetos de esas representaciones son tan
simples que no puede describir con facilidad la mayor parte de la estructura compleja del
mundo. Por ejemplo, el mundo contiene objetos individuales, cada uno de los cuales tiene
diversas propiedades, incluyendo las relaciones con otros objetos. A menudo es til reunir
estas propiedades para formar una descripcin nica de un objeto complejo.
Un buen sistema para representar el conocimiento estructurado
y complejo de un dominio concreto debera poseer las cuatro
propiedades siguientes:
1.- Adecuacin representacional
Es la capacidad de representar todas las clases de
conocimiento que se necesitan en ese dominio.
2.- Adecuacin inferencial
Es la capacidad de manipular las estructuras representativas de forma que puedan
derivarse nuevas estructuras correspondientes a conocimiento nuevo a partir de las anteriores.
3.- Eficiencia Inferencial
Es la capacidad de incorporar a la estructura de
conocimiento informacin adicional que pueda usarse para
centrar la atencin de los mecanismos de inferencia en las
direcciones ms prometedoras.
4.- Eficiencia Adquisicional.
Es la capacidad de adquirir nueva informacin con
facilidad. El caso ms simple es el de una persona que inserta
directamente el nuevo conocimiento en la base de datos.
Idealmente, el programa mismo debera ser capaz de controlar
la adquisicin de conocimiento.
Teniendo en cuenta estas reglas, se pueden deducir dos
tipos de tcnicas:
1.- Mtodos declarativos, en donde la mayor parte del
conocimiento se representa como una coleccin esttica de
hechos junto con un pequeo conjunto de procedimientos
generales para manipularlos.
de memoria humana y representacin de significados mientras que otras son usadas como
componentes de sistemas de entendimiento y razonamiento del lenguaje.
Los orgenes de las redes semnticas viene del
Asocionismo de Aristteles ( el comportamiento es controlado
totalmente por asociaciones aprendidas entre conceptos) y del
Reduccin (los conceptos son construidos de conceptos ms
elementales).
Alrededor de 1869 James Hills demostr que el uso de un
trmino de un concepto simple para referirse a algunas
ocurrencias de un concepto induca a una ambigedad si aquel
concepto presentaba ms de uno (p ej, una representacin del
LIBRO podra no distinguir entre el libro de Jun y el
libro de Mara, es requerida una representacin por cada
libro). No obstante no especific la solucin dominante
corrientemente a este problema de distinguir entre tipos (p.
Ej. El concepto LIBRO) y Tokens (ocurrencias individuales de
un concepto).
Thomas Brown (1820) aport la nocin de etiquetar las
ligas con informacin semntica (p. Ej. El libro PERTENECE a
Jun), en lugar de darle fuerza asociativa (p.ej. el libro ES
ASOCIADO CON Jun).
Otto Seltz en 1926 aument la complejidad de las redes
semnticas sugiriendo que los caminos entre los nodos que
cruzan la red podran ser medios para razonar.
Todas estas ideas fueron tomadas por Quillian (1966)
quin propuso el primer y mayor sistema que usaba las redes
semnticas.
Desde Quillian un gran nmero de redes semnticas han
sido propuestas. Las cuales tienen algunas caractersticas en
comn. Una reciente revisin de las redes puede solo
distinguir cuatro acepciones que son comunes a las redes
revisadas. Estas fueron:
2.2.2.- Primeras aplicaciones de las Redes semnticas.Quillian fue el primero en aplicar las ideas de las redes semnticas en el campo de
la I.A, y ms especficamente, en el campo de la traduccin/comprensin del
lenguaje natural. Para este fin, l propuso un modelo asociacional de memoria
humana que denomin Memoria semntica (Quillian, 1968). Su idea fue capturar el
significado objetivo de las palabras en un esquema de codificacin suficiente poder
para reflejar la estructura y posibilidades de la mente humana pero lo bastante
simple y uniforme para ser implementado en un computador.
Veamos un ejemplo, refirindose a una plante industrial y
a una planta vegeta:
PLANTA
PLANTA
2.
= Estructura
Aparato
Gente
No Animal
Viva
Usa
Aparato
Para
Hojas
Con
Procesador
y
Toma
Comidas
Industrias
Aire
En
D
o
o
Agua
o
Tierra
El trabajo de Winston en Descripciones estructuradas (Winston,
1975) es otro uso de las redes semnticas. l estuvo
trabajando en el campo de aprendizaje por mquina y estuvo
interesado en el aprendizaje de-ejemplos de conceptos detrs
de estructuras comunes que l tom del mundo de los bloques,
por ejemplo, pedestales, arcos, etc. Construidos a partir de
los bloques rectangulares y prismas triangulares.
Veamos un ejemplo de un arco, que Winston lo defini
mediante una red
A
B
Su representacin como una red sera:
Parte de
Parte de
ARCO
Parte de
B
Parte de
Parte de
A
DERECHA
BLOQUE
Con las redes de Quillian no se puede expresar tiempos de verbos. Sin embargo con las
redes de Winstons se puede representar el presente y el imperativo.
Mediante redes semnticas se puede representar
relacciones binarias y a partir de ellas se pueden representar
relaciones n-arias.
Ejemplo:
En
A
componente
3
Tambin se pueden representar acciones, que tiene
una cualificacin, agentes, localizacin y tiempo.
Golpear
Agente
Jun
Accin
Tiempo
Presente
Hijo
Pepe
objeto
Pepe
donde
calle
Hijo
Hijo
Pepe
Jun
Felipe
Y como yo s que
Hijo
hijo
X
nieto
hijo
Pepe
Jun
Felipe
nieto
2.2.3.- Tipos de redes semnticas.
Se han desarrollado modelos alternativos a las redes semnticas, pero siguiendo su
misma filosofa:
*.- Redes semnticas extendidas
Fueron desarrolladas por Kovalski, y su utilidad radica en facilitar la inferencia, en el
sentido de la lgica clsica.
A
A
B
es igual
A B
equivalente a
equivalente a
NIL
B
Concluimos que
A
Madre)
Padres
(X
Padre)
(X
Madre
X------------------------------------Padres
Padre
La inferencia se realiza haciendo acoplamiento.
*.- Redes semnticas particionadas.
Fueron desarrolladas por Hendric, e intentan representar jerarquizar el conocimiento.
En este modelo la ligadura entre acciones son de diferente categora a las ligaduras entre una
accin y un agente.
La idea de Hendric es jerarquizar nodos simples y
compuestos, participando la red desde los nodos simples a una
situacin global.
Persona
Madre
X
Y
Forma
G1
Afirmacion
Generales
Pedro
Gelogo
forma
conoce
f
o
N1
r
Minerales
m
a
Hechos simples
2) ACCIONES
ACT: Accin
AA
: Ayudante de la Accin.
Las acciones se definen en funcin de las
siguientes primitivas:
ATRANS:
Transformacin abstracta.
PTRANS:
Transformacin fsica de una
entidad.
MTRANS:
Transformacin de informacin.
CONC
:
Concentro de un rgano
sentencial en un
.
estmulo.
EXPEL:
Expulsar fuera de.
GRASP:
Coger.
INGEST:
Tragar.
MBUILD:
Construir (cambiar informacin).
MOVE
: Mover.
PROPEL:
Aplicar fuerza fsica de un objeto.
SPEACH:
Emitirlo.
3) TIEMPOS
Los modificadores de acciones son los que nos
da el tiempo de las escenas y perodos:
C
P
F
/
T
TS
TF
:
:
:
:
:
:
:
:
Condicional
Pasado
Futuro
Interrogante
Negacin
Transicin
Inicio de transicin.
Final de Transicin.
4) CASOS
Los casos modifican la relacin entre objetos
y acciones:
*.-
Jun
O:
Modificar el objeto o
Jun bebi leche
INGEST
O
Leche
*.-
Direccin
D
MOVE
Casa
Libro
*.- R:
Recepcin
R
ATRANS
O
Mara
Libro
*.-
: Instrumentall
*.-
*.-
:
ubicacin.
*.-
*.-
Transferencia de objetos
Transferencia de objetos
*.
*.
O
INGEST
Alguien
Uno
R
MTRANS
bien
whisky
oido Pepe
mente
mal
Numricos o simblicos.
.- Procedimientos.
.- Oyro Frame.
Un Frame se puede representar mediante redes semnticas:
Un nodo control asociado al frame, con arcos para cada ranura.
Veamos el siguiente ejemplo:
Activo
Situacin laboral
Nombre
Sueldo
P. Prez
Var-Comisin
(Puntero a Proced.)
Empresa
ACME
Categora
EMPRESA
Profesin
Oficial
Estado Civil
Soldador
Casado
Edad
Familiar
16X65
Frame
Sistema Laboral:
Los frame se pueden combinar formando una estructura jerrquica:
COCHE
Tipo:
Vehculo
Automvil
Pasajeros
< 2. 000 Kg
3 Ruedas
VEHICULOS
PERSONAS
AUTO
AUTOBUS
COCHES
CAMIONES
TRAC. ANIMAL
MOTOS
CARROS
BICI
Mulo
Fuerza
.- Inferir valores por defecto.
Los armazones contienen informacin sobre diversos
aspectos de los objetos o situaciones que describen. Esa
informacin puede usarse como si se hubiese observado
explcitamente. As, por ejemplo, un programa con acceso a un
armazn HABITACION podra inferir la existencia, por lo menos,
de una puerta en la habitacin, sin importar que tenga o no la
evidencia sobre ese particular. Esto es posible porque el
En nuestro ejemplo:
.- 1 Escena: Llegar y sentarse.
.- 2 Escena: Dar la Carta
.-3 Escena: .........
Las principales utilidades de los guiones son:
.- La utilidad de modelizar acontecimientos.
.- Los guiones tambin pueden ser tiles indicando como
se relacionan entre s los acontecimientos que se mencionaron.
.- Otro uso importante de los guiones es proporcionar una
forma de construir una interpretacin nica y coherente a
partir de una coleccin de observaciones.
.- Otra forma en que es til un guin es que centra la
atencin sobre acontecimientos inusuales,
Activo
Situacin laboral
Nombre
Sueldo
P. Perez
Var-Comisin
( Puntero a Proced.)
Empresa
Categora
ACME
EMPRESA
Profesin
Soldador
Estado civil
Oficial
casado
Edad
Frame-Familiar
16X65
Otra forma de representacin sera mediante listas estructuradas.
EMPLEADO
Nombre:
Empresa:
Edad:
Sueldo:--->
Estado Civil:
Categora:
Profesin:
Sistema Laboral:
Vehculo
Automvil
Pasajeros
<
3
2. 000 Kg
Ruedas
COSAS
VEHICULOS
PERSONAS
AUTO
TRAC. ANIUMAL
AUTOBUS
COCHES
CAMIONES
MOTOS
CARROS
BICI
.- Inferencia de Existencia.
La inferencia se hace igual que las redes semnticas.
Minsky se refiri a la inferencia de
existencia.Descubrimos un objeto y lo introducimos en una
clase, desde ese momento tenemos un hecho nuevo, y por tanto
ya hemos inferido.
.- Inferencia por Analoga.
Se usa para hacer analoga. Veamosla mejor con un ejemplo:
Estoy hecho un mulo .
Se hace uniendo dos estereotipos, mediante el atributo en
que coincida.
Hombre
Mulo
Fuerza
.- Inferir valores por defecto.
Los armazones contienen la informacin sobre diversos aspectos de los objetos o situaciones
que describen. Esa informacin puede usarse como si se hubiese observado explcitamente.
As, por ejemplo, un programa con acceso a un armazn HABITACION podra inferir la
existencia, por lo menos, de una puerta en la habitacin, sin importar que tenga o no la
evidencia sobre ese particular. Esto es posible porque el armazn HABITACION contiene una
descripcin de una habitacin e incluye el hecho de que debe haber alguna puerta.
.- Detectar errores.Los armazones describen ocurrencias tpicas de los conceptos que representa. Si una
situacin concreta que parece corresponder en casi todos los aspectos al armazn se aleja de
l de algn modo, ese alejamiento es probable que corresponda a un aspecto importante de la
situacin actual, y quizs deberamos reaccionar ante ella. As, si supone que una silla tiene
cuatro patas y una silla concreta slo tiene tres, dicha silla podra necesitar un arreglo.
2.4.- GUIONES
Un guin es una estructura que describe una secuencia
estereotipada de acontecimientos en un contexto particular. Un
guin consiste en un conjunto de ranuras. Asociada con cada
ranura puede haber cierta informacin sobre los tipos de
valores que pueden contener, as como un valor por defecto que
.- Silla
.- Mesa
.- Comida....
4.- Personajes
Ranuras que representan las personas que estn involucradas en los acontecimientos descritos
en el guin. La presencia de estas personas pueden inferirse aunque no se mencionen
explictamente.Si se mencionan individuos especficos, pueden insertarse en las ranuras
apropiadas.
En nuestro ejemplo:
.- Camarero.
.- Cocinero.
.- Comensal.
5.- Lugar fsico.Este guin concreto representa una variacin especfica de un modelo ms general.
Diversas ubicaciones del mismo guin compartirn muchos componentes, aunque no todos.
En nuestro ejemplo:
.- Restaurante.
6.-Escenas
Les secuencias de acontecimientos que ocurren realmente. Los acontecimientos se
representan mediante el formalismo de la dependencia conceptual.
En nuestro ejemplo:
.- 1 Escena:
.- 2 Escena:
.-3 Escena:
Llegar y sentarse.
Dar la carta
................
Modelos Probabilsticos
2.1.2.2.2.3.2.4.-
3.-
Introduccin
Mtodos de Medida de la Probabilidad.
Problemas que presenta la Probabilidad.
Definicin de algunos conceptos importantes.
Modelos no Prbabilsticos.
3.1.3.2.3.3.-
4.-
Introduccin
Medidas de incertidumbre
Introduccin,
Teora de la evidencia.
Inferno.
TEMA 5
TRATAMIENTO DE LA INCERTIDUMBRE
1.- Introduccin.
En los temas vistos anteriormente se consideraban mtodos de razonamiento bajo condiciones
de certeza, completitud, inmutables y de hechos consistentes. Implcitamente se asuma que
con un conocimiento seguro se poda deducir conclusiones verdaderas. Esta forma de
razonamiento es importante, pero sufre limitaciones:
1.- No es posible describir muchos conceptos del mundo
real; esto es el mtodo es limitado en su capacidad de
expresin.
2.- No hay forma de expresar la incertidumbre e
imprecisin, conocimiento vago o hipottico, solamente la
certeza o falsedad de dichas observaciones.,
3.- Los mtodos de inferencia conocidos, son
aprovechables pero ineficientes.
4.- No hay forma de producir nuevo conocimiento sobre el
mundo real. Solo es posible aadir aquello que es derivable
de los axiomas y teoremas de la base de conocimiento.
Por el contra, el ser inteligente est continuamente
tomando decisiones bajo condiciones de Incertidumbre.
La incertidumbre puede surgir bajo distintas formas. A
veces, la informacin que poseemos puede ser incompleta o
rpidamente cambiante.
Primeramente la incertidumbre se va a representar
mediante la probabilidad, pero como posee problemas de tipo
formal para describir todos los tipos de incertidumbre, se van
a utilizar otros modelos
s2 )
m(s1)
m(s1
m(s2)
m(s1
s2 )
/
s2 )
B )
B )
B )
P(H1 )
H2
+.......................+
TEOREMA DE BAYER
Tenemos un conjunto de hiptesis H1 ,
sobre E.
Entonces se define P (Hj / E ) como
P (Hj / E )
P(E/Hj )
P(Hj )
H2 ,.............Hn
P(E)
B)
P(A)
P(B)
P(A
B)
B)
se
P(E/H)
P(H)
P(A) = 0.7
porque no puede ser
P (A) = 0.3
P(E)
P (A)
P(A)
0.69
=
0.29
P(A)
P(A)
O(H)
es igual a :
P(E/H)
P(E/H )
P(E)
P(E/H)
P(H)
Y obtenemos:
O(H/E)
O(H)
Donde
P(E/H)
P(E/H)
y se
P(H)
corresponde.
Si P(E/E)
P(H/E) =
= 1 :
P(H/E)
Si P(E/E ) 0 :
P(H/E) = P(H/E)
Para solucionar el problema de las dependencias entre
probabilidades de las variables, surge los Grafos de
Dependencias (J. Pearl). De esta forma si se tiene que
actualizar una probabilidad no se comete un destrozo
dentro del grafo.
MYCIN utilizaba un sistema alternativo consistente en
medir los factores de certeza. En la versin de MYCIN se
comprob que cuando un experto aplicaba una regla
normalmente no estaba seguro, lo que le aadirn un
factor de certeza. Sin embargo si estaban dispuestos a
calcular en cuanto aumentaba su creencia sobre B al
observar A.
Bajo esta creencia surge la Teora de los Factores de
Certeza para contemplar las observaciones que no son
absolutas.
Dados E H
C (H/E) = Proporcin del aumento de certeza sobre H al
observar E
C(E)
C(H)
C(S)
[ -1, 1]
Cf(E H)
creencia
[-1, 1]
Del
En cuanto modifica mi
suceso.
Cf
Cf
Cf
Cf
Cf
Cf
Cf
Cf
Cuanto
vale
Z
E1
E2
E3
X,Y
Z =
X + Y - X
[0,1]
[
X
+
]
X*Y [0,-1]
*
/
si
[1
Min [X , Y]]
si
X
X,Y
+
Y
[-1,0]
si
La idea es:
Si las dos evidencias refuerzan la hiptesis, la duda
tambin la refuerza.
Si las dos rechazan la hiptesis, entonces la suma
tambin la rechaza.
Si una la rechaza y otra la apoya, opto por creerme la de
mayor valor, algo ms que la mera diferencia entre ambas.
Un caso en que esto no fuera, es cuando valen 1 y 1. En
este caso se toma el valor indecible.
ESTRUCTURA SERIE
Si conocemos
X
E1
E2
E3
Z?
Cuanto vale Z.
Veamos la siguiente frmula:
si
X 0
Y = Cf (E3, E2)
Z=
-X
si
X< 0
Conozco
.- C(E) por deduccin
.- C(H) por deduccin, observacin o valor 0
La propagacin se realiza as:
Si C(E)
.- C(H/E)
1:
=
C(H)
C(H)
.- C(H/E)
C(H)
[1 C(H) ]
0
Cf(E,H)
[1
C(H)
0
Cf(E,H)
.- C(H/E) = [ C(H)
Cf(E,H) ) ]
C(H) ]
[Cf (E,H) ]
[ Cf
(E,H) ]
Cf(E,H) ]
[1 Min ( C(H) ,
0 C(E)
< 1
Cf(E,H)
Cf(E,H)
E
C(E)
C(E)
C(E, H)
P ( )
[ 0, 1 ]
nmero de partes de
donde
:
m(0)
0)
m =
(Creencia total = 1
Veamos un ejemplo:
Sea una urna, con la siguiente distribucin de
bolas:
10
20
10
60
bolas
bolas
bolas
bolas
Blancas
Negras
Rojas
Rojas o Blancas
{ B,
color
R,
q {0},
{B,N}, {}
{R},
{B},
{N},
{R,B},
{N,R},
0.10
0.20
0.10
0.6
= 0
Seguridad
m(a) = 1
m(b) =0
Ignorancia
m()
m(A)
P ()
[0, 1]
si y solo s
Bel(A)
mnima)
BA
En nuestro ejemplo:
m(B).
(Nos da la creencia
Bel (
{R, B,
0.6
0.1
0.1
0.8
La funcin de creencia cumple que
1.- Bel (0) = 0
2.- Bel () = 1
3.- Bel (A) + Bel
(A )
Pl (A) = m(B)
BA
La funcin de plausabilidad cumple que
1.- Pl (0) = 0
2.- Pl () =1
3.- Pl (A) + Pl (A ) 1
4.- Bel (A) Pl(A) A
La incertidumbre con respecto a un suceso se mide, en la teora de la
evidencia, con el par de valores (Bel, Pl) del suceso. Se pueden considerar estos
valores como la probabilidad inferior y la probabilidad superior de que ocurra el
suceso.
Un subconjunto A de un marco de discernimiento es denominado elemento focal
de una funcin de creencia sobre si y solo si m(A) 0, donde m es la
asignacin bsica de probabilidad asociada con Bel.
La unin de todos los elementos focales de una funcin de creencia se dice que es
su ncleo.
Veamos un ejemplo:
Supongamos que es el siguiente conjunto:
{ X1 , X2, X3, X4, X5 }
Supongamos la asignacin bsica de probabilidad m dada por:
m ( { X1, X2, X3 } ) = 1/2
m ( [ X1, X2 } ) = 1/4
m ( { X2, X4 } ) = 1/4
Y m(A)
A.
x2 } ) = 1/4
Bel ( { x1, x2, x3 } ) = 3/4
Bel ( { x1, x2, x3, x4 } ) = 1
Bel ( { x1, x2, x3, x4, x5 } ) = 1
Bel ( { x1, x2, x3, x5 } ) 3/4
Bel ( { x1, x2, x4 } ) = 1/2
Bel ( { x1, x2, x4, x5 } ) = 1/2
Bel ( { x1, x2, x5 } ) = 1/4
Bel ( { x2, x3, x4 } ) = 1/4
Bel { x2, x3, x4, x5 } ) = 1/4
Bel ( { x2, x4 } ) = 1/4
Bel ( { X2, x4, x5 } ) = 1/4
Bel ({ x2, x3, x4 } ) = 1/4
Bel ( { x2, x3, x4, x5 } ) = 1/4
Be ( { x2, x4 } = 1/4
Bel ( { x2, x4, x5 } ==
Bel (A) = 0 para todos los otros A
La funcin de plausabilidad Pl sobre , asociada como m, es
definida por
Pl ()
P1 (A)
Pl
Pl
Pl
Pl
P1
P1
P1
P1
P1
P1
1 para
( {x1 } ) =3/4
( { x1, x3 } = 3/4
( { x1, x3, x5 } = 3/4
( { x1, x5 } ) = 3/4
( {x3 } )
=
1/2
( { x3, x4 } ) = 3/4
( { x3, x4, x5 } =
( { x3, x5 } ) = 1/2
( { x4 , x5 } ) = 1/4
( {x5 } ) = 0
todos los otros A
Pl (A)
BA
BA0
m (B)
m (B)
xA
xA
m(x)
(A
) m
i
(B
2
1- K
AiBj
=C
m1(Ai) m2(Bj)
m2
AiBj
m (c)
P ()
=C
[ 0, 1 ]
m1 (Ai) m2(Bj)
=
0
en otro caso
Vamos a ver el problema de los bebedores de agua, vino y cerveza. Tenemos una
fuente que nos dice que:
m1(a)
0,3
m1(c)
0,3
m1(v)
0,4
m2(v)
0,4
0,3
m2(c)
0,3
2x(0,3x0,4)
2x(0,4x0,3)
= 0,66
0,26
m(c)
0,26
m(v)
0.48
Como vemos , aunque las dos fuente de informacin
son iguales, la fuente resultante de la combinacin de
ellas prima los valores grandes de evidencia , y castiga
los valores pequeos
Otros problemas de la teora de la evidencia de Dempster
Shafer es la forma de calcular los valores de m y Bel.
Para obtenerlo, se recurrira a los expertos si esto
fuese posible.
3.3.- Inferno.
El sistema Inferno fue propuesto por Quinlan (1983) y
puede verse como una arquitectura n0-directa, donde la
informacin puede propagarse en todas direcciones: Como
en la mayora de S.E. es posible razonar unas
conclusiones partiendo de unas observaciones. Adems, el
sistema puede razonar hacia atrs partiendo de una
hipottica situacin hasta predecir las observaciones
necesarias.
r
Pr(X)
p (r)
Prob(A) = XA
rob(B)
-Prob (A B)
{ r
A(r)
Verdadera }
=
=
-
i(A)
i(A)
1(A)
ri(A)P (r)
i(B)
i(B)
S=
n entonces s, s
, puede ponerse
0 si ij
e1,......................., en }
S
ej
1 en otro caso
(i1,....................., in)
Notemos Pr=
i(A)
entonces
{ e1,..........., en}
prob(A)
<
Pr, i(A)
>
Veamos un ejemplo:
Supongamos que lanzamos un dado y una moneda. El
conjunto de posibles resultados es el conjunto de los
pares:
=
(dado, moneda)
(6,
12
1/
a =
>
[1/12 ]
[ 1/12 ]
{u}
infinito
Un conjunto difuso de U
S = { (U, r u) u
Grado de pertenencia
U,
:
ru
[ 0, 1 ]
ru:
De u a s.
En general, cualquier subconjunto difuso se representa
mediante una funcin de pertenencia:
s
U [ 0, 1 ]
s(u) = ru
Parte Difusa de U
P (U)
[0, 1]u
DE FUNCIONES DE PERTENENC IA
*.- AB
Sup
*.- AB
Inf
*.- A
{ A
{
,
A ,
A
=
1 - A
A A U
A A 0
1
2
e Y con X en
maxy
R(x,y)
R(y, z)
Se llama a-Corte
de un conjunto difuso a:
Sa = { u / us(u) a
} = Conjunto de puntos
tales que su grado de pertenencia es mayor que a.
Se puede probar que cualquier a -coste de una relaccin de
similaridad es una relacin de equivalencia clsica.
Supongamos X e Y normales y f: X Y.
Sea A un subconjunto normal de X, entonces f(A) sera el conjunto
formado por las imgenes de los elementos de A
Si A es un subconjunto difuso, f(A) tambin lo ser.
f(A) (y)
= Sup A (x)
x/y = f(x)
(M
N)
= Sup { M (x)
(x , y )
/
r =
N (y)
x + y
Grado
0
1
Verdad
ser la complementaria
0
1
Se pueden introducir
Verdad
modificadores:
0
1
Verdad
0
1
Verdad
Grado
f::
R(x, y )
f (p, q)
Funcin Material
R(x, y)
p (x)
f (p, q)
Q (y)
La forma ms simple de implementar R(x, y), siendo la ms
usada, es:
R(x,y)
Q (y)
Q (y)
= Min {
P(x)
,
Q (y)
= Maxx {
P (x)
R (x,y)
= Maxx
P (x)
{
P(x)
}
Q (y)
=
= Q (y)
Maxx
P (x)
P(x)
De lo de arriba se deduce:
Q(y)
= a
Q(y)
El problema
que tiene esto es que Q no tiene etiqueta:
La interpretacin de Q es que cumple la propiedad Q pero con
menor fiabilidad.
Una versin alternativa han sido los Frame Difusos. Vimos
que los Frame eran estructuras con una serie de ranuras en
X
X (t
f ( Y )
Incr.
T )
f (y (t) )
Positivo
Positivo
Nulo
Negativo
Negativo
Grande
Pequeo
Pequeo
Grande
Observamos
A
A
t
:
(U)
(O)
(A
P (U)
=
=
1
0
B )
[ 0, 1 ]
(A)
(B)
Podemos interpretar
q: Experimento o variable
(A) : Medida del grado en que resultado pertenece a A
Veamos un ejemplo:
El ejemplo de los huevos de Hans. Un individuo desayuna
todas las maanas huevos.En sus estomago cogen unos 20
huevos. Todas las maanas desayuna 1 0 2.Cul es la
probabilidad de que se tome maana 15 huevos? Su potencia
fsica se lo permite, pero la probabilidad es nula.
Segn esto la posibilidad de comerse 15 huevos es cierta,
siendo la probabilidad casi nula.
Segn esto:
Prob(A)
Poss
(A)
SupXAP(x)
P(u)
SupXA
(P (x)
A (x)
=
=
Poss (A)
1-Poss (A )
Necesidad (A)
Deseabilidad
M. Sugeno estudi las medidas no aditivas para dar a
los fabricantes una medida global de la deseabilidad de
un coche. Esto lo explic con caras de mujer, dividida en
6 zonas:
Z1,................, Z6
y establece un test, preguntando:
Qu zona parece ms atractiva?,
sacando as un valor asociado para cada zona.
V(Z1)
V1
C1
Donde Vi es la
importancia de la .
zona y Ci
zona.
.
.
.
.
V(Z6) = V6
.
.
C6
el valor de la
b=
TEMA 6:
max1...6 (Vi
Ci )
APRENDIZAJE AUTOMATICO
1.- Introduccin
2.- Modelos o Tcnicas de Autoaprendizaje.
2.1.2.2.Repeticin.
2.3.2.4.-
Redes Neuronales
Ajustes de Parametros o Aprendizaje por
Autmatas Probabilsticos.
Algoritmos Genticos.
TEMA 6
APRENDIZAJE AUTOMATICO
1.- Introduccin.
Las tcnicas clsicas para la adquisicin del
conocimiento son las tcnicas inductivas. Se intent
automatizar el proceso de la adquisicin del conocimiento, se
intent que las mquinas adquirieran conocimiento.
En los aos 50 y 60 los SE y el aprendizaje automtico
se desarrollan independientemente. Es a partir del ao 1985
donde se juntan un poco, y aparecen los SE con aprendizaje
automtico.
Los Sistemas Autoadaptativos son aquellos que tienen
capacidad para adaptarse a estmulos externos y responder a
dichos estmulos.
Hay dos modos de aprendizaje:
*.- Autoaprendizaje:
por tanto el conocimiento .
al
Entradas
Salida
-----------
Pesos
0
si
wi ai
si
=
wi
ai
>
si
wi xi
si
wi xi
<
donde wi xi
=
defiende un hiperplano, y de esta
forma, si defino una neurona con dos puntos, puedo determinar
si esta por encima o por debajo de la recta y parece razonable
pensar que si colocamos varias neuronas podramos distinguir
puntos dentro y fuera de un cuadrado. Pero se prob que las
Redes Neuronales construidas con perceptores no pueden
aprender ms all que lo que una sola neurona. A esto se le
llam Teorema de la licitacin del perceptrn.
Definamos primeramente lo que es un
PERCEPTRON
AUTOMATA
.TEMA 1 =
1.-
INGENIERIA DEL
CONOCIMIENTO
INTRODUCCION.1.1.-
3.-
4.-
4.2.-
4.3.-
1.-
dato
informacin
conocimiento
As un dato puede definirse como un ente procesable por un ordenador, dato que
podr ser un objeto o un hecho,.
B)
INFORMACION
C)
DATO--------anlisis
INFORMACION---------- CONOCIMIENTO
Sntesis
informacin-----------------
MODELO
Con esta filosofa, un conocimiento podr servir de dato para otra deduccin en
un nivel superior.
Para completar esta visin del conocimiento, podemos ver el siguiente esquema,
en cuya cspide se encontrar la sabidura (que sera el conocimiento procesado con
juicios morales.....):
1.1.-
i)
ii)
Los distintos tipos genricos de sistemas expertos que existen tienen ciertos
componentes comunes.
b)
ii)
Ejemplo:
*
Los programas que juegan al ajedrez normalmente no son
capaces de explicar porqu hace un determinado
movimiento.
Ejemplo:
Supongamos que se quiere construir una UVI mvil. En ella habr
una estacin de trabajo: si tenemos un diskette para cada tipo de enfermedad,
una persona experta sabr como actuar mientras se llega al hospital.
-
2.1.-
A)
Ejemplo:
C)
Ejemplo:
Se puede establecer:
Cuando est establecida la base de conocimiento, a cada antecedente
ponerle su consecuente.
e ir construyendo as nuestro sistema.A nivel sintctico, los errores del sistema son detectables mediante
metaconocimiento. Tambin se puede hacer con algunos errores semnticos, no con
todos.
Cuando hay un conflicto entre posibilidades, es necesaria la intervencin de un mdulo
que lo resuelva, mdulo que estar formado por heursticas y, principalmente, por
metaconocimiento.
Ejemplo:
4.- CONCEPTOS GENERALES EN LA ADQUISICIN DEL CONOCIMIENTO.La transferencia de conocimiento desde algn origen a la base de conocimiento
es llamada adquisicin del conocimiento u obtencin del conocimiento. La
adquisicin del conocimiento involucra aplicar una tcnica para obtener
informacin del experto, interpretar esta informacin para reconocer lo
fundamental del conocimiento, y construir un modelo de representacin del
expertos
Documentos de tipo base de datos: libros sobre la materia, bases
de datos desde el punto de vista informtico....., es decir,
documentos especializados.
B)
C)
D)
E)
4.1.1.2.-
Expertos mltiples.-
b)
B)
C)
ii)
ejemplo:
es blanca, sea capaz de distinguir en esas tuplas las palabras clavesnieve y blanca- y sea capaz de entenderlas y procesarlas.
Los ejemplos corresponden a observaciones de los que el experto hizo, o que clase
de acciones fue tomada en situaciones especficas Por ello este aprendizaje se le
llama tambin supervisado o con maestro. Por tanto se le van dando tanto los
datos como la estructura de los mismos, y con ambos el ordenador obtendr las
conclusiones, de las que se extraer el conocimiento.
Se har a partir de una base da datos, es decir, registro de datos de donde hemos
de sacar el conocimiento. En ella, los valores de los atributos son determinados
por los valores de variables de decisin, llamadas decisiones. para ello hemos
de hacer:
i)
iii)
Se debera clarificar como se han de entender los ejemplos. Para esto se introduce
el concepto de TABLA DE DECISION, que veremos posteriormente.
ingeniera del conocimiento se puede conseguir haciendo que esta decisin sea
tan prxima a tantas teoras de tratamiento con incertidumbre como sea posible,
con sus ventajas y desventajas.
Incluso en el caso de construir sistemas expertos sin ningn mecanismo de
tratamiento con incertidumbre, la existencia de metodologas no nos da ninguna
repuesta a la pregunta de cmo elegir una representacin el conocimiento.
Ejemplo:
Hay una pequea ayuda disponible para decidir que herramientas deberan ser
seleccionadas para desarrollar un sistema experto, incluso con respecto a la
decisin preliminar de usar un lenguaje de programacin general o un lenguaje
de ingeniera del conocimiento, y si es as que productos comerciales existen. Por
razones obvias los desarrolladores intentarn vender su producto.
No hay acuerdo entre los grupos de investigacin competitivos, incluso cuando
hay ventajas y desventajas en la existencia de teoras para el mantenimiento de la
incertidumbre. El proceso de adquisicin de conocimiento no es objetivo. La
eleccin del camino para el tratamiento con incertidumbre, es en la mayora de
los casos, una decisin subjetiva de la ingeniera del conocimiento. Una vez que
la decisin est hecha, el resto de la adquisicin del conocimiento se basa en ella.
En particular, si la ingeniera del conocimiento hubiera aceptado una decisin
diferente, se debera preguntar al experto en diferentes cuestiones.
Uno de los procedimientos ms detallados para codificacin de probabilidades,
basado en entrevistas estructuradas, fue descrito en Merkhofer 1987. La
principal suposicin que hace es que los valores de las probabilidades subjetivas
no pueden ser obtenidos directamente del experto, a causa de las tendencias que
la acompaan. Estas tendencias son introducidas mediante mtodos de
razonamiento por el experto, individualmente, o por mecanismos para sonsacar
probabilidades subjetivas de mltiples expertos. El procedimiento consta de siete
pasos:
-
Motivacin
Estructuracin
Condicionamiento
Codificacin
Verificacin
Agregacin
Discretizacin
IMGENES MENTALES
REPRESENTACION HABLADA
REPRSENTACION ESCRITA
CADENA DE CARACTERES.
CADENA BINARIA
MEMORIA
Donde los pasos 1 al 3 constituyen la fase de adquisicin (donde el experto nos revela sus
imgenes mentales, primero en lenguaje natural y posteriormente en lenguaje escrito),
los pasos 3 al 5, la fase de representacin ( en el paso 5 se deba pasar el conocimiento a
una forma inteligible por el ordenador, de forma que el ordenador con este
conocimiento pueda tener actuaciones inteligentes), y los pasos 5 al 6 darn lugar a la
implementacin de dicho conocimiento.
A la hora de la representacin del conocimiento, se han de tener en cuenta tres
cosas:
A.1) Modelo lgico.Es el modelo a utilizar cuando lo que estamos describiendo es puramente
descriptivo (un objeto y sus caractersticas). Fue propuesto por Aristteles en su
Clculo de Proposiciones, aunque es un modelo poco formalizado (no analiza
operadores....)
Aristteles comprob que la comprensin de todo lo que nos rodea, se debe a dos
hechos:
a) El asociacionismo, que permite llegar a conceptos complejos a travs
de otros ms simples.
A.2)
Redes semnticas.-
Surgen como una alternativa a las lgicas. Fueron ideadas por Quinlan, y
se trata de grafos orientados que sirven para representar el conocimiento
de forma que :
los NODOS estn asociados a los objetos.
Los ARCOS lo estn a las relaciones entre objetos.
Aqu, la mayor segmentacin que existe es llegar a un objeto concreto de una
categora concreta, consiguindose dicha segmentacin a travs de los arcos.
La idea de representacin y asociacionismo se representa en los arcos mediante
tres tipos de relacin:
Inclusin----------------Pertenencia-------------Con papeles.------------
segmentacin
segmentacin
asociacionismo.
Frame.-
Los tres modelos de representacin vistosos hasta ahora son declarativos, aunque
el frame permite trabajar dentro de l con procedimientos, mediante los que
llama attached demons (demonios asociados).
B)
C)
MODELOS PROCEDURALES: Si el modelo es procedural,
normalmente se tratar de conocimiento relacionado con acciones. Bsicamente
tenemos dos modelos de este tipo:
C.1)
Guiones.-
C.2)
1.-
INTRODUCCION
2.-
3.1.-
3.2.-
3.3.-
3.4.-
1.-
INTRODUCCION.-
ii)
iii)
iv)
2.-
Cambiar el estado actual a uno que es apropiado para los operadores. Gran
parte de ese subjetivo tiene que ser establecido antes de que GPS pueda resolver
un problema.
GPS, como varios otros programas similares, no cumplieron los sueos de sus
inventores, ya que aunque funcionaba bien en ciertos dominios, poda decirse
que, en general, no funcionaba. Sin embargo estos programas produjeron
beneficios laterales extremadamente importantes.
Ejemplo:
Prolog est basado en el trabajo de Robinson del probador
Automtico de teoremas.
Tambin compiladores de Lisp y recolectores de basura
(que se discutirn posteriormente) estn basados en el
trabajo en el rea de la metodologa del resolvedor general
de problemas.
La conmutacin del propsito general a programes de propsito especial ocurri
a mediados y finales de los 60 con el desarrollo de DENDRAL (1969), por E.
Feingebaum, en la Universidad de Stanford. En ese momento tambin se
reconoci que el mecanismo resolvedor de problemas es solamente una parte
pequea en un sistema de computacin inteligente completo.
DENDRAL analiza masa espectogrfica, resonancia magntica nuclear, y otra
informacin qumica experimental para deducir las estructuras posibles de
mezclas desconocidas. DENDRAL emplea un variante eficiente de general y
probar en su resolucin del problema. Su generador puede enumerar cada
posible estructura orgnica que satisface las restricciones aparentes en la
informacin, generando sistemticamente estructuras moleculares parciales
consistentes con la informacin y elaborndolas entonces en todos los modos
posibles, eliminando rpidamente infraestructuras no posibles y evitando de otra
manera una bsqueda exponencial. Generando sistemticamente todas las
estructuras posibles, encuentra hasta aquellos candidatos que los expertos
humanos pasan por alto ocasionalmente.
METAFENDRAL variante del sistema experto DENDRAL-, aade
conocimiento de anlisis a DENDRAL proponiendo y seleccionando reglas de
fragmentacin parra estructuras orgnicas. Genera y prueba fragmentaciones
posibles examinando informacin experimental, reteniendo aquellas reglas
hipotticas que se demuestren suficientemente valiosas. Una regla es valiosa si se
aplica frecuentemente y predice fragmentaciones incorrectas muy raramente.
DENDRAL sobrepasa a todos los humanos en su tarea, y como consecuencia, ha
provocado una redefinicin de los papales de los humanos y mquinas en
investigacin qumica.
La construccin de DENDRAL (uno de los dos primeros sistemas expertos que se
construyeron), condujo las siguientes conclusiones:
i)
ii)
Mdulo de explicacin
Ejemplo:
Supongamos que la fiebre se puede producir por
cualquiera de las siguientes causas:
-
trauma.
Enfermedad infecciosa.
Si introducimos las reglas sin ms, estamos dando la misma
probabilidad a que la fiebre se produzca por cualquiera de las dos
causas, cuando lo normal es que se produzca por enfermedad
infecciosa.
MYCIN era capaz de distinguir esto, asociando a cada causa un nmero entre 1
(rechazo absoluto) y 1 (certeza total), es decir, a cada causa se le asocia un
determinado grado de apoyo.Por tanto, Mycin era capaz de dar un diagnstico con
un determinado grado de certeza.
En Mycin, el conocimiento est representado en forma de reglas que ligan causas
a efectos. As podremos cambiar la base de conocimiento por otra representada de
la misma forma para el mismo motor de inferencia.
De este modo podremos decir que las reglas se invocan utilizando un tardo
encadenamiento de estrategias de control, que hace que MYCIN sea conducido por
sus hiptesis, ya que trabaja hacia atrs, partiendo de sus conclusiones. MYCIN
tambin desarroll la idea de hacer muchos usos de una base de datos. Utilizando
encadenamiento de reglas hacia atrs, MYCI N puede dar la razn a sus
conclusiones en funcin de sus reglas y puede llevar a cabo un dilogo, pidiendo al
usuario la informacin necesaria para realizar el posterior encadenamiento.
2.2.-Tipos de sistemas expertos.La mayora de las aplicaciones de la Ingeniera del Conocimiento pertenecen a
tipos distintos, cuya clasificacin podemos detallar a continuacin:
CATEGORIA
Interpretacin
PROBLEMA
Prediccin
Diagnstico
Diseo
Proyeccion
Diseo de acciones.
Monitorizacion
Puesta a
p u n t o.
R e p a r a c i o n.
Instruccion
Control
3.- CARACTERISTICAS DE LOS SISTEMAS EXPERTOS.En la literatura de sistemas expertos, la palabra expertoes tomada seriamente.
Los diversos proyectos, sin embargo, han dado garanta de que las caractersticas
importantes de u experto pueden, en realidad, ser identificadas.
Por ejemplo mientras que la alta calidad es ciertamente una aptitud necesaria de
un experto, ella sola no es suficiente. Los investigadores de Inteligencia Artificial
tienden, por ejemplo a no identificar rpidamente programas muy eficaces en la
resolucin de transformadas de Fourier como sistemas expertos, a pesar del hecho que
estos programas son mejores que la transformada de Fourier, que segn DENDRAL es
una estructura molecular.
Las caractersticas intuitivas necesitan ser examinadas:
-Primero, por supuesto, es la calidad del comportamiento para estar dirigido. No
importa lo rpidamente que desarrolle una tarea; difcilmente uno estar satisfecho si
los resultados son una conclusin errnea o un juicio inexacto.
-Por otra parte, la velocidad con que una decisin es alcanzada, es un factor
importante: hasta el diagnstico ms exacto puede no ser til si mientras tanto el
paciente muere.
La contribucin principal es la adopcin de decisiones de velocidad relativa, de
acuerdo con la literatura de sistema experto, parece ser el nivel en el cual son
expresadas las regla de adopcin de decisiones y patrones para ser reconocidos. La
creencia es que cuento ms alto sea el nivel de estructura ms cubierto pude estar un
salto del inferencia.
Una caracterstica interesante de las reglas que ha sido encarnada en sistemas
expertos es su fragmentacin. Son frecuentemente admitidas para ser reglas empricas,
o heursticas. El factor heurstico, sin embargo no es tan importante como la reduccin
del rea de bsqueda que provee tales reglas de alto nivel.
Una caracterstica de la experiencia es que viene generalmente en dominios
estrechos y especializados.
Ejemplo:
Es fcil de imaginar un experto en casi cualquier campo tcnico, pero no
en actividades diarias comprendiendo el lenguaje natural o escenas casuales.
3.1.- El elemento humano en sistemas expertos.Al menos dos humanos, y posiblemente ms, participan en el desarrollo y uso de un
sistema experto. Como mnimo hay un experto y un usuario. Frecuentemente,
hay tambin un ingeniero de conocimiento. Las reglas a seguir por parte de cada
uno de estos participantes son como siguen:
A)Experto:El experto, comnmente referido al experto del dominio, es una persona que
tiene el conocimiento especial, juicio, experiencia, y los mtodos, junto con la
habilidad para aplicar estos talentos a la hora de aconsejar y resolver problemas.
Es el trabajo del experto del dominio el que provee conocimiento acerca de cono
l o ella desempea la tarea que el sistema de conocimientos desempeara. Para
un caso de dar consejo, el experto sabe que hechos son importantes y el
significado de relaciones entre hechos.
Ejemplo:
D)
Usuar
E)
F)
yo: Los sistemas ms basados en la computadora se han
desarrollado en un modo de usuario nico. En contrate, un sistema
experto tiene varios usuarios posibles:
-Un cliente no experto buscando un consejo directo. En tal caso el ES acta como
un consultor..
*
Incremento de calidad: El sistema experto puede aumentar la calidad,
ofreciendo un aviso consistente para una tasa de error reducida.
Ejemplo:XCON redujo la tasa de error de la configuracin de la computadora
Desde 35 hasta un 2 por ciento.
Reproduccin del tiempo de bajada: Muchos sistemas expertos operacionales como el
CATS-1 sistema descrito anteriormente-, estn siendo utilizados para problemas de
mal funcionamiento diagnosticables y reparacin prescrita. Utilizando sistemas expertos
es posible reducir el tiempo de bajada significativamente.
Ejemplo: Un da de tiempo perdido en una torre de perforacin puede costar tanto como
250.000 dolares. Un sistema llamado Consejero de Driling se desarroll para
detectar problemas de mal funcionamiento en torres de perfeccin. Este
sistema ahorr una considerable cantidad de dinero para la compaa
involucrada.
*
Captura de experiencia escasa: La escasez de experiencia se pone en evidencia
cuando no hay expertos suficientes para una tarea, cuando el experto est cerca de su
jubilacin o a punto de dejar un trabajo, o bien cuando su experiencia est requerida
sobre una ubicacin geogrfica amplia. Los sistemas tpicos que capturan experiencia
escasa son CATS-1, el sistema experto de Campbell, ACE y DART.
*
Flexibilidad: Los sistemas expertos pueden proporcionar flexibilidad en sevicios
y en produccin.
Ejemplo: DEC intenta hacer que cada VAXse adapte a las necesidades
Del cliente tanto como sea posible.
*
Operacin de equipamiento: Los sistemas expertos hacen ms fcil la
compleja operacin de equipamiento.
Ejemplo:STEAMER es un sistema experto pensado para entrenar
Trabajadores experimentados en operar con ingeniera naval compleja.
Otro ejemplo es un sistema experto desarrollado para Shell Oil Company
para entretener a la gente para usar las complejas rutinas de fortran.
*
Utilizar equipos menos caros: En muchos casos los humanos tienen que confiar n
instrumentos caros para monitorizar y controlar. Los sistemas expertos pueden
desempear las mismas tareas con instrumentos de ms bajo coste. Este es el
resultado de la habilidad de los sistemas expertos para investigar ms completa y
rpidamente la informacin suministrada por los instrumentos.
Ejemplo:DENDRAL es un ejemplo de sistema experto de este tipo.
*
Operacin en entornos peligrosos:Muchas tareas requieren humanos paca
operar en un entorno peligroso. El sistema experto puede permitir a lo shuamnos evitar
Dificultades:
La informacin est frecuentemente contaminada
y llena de errores.
Pueden faltar valores de informacin.
B)
DIAGNOSTIVCO
basado en
Dificultades:
Las faltes pueden ser intermitentes.
Los sntomas de otras faltas pueden interferir.
La informacin contiene errores o es
inaccesible.
El equipo de diagnstico puede ser
irresponsable.
C)
MONITORIZACION :
Interpretacin continua de
seales y
banderas para la intervencin.
Dificultades:
Cuando la bandera es frecuentemente dependiente
del contexto.
Seales que esperamos que varen con la
situacin de tiempo.
D)
PREDICCION:
Dificultades
-
E)
PLANIFICACION: Creacin de un plan para lograr
objetivos.
Dificultades:
Muchos cursos alternativos de accin.
Volumen abrumador de detalles
Interaccin entre planificacin y submetas.
El contexto de planificacin es solamente
conocido de forma aproximada.
F)
DISEO: Establecimiento de especificaciones para
crear objetos
que satisfagan requisitos particulares.
3.4.2.-
LOGICA DE PREDICADOS.1.1.-
1.2.-
METODO DE RESOUCION.
1.2,1.-
Estrategias de aplicacion de la
rsoucin.
1.2.2.resolucin.
2.-
Ventajas e inconvenientes de la
LOGICAS MODALES
LOGICA SITUACIONAL.
2.3.-
LOGICAS TEMPORALES.
2.4.-
2.5.-
LOGICAS MULTIVALUDADAS
LOGICAS NO MONOTONICAS.
LOGICA DE PREDICADOS.-
INFERENCIA
La primera lgica de la que podemos hablar en la Lgica
de Proposiciones, que ya fue comentada en captulos
anteriores.
En segundo lugar vamos a tratar la Lgica de Predicados,
que tendr asignada una sintaxis, y cuya semntica se dar en
funcin de la comparacin con el mundo real.
La Inferencia dentro de la Lgica de Predicados viene
dada por:
a) MIDUS PONENS:
P----- Q
P
-----------------------Q
b)
MODUS TOLENS:
P------Q
Q
-------------------------P
> Q(x)
P(A)
____________________
Q(A)
1.1.-
T
A1,.....,An, T
NIL
Esta tcnica tiene la ventaja de que siempre se
desarrolla del mismo modo, y adems no hay que ellegar a
ningn teorema, sino llegar a la nada.
1.1.-
Mtodo de resolucin.-
E2
=
V
E1
>
E2
E3
E3
E2
E1
=
NIL
E2
NIL
se puede expresr
como:
E1
E2
=
NIL
E2
>
E1
NIL
I)
Negar el teorema
II) Aadirlo a los axiomas
III) Pasar de A1,.....,An
a
C1,....,CP, es
decir, pasar del conjunto de axiomas a un
conjunto de clasulas.
IV) Aplicar el mtodo de resolucin:
B)
C)
D)
P(y)
Q(y)
(x/y)
H(y)
P(y)
P(y)
Q(y)
H(y)
Es un mtodo limpio.
Est depurado.
Existe el lenguaje
muy bien.
=> B
EXTENSION = O
La lgica de predicados es
entendiendo como EXTENSION
el conjunto de objetos que
determinado mundo. De esta
decir:
=>
extensional,
de un predicado,
lo cumplen en un
forma podremos
PREDICADO FALSO
a)
modal.
ser verdadera, o ser falsa.
b) Es posible que Jun tenga apendicitis. Es una
delaracin modal: es verdadera si a) lo es, perio
puede ser interpretada como verdadera o faksa, si a)
es falsa.
Hoy en da, una Lgica Modal se considera como:
i)
ii)
iii)
iv)
Un lenguaje de predicados
Un conhunt de axiomas clsicos
Un conjunto de operadores modales, que
permiten crear nuevas proposiciones a partir de
proposiciones antiguas, asi como asignar distintos
estados de verdad a una proposicin, con lo cual
la lgica gana expresividad.
Un conjunto de reglas sintcticas y semnticas par
alos operadores modales, es decir, reglas que
permitan construir nuevas proposiciones a partir
de las antiguas, utilizando oeradores modales.
Los dos ltimos casos indican la necesidad de que los mundos sean
definidos como posibles respecto a otros mundos, ms que de una forma
absolkuta.
Llegados a est epunto conviene introducir el concepto de AGENTE, que desde
un punto de vist formal es un sistema basado en el conocimiento, es decir, una
entidad que asigna valor de verdad o falsedad a una proposicin, en funcin de
un mundo o base de conocimiento. Hay dos formas de interpretar esta
asignacin:
a)
b)
.
Una manera concisa de describir posiblidades relativas entre los mundos
en algn conjunto de mundos W es definir una relacin binaria R, llamada
relacin de accesibilidad, sobre W, tal que:
wi , wj W
<wi, wj> R wj es posible con respecto a wi
Consideramos que el uuario tiene siempre Wo fija, como refrencia, y que puede
acceder a nuevos conoicmientos, pero nunca perder los que ya posee.
De esta forma puedo hacer afirmaciones del tipo:
P es verdadero en Wo, ya que puede no serlo en otro mundo.
2)
Una proposicin P es posiblemente verdadera en un mundo wsi y solo
si P no es verdadero en todos los mundos accesibles desde w (no quiere decir
que P sea falsa, sino que no puedo demostrar su veracidad).
Operador PARTICULAR M o
La verdad posible puede definirse en funcin de la verdad necesaria:
P P
2.1.2.-
SINTAXIS.-
Las reglas sintcticas que debemos tener en cuenta son las siguienes:
i)
ii)
iii)
Todos los elementos del lenguaje L son frmulas bien formuladas (f.b.f.)
Si F es f.b.f. P y P son f.b.f.
La combinacin de f.b.f. con operadores del lenguaje L, es una f.b.f.
B.- SEMANTICA.Sern las reglas que dan valor o contenido a una frmula . Vamos a considerar las
siguientes:
i)
ii)
Wo
W1
W2
P
Reflexiva
P P
* Transitiva
P
vivo (Jun)
A2
muerto (Jun)
Tambin puedo incluir las siguientes vrdades:
[x muerto (x) muerto (x)]
A3
Aplicando las leyes de la Lgica Clsica. A partir de estas verdades podemos deducir:
[x vivo(x) muerto(x)]
A4
i)
iii)
anterior:
muerto(Jun)
Esto ltimo e salgo que nosostros ya sabamos al ver las verdades de las que
partamos, pero la mquina necesita deducirlo de esta manera, para incorporarlo a su
conocimiento.
Las lgicas Modales son intensionales, ya que la verdad o falsedad de una proposicin
no est en funcin de que haya unos objetos que la veriiquen (extensin de la
proposicin), sino de la cualidad del propio resultado.
Lo que queremos demostrar es que si introducimos el axioma de instrospeccin negativa
al sistema, podemos llegar a na especie de contrarreciproco de la forma:
P P Q Q
siendo Q = P.
Haremos la implicacin en el sentido = >. Aunque es totalmente anloga a la de
senrido contrario < =
P
P Q
Q Q Q
Q Q
Q] [Q[Q
Q]] Q
podemos interpretarlo como que si en algn mundo del futuro Jun permanecer muerto para
siempre, es que ya est muerto, lo cual es realmente falso, y esto se debe a haber
introducido un axioma inadecuado.
De manera intuitiva podemos ver que el axioma de introspeccin negativa (simetra) es
inadecuado ya que proyecta la verdad en todos los mundos hacia delante y hacia atrs,
lo cual no es correcto en un sistema temporal, ya que verdades del futuro no tiene por qu ser extensivas al presente o al pasado (es decir, hay verdades
que slo son extensivas al futuro).
2.2.2- Lgica situacional,Las lgicas descritas hasta ahora estn relacionadas principalmente con
estructuras relacionales estticas. Sin embargo, en muchas aplicaciones se necesita
almacenar y manejar conocimiento que represente un universo del discurso cambiante.
La Lgica de Situaciones (McCarthy y Hayes, 1969) fue desarrollada para ete tipo de
situaciones.
Supongamos que construimos una lgica de predicados del siguiente modo:
Objetos:
Estados:
A,B, MESA
SOBRE, ENCIMA
Si tenemos:
i)
Una situacin S1 en la que el objeto B est sobre el objeto A (que estar sobre
la MESA):
SOBRE (B,A) SOBRE (A, MESA)
y sabemos adems que : SOBRE (B, MESA) = falso
ii)
Con este tipo de lgica pued describir situaciones que unas veces sean verdaderas y
otras falsas. As, si aado un argumento ms a los estadis la situacin S1 o S2-,
obtendr: argumento ms a los estados-la situacin S1 o S2, obtendr:
SOBRE (B, MESA, S1) => falso
SOBRE (B, MESA, S2) => true
con lo que puedo expresar que una cosa sea verdadera o falsa, segn la situacin en la que nos
encontremos.
S x B --
querr decir que si tengo un objeto A que no est sobre la mesa en la situacin S, lo
pondr sobre la mesa, pasando a la situacin S.
Con sta funcin ya podemos describir la secuencia de acciones ue permite pasar de la
situacin S1 a la S2.
Para ello, desde la situacin S1 he de preguntarme y demostrar si puedo llegar a la
situacin S2, y si el resultado es afirmativo, podr asegurar que al menos existe una
secuencia de acciones para ello. Por tanto, debemos demostrar a partir de S1, si existe
una situacin Sf, para la que se verifique:
SOBRE(MESA, B, Sf)
Para ello partimos de las clusulas de S1:
1)
2)
3)
IGUAL
IGUAL
IGUAL
SOBRE
(A,
(B,
(A,
(B,
B)
MESA)
MESA)
MESA, sf)
i.-
Aplicando La unificaciones:
X--B
Sf = ponermesa(X,S3)
y resolviendo con las clasulas 3) y 8), obtenemos:
9)
SOBRE (B, MESA, S5)
OR RESPUESTA (Sf)
tpt(y) ]
0 1
que
{hombres}
seres
Si se define marido (x): seres humanos humanos
{hombres}
{mujeres}
(abs)
b)
Rx R
{N}
{N}
{O}
{N}
{P}
{R}
=
=
{P}
{P} x
{P}
{N}
{O}
a)
b)
c)
d)
PROPOSICIONES INDECIBLES=
Son aquellas sobre
las que no puedo afirmar su veracidad o
falsedad, puesto que la base de conocimiento no
contiene informacin suficiente, o no tenemos
mtodos para resolver.La lgica clsica
resuelve esto mediante la HIPOTESIS DEL MUNDO
CERRADO, segn la cual, todo lo que no
pertenezca a la base de conocimiento, ser
falso, lo cual es, tambin, bastante atrevido.
Se llaman proposiciones contradictorias a
aquellas para las cuales se puede demostrar
veracidad y falsedad al mismo tiempo. Es un
grado ms de la indecibilidad.
PROPOSICIONES CONTINGENTES FUTURAS= Son
aquellas proposiciones en tiempo futuro , que
pueden o no ocurrir. Ejemplo: Maana me tocar
la lotera. Si no llevo lotera es falsa.
Si llevo lotera, es contingente futura, ya que
no s si me tocar o no. La diferencia con las
proposiciones indecibles es que, en stas, la
proposicin tiene valor de verdad o falsedad,
pero yo no poseo la informacin necesariapara
afirmarlo, mientras que en las contingentes
futurs el hecho no tiene valor de verdad o
falsedad porque no ha tenido lugar todava.
PARADOJAS SEMANTICAS= Tienen la propiedad de
que cuando se les asigna un valor de verdad,
cambian dicho valor. Por tanto, no se les pude
asignar valores de verdad.
PROPIEDADES SIN FRONTERA DEFINIDA=Existe una
gran cantidad de proposiciones, basadas en
propiedades vagas sobre objetos del mundo, qa
las que n se puede asignar un valor de verdad o
falsedad a menos que se adopte un convenio
taxonmico duro.
Ejemplo: Esto es abundante
Esto es escaso
A estas proposiciones no se les puede
asignar
valor, debido a la ambigedad de los
trminos
abundante y escaso.
Estos cuatro grupos de clasulas no admiten la Ley
del Tercer Excluido,
por lo que vamos a ver una serie de modelos lgicos que
permitirn clasificar este tipo de proposiciones.
2.5.1.-
Lgica de Kleene.-
Verdadero
Falso
No tiene valor (en lugar de indecible)
Las tablas de verdad de esta lgica son:
A
F
AND
OR
V
F
F
F
V
V
F
V
F
i
i
i
i
i
V
V
F
F
i
i
i
2.5.2.-
Lgica de Lukasiewicz.-
Verdadero
Falso
no tiene valor (en lugar de indecible).
= >
<
>
n
V
n
F
V
n
n
n
V
"
i => i ---------i
A
B
si ambos son indecibles, es poruq etienen un valor,
aunque yo lo desconozca.
Si A es falso, s que B ser verdadero, poero si A
es verdadero, B puede ser verdadero o falso y no tengo
informacin para distinguir estos casos. De ah que i = >
diga siendo indecible (i).
b)
En la
n = > n---------------V
A
B
ni A ni B tendrn valor , puesto que an no han tenido
lugqr. De ah qe n = > no sea acptada como V, ya que
habitualmente se toman como aceptables propoisiciones del
tipo:
Si maana me toca la lotera , me compro un cohe.
que aun2ue luego no tenga lugar de este modo, de momento
se acepta como verdadera.
Esta lgica se ha utilizaod para estudiar la
Mecnica Cuntica, donde el estado de las partculas
corresponde a proposiciones contingentes futuras.
2.5.4.-
Lgica de Belnap.-
predicados
L-----[ 0, 1 ]
r )
1-r
v (A ) = 1-v (
v ( A INTERS B )
v ( A B ) =
)
v (A = > B ) =
(B))
A )
= MN (v ( A), v(B))
mx ( v ( A ), v ( B )
mn
(1, 1-v ( A )
A la funcin
I (a,b) :
]
tal que cada (a, B )
se
[ O, 1 ]
[ O,1 ]---------
[ O, 1
le hace corresponder
mn (1, 1-r1 + r2 )
se le llama OPERADOR DE IMPLICACION DE LUKASIEWICZ.
Por tanto, el conjunto de proposiciones de la Lgica
Clasica con valor 0 1 (oroposiciones booleanas), son un
1-v (A)
TT, entonces T
b)
c)
a)
&
= >
i)
M (x, puede,
d)
Esta lgica no monotnica divide los tableros en ramas antes de generar
alternativas.
2)
Mediante la implantacin de un SISTEMA DE
MANTENIMIENTO DE VERDAD (TMS): Doyle (1982) ha
diseado e implantado un sistema llamado TMS para
respaldar el razonamiento monotnica. TMS mantiene
la consistencia entre un conjunto de creencias que
estn generadas por el sistema al cual respalda.
Las declaraciones de creencias en TMS se
denominan nodos. Uno nodo es IN si se cree que es
verdadero y OUT en cqaso contrario.
Cada notod tiene un conjunto de justificaciones
vinculadas a l, y cada una de estas justificaciones
representa una manera de poder hacer verdadero al
nodo.
Un nodo IN, tiene al menos, una justificacin que es
vlida actualmente. Los nodos OUT pueden tener un
conjunto de justificaciones que muestran cmo se
puede hacer que ese nodo sea IN, pero ninguna de
esas justificaciones est justificada actualmente en
s misma.
Hay dos clases de justificaciones en TMS:
justificacin lista de respaldo y justificacion
demostracin condicional. Solo vamos a tratar la
primera:
En este caso, la justificacin de un nodo N consta
de una lista de respaldo que identifica los nodos
que se requiere sean IN, y los que se requieran sean
OUT, para que esa justificacin particular de N sea
vlida.
Ejemplo: Considrese el siguiente conjunto de nodos
y justificaciones T
TMS:
-----
----------------------------------------------------------------------------------------------------Justificacin1
Justificacion 2
-----------------------------------------------------------------Estatus
IN
OUT
IN
OUT
-----------------------------------------------------------------------------------------------------
P es un pjaro
IN
P puede volar
3
P no puede volar
5
OUT
IN
P alas recortadas
P es un pingino
1
4
OUT
IN
4)
5)
THEN
conclusiones 1
conclusiones 2
[
( premisas )
(nombre )
]
( conclusiones )
ATRIBUTO
VALOR
Conclusin
Jun altura-1.92
=> Jun altura- alto
PREMISA
-
=>
CONCLUSION
=>
coche - aspecto- sucio
El atributo aspecto no parece ser un atributo
muy bien definido de coche, y adems se
presta a ambigedades.
El valor sucio tambin es equvoco.
Con este ejemplo hemos visto que al identificar el par atributo-valor, hay que hacerlo de
una manera formal, de forma que no d lugr a ambigedad. Esto no quiere dcir que
haya una nica forma vlida, pero el atributo que tomemos ha de ser el que utilicemos
siempre a partir de ese momento.
-
2)
Siempre se deben emplear o inentar emplear atributos de tipo simblico, ntes
que de tipo numtico, y adems, en su cado, introducir reglas que relacionen los
valores numticos con sus correspondientes valores simblicos.
Ejemplo: El atributo peso se puede definir
como:
i.- numrico
ii.- simblico = Pesado, medio, ligero
Se debe utilizar la forma ii.La preferencia e la utilizacin de valores
simblicos se debe a la faciliad de no tener que
tomar valores exactos para los atributos.
Ejemplo:
del tipo:
(OAV)
=>
OAV
(0.7)
AND
--------- -------A
(OAV)
--------B
C
Se da el hecho A, obtendr el hecho B,
creible en un grado 0.7,
y el hecho
creible en un grado 0.9.
En el caso de que este valor de confianza aparezca
en las premisas, significar que al menos he de
B.- COMPUESTAS:
Son las que tiene ms de un
triple OAV.
Se dividen en cinco tipos:
-
conjuntivas
disyuntivas
mixtas
negativas
Si A = X
Entonces B = Y o
C = Z
Cuando nos encontramos con esto, si A = X,
se dar que B = Y
o que C = Z, pero no
s cual de las dos es verdad, o si lo son l
Las dos. Esto podra ser vlido si fuera
la conclusin final,
Pero si es es una conclusin intermedia en
la que hubiera de
Basarmepara seguir deduciendo, no
servira, ya que a partir de
aqu
deduciramos a partir de suposiciones.
Las expresiones compuestas NEGATIVAS sern algo del
tipo:
(A = X)
lo cuale s bastante complicado de interpretar, ya
que puede ser:
A
distinto
bien
************************
X
=>
distinto
= >
Ejemplo:
Si
0
X
entonces
Las variables A y B son variables libres, esto es, atributos definidos pero sin valor.
Pero si mirando el mundo que nos rodea (el dominio en el que estamos ) observamos
que A = X, la parte A = X de la premisa ser verdad, lo que har que la totalidad de
la premisa al ser disyuntiva- sea tambin verdad, con lo que la variable libre C
dejar de serlo, pasando a valer C = Z.
Los hechos slo pueden dar valor a atributos que
aparezcan en las premisas y nunca a atributos de las
conclusiones.
Sea ahora la regla:
Si
A = X y
entonces
b)
Probabilstico
Evidencia.
Creencia
(CONCLUSIONES)
(f. certeza)
ii)
*
Sde puede aadir a la regla alguna
informacin adicional sobre el modo de
encadrnamiento ms adecuado (encadenamiento hacia
delante o hacia atrs).
Puede ocurrir que, aunque un sistema est construido
con un determinado encadenamiento, en deerminadas
partes del mismo se puede cambiar para mejorar la
eficicencia (por ejemplo, cuando el camino que se
est siguiendo nos lleva a hacer pregunts absurdas
que no conducen a nada).
As, as reglas que dan conclusiones intermedias a
partir de conclusiones intermedias son un buen caso
para que sea posible cambiar de tipo de
encadenamiento, para lo que habra que indicar algo
como:
La regla A tiene como encadenamiento hacia delante,
pero puede hacerse tambin hacia atrs.
mientras que las reglas de metaconocimiento no son
invertibles, han de hacerse siempre hacia delante.
A pedar de todo, se pueen intentar simplificar las
reglas, para lo cual, existen tres principios muy
importqntes:
a.-
Ejemplo:
A
Si tenemos la regla
X
=>
B =
AND
Esta ltima regla ser inncesaria desde elpunto de vista terico, pero muy importante
ese elpunto de vista prctico.
Meteconocimiento
Heurstica
Conocimient.
.
PREMISA
.
Objeto
CP1
.
Atributo
.
CP2
.
.
Valor
.
.
.
.
CPn
.
.
.
--------------------------------------------------------------------------------------------CC1
.
.
.
CONCLUSION
.
CC2
.
.
CCn
.
---------------------------------------------------------------------------------------------
B)
GRAFO DE DEPENDENCIA / INFERENCIA.Es una forma de dibujar el grafo de la bsqueda que luego va a utilizqr el motor de
inferencia.
Podemos optar por pintar todo el grafo de dependencias, pero no se suele hacer por
ser prcticamente imposible, de modo que se suele optar por pintar slo aqueklkla
parte que nos interese.
Un grafo de inferencia es u n grafo ordenado que utiliza la siguiente nomenclaura:
Hechos
Conclusiones finales
Conclusiones intermedias
Nodos Y
'
Nodos O
Que puedo hacer con los hechos que tengo (en el razonamieto
para ADELANTE)
i.ii.iii.-
COMPLETITUD
CONSISTENCIA.-
Tenemos dos reglas que dicenlo mismo, ya que la segunda se puede desomponer
dando lugar a la primera. En ete caso eliminaramos la primera regla, ua que la
segunda tiene ms informacin.
2)
B = Y
B = Z
Otra forma puede ser que que no se contradigan, sino que una
incluya a la otra, que sea ms general, o ms especfica,...., en
cuyo caso me quedar con la que interese en cada caso.
que no tenga en las premisas suficientes trminos
discriminatorios.
Reglas sumergidas:
A
Supongamos:
AND C => B
A => B
III.-
USO.Hay que validar si la base de reglas est bien, si deriva o no el motor de inferencia.....
TEMA 4=
REPRESENTACION
ESTRUCTURADA DEL
CONOCIMIENTO.-
1.-
INTRODUCCION.-
2.-
3.-
2.2.-
MODELO DE WINSTON.
2.3.-
2.4.-
OTROS MODELOS.
MARCOS (FRAMES).3.1.-
3.2.-
3.3.-
4.-GUIONES (SCRIPT).-
5.-
4.1.-
4.2.-
OTRAS REPRESENTACIONES.-
1.-
INTRODUCCION.-
iii.-
tipo
ejemplo o instancia de ese tipo.
A)
B)
+ , -
. /
4 5
0 1
2 3
planta
estructura
vivo
787
989
no
con
animal
:8:
aire- ---agua
toma
hojas
comida
Modelo de Winston.-
B
apoyado
apoyado+
apoyado-
i z q u i e r d a
d e r e c h a
b l o q u e
Es mejor modificar el nmero de arcos existenres (aunque
haya muchos), que es el nmero de tios existentes, es decir,
es tenr 200 arcos del mismo tipo, que 200 tipos de arcos.
Bsicamente, los tres conceptos bsicos de las redes
semnticas son:
relaciones binarias
ligaduras entre conceptos
ligaduras entre estereotipos y ejemplos.
pero se tendi a extender esta idea a conceptos ms amplios,
como lasrelaciones n-arias(ternarias, cuaternarias....). Estos
pueden ser convertibles a red semntica, estableciendo un nodo
genrico de compoenntes.
Ejemplo 1:
Una relacin ternaria podra ser:
Una chaqueta tiene dos mangas
que expresado en forma de red semntica sera:
chaqueta
donde
componente
manga
Otra ventaja de las redes semnticas es que con ellas,
podemos llegar a expresar acciones en el tiempo.
Ejemplo 2:
Pepe peg a Jun un puetazo en la
calle.
Quedara como red semntica.
calle
donde
tiempo
pasado
Jun
sujeto
accin
agente
Pepe
objeto
puo
pegar
-------<
sujeto
-------
suceso------<
------
Jun
objeto
pseer
Por ltimo podemos sealar que con las redes semnticas
se pueden representar relaciones causa-efecto.
Ventajas e inconveientes de las redes semnticas.
Dentro de la HERENCIA
a)
b)
-------
Jun---------------------------- >-----------------Mara
casado
V casado
Pepa
Otros modelos.-
Objeto
Objeto
Objeto
Objeto
Objeto
Objeto
B)
entidades
acciones
casos
tiempos
dependencia.
(ACT) son:
ATRANS:
PTRANS:
Transferencia abstracta
Transferencia fsica de un objeto de un sitio a
MTRANS:
CONC:
Transferencia de informacin
Concentrar un rganosensorial en un estmulo.
otro.
EXPEL:
GRASP:
INGEST:
MBUILD:
cosas.
MOVE:
PROPEL
a otro.
SPEACH:
Condicional
Pasado
Futuro
Interrogacin
Negacin
Transicin (hacer algo transitoriamente).
Principio de la transicin.
Fn e la transicin.
< = >
INGEST
O
leche
*
D: Direccin
Ejemplo: Jun lleva el libro de la Facultad a su
casa
Facultad
Jun
<
>
MOVE
cassa
libro
<
*: Recepcin
Ejemplo: Jun le dio un libro a Mara
En este caso dio no representa una
transferencia fsica,
sino un paso de propiedad (ATRANS). Si
ponemos
PTRANS, significa que en vez de llevarlo
Jun, lo lleva
Mara, y no que ahora sea de Mara.
P
Jun < = >
R
ATRANS
Jun
Mara
o
libro
* Instrumental.
Ejemplo:
Jun se toma la leche con na
cuchara
Jun
<
>
INGEST
o
leche
I
cuchara
**************************************************************
***********
HASTA FRAME SIB COPISAR
3.-
FRAMES.-
b)
c)
d)
e)
f)
g)
nombre
sueldo
empresa
categora
EMPLEADO
edad
2)
profesin
situacin
laboral
EMPLEADO
Empresa
Nombre
Situacin laboral
Categora
Sueldo
- >
<
< = 2000 Kg
= 3 ruedas
.........
COCHE
*
*
AUTOMOVIL
...........................
Las relaciones existentes en las redes de frames son
PADRE HIJO, HERMANOS, y otras como SIMILARIDAD,
DISIMILARIDAD.....
3.2.
B)
4.-
GUIONES
(SCRIPT).-
GUION:
Entrar en un restaurante.
CONDICIONES DE ENTRADA:
2)
tener hambre
no poder ir a casa
tener un compromiso.
.........
GUION:
Ir a un restaurante
GUION:
Ir a un resaurante
MATERIALES:
4)
mesas
sillas
. . . .
GUION:
Ir a un restaurante
PERSONAJES:
-comensales
-camareros
....
5)
5.-
C.A.D. o infografa
Ofimtica
TEMA 5 :
TRATAMIENTO DE LA
INCERTIDUMBRES EN SISTEMAS
EXPERTOS.
1.-
2.-
3.-
4.-
ROUGH
SETS.
1.-
c
c
(loco(pepe)=0.7)
=
(casados(pepe, juana)
1
= 0)
c
c
0.5
b)
3.-
C(E2: E1)
E2
C(H:E2)
C(E2)
Toser
enfermedad
H
inflamacin
Bronquios
pulmonar
Si se sabe que alguien tose, esa persona tiene
inflamacin de los bronquios, y si es as, enfermedad
pulmonar, entonces como se puede asegurar que alguien tiene
enfermedad pulmonar en funcin de que se le ha visto toser,
es decir,
que valor tiene C(H).
La ACTUALIZACIN consiste en cmo variar el grado de
certeza de las hiptesis cuando aparece una nueva evidencia
con la que no se haba contado.
2.-
MODELOS PROBABILISTICOS.2.1.-
Teora de la probabilidad.-
P(A U B)
P (A B)
Probabilidad condicionada:
P (A/B)
P(A)
= ----------------
P(B)
<>
A
B
-A
se
ya
-B
>
causas
efectos
H
Con lo cual:
P (E/H)
=
1------------DEDUCCION: La
probabilidad de que se obtenga
el efecto dadas las causas es total.
P (H/E)
=
creencia de que s
1--------------
ABDUCCION: Grado de
------------
tosa.
P(H)
tenga
-----------la gripe
H2
E
P(E)
P(E / Hi
P(Hi)
Hn
P(E/H) P(H)
=-----------------------------P(E)
20 rojas
10 blancas
1 negra
No se tiene suficiente informacin para calcular la
probabilidad, de modo que hay que aplicarle el Mtodo de las
Equipoprobabilidades.
En este caso la probabilidad tendra que saber el color
de cada una de las bolas, pues se necesita informacin de cada
uno de los puntos del espacio muestral.
b)
Un fuerte espacio muestral considerado
Supngase que se tiene A y de las que no se conoce nada, de
tal forma que se consideran con probabilidad 0.5 cada una.
A
Ejemplo:
A- romperse un brazo
- no romprselo.
B
B
(AUB)
P(A)
P(B)
P (AB)
P(E2)
E1
E2
P(E1/H)
P(E2/H)
P(H/E1)
P(H/E1)
P(E1/H) P(H)
=-----------------------P(E1)
P(E2/H) P(H/E2)
P(E1/H)P(H)
P(H/E1E2) =----------------------------------------P(E2)
P(E2)
P(E2/H)
*
-------
P(E1)
>> P(B).
O (A)
P(E/H)
P(H)
P(H/E) =--------------------------P(E)
--O(H)
P(E/H)
=---------------
P(H/E)
P(E/E)
P(H/E) =
P(E/E) P(H)
------------------------P(E)
LANDA
log
logO(H)
b)
O(H)
P(E/E)
E--------------------
E---------------
P(H/E) =
P(H/E)
(H/E)
] P (E/E)
=
P(H,E/E)----------
P(HE/E) =
P(H/EE)
P(H/EE)
* P(E/E)
[ P(H/E )
= P(H,E/E)
*
P(E/E)
=
=
P(E)
P(H)
ii)
R
E--------------------- H :
Cf (R : FACTOR DE CERTEZA
Cf(H/E): Cambio proporcional de
certeza sobre H al observar
E.
De esta forma, el factor de certeza no es una medida
absoluta, sino de una medida que posibilita la actualizacin
de una creencia.
Las valoraciones del factor de certeza son:
Cf = 1
la certeza de la
hiptesis H.
Cf =
0
de la hiptesis H.
Cf =
la hiptesis H,
-1
C(S)
C(S)
C(S)
-1,1]
=
=
=
-1
0
1
:
:
:
FALSO
CIERTO
E6
E4
E5
2.2.2. Propagacin del factor de cereza.La propagacin del factor de certeza se realiza mediante
dos esquemas bsicos:
A)
Esquema paralelo
Esquema serial.
E3
z ?
E2
y
(1)
Z=
tienen signo
(2)
x + y xy
si x, y
[0,1]
x + y
----------------------- Si x, y
(3)
y
E3
E2
z ?
(1)
z
(2)
=
si x
=
x
si
<
donde y
Cf (E,H)
El valor de z se obtiene a partir de las evidencias:
(1)
Si E1 apoya a E2, entonces se observa directamente a E3
mediante y.
(2)
Si E1 rechaza a E2, entonces se observa E2, por lo que
se cambia a la regla E2 E3, con el problema
adicional de que esta regla no exista, en cuyo caso se le
asigna el valor 0
(no se sabe lo que ocurre).
C(E1)
Observacin
Actualizacin
Valor 0 (no observado)
E1
E2
C(E2)
Cf(-E1,E2)
A continuacin se va a calcular la actualizacin del valor
de certeza de E2 a partir de E1.
C(E2/E1)
i) C(E1)
certeza.
1:
C(E2)
Cf(E1,E2) (1-C(E2))
Cf
0
(se avanza)
C(E2)
0
C(E2) + Cf(E1,E2)
------------------------------------------
C(E2/E1) =
dist. signo
1-min{:C(E2) :, :Cf(E1,E2) : }
(se anulan)
C(E2)
<
0
C(E2)
<
Cf(E1,E2)
(1 + C(E2))
(retroceso)
Cf
p = (p1
p2 )
p3
U p5
C(H)
Cf(E/H)
Si se observa E con un valor de certeza C(E), se ha de
calcular el nuevo valor de C(H) - C(H) para el nuevo valor
de creencia.
Cf(E,H)
E
H
(E,H)
H
C
(H)
H
C(H)
El factor de certeza que se tena anteriormente sobre H, se
utiliza ahora junto con la evidencia para obtener el nuevo
valor C(H).
As se tiene :
Cf(E,H)
>
C(H)
entonces el nuevo valor sera:
C (H)
ii)
C(H)
0
>
(1-C(H)
Cf(E,H)
A)
C(E)
Cf(E,H)
C(H)
H
B)
Cf(E,H)
E
H
C(H)
H
C (H)
C)
cual tiene
valor nico:
=
[0.25,
[ 0.4,0.8 ]
C =
-----
A=C
sucesos
2 --Pa()
[0,1]
m(0) =
m (A)
=
con A Pa ()
0
1
{},
{R},
{},
{R},
{},
bolas (
{RN},
10R,
20N,
{RN}
10B,
50 {R}
=
0.10
= 0.20
= 0.10
)= 0.6
PRECISION-----
IGNORANCIA--
A(r ),
m ()
m (A)
= 1
= 0, A <>
---
[0,1]
m(B)
0
1
=>
no es probabilidad
Bel (a)
Bel
(a)
= 0
= 1
+ Pl(B)
m(A)
<>
<>
<>
>---
= {x},
(antes)
P()
---
[0,1]
m(A)
[0,1]
m(x) = 1
m :
---Bel (A) = m(P) =
m(x) =
Prob(A)
Pl(A) =
m(B) = Prob(A)
Pl(A) = 1- Bel (A) = 1 1 Prob (A) =
Prob (A)
A1
m1 (A1
Bel(A1)
A2
m2 (A2)
Bel(A2)
Propagacin
Combinacin.
=>
m1
m=
m2
(variable)
nica)
m1
m2
=
=
A1,.........,An
B1,.........,Bm
Bj
>
m1(Ai)
m2(Bj)
Ai
Ejemplo:
m1
= 0
Bj =
= 0
supongamos:
=>
m2
= >
{2}
{3}
{2,3}
=
{2}
{2}
{X2,3}
= {2}
= {2}
(r1)
(r2)
(r3)
(r4)
1=
m1(Ai)
x
m2(Bj)
AiBj
que si se desarrolla da lugar a:
1 =
m1(Ai)
AiBj
m2(Bj)
AiBj =
+
AiBj =
c=AiBj
m1(A9)
xm2(Bj)
m1(Ai)
x m2(Bj)
c=AiBj
m(c)
=_______________________________
= 1
=>
=>
=>
m1(a) = 0.3
m1(c ) = 0.3
m1(v)
= 0.4
Interseccin
El conjunto de focales de m2 es:
{a} {c} {v}
=
0.3x 0.3 + 0.3 x 0.4 + 0.3 x
+0.4 x 0.3 + 0.4 x 0.4 = 0
= 0.66
0.3
0.3 x
m1
m2
=
v
0.26
c = 0.26
= 0.48
b)
t (A)
P(A)
f (A) P (A)
Por tanto, en base a esto podemos afirmar:
B)
Bel(A)
t(A)
P(A)
1
- f(A)
La inferencia lgica que hace el motor en la vida
real, ms que un problema lgico-formal, s un
problema de relacin de proposiciones.
As en lugar de decir A => B, se dir A niega a
B, que es algo mucho ms natural. Y si decimos A
inhibe a B, segn vayamos observando A, se va
quitando valor a B.
Teora
Teora
Teora
Teora
4.1.-
de
de
de
de
la incidencia de Bundy.
los subconjuntos difusos.
la medida de la posibilidad.
los rough sets.
{i1,............,in}
=
A
=>
Universo de
{x / x
prob(ij), siendo
prob(A)
ijA
Podemos encontrar frmulas que simplifiquen el clculo de
las probabilidades:
prob(A)
=
prob(AUB) =
1 - prob (A)
prob (A)
+
prob (b)
prob
(AB)
Sin embargo, empiezan a surgir problemas, ya que el clculo de
probabilidades como la de la interseccin no es fcil,. Para
ello, lo que hace Bundy es establecer una tecnologa
sistemtica para conocer la probabilidad de cualquier suceso,
sumando sobre sus puntos. La idea es la siguiente:
Sea A una proposicin sobre .
La incidencia de una proposicin A se define, segn Bundy,
como el conjunto de items sobre los que la proposicin es
verdadera:
i(A)
{ ij/
A (ij)
= verdadero
e(A)
1
si ij
{ e1,............,en}, donde ej =
0 en otro caso
i(A)
De esta forma:
prob(A)
= prob(i(A))
< (Pj)
(i(A))
>
e(A)
e(B)
{ (dado, moneda)}
prob (x)
*
=
=
Subconjunto difuso
{ (u, n) , uU,
donde n
grado de pertenencia de u a s
subconjunto normal
( u, n ), uU, {01}}
n : u-- >
[0,1]
s(u)
=n
OR
(AUB)
()
()
(B)
AND (B)
sup { (A)
{ (A)
inf
=
, (B)
, (B)
} =
} =
(A)
(A)
(A)
Se puede comprobar que P(A) conjunto de las partes de Asale un retculo distributivo, pero no complementado ya que,
por lo general, no se cumple:
A U A
A A
=
=
U (universo)
Sea
AND R (y,z) }
ojos
A
boca
u /
s(u)
Grficamente:
X--------> Y
Nmeros difusos.-
r, + )
(M
N ) ( r ) = sup { M (x )
(x,y) / z = x
AND N ( y ) }
+ y
NUMERICA: 1,74
CUANTITATIVA: Tomando una etiqueta del conjunto
{alto, normal, bajo}
Variables lingsticas.-
Imposible
0
Inverosmil
0.25
puede ser
0.5
verosmil
0.75
seguro
=>
0.99
en [ 0,1 ]
[0,1]
{ etiqueta }
etiqueta
= conjunto difuso en
grado w
*
La etiqueta verdadero tiene como funcin de
cumplimiento, la diagonal del esquema anterior, de forma que:
-Una proposicin que se cumple con grado 0.5, tiene la
propiedad de ser verdadera con grado 0.5.
-Una proposicin que se cumple con grado 0, cumple la
propiedad de ser verdadera con grado 0 (no es verdadera).
-Una proposicin que se cumple con grado 1, es verdadera
con grado 1 (es absolutamente verdadera).
De este modo, se considerar que una proposicin es
verdadera cuando se cumple en un alto grado, a partir de 0.9
*La etiqueta falso sera el complemento de verdadero, y
grficamente se podra representar por:
cumplimiento
1
grado w
*La etiqueta
1
Las etiquetas con grado 0.5, seran aquellas que no son
verdaderas ni falsas.
A partir de los valores extremos, se pueden introducir dos
etiquetas ms, con los modificadores:
*La etiqueta muy verdadero se cumple ms cuando aumenta el
grado verdadero. Es, por tanto, ms estricta que la etiqueta
verdadero.
1
1
*La etiqueta muy falso consiste en que conforme va
aumentando el grado, se le va dando menor valor de verdad.
1
1
En base a estas cinco etiquetas:
-
Muy verdadero
verdadero
Intermedio
Falso
Muy falso
Si P C P
=>
MUY ROJO
= >
ROJO
= >
MADURO
Si P C P
= >
Q puede ser
(p, q
}]
R(x,y)
Q (y)
=
=
min
max
x
{ P(x), Q (y)
}
{ P (x ) AND R (x, y )
Q (y)
max
[ P? (x)
AND
{ P(x)
AND
}
p (Y)
=
x
= Q(y)
AND max
x
[ P
(x)
AND P(x)
= Q(y)
= Q(y)
P(x) )
Frames difusos.-
Sistemas de Control.-
= (Y(t))
-nulo
-negativo pequeo
-negativo grande
La Semntica seria la siguiente:
Supngase que se tiene una regla:
Y es A entonces X es B
Los sistemas de control son capaces de detectar el valor
real de las variables. Aunque el experto proporciona reglas
lingsticas, el sistema toma valores numricos.
Mandani formul esta teora matemticamente, siguiendo
los razonamientos del experto, comprobndose su correcto
funcionamiento. De esta forma se demostr que el
funcionamiento de los sistemas lineales y no lineales era
totalmente anlogo.
4.3.-
: Pa(u) ----
(U) =
1
(0)
=
0
( A U B ) =
[0,1]
(A)
(B)
para cualquier
conjunto
(A) es una medida del grado en el que el resultado
pertenece a A (est entro de A). Por ejemplo, si un hombre que
desayuna huevos todos los das, cabindole en el estmago 20
huevos en volumen, Cul es la probabilidad de que el hombre
que habitualmente se toma uno o dos huevos, se tome 15 huevos
?. Esta probabilidad es casi nula, pero la posibilidad de
que tome 15 huevos es verdadera, ya que fsicamente es
posible.
De este modo se puede diferenciar entre:
i)
ii)
Poss(A)
Lo cual constituye el PRINCIPIO DE CONSISTENCIA DE ZADEH.
Supngase una propiedad vaga, definida por su A (conjunto
difuso de funcin de pertenencia ) sobre un conjunto U. Se
define la siguiente funcin:
(A) =
xA
Sup (x),
para todo A
Pa(U)
A(x)
C=
A2
C= ....
C=
An
=
=
Poss(A)
1 Poss(A)
max {
Vi
Ci }