Unidad 4.

Sistema de
Razonamientos

Instituto Tecnolgico Superior de

San Andrs Tuxtla
Materia:
Inteligencia Artificial

Docente:
Angelina Mrquez Jimnez

Integrantes:
Balderas Gonzlez Mayra Isabel
Chagala Ortiz Mario Ren
Espinoza Velasco ngel de Jess
Gonzlez Prez Francisco Javier
Maldonado Lucho Francisco Ivn

Carrera:
Ingeniera en Sistemas Computacionales

Grupo:
804-A

Introduccin
En esta investigacin se habla de Reglas de produccin. Es un mtodo
procedimental de representacin del conocimiento, pone nfasis en representar y
soportar las relaciones inferenciales del algoritmo, en contraposicin a los mtodos
declarativos. La sintaxis de las reglas de produccin, as como una representacin
formal de una relacin, una informacin semntica o una accin condicional. Una
regla de produccin tiene, generalmente, la siguiente forma: SI Premisa
ENTONCES Consecuencia. Ofrecen una gran facilidad para la creacin y la
modificacin de la base de conocimiento.
Lo anterior permite proveer de conocimientos a la computadora, definiendo
condiciones (reglas) que utiliza los hechos que se declaran en la base de
conocimientos.
Otro mbito de mucha importancia es el problema del diagnstico, que, desde los
comienzos de la IA, es uno de los ms estudiados y donde los investigadores han
cosechado tanto satisfacciones como fracasos. El diagnstico en el campo de la
medicina es sin duda, una de las reas de la IA que supone todava una gran
desafi. Una de las caractersticas ms frecuentes en resolucin del problema del
diagnstico en dominios reales es la necesidad de trata con la dimensin temporal.
As, una vez propuesto un modelo terico, una tendencia cada vez ms habitual a
la hora de desarrollar sistemas de diagnstico temporal es necesario abordar el
problema del diagnstico temporal desde diferentes enfoques, permitiendo
seleccionar cual es la aproximacin ms adecuada para cada problema concreto es
simplificar el dominio para que el modelo inicial sea aplicable.

Unidad 4. Sistema de Razonamiento

4.1 Reglas de produccin
Regla se entiende como una proposicin lgica que relaciona 2 o ms objetos e
incluye 2 partes, la premisa y la conclusin. Cada una de estas partes consiste en
una expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante
los operadores lgicos y, o no.
Reglas de produccin. Es un mtodo procedimental de representacin del
conocimiento, pone nfasis en representar y soportar las relaciones inferenciales
del algoritmo, en contraposicin a los mtodos declarativos (hechos).

La estructura de una regla es:

SI <antecedentes>
ENTONCES <consecuentes>
Los antecedentes son las condiciones y los consecuentes las conclusiones,
acciones o hiptesis.
Cada regla por si misma constituye un grnulo completo de conocimiento.
La inferencia en los Sistemas Basados en Reglas se realiza mediante
emparejamiento. Hay dos tipos, segn el sentido:

Sistemas de encadenamiento hacia adelante: una regla es activada si los

antecedentes emparejan con algunos hechos del sistema.
Sistemas de encadenamiento hacia atrs: una regla es activada si los
consecuentes emparejan con algunos hechos del sistema.

Arquitectura de los Sistemas Basados en Reglas:

Base de Conocimientos: rene 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 ejecutarn.

4.1.1 Sintaxis de las reglas de produccin

Mtodo procedimental de representacin del conocimiento
Estructura:
SI <condiciones>
ENTONCES <conclusiones, acciones, hiptesis>
Cada regla SI-ENTONCES establece un granulo completo de conocimiento
Regla_ Operador valido en un espacio de estados
CONDICIONES (tb. premisas, precondiciones, antecedentes, )
Formadas por clausulas y conectivas (AND, OR, NOT)
Representacin clausal debe corresponderse con conocimiento del dominio
Formato tpico: <parmetro/relacin/valor>
PARMETRO: caracterstica relevante del dominio
RELACIN: entre parmetro y valor
VALOR: numrico, simblico o literal
Tambin en forma de predicados lgicos
Reglas especiales
Reglas IF ALL: equivalen a reglas con las clusulas de las condiciones conectadas
con AND
Reglas IF ANY/ IF SOME: equivalen a reglas con las clusulas de las condiciones
conectadas con OR
EJEMPLO
IF: temperatura = alta
AND sudoracin = presente
AND dolor_muscular = presente
THEN: diagnostico_preliminar = gripe
IF: diagnostico_preliminar = gripe
AND descompos_organos_internos = presente
THEN: diagnostico_preliminar = _abola

Sistemas basados en reglas de produccin

Reglas_ Operadores en bsquedas en espacio de estados
Inferencia similar al MODUS PONENS (con restricciones)
Sintaxis relajada
Se permiten acciones en los consecuentes
Mecanismo de control determina que inferencias se pueden realizar

Tipos de sistemas
En funcin de sintaxis de reglas y de mecanismos de control (_bsqueda)
SISTEMA ENCADENAMIENTO HACIA ADELANTE (dirigidos por los datos)
Regla ACTIVADA si antecedentes emparejan con algunos hechos del sistema
En IF ALL, todos. En IF ANY, al menos uno.
Se parte de los hechos ya confirmados en el sistema
Se razona hacia adelante buscando antecedentes que emparejen
SISTEMA ENCADENAMIENTO HACIA ATRS (dirigido por los objetivos)
Regla ACTIVADA si consecuentes emparejan con algunos hechos del sistema
Se comienza con una hiptesis
Se razona hacia atrs buscando consecuentes que emparejen
4.2 Semntica de las reglas de produccin
Es una representacin formal de una relacin, una informacin semntica o una
accin condicional. Una regla de produccin tiene, generalmente, la siguiente forma:
SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creacin
y la modificacin de la base de conocimiento. Permite introducir coeficientes de
verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando
durante el proceso de razonamiento mediante unas frmulas de clculo
establecidas) y, en teora, el mtodo asegura que cuantas ms reglas posea ms
potente es. Sin embargo, aunque es la forma de representacin ms intuitiva y
rpida, cuando el nmero de reglas es grande aumenta la dificultad de verificacin
de todas las posibilidades con el consiguiente riesgo de perder la coherencia lgica
en la base de conocimiento.
Los hechos y las reglas asociadas de la base de conocimiento normalmente no son
exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos
hechos y tambin sobre el campo de validez de algunas de las reglas. Para el
manejo de la incertidumbre en los sistemas de reglas se han utilizado varios
sistemas; los tres ms conocidos son los Factores de Certeza (utilizados en
MYCIN), la lgica de Dempster Shafer, y la Lgica Difusa (Fuzzy Logic). El mtodo

de tratar la incertidumbre es una de las caractersticas ms importantes de las

herramientas de desarrollo, y actualmente se encuentra en discusin la validez de
estas lgicas para tratar con la incertidumbre. En sustitucin se han propuesto las
Redes Bayesianas que tienen una base matemtica ms firme. De todas formas,
es un campo actual de investigacin que permanece abierto.

4.2.1 Conocimiento casual

Relacin que vincula dos ideas a travs de una conexin supuestamente necesaria.
Es uno de los tres principios de asociacin.
La causalidad no tiene carcter necesario cuando se aplica a las cuestiones de
hecho, sino que se funda en la costumbre: la repeticin (o conjuncin constante) no
es ms que una creencia; es algo que esperamos que suceda, no algo que deba
suceder necesariamente sino algo que debe ser evaluado en trminos de
posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a
hechos que todava no han sucedido, porque no tenemos evidencia lo todava no
acaecido, la falta de un concepto de causalidad nos conduce necesariamente al
escepticismo.

4.2.2 Conocimiento de diagnstico

El problema del diagnstico ha sido, desde los comienzos de la IA, uno de los ms
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 reas
de la IA que supone todava una gran desafi. Una de las caractersticas ms
frecuentes en resolucin del problema del diagnstico en dominios reales es la
necesidad de trata con la dimensin temporal. As, una vez propuesto un modelo
terico, una tendencia cada vez ms habitual a la hora de desarrollar sistemas de
diagnstico temporal es necesario abordar el problema del diagnstico temporal
desde diferentes enfoques, permitiendo seleccionar cual es la aproximacin ms
adecuada para cada problema concreto es simplificar el dominio para que el modelo
inicial sea aplicable.

4.3 Arquitectura de Sistema de Produccin

Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones
diversas, pero fundamentalmente son usados para:

Modelado de sistemas
Usado para representar escenarios de actuacin con variables complejas, en los
cules no basta con usar realidades absolutas como lo sera un cierto o falso.

En aplicaciones de control, ya que suelen estar basadas en el punto descrito

anteriormente.
Pueden ser usadas para la categorizacin de elementos, detectar patrones.

Como agentes de usuario, los cules van a proporcionar una serie de ayudas a los
expertos en una determinada materia para que tomen las decisiones que ellos
consideren oportunas, en este caso estos sistemas van a ofrecer una ayuda, pero
la decisin final la va a tomar el experto en cuestin. Como ejemplo cabe destacar
el mbito financiero.
Minera de datos y descubrimiento de informacin, consistente en hallar el
conocimiento intrnseco dentro de una base de datos, los cules pueden no estar
presentes a simple vista, pero aplicando sistemas de este tipo pueden llegar a
averiguarse.

4.3.1 Hechos
Una regla es definida como un modo de representacin estratgica o tcnica, la cual
es apropiada cuando el conocimiento con el que deseamos trabajar proviene de la
experiencia o de la intuicin, y por tanto carece de una demostracin fsica o
matemtica.
Representa el estado actual del mundo que se modelizado del problema en curso
de solucin:

Estado inicial: situacin inicial

Estado final: situacin final
Estado intermedio: situacin actual o en curso de resolucin

Parte de la BH es permanente, mientras que otra es temporal (pertenece a la

solucin del problema en curso).
Contiene conocimiento declarativo: hechos(facts) e instancias(instances).
La ejecucin de reglas modifica la BH.

Tipos de reglas y proposiciones

Las proposiciones se pueden clasificar en los siguientes grupos:
Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la
proposicin que forma una regla. El atributo corresponde al grado que determina la
regla.
Grado de Suceso:
Probable, poco probable...
Proposiciones CUANTI FICADAS: Indican cantidades difusas en las reglas.
Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen
informacin contradictoria, lo cual puede acarrear muchos problemas, tales como
malos resultados o generar problemas.
Este tipo de reglas son aquellas que, para un mismo antecedente, tienen:
Consecuentes distintos, por ejemplo:
R1: SI tengo hambre ENTONCES como.
R2: SI tengo hambre ENTONCES no como.
Otros ejemplos de reglas contradictorias son aquellas que estando
encadenadas
En ambos sentidos, niegan un consecuente:
R1: SI he metido un gol ENTONCES estoy feliz.
R2: SI estoy feliz ENTONCES no he metido un gol.

4.3.2 Base de conocimientos

Base de hechos, que alberga los datos propios correspondientes a los problemas
que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria
de trabajo, la base de hechos puede desempear el papel de memoria auxiliar. La
memoria de trabajo memoriza todos los resultados intermedios, permitiendo
conservar el rastro de los razonamientos llevados a cabo. Puede, por eso,
emplearse para explicar el origen de las informaciones deducidas por el sistema en
el transcurso de una sesin de trabajo o para llevar a cabo la descripcin del
comportamiento del propio sistema experto. Al principio del perodo de trabajo, la
base de hechos dispone nicamente de los datos que le ha introducido el usuario
del sistema, pero, a medida que va actuando el motor de inferencias, contiene las
cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas
para obtener las conclusiones buscadas.

Las reglas de produccin son de tipo: SI ENTONCES (SI A ENTONCES B). Donde
tanto las premisas como la conclusin, no son ms que una cadena de hechos
conectados por Y o por O, de forma general seria: SI Y/O Y/O. ENTONCES Y/O
Los hechos son afirmaciones que sirven para presentar conceptos, datos, objetos,
etc. Y el conjunto de hechos que describen el problema es la base de hechos.
Ejemplo de hechos: Juan es un estudiante Juan tiene 8 aos El perro es blanco A
Mara le gusta el cine Pedro prefiere la pelcula La edad de Luis es de 25 aos Pedro
tiene un salario de 200 pesos Una regla es una combinante de hechos que permite
representar conocimientos y sacar inferencia de los mismos. Ejemplo de reglas R1:
si y entonces R2: SI Y ENTONCES R3: SI Y ENTONCES Observe como partiendo
de hechos conocidos que describen algn conocimiento se pueden inferir nuevos
hechos (nuevos conocimientos).

4.3.3 Mecanismos de control

El aspecto ms importante de una base de conocimiento es la calidad de la
informacin que contiene. Las mejores bases de conocimiento han escrito
cuidadosamente los artculos que se guardan actualizado, un sistema excelente de
la recuperacin de datos (tal como a Search Engine), y un formato contento
cuidadosamente diseado y clasificacin estructura.
Una base de conocimiento puede utilizar ontologa especificar su estructura (los
tipos y las relaciones de la entidad) y la clasificacin proyecte. Una ontologa, junto
con un sistema de casos de sus clases, constituye una base de conocimiento. La
determinacin de qu tipo de informacin se captura, y donde esa informacin
reside en una base de conocimiento, es algo que es determinado por los procesos
que apoyan el sistema. Una estructura de proceso robusta es la espina dorsal de
cualquier base de conocimiento acertada.
Algunas bases de conocimiento tienen inteligencia artificial componente. Estas
clases de bases de conocimiento pueden sugerir soluciones a los problemas
basados a veces en la regeneracin proporcionada por el usuario, y son capaces
de aprender por experiencia (vase sistema experto). La representacin del
conocimiento, el razonamiento automatizado y la argumentacin son campos de
investigacin activos en la vanguardia de la inteligencia artificial.

4.4 Ciclo de vida de un sistema de produccin

El concepto de sistema de produccin se basa en la Teora General de Sistemas
que fue desarrollada por el bilogo alemn Von Bertalanffy y que en esencia es una
perspectiva integradora y holstica (referida al todo). Una de las definiciones de la
teora general de sistemas dice que los sistemas son conjuntos de componentes
que interaccionan unos con otros, de tal forma que cada conjunto se comporta como
una unidad completa. Otra definicin dice que los sistemas se identifican como
conjuntos de elementos o entidades que guardan estrechas relaciones entre s y
que mantienen al sistema directo o indirectamente unido de modo ms o menos
estable y cuyo comportamiento global persigue, normalmente, algn tipo de
objetivo.

Desarrollo
Estado de Viabilidad de Sistema
EVS

Planificacin
de Sistema de
Informacin.
PSI

Anlisis de Sistema de
Informacin
ASI
Diseo de Sistema de
Informacin
DSM

Mantenimiento
de Sistema de
Informacin
MSI

Construccin del Sistema de

Informacin
CSI
Implementacin y Aceptacin
del Sistema
IAS

Interfaz

Interfaz

Aseguramiento de
Calidad

Gestin de
Proyecto

Interfaz

Gestin de
Configuracin

Interfaz

Seguridad

Conclusin
Para finalizar la presente investigacin se puede determinar el aspecto ms
importante de una base de conocimiento es la calidad de la informacin que
contiene. Las mejores bases de conocimiento han escrito cuidadosamente los
artculos que se guardan actualizado, un sistema excelente de la recuperacin de
datos, algunas bases de conocimiento tienen inteligencia artificial componente.
Al momento de crear una base de conocimientos, es muy importante primeramente
definir los hechos, de manera que no sean ambiguos y que permitan claramente
definir las reglas. No hay una forma determinada de crearla, depende mucho de la
lgica de cada persona, pero si es de sumo cuidado el mantener la integridad de las
relaciones de los elementos que se estn tratando.
Estas clases de bases de conocimiento pueden sugerir soluciones a los problemas
basados a veces en la regeneracin proporcionada por el usuario, y son capaces
de aprender por experiencia de esta forma hay bases de conocimiento ms
complejas por lo tanto eficientes.

Referencias electrnicas
Desconocido (2016). Sistemas de produccin. 07 de mayo de 2016: de sitio web:
http://quegrande.org/apuntes/EI/4/IA/teoria/09-10/tema_6__sistemas_de_produccion.pdf
Fernndez C, Fuentetaja R. (2016). Construccin de SSPP con CLIPS. 07 de
mayo de 2016, de Sitio web:
http://galahad.plg.inf.uc3m.es/~iat/practicas/SSPPconCLIPS.pdf
Desconocido (2016). Sistema de Razonamiento. 07 de mayo de 2016: de sitio
web:
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
Desconocido (2016). Ciclo de vida del sistema de produccin. 07 de mayo de
2016: de sitio web:
https://prezi.com/yerj1utha0ua/ciclo-de-vida-del-sistema-de-produccion/