INTELIGENCIA ARTIFICIAL

Unidad lll. REPRESENTACIÓN DEL CONOCIMIENTO Y RAZONAMIENTO.

 

 

3.1. Sistemas basados en conocimiento.

 

Sistemas Basados en Conocimientos

Es un sistema computarizado capaz de resolver problemas en el dominio en el cual posee conocimiento específico.

 

Un SBC es un sistema de basado en computadora  que utiliza y genera conocimiento de datos, información y conocimiento.

 

Sistemas Basados en Conocimientos

Un Sistema Basado en Conocimientos(SBC) es una tecnología de quinta generación.

 

Pertenece a uno de los mas grandes grupos de la IA.

 

Surgen porque las tareas demandan sistemas que tengan inteligencia.

 

Sociedad e industria están orientándose al conocimiento y apoyándose de las habilidades de expertos en la toma de decisiones .

 

Objetivos de los SBC

Proporciona un alto nivel de inteligencia.

Ayuda a las personas en el descubrimiento y desarrollo de campos desconocidos.

Ofrece una gran cantidad de conocimiento.

Ayuda en la gestión del conocimiento almacenados en la base de conocimiento.

Resuelve problemas en una mejor forma.

Adquirir nuevas percepciones por simulación de situaciones desconocidas.

Ofrecen mejorar significativas de la productividad.

Comparativa entre SBC y  SIBO

Comparativa entre SBC y  SIBO

El Ciclo de Vida de los SBC

Análisis del Problema.

Especificación de Requerimientos.

Diseño Preliminar.

Prototipo Inicial y Evaluación.

Diseño Final.

Implementación.

Pruebas.

Ajustes al Diseño.

Instalación, Implantación y Mantenimiento.

Proceso de Especificación de Requerimientos

 

Categorías de los SBC

Sistemas Expertos

Sistemas Vinculados

Sistemas Basados en CASE

Bases de datos con inteligentes interfaces de usuarios

Sistemas inteligentes de tutorías

 

Sistemas Expertos

Pionero de los SBC y mas popular.

 

Sustituye a uno o más expertos para la resolución de problemas.

 

Son más útiles en situaciones que los SIBO

 

Aplicaciones que involucran SE

Cuando un experto no está disponible

 

Cuando la experiencia debe ser almacenada para uso futuro, o cuando la experiencia será duplicada o multiplicada.

 

Cuando se requiere entrenamiento o asistencia inteligente para tomar decisiones o resolver problemas

 

Cuando el conocimiento de varios expertos tienen que ser agrupadas.

Beneficios del uso de SE

Mejora la calidad

Aumento de la producción y la productividad

Menor tiempo de inactividad

Reducción de dependencia del personal clave

Flexibilidad y fiabilidad

Conocimiento integrado

Facilita el entrenamiento

Mayor capacidad en la resolución de problemas

Documentación del conocimiento y fácil transferencia de conocimiento.

 

DBMS con una IGUI

IGUI: Interfaz de Usuario Inteligente

No majea información parcial .

No toma decisiones, ni explica por si misma.

 

DBMS. Sistema Gestor de Bases de Datos

 

Puede mejorar el uso de los contenidos

Interactúa con los usuarios en lenguaje natural.

Podría aumentar eficiencia en la toma decisiones.

Los SBC podrían almacenar en una BD el nuevo conocimiento inferido y los resultados del proceso.

 

ARQUITECTURA

 

 

ÁREAS DE DESARROLLO

Entre los campos donde se aplican los Sistemas Expertos destacan:

 

Medicina. Gran parte de los Sistemas Expertos que se han desarrollado se aplican en el área de la medicina, donde su función es realizar diagnósticos de enfermedades basados en el cálculo de probabilidades.

 

Finanzas. Es un  campo importante debido a las grandes inversiones realizadas por entidades financieras, bancarias y aseguradoras.

 

Industria: El reto de los Sistemas Expertos industriales se centra en la necesidad de que se comuniquen con dispositivos sensores, bases de datos, dispositivos de mando y accionamiento en tiempo real.

 

Electrónica. Se orientan al diseño, diagnóstico y reparación. El uso de Sistemas Expertos se debe a la creciente complejidad de los circuitos y al gran número de parámetros a considera en los mismos.

 

Militar. En actividades de monitoreo, diseño, planeación, educación y control.

 

Sistemas vinculados

SBC:  Sistemas Hipermedia, hipertexto, hiperaudio e hipervideo.

 

Contienen vínculos no secuenciales de fragmentos de texto, audio y video.

 

Son vinculados de tal manera que generan sentido y exhiben inteligencia

 

En Internet e intranets son importantes. Sistemas multimedia vinculados so comunes.

 

Sistemas Inteligentes para CASE.

 

Sistemas para guiar el desarrollo de sistemas de información y sistemas inteligentes de calidad y eficacia.

 

Proporcionan la directrices para elegir el modelo, el framework, y realizar pruebas.

 

Ayudan a administrar del riesgo y apoyan las actividades de administración de proyecto

 

Sistemas Inteligentes de Tutoría

Entrenar, educar y motivar a los usuarios. SBC son utilizados para entrenar y guiar a los estudiantes, entrenadores, y profesionales en áreas especificas de diferentes niveles.

 

Útiles para identificar el nivel del usuario y otras restricciones.

 

Evaluación de las habilidades

 

Preparar de material para la documentación  de temas

 

Sistemas inteligentes de tutoría

Sistemas de tutoría basada en dialogo son una rama de este tipo de sistemas. La conversación se da por medio de acciones no verbales tales como señalar o visualizar para evita algoritmos especializados para reconocimiento de voz.

 

Problemas con los SBC

Integridad de la base de conocimiento

 

• Características del conocimiento

 

• Bases de conocimientos muy espaciosas

 

• Adquisición del conocimiento

 

• Lento aprendizaje y ejecución

 

 

Integridad de la base de conocimiento

La mayoría de los sistemas tienen una gran profundidad acerca de conocimiento de un problema y muy poco conocimiento acerca de lo de más.

 

Por ejemplo Si el auto no arranca entonces verifica la batería.

 

El sistema no tiene información acerca de la relación entre la batería y el encendido.

 

Características del conocimiento

Para resolver una tarea simple es necesario una gran cantidad de conocimiento además de que el conocimiento cambia continuamente.

 

Bases de Conocimiento espaciosos

La base de conocimiento contiene varios pedazos de conocimiento en diferentes representaciones, esto hace que la base de conocimiento sea complejo y no estructurado.

 

Una estrategia de control apropiada es necesaria.

 

Adquisición del conocimiento

Es difícil y tedioso adquirir el conocimiento de muchos expertos.

 

Es un proceso costoso.

 

El ingeniero de conocimiento es el responsable del proceso

 

El conocimiento del ingeniero de conocimiento es el que se refleja en el sistema, no el del experto.

No existe metodología única para la adquisición y representación del conocimiento.

 

Para fines de desarrollo se consideran como cualquier otro sistema de información

 

Lento aprendizaje y ejecución

Una vez implementado el modelo del SBC es lento y no puede gestionar grandes volúmenes de información.

 

Es difícil su mantenimiento

 

Por lo que es necesario mejorar las técnicas de obtención, mejores interfaces, mejores metodologías de desarrollo, lenguajes de modelado de conocimiento, etc.

 

CONCLUSION

 

Los SBC no son sistemas que puedan normalmente existir aislados de otros sistemas de tecnología más convencional. Normalmente se trata de sistemas que complementan la funcionalidad que otros aportan. Es muy habitual que estos sistemas necesiten información de partida de otros sistemas o de Bases de Datos existentes. En muchos casos, también, los resultados de un Sistema basado en el Conocimiento tienen que ser exportados a otros sistemas para su tratamiento. De ahí la importancia, a la hora de diseñar un Sistema Basado en el Conocimiento, de contemplar la necesidad de conexión con otros sistemas o con Bases de Datos. Por otro lado, también es frecuente el almacenamiento de la propia información del sistema basado en el conocimiento (Base de Conocimiento, Base de Hechos) en una Base de Datos convencional. 

 

 

3.1.2. Lenguajes utilizados en la representación de conocimiento.

 

Introducción

 

Durante los años 60, se usaban los algoritmos de búsqueda heurística y en la concepción de sistemas para la resolución de problemas con un interés, puramente teórico y académico (demostración de teoremas, juegos, problemas lógicos, etc.)

La representación del conocimiento analiza cómo pensar formalmente.

Generalmente, se usa algún tipo de lógica para proveer una semántica formal de cómo las funciones de razonamiento se aplican a:

Los símbolos del dominio del discurso, además de

Proveer operadores como cuantificadores, modales, etc.

Esto, junto a una teoría de interpretación, dan significado a las frases en la lógica.

 

Propiedades del Conocimiento

Voluminoso

Difícil de caracterizar con precisión.

Incierto/impreciso

Cambia constantemente

La Representación del Conocimiento debe ser Capaz:

Captar generalizaciones

Ser comprensible

Fácilmente modificable, incrementable

Ser usado en diversas situaciones y propósitos

Permitir diversos grados de detalle

Captar la incertidumbre, imprecisión

Representar distinciones importantes

Focalizar el conocimiento relevante

 

Ontología

Una ontología es algo análogo a un esquema de base de datos, no al contenido de la base de datos.

Existen diversos lenguajes para poder representar una ontología

La definición de una ontología como forma de representar los conceptos de interés de un determinado dominio, permite el entendimiento entre distintos programas.

Compras electrónicas por la red

 

Características

Determina la relación entre los elementos del lenguaje y su interpretación en el dominio

Características

Los resultados de los procesos inferenciales realizados sobre la representación interna del conocimiento vuelven a convertirse en hechos del mundo real.

Se han diseñado a lo largo de los años diversos formalismos y lenguajes que permiten modelar de un modo formal el conocimiento.

Dependerá del tipo de problema

Del conocimiento que se quiera representar

De la expresividad que se necesite

Del uso que se le quiera dar

El que un formalismo y un lenguaje sea más conveniente que otro.

Lenguajes Basados en Lógica Formal

Ventajas Conocimiento y su manejo,

Sintaxis y semántica

Ejemplos:

Lógica Proposicional

Lógica de Primer Orden

KIF

Lógicas Descriptivas

 

Lógica Proposicional

Se asigna símbolos a cada sentencia y se utilizan operadores lógicos sobre ellos para crear proposiciones más complejas.

Los símbolos utilizados son:

AND (∧)

OR (∨)

NOT (¬)

IMPLIES (→ o ⇒)

EQUIVALENCE (⇔). 

El libro está en casa (A) y Juan está en el trabajo (B), Juan no puede leer el libro (C)”, podría representarse como:

 

Lógica de Primer Orden

Las constantes = símbolos = minúsculas

Las variables = símbolos = mayúsculas.

Los predicados representan afirmaciones sobre objetos:  “El libro está en casa” se representaría como un predicado de nombre in:

in(libro, casa) O in(X, Y)

Las funciones permiten asociar elementos de un conjunto a un elemento de otro conjunto, por ejemplo: propietario(casa) = juan.

Con todo esto podríamos representar el mismo ejemplo que con lógica proposicional de la siguiente forma:

in(libro, casa) ∧ in(juan, trabajo) → ¬puedeLeer(juan, libro).

 

KIF

Es un lenguaje lógico basado en lógica de primer orden que fue creado con el objetivo de actuar como interlingua entre diferentes formalismos y lenguajes de representación, de forma que para pasar de un lenguaje A a B no hiciera falta crear un mapeo específico, sino que fuera suficiente con existir los mapeos A-Kif y Kif-B.

KIF dispone de su propia sintaxis y algunos añadidos semánticos sobre la lógica de primer orden.

 

Lógicas Descriptivas

Relacionadas con el desarrollo de las ontologías tal como se usan en la actualidad en la web semántica.

La lógica descriptiva se basa en representar el conocimiento utilizando por una terminología o vocabulario del dominio (tbox) y por otra un conjunto de afirmaciones (abox).

El vocabulario consiste en 

Conceptos: conjuntos de elementos

Roles: relaciones binarias entre elementos.

Ejemplo:

Conceptos atómicos: “persona” y “hembra”

Role atómico: “tienehijo” TBOX: representando las relaciones familiares algo como lo siguiente:

La información recogida en la ABOX podría ser algo como:

tieneHijo(Juan, Miguel)
Padre(Juan)
Esposa(Juan, María)

 

Lenguajes Basados en Frames o Marcos

Estos lenguajes son similares a los lenguajes de programación orientados a objetos.

 

Lenguajes Basados en Reglas

Estos lenguajes han sido durante mucho tiempo posiblemente los más usados de todos, principalmente debido a su estrecha relación con los sistemas expertos utilizados en inteligencia artificial.

Su sencillez conceptual y a su paralelismo con las estructuras de control más simples utilizadas en programación.

Mezclar los conceptos de frames y reglas

Web semántica

“Rule Markup Initiative” que ha diseñado el lenguaje RuleML, basado en XML y que por lo tanto está pensado desde su concepción para garantizar la interoperabilidad necesaria en el web.

 

Conclusión

En conclusión, la representación del conocimiento en la IA es la que se la forma de representar la lógica de las cosas que se aprenden y de las que ya se tiene un conocimiento previo, esto sirve para la resolución de problemas futuros y la prevención de estos mismos

Además de que los lenguajes están encargados de representar la lógica y las formas de pensar dentro de la inteligencia artificial, son de vital importancia dentro del aprendizaje.

 

3.2 Mapas conceptuales.

 

Introducción

En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se denominó redes semánticas y que se usa ampliamente para la representar el conocimiento formal. En lingüística, Graesser y Clark han desarrollado un análisis de formas de argumentación en el texto en forma de mapas conceptuales estructurados en ocho tipos de nodos y cuatro tipos de enlaces.

El problema de cómo almacenar el conocimiento a ser usado se llama representación del conocimiento. Cada objeto en el mundo existe en relación con otros objetos. También, cada concepto existe en relación con otro concepto.

Hay quienes piensan que si se puede representar las relaciones mutuas entre conceptos, se puede crear una estructura de conocimiento que sea un modelo cercano al cerebro humano y así poder hacer deducciones y adquirir conocimiento como lo haría una persona. Tal modelo es llamado una red semántica.

 

Desarrollo

• Mapa conceptual

• Redes semánticas

• Mapas conceptuales

Los mapas conceptuales son una representación gráfica del entendimiento de un dominio de una persona o grupo de personas. Puede ser considerado un esquema para la representación de conocimiento. Mapa conceptual es una técnica usada para la representación gráfica del conocimiento. Un mapa conceptual es una red de conceptos. En la red, los nudos representan los conceptos, y los enlaces las relaciones entre los conceptos en forma de flechas etiquetadas El mapa conceptual pueden tener varios propósitos:

El mapeo de conceptos ha tenido un uso extendido como una herramienta de conocimiento.

En términos de su producción de proposiciones que son informativas acerca de un dominio, el mapa conceptual es al menos más eficiente que otros métodos disponibles y es probablemente el método más eficiente para generar modelos del conocimiento de un dominio.

 

 
3.3. Redes semánticas.

 

• Historia de las redes semánticas.

Los responsables de los primeros esquemas de representación formalizados fueron Quillian (1968) y Shapiro & Woddmansee (1971). Las redes semánticas han sido muy utilizadas en inteligencia artificial  (máquinas inteligentes) para representar el conocimiento y por tanto ha existido una gran diversificación de técnicas.

Los elementos básicos que encontramos en todos los esquemas de redes son: Estructuras de datos en nodos, que representan conceptos, unidas por arcos que representan las relaciones entre los conceptos. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de datos.

RED.-

Conjunto de ordenadores o de equipos informáticos conectados entre sí que puede intercambiar información

SEMANTICA.-

Perteneciente o relativo  a la significación de las palabras

• Definición

Redes semánticas Son una forma de representación de conocimiento lingüístico en la que los conceptos y sus interrelaciones se representan mediante un grafo. Las redes semánticas son usadas, entre otras cosas, para representar mapas conceptuales y mentales.

• El objetivo de las redes semánticas

Es desarrollar una infraestructura para generar datos que las computadoras puedan entender, de tal forma que puedan ser compartidos y procesados no sólo por personas sino también por herramientas automatizadas.

 

• Las redes semánticas se componende 2 elementos:

• TIPOS DE ARCOS

• ESTRUCTURALES:

• Instancia o ejemplar:

• Subclase:

• Tiene_parte:

• HERENCIA

• Un nodo hereda las propiedades de los conceptos “más altos en jerarquía” a través de relaciones del tipo subclase_De y tipo_De.

• Se puede utilizar como mecanismo de razonamiento.

• Facilita la realización de mecanismo de razonamiento, reutilización de información y simplificación.

Confrontación:

Es la operación que se realiza cuando se trata de responder a consultas del usuario y se usa como conocimiento el representado en la RS.

 

• CARACTERISTICAS DE LAS REDES SEMANTICAS

• Redes complejas organizadas en jerarquías

• No tienen un vocabulario prefijado de representación

• Representación en procesamiento de lenguaje natural

• Formalismo muy limitado para dominios más complejos

• Fácil comprensión gráfica A.

 

VENTAJAS DE LAS REDES SEMÁNTICAS

• Permiten la declaración de importantes asociaciones en forma explícita.

• Debido a que los nodos relacionados están directamente conectados, y no se expresan las relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda por hechos particulares puede ser significativamente reducido.

 

DESVENTAJAS DE LAS REDES SEMÁNTICAS

• No existe una interpretación normalizada para el conocimiento expresado por la red. La interpretación de la red depende exclusivamente de los programas que manipulan la misma.

• La dificultad de interpretación a menudo puede derivar en inferencias inválidas del conocimiento contenido en la red.

• La exploración de una red asociativa puede derivar en una explosión combinatoria del número de relaciones que deben ser examinadas para comprobar una relación, sobre todo si la respuesta a una consulta es negativa.

• No hay manera de insertar alguna regla heurística para explorar la red de manera eficiente.

• Poca flexibilidad.

 

CATEGORIAS DE LAS REDES SEMANTICAS

• Redes IS-A:

En las que los enlaces entre nodos están etiquetados.

• Grafos conceptuales:

En los que existen dos tipos de nodos: de conceptos y de relaciones.

• Redes de marcos:

En los que los puntos de unión de los enlaces son parte de la etiqueta del nodo.

• Las redes IS-A

• Son el resultado de la observación de que gran parte del conocimiento humano se basa en la adscripción de un subconjunto de elementos como parte de otro más general. Las taxonomías clásicas naturales son un buen ejemplo: Masa_Resorte (MR) es un Sistema Dinámico (SD), un Sistema Dinámico es una combinación de componentes (Comb_Compts), una combinación de componentes es un Sistema Físico.

• Obteniendo un número de proposiciones:

•  

• (∀x)(MR(x)→SD(x))

• (∀x)(SD(x)→Comb_Compts(x))

• (∀x)(Comb_Compts(x)→Sistema_Físico(x))

 

Los grafos conceptuales, propuestos por John Sowa [Sowa  1984], se diferencian de las redes IS-A en que los arcos no están etiquetados, y los nodos son de dos tipos:

• Nodos de concepto, que pueden representar tanto una entidad como un estado o proceso.

• Nodos de relación, que indican cómo se relacionan los nodos de concepto.

 

Conclusión:

El uso de diagramas y el diseño de mapas conceptuales es una práctica corriente en numerosas disciplinas. Desde la simple representación de un diagrama elaborado con lápiz y papel para visualizar y ordenar una tormenta de ideas o para organizar una argumentación, pasando por el empleo de mapas mentales algo más elaborados, hasta la utilización de formas más complejas como la utilización de redes semánticas en inteligencia artificial, grafos vinculados en mecánica o ingeniería eléctrica, redes de Petri en comunicaciones y grafos categoriales en matemáticas, todas estas formas constituyen un intento formal o informal de representar el conocimiento de forma gráfica como una alternativa al lenguaje natural, con el fin de hacerlo más comprensible no sólo al ojo, sino también a la mente y la comprensión humanas.

 

3.4.  Lógica de predicados.

 

Antecedentes

Durante los años 60, la mayor parte de los trabajos de investigación sobre inteligencia artificial se centraban en los algoritmos de búsqueda heurística y en la concepción de sistemas para la resolución de problemas con un interés, en principio, puramente teórico y académico (demostración de teoremas, juegos, problemas lógicos, etc.), pero con la idea implícita de que los resultados pudieran ser aplicables a problemas «reales».

Algunas líneas con posibilidades de aplicación práctica inmediata, como la traducción automática entre lenguajes naturales, se abandonaron pronto al percibirse la dificultad del problema.

A mitad de los 70 comienzan a tomar cuerpo dos ideas clave que, aunque muy relacionadas, no son idénticas. Se trata del «paradigma del sistema experto» y del «paradigma del conocimiento»

 

Lógica de Predicados

En lógica de predicados, los valores de verdad se atribuyen a predicados que denotan relaciones entre entidades del universo modelado.

Por ejemplo, en vez de tener una variable q para representar "Sócrates es un hombre", se escribe el predicado hombre(Sócrates) que relaciona a la entidad "Sócrates" con el hecho de "ser hombre".

Un predicado también puede aplicarse a variables que denotan entidades anónimas o genéricas.

Por ejemplo, para escribir la premisa "Todos los hombre son mortales", que no se refiere a ningún "hombre" en particular, se utiliza el predicado hombre(X) en que X es una variable que denota a cualquier entidad del universo modelado que cumple con el hecho de "ser hombre".

El silogismo completo queda expresado de la siguiente manera:

X (hombre(X)mortal(X))

hombre(Sócrates)mortal(Sócrates)

Después, para obtener la conclusión, se opera exactamente como en la lógica proposicional.

 

Semántica

La semántica del lenguaje, que especifica las restricciones sistemáticas sobre cómo se relacionan las oraciones con aquello que está sucediendo.

Una fbf, como 'cadena de caracteres', no tiene significado real (semántica).

Una estructura establece la 'semántica real' de los elementos de la lógica:

Dominio de la aplicación.

Semántica de las constantes, predicados y funciones.

Qué significado tienen.

Qué se cumple en el mundo real.

 

Sintaxis

La sintaxis del lenguaje, que explica cómo construir oraciones.

Los paréntesis, además de servir como símbolos auxiliares para evitar ambigüedades sin necesidad de recordar el convenio de precedencia, se utilizan para formalizar la idea de que un símbolo de predicado se aplica a símbolos que representan a un objetos: p(x,A) representa la relación p entre la variable x y la constante A.

Encerrar entre paréntesis una oración produce también una oración, por ejemplo (PËQ)

Esta construcción, símbolo de predicado aplicado sobre uno o varios símbolos representativos de objetos, que sustituye a las antiguas «variables proposicionales» , se llama fórmula atómica, o, simplemente, átomo.

 

Término

Un término es una expresión lógica que se refiere a un objeto. Por lo tanto, los signos de constante son términos.

“La pierna izquierda del rey Juan”.

Para eso son los signos de funciones: en vez de utilizar un signo de constante, se emplea

PiernaIzquierdaDe(Juan)

 

Oraciones Atómicas.

Una oración atómica está formada por un signo de predicado y por una lista de términos entre paréntesis.

Hermano(Ricardo,Juan)

Afirma, que Ricardo es el hermano Juan. Las oraciones atómicas pueden llegar a tener argumentos que son términos complejos:

Casado(PadreDe(Ricardo),MadreDe(Juan))

Afirma que el padre de Ricardo está casado con la medre de Juan. 

 

Oraciones complejas

Mediante los conectores lógicos se pueden construir oraciones más complicadas, como en el cálculo proposicional. La semántica de las oraciones formadas utilizando los conectores lógicos es idéntica a la del caso de las proposiciones.

Hermano(Ricardo, Juan)^ Hermano(Juan, Ricardo) es verdadera sólo cuando Juan es el hermano de Ricardo y Ricardo es el hermano de Juan.

¬Hermano(Robin, Juan) es verdadera sólo si Robin no es hermano de Juan.

Sintaxis de Preposiciones

 

Conclusiones

La lógica de preposición es de gran y suma importancia, ya que con ellas se puede estimular la búsqueda de conclusiones por medio de términos, operaciones y expresiones.

La lógica de predicados no puede funcionar sin la sintaxis de las palabras, números, letras y signos que son utilizados; en conjunto de la semántica que es la interpretación de lo irreal a forma real, o en su caso, a la forma que pueda ser entendido por algún lenguaje (ya sea a lenguaje máquina o lenguaje humano).

 

3.5 Razonamiento con incertidumbre

 

En situaciones reales, no siempre es posible contar con toda la información. Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy rápidamente.

Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.
Diversos métodos han sido desarrollados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los más generalizados consiste en asignar coeficiente de certeza o de confianza a los hechos que intervienen en las en las condiciones y en la conclusión de una regla.

 

3.5.1 Aprendizaje

•  El aprendizaje es el proceso a través del cual se adquieren o modifican habilidades, destrezas, conocimientos, conductas o valores como resultado del estudio, la experiencia, la instrucción, el razonamiento y la observación. Este proceso puede ser analizado desde distintas perspectivas, por lo que existen distintas teorías del aprendizaje. El aprendizaje es una de las funciones mentales más importantes en humanos, animales y sistemas artificiales.

• Máquina que Aprende: Sistema Organizado que transforma un mensaje de Entrada en una Salida, de acuerdo con un Principio de Transformación. Si tal Principio está sujeto a cierto Criterio de validez, y el Método de Transformación se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el Sistema Aprende.

• Aprendizaje Animal: Cuando los Organismos se Ajustan o Adaptan al Conjunto de Estímulos que provienen del Entorno; Reciben la Información y la Almacena con el fin de Reutilizarla en Situaciones o Patrones de Estímulos Semejantes.

 

Tipos de aprendizaje:

• Habituación: Una Respuesta que decae ante un Conjunto de Estímulos Repetidos (o Continuos) No Asociados a Ningún Tipo de Recompensa o Refuerzo. Implica Tendencia a Borrar todo Tipo de Respuesta ante un Estímulo que No tiene Importancia para la Supervivencia. Sirve como Filtro a un Conjunto de Estímulos No Relevantes.

• Asociativo: Un Evento permite Predecir, con cierta confianza, la Ocurrencia (o no) de otro. Un Animal que Conoce estas Relaciones pueden sacar provecho Anticipándose a esos Eventos y Comportarse apropiadamente.

• Condicionamiento: Un Animal adquiere la Capacidad de Responder a un Estímulo Determinado con la misma Acción Refleja con que Respondería otro Estímulo Condicionante (Refuerzo o Recompensa) cuando ambos Estímulos se presentan Concurrentemente (o sobre puestos en una Secuencia) un cierto número de veces.

• Prueba y Error: Los Animales permanecen siempre Activos y su Atención se fija Primero aquí y luego allá probando todas las Posibilidades inimaginables hasta que de manera mas o menos Accidental resuelve con Éxito la Tarea y Obtiene Recompensa. Requiere la Existencia del Refuerzo (o Recompensa) para animar la Selección de la Respuesta Deseada.

• Latente: Tiene lugar en Ausencia de Recompensa. Se aprende algo que permanece Latente hasta que es Necesario.

• Imitación: Implica Copiar una Conducta, Acción o Expresión Nueva o que resulta Imprescindible de Aprender si no es Copiada de otro Individuo.

• Impronta: La Manera en que un Rango Específico de Estímulos es Capaz de Elicitar una Respuesta pudiendo ser Limitado y Refinado mediante la Experiencia. Su Duración se Restringe a Periodos Sensitivos.

 

3.5.2 Razonamiento probabilístico

Regla de bayes:

• Propuesta en 1763 por el Reverendo T. Bayes

  P(A|B)= P(B|A) P(A) / P(B)

  De forma intuitiva:

  La probabilidad de una hipótesis A dada una evidencia B: P(A|B) es proporcional a probabilidad de la hipótesis P(A) multiplicada por el grado en que la hipótesis predice los datos P(B|A)

• Aplicabilidad

  En muchos problemas dado un conjunto de datos (evidencia) B tenemos que seleccionar la hipótesis A más probable mediante P(A|B)

Forma general de la Regla de Bayes:

• Si se tiene un conjunto de proposiciones completas y mutuamente excluyente se tiene:

 

• O lo que es lo mismo, si tiene una variable aleatoria A con valores

 

Ejemplo:

Intentemos resolver un caso real con probabilidades:

• Se pretende determinar la presencia o no de una enfermedad con un test.

  • En este caso:

    Hipótesis (A): Enfermedad (variable aleatoria con dos valores verdadero y falso).

    Evidencia (B): Test (variable aleatoria con dos valores positivo y negativo).

  • Se tiene:

    P(a)=1/10000 (Prevalencia)

    P(b|a)=0.99 (Sensibilidad)

    P(¬ b| ¬ a)=0.99 (Especificidad)

• Aplicando la Regla de Bayes:

  P(a|b)= P(b|a) P(a) /(P(b|a) P(a) + P(b| ¬ a) P(¬ a))=

 0.99 × 0.0001/ ( 0.99 × 0.0001 + (1-0.99)×(1-0.0001))=

(1/102)=0.0098

P(¬ a |b)=1- 0.0098=0.9902

• Al elegir la hipótesis más probable debemos concluir que con este test si el resultado es positivo lo más probable es que el paciente no esté enfermo!

Conclusión

En conclusión el conocimiento es un conjunto de información almacenada mediante la experiencia y el aprendizaje, o a través de la introspección. En el sentido más amplio del término, se trata de la posesión de múltiples datos interrelacionados que, al ser tomados por si solos poseen un menor valor cualitativo, es por ello que se aplican estos métodos para la comprensión de los mismos.

 

Lógica Difusa fue concebido por Lofti Zadeh un profesor de la Universidad de California en Berkley, quien inconforme con los conjuntos clásicos (crisp sets) que solo permiten dos opciones, la pertenencia o no de un elemento a dicho conjunto la presentó como una forma de procesar información permitiendo pertenencias parciales a unos conjuntos que en contraposición a los clásicos los denominó Conjuntos Difusos (fuzzy sets).

Lógica multivaluada surge como resultado del planteamiento de cómo resolver aquellos problemas que pueden tener más de dos posibilidades de solución (si-no, verdadero-falso), la cual se conoce como lógica bi-valuada. De esta manera se pueden tener entonces más posibilidades de solución. Por ejemplo, si hacemos referencia al estado del tiempo, podríamos decir que el tiempo esta frío, muy frío, caluroso, muy caluroso o normal.

 

Lógica difusa

Es una metodología que proporciona una manera simple y elegante de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa, con ruido o incompleta, en general la lógica difusa imita como una persona toma decisiones basada en información con las características mencionadas.

Una de las ventajas de la lógica difusa es la 6 posibilidad de implementar sistemas basados en ella tanto en hardware como en software o en combinación de ambos. Se fundamenta en los denominados conjuntos difusos y un sistema de inferencia difuso basado en reglas de la forma “SI…ENTONCES…..”

 

Lógica difusa

En contraste con la lógica tradicional, que utiliza conceptos absolutos para referirse a la realidad, la lógica difusa se define en grados variables de pertenencia a los mismos, siguiendo patrones de razonamiento similares a los del pensamiento humano.

Lógica Difusa En Inteligencia Artificial:

Método de razonamiento de maquina similar al pensamiento humano, que puede procesar información incompleta o incierta, característico de muchos sistemas expertos. Con la lógica difusa o borrosa se puede gobernar un sistema por medio de reglas de “sentido común” las cuales se refieren a cantidades indefinidas. En general la lógica difusa se puede aplicar tanto a sistemas de control como para modelar cualquier sistema continuo de ingeni ería, física, biología o economía.

 

Conjuntos Difusos

Son imprecisos, es decir, tienen implícito un cierto grado de difusidad en la descripción de su naturaleza. Esta imprecisión puede estar asociada con su forma, posición, momento, color, textura, o incluso en lo que son.

Funcionamiento Lógico

Métodos de inferencia

Los métodos de inferencia deben ser simples, veloces y eficaces.

Un esquema de funcionamiento típico para un sistema difuso, podría ser:

Donde existen datos de entrada, recepcionados por un sensor, se procesan en el sistema de control donde se le aplican los cálculos y se procesan en una salida que emite un resultado.

 

Aplicaciones

• Productos al consumidor: Lavadoras, Hornos de microondas, Procesadores de arroz, Limpiadores al vacío, Cámaras de video, Televisores, Sistemas térmicos, Traductores.

• Sistemas: Elevadores, Trenes, Automóviles (máquinas, transmisiones, frenos), Controles de tráfico

• Software: Diagnóstico Médico, Seguridad, Compresión de datos.

•  

Lógica Multivaluada

Es un cálculo proposicional en la que hay más de dos valores de verdad. Tradicionalmente, en el cálculo lógico de Aristóteles, había sólo dos valores posibles para cualquier proposición, AND, OR y NOT.

La lógica multivariada se ha usado en matemáticas como procedimiento para buscar modelos no estándar; esto es esencialmente lo que se hace para conseguir los modelos generales de Henkin para la lógica superior, responsables de su teorema de completud.

Por lo que respecta a la informática es ampliamente usada, sirvan los ejemplos siguientes:

 

1. Tipos abstractos de datos

2. Semánticas y lógicas de verificación de programas

3. Definición de lenguajes de programación

4. Álgebras para distintas lógicas

5. Bases de datos

6. Lógica dinámica

7. Semántica de lenguajes naturales

8. Solución de problemas computarizada

9. Representación del conocimiento

10. Programación lógica y deducción automática

 

Eficiencia Deductiva

 

Las deducciones en el cálculo multivariado son más cortas que las correspondientes deducciones en el de primer orden obtenido mediante reducción. Se evitan conclusiones inútiles, tales como los teoremas de primer orden que no tienen contrapartida multivariada porque no son traducción de ninguna de estas fórmulas.

Desde el punto de vista de la deducción automática de teoremas, cuyo objetivo principal es obtener conclusiones lógicas con eficacia y rapidez, evitando resultados indeseados, la reducción a la univariada es inaceptable.

Lógica Multivaluada: Hacia Un Tercer Valor De Verdad

El principio de bivalencia ha sido tomado tradicionalmente como un principio lógico fundamental: toda proposición es verdadera o falsa. Si no es verdadera, es falsa y si no es falsa, es verdadera. No hay tercera opción. Por eso se le conoce también como principio del tercer excluso. La carga de la prueba descansa sobre quién defienda la tesis de que el principio es falso, es decir que existen más valores además de los dos tradicionales.

Quien quiera defender la existencia de un tercer valor de verdad (o de otros más) tendría que mostrar:

 

1. Cuál sería ese tercer valor

2. En qué sentido es un valor de verdad

3. A qué (tipo de) proposiciones se le aplicaría. Mostrar ejemplos de proposiciones que claramente no sean verdaderos ni falsos.

4. Cómo se comportarían lógicamente dichas proposiciones. Cómo interactuarían con otras proposiciones. Cuál es su lógica?

 

La teoría de los Conjuntos Difusos y sus ulteriores desarrollos, constituyen modelos que resultan especialmente útiles para tratar con la incertidumbre de manera más "natural" y más "humana" que la lógica y la teoría de conjuntos clásicas.

La lógica multivaluada es empleada en:

En geometría, por tomar un ejemplo clásico y sencillo, usamos distintos universos para puntos, líneas, ángulos, triángulos, etc.

En la teoría de espacios vectoriales tenemos universos distintos para vectores y escalares. Además de eso, podemos incluir universos para sub-espacios, métricas y aplicaciones lineales.