Вы находитесь на странице: 1из 63

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO

CENTRO UNIVERSITARIO UAEM TEXCOCO

SISTEMAS EXPERTOS

Alma Delia Cuevas Rasgado


almadeliacuevas@gmail.com
Propósito del curso
1. Estudiar la teoría,
técnicas y metodologías
para el diseño y
construcción de sistemas
expertos,
2. Manejar diferentes
herramientas de sistemas
expertos para entender
su funcionamiento.
3. Aplicar los conocimientos
adquiridos para la
elaboración de sistemas
expertos básicos.
Competencias genéricas
1. Analizar, diseñar e implementar sistemas expertos.
2. Aplicar modelos matemáticos orientados a la creación de
sistemas expertos.
3. Apoyar la creación de modelos matemáticos.
4. Utilizar eficazmente los lenguajes de programación
existentes para la creación de sistemas expertos
5. Aplicar los conocimientos en la práctica
6. Analizar soluciones del entorno y problemas propios de ser
tratados mediante sistemas expertos.
7. Desarrollar la habilidad de análisis y síntesis de la
información.
8. Desarrollo de habilidades de docencia básica.
Unidades de competencia
1. Conocer los conceptos básicos y
estructura de un sistema experto.
2. Manejar la representación del
conocimiento
3. Uso de los métodos de
inferencia
4. Conocer los métodos de
razonamiento
5. Emplear el diseño de sistemas
expertos.
6. Utilizar aplicaciones existentes
de sistemas expertos.
Contenido

1. CONCEPTOS BÁSICOS Y ESTRUCTURA DE UN SISTEMA


EXPERTO
1. Conceptos generales de sistemas expertos.
2. Características de sistemas expertos.
3. Lenguajes y herramientas.
4. Paradigmas.
5. Sistemas expertos y aprendizaje inductivo.
Metodología del curso
Exposición del profesor
usando diapositivas,
pizarrón, videos,
Trabajos de Investigación,
exposición en equipos,
prácticas, ejercicios en
laboratorio, pruebas
rápidas, preguntas y
respuestas en clases,
participación del alumno en
clase (aportación),
proyectos.
Evaluación
• Examen parcial 40%
• Participación activa 10%
• Lectura de artículos científicos 20%
• Proyectos 30%
• Total 100%
Bibliografía
• Giarrantano, J.C. y Riley, G. Expert systems principles and programming
(2nd ed.) (PWS Pub. Co., 1994).
• Lucas, P. y Gaag, L.v.d. Principles of Expert Systems (Addison–Wesley,
1991).
• Lavrac N. y Dzeroski S. Inductive Logic Programming. Techniques and
Applications (Ellis Horwood, 1994)
• Poole, D., Mackworth, A. y Goebel, R. Computational Intelligence (A
Logical Approach)
• (Oxford University Press, 1998).Bratko, I. Prolog Programming for Artificial
Intelligence (2nd ed.) (Addison Wesley, 1990)
• Mitchell T. M. Machine Learning (McGraw–Hill, 1997)
• Flach, P. Simply Logical (Intelligent Reasoning by Example) (John Wiley,
1994)
• Nilsson, N. J. Inteligencia Artificial. Una nueva síntesis. (Mc Graw Hill,
2001)
Política del curso
• Fecha de entrega de proyectos y tareas. No se
aceptarán entregas de tareas en fechas posteriores al
indicado. En casos especiales, el estudiante notificarà
al professor directamente para considerar vàlido el
envío de esta actividad.
• Las fechas de los examenes y el tiempo de duraciòn
seran respetados de acuerdo al calendario entregado
por la coordinación de la carrera, los examenes
parciales seràn realizados en el horario estipulado de
clase.
Política del curso
• Los trabajos de investigación deben contener al menos
dos referencias a libros o articulos cientìficos, no se
aceptarà como vàlido los trabajos similares al de otros
estudiantes, tampoco la acciòn de copiar y pegar
pàrrafos de otras referencias sin que el alumno aporte
una explicaciòn acerca de este.
• Se considerará la redacción y ortografìa en el contenido
del trabajo (causando la disminuciòn de dècimas por
cada 3 errores ortográficos y de redacción), asì como la
estructura (portada, resumen, contenido, conclusion –
como mínimo).
• Cada integrante de equipo deberà tener previo
conocimiento del contenido del trabajo que se entrega
Código de ética
• Los estudiantes estarán de acuerdo que en el aula
debe prevalecer: El respeto hacia los
demás,Honestidad acadèmica y responsabilidad
CONTENIDO
CONCEPTOS BÁSICOS Y ESTRUCTURA DE UN
SISTEMA EXPERTO
• Conceptos generales de sistemas expertos.
• Características de sistemas expertos.
• Lenguajes y herramientas.
• Paradigmas.
• Sistemas expertos y aprendizaje inductivo.
CONCEPTOS BÁSICOS Y ESTRUCTURA
DE UN SISTEMA EXPERTO
Conceptos generales de sistemas
expertos
Un sistema experto es un sistema de computadora que emula, o
actúa en todos los aspectos, de acuerdo a las decisiones y
capacidades de un experto humano.
(Profesor Edward Feigenbaum
Stanford University)
Áreas de la IA
Tecnologías de los SE
• Lenguajes especialmente diseñados para los SE: CLISP

• Programas

• Hardware diseñado para la facilitar la implementación de esos


programas
Principales componentes de los SE
• Base de conocimientos. Obtenido de libros, revistas,
conocimiento de personas, etc.

• Máquina de inferencia: obtiene soluciones de la base de


conocimientos.
Funciones básicas de un SE
Dominio del problema y Dominio del
conocimiento
• El conocimiento de un experto es específico
para un dominio del problema (medicina,
economía, ciencia, ingeniería, etc.)

• El conocimiento del experto se basa en la


solución de problemas específicos llamados
dominio de conocimiento.
• El dominio del problema es un superconjunto
del dominio del conocimiento.
Dominio del problema y Dominio del
conocimiento
Ventajas de los SE
• Incrementa la disponibilidad
• Reduce costos
• Reduce peligros
• Desarrollo y funcionamiento
• Experiencia múltiple
• Incrementa la confiabilidad
Ventajas de los SE
• Explicación
• Respuesta rápida
• Respuesta fija, no emocional y completa al
mismo tiempo
• Tutor inteligente
• Base de datos inteligente
Representación del conocimiento
• El conocimiento de un SE puede ser
representado de muchas maneras, incluyendo
reglas IF-THEN.

Si estas hambriento entonces come.


Ingeniería del conocimiento
• El proceso de construir un sistema experto es el
siguiente:
1. El Ing. Del conocimiento establece un dialogo
con el experto humano para provocar
conocimiento.
2. El ing. del conocimiento codifica el conocimiento
explícitamente en una base de conocimientos
3. El experto evalúa el sistema experto y da una
crítica al ingeniero del conocimiento
Desarrollo de un SE
Limitaciones de los SE
• Los SE típicos no pueden generalizar a través
de analogías para razonar acerca de
situaciones nuevas en la misma forma de los
humanos.
• El tráfico en la adquisición del conocimiento
resulta un intenso consumo de tiempo y una
labor pesada en el diseño de un SE.
Primeros SE
• DENDRAL – usado para identificar compuestos
químicos.
• MYCIN – diagnóstico médico
• DIPMETER – análisis de datos geológicos para
hidrocarburos.
• PROSPECTOR - análisis de datos para
minerales
• XCON/R1 – configuración de sistemas de
cómputo.
Actividad 1
• Describir una base de conocimientos sobre un
tema de conferencia del evento: 14º Foro
sobre Equidad de Género.
– Lugar: Auditorio de Posgrado UAEM CU Texcoco
– Contenido: Portada con nombre del alumno,
nombre de la materia, titulo de la conferencia,
diagrama de la BC.
CONTENIDO
Lenguajes y herramientas,
Paradigmas
Sistemas expertos y aprendizaje inductivo.
2. MANEJAR LA REPRESENTACIÓN DEL
CONOCIMIENTO, Significado de conocimiento,
Redes semánticas.
Lenguajes y herramientas
CLIPS, Java, Prolog, Ada,
•Lenguajes procedurales (ejemplos, C) enfocado en
técnicas para representar datos.
•Lenguajes más modernos (ejemplo, Java) enfocado a
la abstracción de los datos.
Lenguajes para sistemas expertos (ejemplo, CLIPS)
enfocado en la manera de representar el conocimiento.
Paradigmas
Conocimiento Procedural
Conocimiento Declarativo
Conocimiento Tácito
Conocimiento Basado en sistemas de reglas
Conocimiento Procedural

•Ponerle hora a un reloj


• Instalar una ventana
• Cepillarse los dientes
• manejar una bicicleta
Conocimiento Declarativo

•Conocimiento de que algo es verdadero o falso


• Regularmente tiene que ver con estructuras
asociativas
• Ejemplo, “No tocar, está caliente.”
Conocimiento Tácito

•conocimiento inconsciente
• No puede ser expresado por el lenguaje por
ejemplo, saber andar, respirar, etc.
Conocimiento basado en sistemas de
reglas
•El conocimiento es parte de una jerarquía.
• El conocimiento se refiere a las reglas que se
activan por hechos.
• reglas activadas producen nuevos hechos o
conclusiones.
• Las conclusiones son el producto final de las
inferencias cuando se hace de acuerdo a las reglas
formales.
La pirámide del Conocimiento
2. MANEJAR LA REPRESENTACIÓN DEL
CONOCIMIENTO
•Significado de conocimiento,
•Redes semánticas.
CONOCIMIENTO
El conocimiento es una colección integrada
de hechos y relaciones que cuando se
utilizan, generan un comportamiento
competente. Se distingue entre
conocimiento profundo y conocimiento
superficial.
TIPOS DE CONOCIMIENTO
• El conocimiento profundo corresponde al
de las teorías básicas, los principios, los
axiomas y los algoritmos en un determinado
dominio.
• El conocimiento superficial corresponde al
obtenido por la experiencia y normalmente
está constituido por hechos y reglas prácticas.
ING DEL CONOCIMIENTO
• Adquisición del conocimiento.
- Representación del conocimiento.
- Integración del conocimiento en un
sistema computacional
ADQUISICIÓN DEL CONOCIMIENTO
• Es el proceso mediante el cual se localiza,
recolecta y refina el conocimiento que dará
origen al sistema experto.
• La principal fuente de conocimiento está
constituida por los expertos humanos en el
dominio de aplicación; otras fuentes son
textos, manuales y documentos.
REPRESENTACIÓN DEL
CONOCIMIENTO
El conocimiento que se desea representar y almacenar en la Base de
Conocimientos incluye los hechos y las relaciones que existen entre
estos hechos, que resumen el conocimiento del experto.
• Los mecanismos de representación más utilizados son:
- Las redes semánticas
- Las triplas objeto-atributo-valor
- Las reglas
- Los marcos
- Las expresiones lógicas.
REDES SEMÁNTICAS
Una red semántica es una colección de objetos llamados
nodos conectados por arcos o enlaces.
• Los nodos se utilizan para representar objetos y
descriptores.
Los objetos pueden ser objetos físicos visibles o tangibles,
o bien entes conceptuales como: actos, acontecimientos
o categorías abstractas. Los descriptores proporcionan
informaciones sobre los objetos.

• Los enlaces relacionan objetos y descriptores.


SISTEMAS EXPERTOS Y APRENDIZAJE
INDUCTIVO
•Trata de aprender a partir de datos. A través del
análisis de información.
•Puede ser supervisado o no supervisado.
•Parte de un grupo de observaciones empíricas;
procede, de diversas observaciones específicas, a
formarse o descubrir sus propios conceptos o
hipótesis después de haber comprobado estas
hipótesis empíricamente (Clifford, 1981).
SISTEMAS EXPERTOS Y APRENDIZAJE
INDUCTIVO
SISTEMAS EXPERTOS Y APRENDIZAJE
INDUCTIVO
Actividad 2
• Realizar una red semántica sobre el tema a
desarrollar en el proyecto de Sistemas
Expertos, describiendo las relaciones
implícitas y explícitas.
• Mínimo 30 nodos
• Equipo de hasta 4 integrantes
CONTENIDO

(revisión de tarea BC)


1.- Marcos
2.- Lógica y conjuntos,
participación : ejercicios
en clase, avance de
proyecto: diseñar hechos
del SE)
Los mecanismos de representación
más utilizados son:
- Las redes semánticas
- Las triplas objeto-atributo-valor
- Las reglas
- Los marcos
- Las expresiones lógicas.
Las triplas objeto-atributo-valor

Los atributos son características generales o propiedades


asociadas a los objetos. bebe(leche, gato)
Objeto (gato), atributo (bebe) valor(leche)

REGLAS

Las reglas sirven para representar relaciones y pueden


utilizarse con Representaciones Atributo-Valor o con
representaciones Objeto Atributo-Valor.
SI < premisa > ENTONCES < conclusión >
FRAMES
•Un tipo de esquema es un
marco (o script – secuencia
de marcos).
• Los marcos son útiles para
simular el conocimiento de
sentido común.
• las redes semánticas
proporcionan
conocimientos de 2
dimensiones, marcos
proporcionan
tridimensional.
FRAMES

• Un marco es un grupo de ranuras y plantillas que


define un objeto estereotipado que se utiliza para
representar conocimiento genérico o específico.
LOGICA Y CONJUNTOS
• El conocimiento también puede ser representada por
símbolos de la lógica.
• La lógica es el estudio de las reglas del
Razonamiento exacto - inferir conclusiones a partir
de premisas.
• Razonamiento Automatizado - programación lógica
en el contexto de los sistemas expertos.
FORMAS LÓGICAS
Las formas que anteceden a la lógica se basan en el
silogismo - Desarrollado por Aristóteles.
• Los silogismos - tienen dos premisas que
proporcionan evidencia para apoyar una conclusión.
Ejemplo:
-Premisa: Todos los gatos son trepadores.
-Premisa: Garfield es un gato.
- Conclusión: Garfield es un trepador.
DIAGRAMAS DE VENN
• Los diagramas de Venn pueden ser utilizados para
representar conocimiento.
• Conjunto Universal
• TERMINOS RELACIONADOS: Los subconjuntos,
subconjuntos propios, intersección, unión, contenida
en, y el complemento
• Un conjunto vacío (conjunto nulo) no tiene
elementos.
Diagramas de Venn
PARTICIPACIÓN EN CLASE
• EJERCICIOS: Desarrolle las premisas de las siguientes
conclusiones y represéntelos en diagramas de Venn:

1.- La tierra es un planeta 2.- Las matemáticas son


abstractas
3.- Fido es un carnivoro 4.- La mesa es de madera
5.- el canario vuela 6.- yo apruebo la materia
7.- la bugambilia produce 8.- la piña es un laxante
fotosíntesis
9.- México es un país 10.- Juan es Calvo
hispanoparlante
11.- La IA es novedosa 12.- Juan es estricto
13.- la filosofía es teórica 14.- El celular comunica
ACTIVIDAD 3
• Representar al menos 10 hechos y 5 reglas del
proyecto…
REFERENCIA
Giarrantano, J.C. y Riley, G. Expert Systems: Principles
and Programming, Fourth Edition, Chapter 2:
The Representation of Knowledge.
Bibliografía
• Giarrantano, J.C. y Riley, G. Expert systems principles and programming (2nd ed.)
(PWS Pub. Co., 1994).
• Lucas, P. y Gaag, L.v.d. Principles of Expert Systems (Addison–Wesley, 1991).
• Lavrac N. y Dzeroski S. Inductive Logic Programming. Techniques and Applications
(Ellis Horwood, 1994)
• Poole, D., Mackworth, A. y Goebel, R. Computational Intelligence (A Logical
Approach) (Oxford University Press, 1998).
• Bratko, I. Prolog Programming for Artificial Intelligence (2nd ed.) (Addison Wesley,
• 1990)
• Mitchell T. M. Machine Learning (McGraw–Hill, 1997)
• Flach, P. Simply Logical (Intelligent Reasoning by Example) (John Wiley, 1994)
• Nilsson, N. J. Inteligencia Artificial. Una nueva síntesis. (Mc Graw Hill, 2001)