Академический Документы
Профессиональный Документы
Культура Документы
Comenzamos el estudio de los sistemas expertos, los cuales han sido uno de
los principales éxitos comerciales de la IA y constituyen un modelo
computacional de nuevo tipo, pues en ellos están perfectamente delimitadas
las dos componentes de un modelo.
Los Sistemas Expertos (SE) constituyen uno de los éxitos comerciales más
importantes de la Inteligencia Artificial. Estos son programas sofisticados de
computación que tratan de imitar funciones de un experto en algún dominio
129
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Los S.E. pueden ser considerados como una aplicación práctica de los
principios de la I.A. Su finalidad y principal actividad no es copiar los procesos
mentales humanos en la manera más fiel, sino lograr las mejores respuestas a
preguntas de datos reales.
130
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
SHELL
B.C. M.I.
I.U.
Usuario
131
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
132
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Podemos concluir que los S.E. no sustituyen a los expertos, sino más bien
ayudan a las personas a progresar, participando en actividades más
desafiantes intelectualmente, por lo que el conocimiento contenido en un S.E.
es una nueva fuente práctica de conocimientos. Ellos frecuentemente son
usados como un consultante o ayuda a usuarios expertos o novatos de algún
dominio de aplicación.
Mientras los programas convencionales son usados para llevar a cabo una
predeterminada secuencia fija de instrucciones, sin tener “en mente” el fin o la
meta de su actividad, los S.E. tienen “en mente” la obtención de ese fin. Los
S.E. contienen “hechos” y “medios” de utilización de sus hechos para alcanzar
los fines. Además la habilidad para aprender nuevos conocimientos a partir de
la experiencia puede ser implementada en forma natural y efectiva por los S.E.
133
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
SE:
- La solución de las tareas del dominio de aplicación da un resultado de
mucho valor.
- La experticidad humana puede perderse.
- La experticidad humana escasea.
- La experticidad humana se necesita en muchos lugares.
- La experticidad humana se necesita en ambientes hostiles.
Los S.E. constituyen uno de los éxitos comerciales más importantes de la I.A.
y representan la avanzada en el paso de las técnicas de I.A., desde los
laboratorios académicos al ambiente productivo.
Son muchas las áreas de aplicación de los S.E. Entre ellas podemos
mencionar:
- Interpretación: Inferir la descripción de situaciones a partir de datos
sensoriales. Implica el análisis de datos para determinar su significado.
- Predicción: Inferir las consecuencias de situaciones dadas.
- Diagnóstico: Inferir el mal funcionamiento de un sistema a partir de
observaciones.
- Diseño: Configurar objetos bajo ciertas restricciones.
- Planificación: Determinar la secuencia óptima de operadores para
transformar un estado inicial en un estado final. La mayoría de los
sistemas de planificación actuales están basados en el método “generar y
comprobar”.
- Monitoreo: Comparar observaciones para detectar situaciones esperadas.
Implica el análisis continuo de señales y la puesta en marcha de acciones
y/o alarmas según proceda.
- Instrucción: Controlar y actuar sobre el comportamiento del estudiante.
- Control: Gobernar parcial o completamente el comportamiento de
sistemas.
134
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
A pesar de todo lo anterior, los S.E. presentan algunas limitaciones, como por
ejemplo:
- Dominio estrecho de experiencia.
- Incapacidad de realizar razonamiento con sentido común. Ej: si se describe
que un paciente tiene 130 años y pesa 40 libras el sistema no puede darse
cuenta de la inversión de los datos.
- Las M.I. son demasiado simples y no permiten una visión global de los
procesos de inferencia.
- El conocimiento profundo y casual no es explotado.
- Rango limitado de la capacidad de explicación.
- Posibilidades restringidas de comunicación, pues los lenguajes orientados a
un problema no son flexibles ni lo suficientemente naturales.
- Incapacidad del S.E. para reconocer el límite de su habilidad. Constituye la
limitación más seria. No tienen un conocimiento profundo acerca de su
propia gestión. No pueden razonar sobre su campo de acción y limitaciones.
- La presencia del Ingeniero del Conocimiento es inevitable.
135
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
136
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
137
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
138
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
I) Etapa de identificación.
En esta etapa se caracteriza el problema según sus aspectos más
relevantes. Esto incluye las siguientes tareas:
a) Selección de los participantes y determinación del papel a desempeñar
por cada uno de ellos.
Antes del proceso de adquisición del conocimiento es necesario
determinar quiénes van a participar en el mismo. Lo más usual es que
sólo participe un experto y un I.C. No obstante, pudieran participar
otros expertos en el tema y más de un I.C. Es necesario, por tanto,
asignarle a cada uno de ellos la tarea que va a desempeñar,
determinando, por supuesto, el experto y el I.C. jefes.
b) Identificación del problema.
Esta tarea es desarrollada por el experto y el I.C de una manera
conjunta. Su objetivo es dar respuesta a las preguntas siguientes:
¿Qué clase de problemas el S.E. debe resolver?
¿Cómo pueden caracterizarse o definirse estos problemas?
¿Cuáles son los subproblemas importantes?
¿Cuáles son los datos con los que va a trabajar el S.E.?
¿Cuáles son los términos importantes y las relaciones entre ellos?
¿Cuál es el formato de la solución y qué conceptos son usados en ella?
139
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
140
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
V) Etapa de prueba.
Se evalúa el prototipo usando dos o tres ejemplos. Cuando éste se ejecute
correctamente con éstos, se debe probar con una variedad de casos, que
incluyan tanto los más comunes como las más raros, para determinar las
debilidades de la B.C.: si se hacen preguntas inadecuadas o ambiguas, si la
entrada de los datos es poco amistosa, si las conclusiones son adecuadas, si
la salida tiene un nivel de detalle apropiado, si no hay errores en el
razonamiento, si no hay reglas incorrectas, incompletas o inconsistentes, si
el mecanismo de control usado es adecuado, o sea, si se escogen primero
las reglas deseadas, etc. La medición de los resultados de un S.E. es difícil
porque no se sabe cómo cuantificar el uso del conocimiento. No se pueden
presentar pruebas concluyentes formales de su corrección. Lo que se puede
hacer es oponerlo a un experto humano en la solución de problemas reales.
Ej: MYCIN obtuvo una mayor puntuación que la de una lista de expertos en
la evaluación de 10 casos.
Estas etapas no son independientes y están muy relacionadas entre sí. Por
ejemplo, fallas al implementar las reglas y el mecanismo de control en la
etapa de implementación pueden ocasionar cambios en la etapa de
formalización. Además, la última etapa puede ocasionar la revisión parcial
de las etapas anteriores.
141
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
SISTEMA EXPERTO
MAQUINA DE INFERENCIA
INGENIERO
EXPERTO DEL INTERFACE CON EL USUARIO
CONOCIMIENTO
BASE DE CONOCIMIENTOS
142
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
143
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Etapa I
- Determinar los conceptos primitivos.
El primer paso en la modelación es separar los objetivos relevantes de los
irrelevantes en la realidad que se modela; esta identificación se realiza a
partir de la percepción de la realidad y teniendo en cuenta los propósitos
del sistema que queremos construir.
El paso siguiente es agrupar los objetos relevantes en clases de objetos
llamados categorías semánticas.
Como se pueden hacer innumerables divisiones en categorías semánticas,
muchos de los cuales son inadecuados, se han elaborado tres principios
básicos para definir las categorías semánticas:
familiaridad: respecto a los conceptos que son de uso común en una
realidad y cuyos hechos sobre esos conceptos son percibidos
directamente por observación o inferencia inmediata.
adherencia: indica que un concepto debe estar internamente ligado a las
actividades sobre las que estamos elaborando el modelo.
amplitud: se deben escoger todas las clases de objetos relevantes.
144
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Etapa II
- Determinar los conceptos derivados y las relaciones que permiten definirlos.
Una vez definidos los conceptos primitivos, debemos determinar los
conceptos que podemos derivar de éstos. A los mismos se les conoce como
conceptos derivados. Para su obtención se definen predicados y se
introducen reglas en la B.C. que determinan que un individuo lo cumpla
(estos predicados no aparecen en la B.C. nunca definiendo hechos) Esto es
lo que se conoce como conocimiento inducido. Un ejemplo de concepto
derivado es el predicado académico, el cual se obtiene de las categorías
semánticas profesor y estudiante, mediante la regla:
Los predicados (definidos en esta etapa) que permiten definir los conceptos
y relaciones derivadas aparecen como consecuentes de las reglas en la
B.C.
Etapa III
En la consolidación del conocimiento se tienen en cuenta dos cosas:
1. Coherencia semántica
La coherencia semántica se refiere a hacer explícito al sistema de
procesamiento, mediante reglas, los tipos de argumentos de las relaciones.
Ejemplo :
145
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Esta regla dice que la relación orienta (x,y) tiene como primer argumento
objetos de la categoría semántica "profesor" y como segunda objetos de la
categoría semántica "alumno".
Las reglas que definen propiedades de las relaciones sirven, además de para
filtrar el conocimiento chequeando su integridad, para responder preguntas
sobre la realidad.
Algunas propiedades de las relaciones que se pueden definir como reglas (en
las cuales aparece una sola relación) son: reflexibilidad, simetría,
transitividad y antisimetría. Estas reglas permiten mantener la integridad
de la B.C. y responder a preguntas sobre el problema real. Ejemplos de
éstas son:
146
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
147
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Para que un I.C.A. sea eficaz es necesario que cumpla los requisitos
siguientes:
- Debe ser independiente del dominio de aplicación.
- No debe haber intermediarios entre él y el experto humano, si no, no
tiene razón de existir.
- Debe adquirir el conocimiento de diversas fuentes, incluyendo los
libros de texto.
- Debe ser capaz de manipular los criterios de varios expertos, aún cuando
algunos pudieran ser contradictorios.
- Debe abarcar varias F.R.C.
I.C.A.
148
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
- Aprendizaje de parámetros.
La tarea del ICA puede ser ajustar los parámetros numéricos de cierta
parte del conocimiento, por ejemplo los coeficientes de las reglas de
producción.
- Prototipo demostrativo.
El sistema resuelve una porción del problema (uno o dos casos) mientras
que el enfoque es adecuado y el desarrollo del sistema es factible. La B.C.
contiene entre 50 y 100 reglas. Se alcanza en tres meses.
- Prototipo de investigación.
El sistema muestra resultados creíbles sobre todo el problema, pero no
está totalmente probado y revisado. Su B.C. contiene entre 200 y 500
reglas y resuelve un gran número de casos. Requiere de uno a dos años
de trabajo. La mayoría de los S.E. llegan hasta este estado.
- Prototipo de campo.
El sistema muestra buenos resultados y ha sido completamente revisado
en el medio de trabajo del usuario. Su B.C. contiene de 500 a 1000
reglas. Se alcanza a los dos o tres años de trabajo. Sólo algunos S.E.
llegan a este estado.
- Modelo de producción.
El sistema exhibe alta calidad, confiabilidad, rapidez y eficiencia en el
medio de trabajo del usuario. Su B.C. contiene de 500 a 1500 reglas.
Requiere de dos a cuatro años de labor. Pocos S.E. alcanzan este estado.
- Sistema comercial.
El sistema se usa comercialmente. Este estado se alcanza al cabo de 5 ó
6 años de desarrollo.
149
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
150
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
- Caracterizaciones simbólicas.
Los modelos basados en este enfoque están, en su mayor parte, designa-
dos para manipular el aspecto de la incertidumbre derivado de la
información incompleta, pues, al carecer de medidas para cuantifi-car los
niveles de confidencia, son inadecuados para manipular la información
imprecisa y son más apropiados para permitir seguir la traza desde las
fuentes de información a las conclusiones.
Algunos de los enfoques simbólicos son:
- Suposiciones razonadas.
- Lógica no monotónica.
- Circunscripción.
- Enfoque monotónico.
- Análisis Bayesiano.
- Conjuntos difusos y lógica difusa.
- Teoría de Cohen.
151
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Tanteo = ∑ ( P ∗ Valor ) ,
i
i i
Una regla puede tener varios antecedentes, cada uno con su probabilidad.
Pudiera calcularse la probabilidad múltiple del antecedente, multiplicando las
probabilidades de cada una de las condiciones, pero esto sólo es cierto si son
independientes unas con otras. Sin embargo, esto generalmente no ocurre, por
lo que se utiliza un procedimiento especial conocido como la regla de Bayes, el
cual permite calcular la probabilidad de que ocurra un evento dado que ha
ocurrido otro evento.
152
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
P ({e1 , ... , e m } / hi ) ∗ P ( hi )
P (hi / {e1 , ... , e m }) = n
∑ P({e , ... , e
j =1
1 m } / h j ) ∗ P(h j )
- Este método requiere una gran cantidad de datos para determinar los
estimados para las probabilidades a priori y a posteriori, lo cual a veces no
es fácil de obtener, pues no se dispone de valores exactos sino de
estimaciones subjetivas.
- La evaluación de la fórmula de Bayes en un dominio complejo requiere
gran cantidad de cálculos, pues deben considerarse muchas probabilida-
des, las cuales pueden contribuir mínimamente a la precisión de las
respuestas.
- Si se añade un cambio a la B.C. existente hay que cambiar las
probabilidades, pues la suma de las probabilidades de todos los resultados
posibles, o sea, la suma de las probabilidades de todas las hipótesis
posibles que revelan la evidencia E debe ser 1. Ejemplo: si añadimos una
nueva hipótesis (por ejemplo si identificamos una nueva enfermedad con
un síntoma común a un conjunto de enfermedades existentes) hay que
calcular de nuevo todos los valores.
- Para que la fórmula de Bayes dé una estimación precisa de la probabilidad
de un resultado concreto todos los resultados posibles deben ser
disjuntos. Nunca pueden darse dos de ellos a la vez. Ejemplo: una
paciente puede tener dos o más infecciones.
- La precisión de la fórmula de Bayes depende también de la disponibilidad
de un conjunto completo de hipótesis. En otras palabras, siempre debe ser
cierta como mínimo una de las hipótesis conocidas. Ejemplo: un paciente
puede tener una enfermedad que nadie haya diagnosticado anteriormente.
153
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
1 si P(h) = 1 (h es verdadera)
MB(h, e) si P(h/e) > P(h)
FC(h, e) = 0 si P(h/e) = P(h) (no se sabe nada)
- MD(h, e) si P(h/e) < P(h)
-1 si P(h) = 0 (h es falsa)
P(h/e) - P(h)
si P(h/e) > P(h)
MB(h, e) = 1 - P(h)
0 en caso contrario
P(h) - P(h/e)
si P(h/e) < P(h)
MD(h, e) = P(h)
0 en caso contrario
154
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
P(h/e) - P(h)
FC(h,e) =
P(h/e)(1-P(h))+P(h)(1-P(h/e))
155
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
1 si x pertenece a S
Cs(x) =
0 si x no pertenece a S
En casi todos los sistemas lógicos si una proposición C puede ser derivada de
un conjunto de proposiciones S, y si S es un subconjunto de S', entonces C
puede también ser derivada de S'. Esto es, añadir información sin eliminar
ninguna, NO puede eliminar vinculaciones deductivas: cuando un sistema
incrementa sus premisas, sus posibles conclusiones al menos se mantienen
constantes (o se incrementan). Los sistemas deductivos con esta propiedad se
llaman monotónicos.
156
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
• Formalismo de Reiter.
La esencia de este formalismo se puede ilustrar con el siguiente ejemplo: si
una base de datos que contiene la información de los vuelos de una línea
aérea NO tiene información sobre cierto vuelo, se justifica concluir que tal
vuelo no existe. Lo cual puede ser generalizado así:
157
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
158
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Analicemos un ejemplo:
R1: Si la temperatura es alta y la presión de los gases es alta, entonces
cerrar la válvula de inyección de combustible del horno de cemento
con F.C.=0.8.
R2: Si el proceso de quemado es incompleto, entonces cerrar la válvula de
inyección de combustible del horno de cemento con F.C.=0.75.
Calculemos el F.C. de D.
FC(D)= FC(R1) + FC(R2) - FC(R1) * FC(R2)
FC(A ∧ B)= mín(FC(A),FC(B))= 0.8
FC(R1)= 0.8 * 0.8 = 0.64
FC(R2)= 0.65 * 0.75 = 0.4875
FC(D)= 0.64 + 0.4875 - 0.64 * 0.4875 = 0.8155
159
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
- simbólico, sobre cómo resolver los problemas del dominio. Se usan las
F.R.C. estudiadas.
- probabilidades o frecuencias que modelan como se relacionan los valores
de los diferentes rasgos que caracterizan el dominio
- pesos de una red neuronal
- casos o ejemplos de problemas del dominio
160
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
161
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
162
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Método de búsqueda de la
Memoria
Módulo de adaptación
Nuevo
163
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
164
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
165
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Aplicabilidad de RBC
166
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Desventajas
El RBC es una forma de RA. La analogía y el RBC son dos lados de la misma
moneda. El RBC es un método de realizar la solución de problemas por
analogías, pero es una forma más novedosa del RA.
R.B.C. R.A.
Intenta encontrar situaciones útiles Se tiende a buscar situaciones
similares
La solución de problemas por analogía ha Se trata de establecer la semejanza
tendido a examinar analogías entre entre problemas del mismo
situaciones de dominios diferentes. dominio.
Los problemas son más complejos, pues Usualmente requieren solamente de
requieren ser resueltos por partes y reinstanciación de variables
necesitan de un esfuerzo de adaptación.
La solución de problemas por RBC No requiere interacción con el
generalmente necesita interacción con el usuario.
mundo real y posibilidades de explicar
cómo se recupera el caso semejante. Los
trabajos sobre recuperación han tenido mas
prioridad que los de adaptación dentro de la
comunidad de RBC.
Una correspondencia exacta se considera Una correspondencia exacta no se
perfecta. considera una relación analógica.
Los sistemas basados en casos son Los sistemas analógicos tienen un
pragmáticos y orientados a tarea. alcance más amplio de razonar en
aprendizaje y generalización.
Focaliza la adquisición y organización de Enfatiza en los procesos de
los casos transferencia de información de
una situación a otra
167
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
R.B.R. R.B.C.
Ingeniería del conocimiento más Ingeniería del conocimiento más fácil. Sólo se
difícil. Se generan las reglas. generan los ejemplos.
Se desarrollan más lento con Se desarrollan más rápido con muchos
menos requerimientos técnicos. requerimientos técnicos.
Sobre un hardware secuencial Sobre un hardware paralelo su eficiencia es
su eficiencia es superior. superior.
Usan reglas por lo que es más No usan reglas como estructuras intermedias
propenso a las imprecisiones. por lo que hay pocas oportunidades para
inadvertidamente introducir imprecisiones.
Las reglas en la B.C. son Los casos en la B.C. son constantes.
patrones.
Las reglas igualan la entrada en Los casos igualan la entrada en forma
forma exacta. parcial.
No reconocen el límite de su Se puede evitar el riesgo de que el sistema
habilidad. ofrezca una solución equivocada, lo cual
puede ocurrir cuando el problema que se
enfrenta está en el límite del conocimiento
existente en la base de conocimiento. Para
esto es suficiente definir un rango
permisible de semejanza entre los elementos
de la memoria y el nuevo problema. Cuando
ninguno de los casos resueltos tenga un
grado de semejanza dentro del rango
establecido el sistema podrá saber que él NO
SABE resolver ese problema. (Ver **)
Se necesita un procedimiento El grado de veracidad de la solución
de manipulación de encontrada se obtiene directamente a partir
incertidumbre. del grado de semejanza entre el problema y el
caso recuperado.
Las reglas se escriben en Los casos se pueden representar de muchas
formato IF-THEN. formas: BD, estructuras, textos, etc.
La justificación de las acciones La justificación se elabora a partir de la
se realiza a partir de la semejanza y/o diferencia con un caso
cadena de inferencia conocido
Ofrece medios para manejar No ofrece medios para manejar grandes
grandes secuencias de secuencias de relaciones de causalidad.
relaciones de causalidad.
168
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
RBC vs RNA
- Los sistemas con RBC a diferencia de las RNA no requieren una etapa de
entrenamiento, ellos producen resultados inmediatamente.
- Los sistemas con RBC son comprensibles, ellos pueden potencialmente
explicar cómo se alcanza una solución.
- Ambas trabajan con un grupo de ejemplos.
169
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
Bibliografía
170
Inteligencia Artificial.
- Sistemas basados en el conocimiento.
171