INTELIGENCIA ARTIFICIAL
CORPORACIÓN TECNOLÓGICA
Unidad lV. SISTEMA DE RAZONAMIENTO.
4.1. Reglas de producción.
Reglas de Producción
Regla se entiende como una proposición lógica que relaciona 2 o más objetos e incluye 2 partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o ó no.
Reglas de producción. Es un método procedimental de representación del conocimiento, pone énfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposición a los métodos declarativos (hechos).
La estructura de una regla es:
SI <antecedentes>
ENTONCES <consecuentes>
Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hipótesis.
Cada regla por si misma constituye un gránulo completo de conocimiento.
La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay dos tipos, según el sentido:
Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema.
Sistemas de encadenamiento hacia atrás: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.
Arquitectura de los Sistemas Basados en Reglas:
Base de Conocimientos: reúne todo el conocimiento del sistema (Hechos + Reglas).
Memoria Activa: contiene los hechos que representan el estado actual del problema (iniciales + inferidos a posteriori) y las reglas activadas (en condiciones de ser ejecutadas).
Motor de Inferencias: decide que reglas activadas se ejecutarán.
Sintaxis de las reglas de producción
Definición
Método procedimental de representación del conocimiento
Estructura
SI representa <condiciones>
Entonces representa <conclusiones, acciones, hipótesis>
Cada regla SI-ENTONCES establece un granulo completo de conocimiento
Regla = Operador valido en un espacio de estados
CONDICIONES (tb. premisas, precondiciones, antecedentes, ...)
Las condiciones
Formadas por clausulas y conectivas (AND, OR, NOT)
Representación clausal debe corresponderse con conocimiento del dominio
Formato típico: <parámetro/relación/valor>
Formato típico
PARAMETRO: característica relevante del dominio
RELACION: entre parámetro y valor
VALOR: numérico, simbólico o literal
También en forma de predicados lógicos
CONCLUSIONES, ACCIONES, Hipótesis.
Conclusiones, Hipótesis: conocimiento declarativo
Acciones: cq. acción procedimental (actualiza. conocimiento, interacción con exterior, etc..)
Reglas especiales
Reglas IF ALL: equivalen a reglas con las clausulas de las condiciones conectadas con AND
Reglas IF ANY/ IF SOME: equivalen a reglas con las clausulas de las condiciones conectadas con OR
Ejemplo
IF: temperatura = alta
AND sudoración = presente
AND dolor muscular = presente
THEN: diagnostico preliminar = gripe
IF: diagnostico preliminar = gripe
AND descompos organos = presente
THEN: diagnostico preliminar = ébola
Arquitectura de un sistema experto
4.2.1 Conocimiento Causal
La causalidad no tiene carácter necesario cuando se aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repetición (o conjunción constante).
es algo que esperamos que suceda, no algo que deba suceder necesariamente sino algo que debe ser evaluado en términos de posibilidad.
, la falta de un concepto de causalidad nos conduce necesariamente al escepticismo.
Los conocimientos causales y de procedimientos fueron propuestos por Zack en el año de 1999
Este tipo de conocimiento tiene que ver con el porqué ocurren las cosas. Es un tipo de conocimiento explícito y compartido mediante historias de la organización, posibilita una estrategia de coordinación para alcanzar objetivos y resultados.
las generalizaciones causales nos explican el porqué de las cosas: ¿Por qué se ha muerto mi perro? ¿Por qué hay paro? ¿Por qué se adelantan las elecciones?
La causalidad
El argumento causal pretende razonar la existencia de una causa para determinado efecto. Su conclusión dice:
A causa B.
Mi perro ha muerto porque comió un cebo envenenado.
Ventajas Y DESVENTAJAS.
VENTAJAS
Modularidad del enfoque
Captar conocimiento probabilístico útil.
DESVENTAJAS
Carencia de formalización, aunque debido a su similitud con las fórmulas de la lógica verifica muchos de sus teoremas.
Conocimiento de procedimiento Y Conocimiento causal.
CC
Como administrar ciertas cosas, por ejemplo administrar un medicamento.
CP
Comprender el porqué de las cosas, por ejemplo el por qué un Medicamento es efectivo.
Aplicación:
Para considerar la causalidad desde un punto de vista computacional, se requiere la obtención de modelos causales imprecisos. Por esto es necesario considerar la utilización de técnicas de Soft Computing.3 Dentro de estas tenemos las RB y los MCD.
REDES BAYESIANAS
Las probabilidades condicionales brindan una herramienta para manejar la incertidumbre en las relaciones causales.13,14 La actualización de las probabilidades condicionadas se fundamenta en la aplicación del Teorema de Bayes:
Las RB (Fig. 2) permiten seleccionar solo las variables que tienen relaciones causales para el cálculo de las probabilidades condicionadas. Una RB muestra la estructura relación-dependencia entre las diferentes variables del dominio (nodos) y su distribución de probabilidad. Estas ofrecen un modelo apropiado para caracterizar la causalidad en términos de probabilidades condicionales.10 En este sentido han sido ampliamente utilizadas.
MAPAS COGNITIVOS DIFUSOS
Los MCD son una técnica introducida por Kosko como una extensión de los mapas cognitivos utilizando lógica difusa.
Los MCD mejoran los mapas cognitivos al describir la fortaleza de la relación mediante el empleo de valores borrosos en el intervalo [-1,1]. Los nodos son conceptos causales y pueden modelar eventos, acciones, valores, metas o procesos . Constituyen una estructura de grafo difuso con retroalimentación para representar causalidad. Combinan herramientas teóricas de los mapas cognitivos, la lógica difusa, las redes neuronales, las redes semánticas, los sistemas expertos y los sistemas dinámicos no lineales.
4.2.2 Conocimiento De Diagnostico
El problema del diagnóstico ha sido, desde los comienzos de la IA, uno de los más estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos.
El diagnostico en el campo de la medicina es sin duda, una de las áreas de la IA que supone todavía una gran desafió.
Una de las características más frecuentes en resolución del problema del diagnóstico en dominios reales es la necesidad de trata con la dimensión temporal.
Una tendencia cada vez más habitual a la hora de desarrollar sistemas de diagnóstico temporal es necesario abordar el problema del diagnóstico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximación más adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.
Aplicación:
Es habitual separar detección y diagnostico de fallos, con le propósito de diferenciar entre los efectos producidos por los fallos en las variables situaciones, ruido en las medidas perturbaciones.
La solución de estos problemas para por añadir cientos rasgos de inteligencia a los métodos anteriores con la ayuda de las técnicas que proporciona la inteligencia artificial. Así, la incertidumbre y la imprecisión pueden tratarse de la lógica borrosa, las redes neuronales artificiales ofrecen la solución ala identificación de modelos no lineales, los algoritmos genéricos permiten la adaptación para optimizar determinadas tareas.
Redes neuronales artificiales
Las redes neuronales artificiales (RNA) un algoritmos de computación que basan su potencia en el ajuste de los pesos que ponderan la entrada de cada neurona (el método básico del calculo), para calcular la salida que debe entregarse otros neuronas para conseguir su objetivo de calculo común para toda la red.
Diseño y programación de una RNA (red neuronal artificial)
Con un paradigma convencional de programación en ingeniería del software, el objetivo del programador es modelar matemáticamente (con distintos grados de formalismo) el problema en cuestión y posteriormente formular una solución (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema
Por ejemplo en una red que se va a aplicar al diagnóstico de imágenes médicas; durante la fase de entrenamiento el sistema recibe imágenes de tejidos que se sabe son cancerígenos y tejidos que se sabe son sanos, así como las respectivas clasificaciones de dichas imágenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podrá recibir imágenes de tejidos no clasificados y obtener su clasificación sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de características de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatómica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra).
Conclusión:
En algunos sistemas de producción se ejecutan todas las reglas que pasan la fase del cotejo. En otros sistemas de producción tales reglas se consideran sólo como sugerencias; la fase de resolución de conflictos sirve para decidir cuál de las sugerencias se va a aceptar.
Los sistemas de producción basados en el encadenamiento hacían adelante constituyen los fundamentos de buena parte de los primeros trabajos en IA. En particular, un sistema como XCON (originalmente denominado R1) se construyó utilizando una arquitectura para sistema de producción (basada en reglas). XCON contiene varios miles de reglas que sirve para diseñar las configuraciones de los componentes de computadoras. Fue uno de los primeros innegables éxitos comerciales del naciente campo de los sistemas expertos. Son muchos los sistemas que se han construido utilizando la misma tecnología básica, y que sea implantado con el lenguaje propósito general
4.3. Arquitectura de un sistema de producción.
Introducción
Actualmente, existen muchos métodos de búsqueda, unos más complejos que otros, pero siempre se toma en cuenta que se llegue a un resultado. En este caso, se va a explicar los componentes principales de un sistema de producción y como estos actúan, en cuanto reciben una petición por parte del usuario.
Un sistema de producción proporciona una estructura que facilita la descripción y la ejecución de un proceso de búsqueda.
Objetivo
Conocer la arquitectura típica de un sistema de producción, distinguiendo los distintos componentes.
Antecedentes
Newell y Simon (1972)
Modelan el comportamiento inteligente mediante reglas (las pautas de actuación de un “agente inteligente” son reglas).
Buchanan y Feigen (1978) Primer sistema basado en reglas. Generación de estructuras químicas que expliquen los resultados espectro gráficos.
Buchanan y Shortliffe (1984) Sistema MYCIN. El primer sistema en el que se usan reglas tal como se entienden hoy en día.
¿Qué es un Sistema de Producción?
Sistemas inteligentes basados en reglas que operan frente a una base de hechos con mecanismos de emparejamiento formando parte explícita de su arquitectura.
Sistemas dirigidos por los datos
Las inferencias se obtienen cuando los antecedentes de alguna (o más de una) de sus reglas de producción se emparejan con, al menos, una parte de los hechos que describen el estado actual.
Cuando esto ocurre, se dice que la regla en cuestión se ha activado, y está en condiciones de ser ejecutada. Su ejecución o no dependerá de la estrategia de exploración elegida.
Son menos específicos, porque ejecutarán todas las reglas disponibles en función de la información introducida.
Sistemas dirigidos por los objetivos
Tanto los antecedentes como los consecuentes de las reglas deben ser considerados como aserciones sobre los datos. En este caso, la activación de las reglas tiene lugar por medio de un encadenamiento regresivo, y el emparejamiento se efectúa a través de las conclusiones de las reglas.
Para alcanzar una determinada meta hay que configurar un proceso evocativo en el que, de forma recursiva, se van estableciendo los antecedentes de las metas como submetas de orden inferior.
Son más específicos, porque la ejecución lleva implícito un proceso de búsqueda.
Componente: Base de Conocimiento
Describe el universo de discurso o dominio en el cual el sistema de producción tiene que plantear soluciones.
Características
Ejemplo: Base de Conocimiento.
Componente: Memoria Activa
Es la estructura que contiene toda la información de naturaleza estática necesaria para resolver un problema concreto. Esta información incluye:
Datos iniciales del problema.
Datos incorporados con posterioridad.
Hechos establecidos durante los procesos inferenciales.
Hipótesis de trabajo, metas o submetas que todavía no han sido establecidas.
Ejemplo: Memoria Activa
Ejemplo: Memoria Activa
Motor de Inferencia
Intérprete de reglas + Estrategia de control. Separación con el conocimiento.
Funciones:
Examinar la memoria activa y determinar qué reglas deben ejecutarse (estrategia de búsqueda + resolución de conflictos). Encontrar conexiones entre estados iniciales del problema y estados solución.
Desde las premisas a las conclusiones.
Desde las soluciones a los datos iniciales.
Desde ambos simultáneamente.
Motor de Inferencia
El intérprete no es más que un programa secuencial cuya misión es determinar el siguiente paso a ejecutar.
La estrategia de control es el mecanismo que examina la memoria activa y determina qué regla disparar, a través de los llamados ciclos básicos del sistema, y en función de ciertos parámetros como:
Criterios de activación elegidos.
Estrategias de búsqueda implementadas.
Dirección de tránsito por el espacio de estados
Motor de Inferencia
Criterios para optimizar la exploración del espacio de estados que debe satisfacer la estrategia de control:
Producir movimientos válidos en el espacio de estados
Ser sistemáticos
Ser eficiente
Motor de Inferencia
Debe incluir:
Motor de Inferencia
El primero es la forma natural de trabajar para sistemas dedicados al análisis y la interpretación, como por ejemplo DENDRAL.
El segundo es el método utilizado por sistemas con tareas de diagnóstico, como MYCIN.
Es posible combinar ambas aproximaciones: razonamiento bidireccional. El mecanismo básico es normalmente encadenamiento regresivo, y sólo cuando se establecen nuevos hechos se emplearía encadenamiento progresivo para maximizar el uso de nuevos datos.
Arquitectura de un Sistema de Producción
Arquitectura de un Sistema de Producción
4.3.1 hechos
¿A que se refiere los hechos?
La base de hechos es el conjunto de información invariable de una a otra resolución.
Los hechos se diferencian de los datos en el sentido que los hechos forman parte del SP, mientras que los datos, al poder variar de una solución a otra, conviene agruparlos en archivos externos al SP.
Ejemplo
Unos de los tantos hechos que pueden constituir un sistema de producción para realizar un diagnostico médico y producir un tratamiento, son los siguientes:
Fiebre, toser, dolor muscular y no tiene úlcera, etc.
Ejemplo
Mycin
Mycin es un sistema experto desarrollado a principios de los años 70 por Edward Shortliffe, en la Universidad de Stanford.
Su principal función consistía en el diagnóstico de enfermedades infecciosas de la sangre.
Mycin era capaz de “razonar” el proceso seguido para llegar a estos diagnósticos, y de recetar medicaciones personalizadas a cada paciente (según su estatura, peso, etc.).
Método
El funcionamiento de Mycin se basaba principalmente en un sencillo motor de inferencia, que manejaba una base de conocimiento de aproximadamente unas 500 reglas.
El programa capturaba las entradas a partir de una serie de preguntas
¿Tiene el paciente molestias en el pecho?.
¿Ha sido operado el paciente anteriormente?).
Tras este proceso, Mycin mostraba la salida por pantalla, que consistía en una serie de posibles enfermedades (ordenadas por su probabilidad asociada), la explicación del por qué de cada uno de estos diagnósticos, y una serie de recomendaciones sobre el tratamiento a seguir por el paciente.
Poco a poco Mycin fue cayendo en desuso, debido principalmente a alguna de las debilidades que el programa presentaba, y también, por cuestiones éticas y legales que surgían al volcar la responsabilidad de la salud de una persona a una máquina (por ejemplo, si Mycin se equivocaba en algún diagnóstico,
¿Quién asumía la culpa, el programador o el médico?).
Conclusión
Un sistema de producción proporciona una estructura que facilita la descripción y la ejecución de un proceso de búsqueda.
La arquitectura de un sistema de producción, nos ayuda a comprender mejor, un proceso de búsqueda, ya que proporciona una estructura detallada y organizada del proceso.