Sei sulla pagina 1di 22

S.E.P D.G.E.S.T S.N.E.S.

INSTITUTO TECNOLGICO
de Tuxtepec
Inteligencia Artificial.
Unidad III Representacin del Conocimiento y
Razonamiento.

PRESENTA:

Chalate Jorge Humberto

Gaspar Rufino M. del Rosario

Hernndez Garca Nidia M.

Jurez Martnez Esmeralda

Ortiz Andrs Erika

SEMESTRE:

8 A

ESPECIALIDAD:

INGENIERA EN SISTEMAS COMPUTACIONALES

DOCENTE:

M.S.C. TOMS TORRES RAMREZ

ISC 2015/01

Tuxtepec, Oax. a 25 de mayo de 2015


Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Contenido
3.- Sistemas basados en conocimiento. .................................................................................. 3
3.1.1. Concepto de conocimiento. ......................................................................................... 3
3.1.2. Lenguajes utilizados en la representacin de conocimiento. ............................. 6
3.2. Mapas conceptuales. ............................................................................................................. 8
3.3. Redes semnticas. ................................................................................................................. 9
3.4. Lgica de predicados. ......................................................................................................... 11
3.4.1. Sintaxis. ........................................................................................................................... 12
3.4.2. Semntica........................................................................................................................ 13
3.4.3. Validez. ............................................................................................................................. 14
3.4.4. Inferencia. ........................................................................................................................ 15
3.5. Razonamiento con incertidumbre. ................................................................................... 17
3.5.1. Aprendizaje. .................................................................................................................... 18
3.5.2. Razonamiento probabilstico. .................................................................................... 19
3.5.3. Lgicas multivaluadas. ................................................................................................ 19
3.5.4. Lgica difusa. ................................................................................................................. 19
3.6. Demostracin y mtodos. .................................................................................................. 20
Fuentes Bibliogrficas. ............................................................................................................... 22

P g i n a 2 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.- Sistemas basados en conocimiento.


Los sistemas basados en conocimiento surgen como una evolucin de los
paradigmas de programacin a lo largo de la historia de la informtica. En los
primeros tiempos de la computacin, los programas, ante una peticin del usuario,
tpicamente producan una salida accediendo a datos almacenados en ficheros con
formatos particulares de cada aplicacin. Ms adelante surgieron las bases de
datos, que abstraan la capa de almacenamiento/persistencia de datos, eliminando
esos ficheros, facilitando as la gestin de la informacin necesaria para la
aplicacin. Adems aparecen los conceptos de la interfaz grfica del sistema
operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son
una nueva evolucin: en estos sistemas, los datos, la base de conocimientos, se
convierten en lo ms importante, y el cdigo que los explota, el motor de
inferencias, se generaliza segn diferentes paradigmas. Esta base de
conocimientos la produce un usuario experto en el dominio, los ingenieros del
conocimiento, que son diferentes a los programadores de la interfaz o del propio
motor de inferencias.

3.1.1. Concepto de conocimiento.


Los Sistemas basados en Conocimiento representan un paso delante de los
sistemas de informacin convencionales al pretender representar funciones
cognitivas del ser humano como el aprendizaje y el razonamiento.

Esta clase de aplicaciones descansan en las contribuciones de la Inteligencia


Articial en lo general y en la Ingeniera del Conocimiento en lo particular.
Su orientacin es la automatizacin del anlisis de problemas, la bsqueda
de soluciones, la toma de decisiones y el empleo de conocimiento
especializado en un campo especco de aplicacin.

Entre los productos ms signicativos de los Sistemas basados en Conocimiento se


encuentran los Sistemas Expertos, los cuales estn encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento
para tareas de diagnstico, enseanza y control.
P g i n a 3 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

La composicin de los Sistemas basados en Conocimiento consta de: Un


mecanismo de aprendizaje, una base de conocimientos, un motor de
razonamiento, y medios de comunicacin hombre-mquina.

P g i n a 4 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Conocimiento: Datos No Estructurados

Todos sabemos que la ciencia e ingeniera son dominadas por principios. Es decir
reglas generales, las cuales si se aplican de manera uniforme resuelven todos los
problemas de una misma clase Esto es visible principalmente en las matemticas,
donde una de sus principales tareas es reducir problemas aparentemente
complejos, mediante un conjunto de principios mnimos para su solucin ms fcil

Las computadoras fueron creadas por matemticos

Es por eso que son mquinas que se adaptan muy bien a implementar los principios
matemticos Las nociones algortmicas base reejan siempre el concepto de
mquinas de calculo

Por lo contrario el comportamiento humano se rige por otro tipo de principios (en
teora muy pocos). Dice un viejo proverbio que no hay regla sin excepcin, de tal
forma que las excepciones hacen mal funcionar a los principios en dominios donde
se aplican un poco de principios conocidos.

En trminos computacionales, es posible distinguir entre un tratamiento de datos


estructurados y no estructurados. La Computacin clsica se adapta al tratamiento
de datos estructurados por ejemplo: Cifras, Cdigos y otros contenidos de bases de
datos Por lo contrario, el comportamiento humano se basa sobre una inmensidad
de datos no estructurados: reglas de normas sociales as como tambin informacin
con incertidumbre. Este ltimo tipo de datos son difcilmente formalizables bajo un
formato estructurado. Ya que de manera general son incompletos, ambiguos y
muchas veces inconsistentes.

Para la Inteligencia Articial a estos datos les llama CONOCIMIENTO

P g i n a 5 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.1.2. Lenguajes utilizados en la representacin de conocimiento.

Se han diseado a lo largo de los aos diversos formalismos y lenguajes que


permiten modelar de un modo formal el conocimiento.
Existen diversos formalismos para la representacin del conocimiento, cada uno
con sus propios lenguajes y cada uno con sus ventajas e inconvenientes.
En esto, al igual que en la Ingeniera del Software, no existe la tcnica ideal que
nos permita resolver cualquier problema de la mejor manera.
Depender del tipo de problema, del conocimiento que se quiera representar,
de la expresividad que se necesite, y del uso que se le quiera dar, el que un
formalismo y un lenguaje sea ms conveniente que otro.

Lenguajes Basados en Lgica Formal

Muchos de los sistemas de representacin del conocimiento de la


actualidad se basan en algn tipo de lgica formal.
La lgica formal aporta un buen nmero de ventajas para la
representacin del conocimiento y su manejo, partiendo de una sintaxis
y semntica bien denidas que detallan perfectamente la forma de
construir sentencias y razonamientos sobre ellas.

Ejemplos:

Lgica Proposicional
Lgica de Primer Orden
KIF
Lgicas Descriptivas

Lenguajes Basados en Frames o Marcos

P g i n a 6 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Estos lenguajes son similares a los lenguajes de programacin orientados a objetos,


en el sentido de que modelan el conocimiento utilizando clases (frames), atributos,
objetos y relaciones, y utilizan relaciones de generalizacin y especializacin para
representar la organizacin jerrquica de los conceptos.

Uno de los posibles lenguajes basados en frames es KM.

Lenguajes Basados en Reglas

Estos lenguajes han sido durante mucho tiempo posiblemente los ms


usados de todos, principalmente debido a su estrecha relacin con los
Sistemas Expertos utilizados en Inteligencia Articial.
Estos lenguajes son fciles de entender debido a su sencillez conceptual y a
su paralelismo con las estructuras de control ms simples utilizadas en
programacin.

Este tipo de lenguajes han recibido tambin un fuerte impulso a partir de la aparicin
de la web semntica, ya que se piensa en ellos como herramientas para denir
servicios web, y como herramienta base que permita denir la forma en la que
pueden interactuar las aplicaciones de comercio electrnico.

Para ello se ha creado una iniciativa Rule Markup Initiative que ha diseado el
lenguaje RuleML, basado en XML y que por lo tanto est pensado desde su
concepcin para garantizar la interoperabilidad necesaria en el web.

P g i n a 7 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.2. Mapas conceptuales.


Los mapas conceptuales son instrumentos de representacin del conocimiento
sencillo y prctico, que permiten transmitir con claridad mensajes conceptuales
complejos y facilitar tanto el aprendizaje como la enseanza. Para mayor
abundamiento, adoptan la forma de grafos.

En Inteligencia Artificial, Quillian desarroll una forma de mapa conceptual que se


denomin redes semnticas y que se usa ampliamente para la representar el
conocimiento formal. En lingstica, Graesser y Clark han desarrollado un anlisis
de formas de argumentacin en el texto en forma de mapas conceptuales
estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la
ciencia, la dinmica de mapas conceptuales se ha usado tambin para representar
los procesos de cambio conceptual de las revoluciones cientficas y en filosofa de
la ciencia, Toulmin desarroll una teora de argumentacin cientfica basada en
mapas conceptuales. Tambin los mapas conceptuales han sido utilizados en la
educacin, el diseo de las organizaciones para la toma de decisiones, la
adquisicin de conocimiento especializado, los sistemas sociales, la toma de
decisiones polticas, etc.

Un mapa conceptual es una tcnica sencilla que permite representar el


conocimiento de forma grfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.

P g i n a 8 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.3. Redes semnticas.


Una red semntica es un grafo, donde los vrtices representan conceptos y los
arcos representan relaciones entre los conceptos.

Las redes semnticas a nivel de ontologa se utilizan para representar vocabulario


que es esencialmente muy valioso para los seres humanos.

Ejemplo: represente mediante una red semntica la frase un gato es un animal

Y podra incluir otra frase, Garfield es un gato

Las redes semnticas estn basadas en la idea que los objetos o los conceptos
pueden ser unidos por alguna relacin.
Estas relaciones se representan usando una liga que conecte dos conceptos.
Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situacin a
modelar.
Las redes semnticas fueron originalmente desarrolladas para representar el
significado o semntica de oraciones en ingls, en trminos de objetos y relaciones.

P g i n a 9 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Desventajas de las redes semnticas

No existe una interpretacin normalizada para el conocimiento expresado por la red.


La interpretacin de la red depende exclusivamente de los programas que
manipulan la misma. La dificultad de interpretacin a menudo puede derivar en
inferencias invlidas del conocimiento contenido en la red. La exploracin de una
red asociativa puede derivar en una explosin combinatoria del nmero de
relaciones que deben ser examinadas para comprobar una relacin, sobre todo si
la respuesta a una consulta es negativa. No hay manera de insertar alguna regla
heurstica para explorar la red de manera eficiente.

Ventajas de las redes semnticas


Permiten la declaracin de importantes asociaciones en forma explcita. Debido a
que los nodos relacionados estn directamente conectados, y no se expresan las
relaciones en una gran base de datos, el tiempo que toma el proceso de bsqueda
por hechos particulares puede ser significativamente reducido.

P g i n a 10 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.4. Lgica de predicados.


Es una herramienta para estudiar el comportamiento de un sistema lgico. Adems
proporciona un criterio para determinar si un sistema lgico es absurdo o
inconsistente.

Sistema simblico: Lenguaje y frmulas lgicas.

Sintaxis Sistema

LGICA

Semntica Simblica

Proposiciones

Representacin en lenguaje cotidiano que debe estar libre de vaguedades.

Atmicas simples (sin trminos de enlace)

Proposiciones

Moleculares unin de prop. Atmicas

Conexiones lgicas y Trminos de enlace

Palabras de enlace que unen proposiciones atmicas para formar proposiciones


moleculares.

Trmino Significado Smbolo


AND Y &
OR O V
NOT No
IF S..entonces

P g i n a 11 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Simbolizacin de proposiciones

Uso de variables para representar proposiciones.

P = "Se cerr el circuito"

Q = "Oper la marcha"

P & Q = "Se cerr el circuito y oper la marcha"

Q = "No oper la marcha"

Jerarqua de aplicacin

Menor jerarqua

&, V

Mayor jerarqua

3.4.1. Sintaxis.
Elementos

Trminos: Representan objetos del dominio.


Constantes: Representan un objeto individual en concreto
notacin: cadenas de caracteres, comienzan en maysculas
Ejemplos: Juan; Mi coche;

P g i n a 12 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Funciones: Representan (implcitamente) un objeto individual que est


relacionado con los n objetos que participan en la funcin
notacin: smbolo de funcin (cadena, comienza con Mays.) con aridad n
+ n argumentos (trminos) entre parntesis
Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)
Variables: Representan objetos sin indicar cuales

Referirse a un objeto especfico no identificado.


Uso: Referirse a un conjunto de objetos

notacin: cadenas de caracteres en minsculas

Ejemplos: x; y; padre; hijo;

Predicados: Representan una propiedad de un trmino (si aridad 1) o relaciones


entre k trminos (si aridad k > 1)
notacin: cadenas de caracteres + k trminos (variables, constantes,
funciones) entre parntesis

tomos: formulas bien formadas (f. b. f.) compuestas por un nico predicado
Literales: tomo o negacin de un tomo.
Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de
(Juan));

3.4.2. Semntica.
Representamos un mundo donde hay:
P g i n a 13 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Un n infinito de objetos individuales representados por smbolos de


constantes y variables
o Pueden ser entidades concretas (personas, cosas) o
abstractas(nmeros, eventos)
Un n infinito de objetos de nidos en funcin de otros objetos, representados
por smbolos de funcin
Relaciones entre los objetos del dominio, representadas por smbolos de
predicado
o Si la aridad es 1, se habla de propiedades de objetos

INTERPRETACIONES:

Una interpretacin establece las relaciones anteriores entre los smbolos de la lgica
y los elementos del mundo real

asocia a las constantes objetos del mundo


asocia a las funciones relaciones funcionales entre objetos
asocia a los predicados relaciones entre objetos

Ms compleja que en lgica de proposiciones

Dominio de una interpretacin: Conjunto de objetos del mundo que se manejan en


una interpretacin Formalmente: Dada una conceptualizacin formada por:

U: universo de discurso (conj. de individuos/objetos)

R: conj. Finito de relaciones entre objetos de U

F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o ms objetos de U

3.4.3. Validez.
Un predicado con variables libres no es verdadero ni falso, hasta que se
asignen valores para dichas variables.

P g i n a 14 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Algunos de ellos sern siempre verdaderos independientemente de los


valores que se escojan: estos son predicados vlidos.
Un predicado que es verdadero o falso dependiendo de los valores elegidos
se dice que es satisfacible.
Un predicado que es siempre falso se dice que es no satisfacible.

3.4.4. Inferencia.
Reglas de inferencia

Modus Ponendo Ponens

Modus Tollendo Tollens

Modus Tollendo Ponens

Doble negacin

P g i n a 15 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Regla de adjuncin Regla de Simplificacion

Ley de adicin

Ley de simplificacin disyuntiva

Ley del silogismo hipottico

Ley del silogismo disyuntivo

P g i n a 16 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Leyes de Morgan

Reglas de operacin
1.- Cambiar & por V, o viceversa
2.- Negar cada proposicin
3.- Negar la proposicin completa

3.5. Razonamiento con incertidumbre.


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

Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.

Diversos mtodos han sido desarrollados para evaluar los grados de certeza o de
verdad de las conclusiones.

Uno de los ms generalizados consiste en asignar coeficiente de certeza o de


confianza a los hechos que intervienen en las en las condiciones y en la conclusin
de una regla.

Todos los mecanismos de representacin de conocimiento vistos estn basados en


lgica bajo estos supuestos:

Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso.

Para poder razonar necesitamos tener todos los hechos a nuestra


disposicin.

Pero en las prcticas nos encontramos con estos problemas:


P g i n a 17 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Representar el conocimiento para cubrir todos los hechos que son relevantes
para un problema es difcil.

Existen dominios en los que se desconocen todos los hechos necesarios


para resolver el problema.

Existen problemas en los que aun teniendo las reglas para resolverlos no
disponemos de toda la informacin necesaria o no tenemos confianza
absoluta en ellas.

En otros problemas las reglas no se aplican siempre o su confianza cambia


con la confianza que tenemos en los hechos.

3.5.1. Aprendizaje.
Mquina que aprende: Sistema organizado que transforma un mensaje de entrada
en uno de salida, de acuerdo con el principio de Transformacin.

Si tal principio est sujeto a cierto criterio de validez, el mtodo de transformacin


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


estmulos que provienen del entorno; reciben la informacin y la almacena con el fin
de reutilizarla en situaciones o patrones de estmulos semejantes.

La Organizacin (o reorganizacin) de la propia conducta (ante una situacin o un


patrn de estmulos) como resultado de una experiencia individual.

Todos los estmulos a los que un individuo responde es un cierto contexto pueden
no ser efectivos para producir una conducta de aprendizaje en otros contextos.

P g i n a 18 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.5.2. Razonamiento probabilstico.


La tcnica ms antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que est basada en la teora clsica de la probabilidad.

Las hiptesis son ms o menos probables dependiendo de las posibilidades de los


hechos o evidencias que las sostiene.

Las probabilidades se calculan en base a la frmula general de la probabilidad


condicionada de Bayes o algunas transformaciones de la misma.

Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que


las personas asignan probabilidades de ocurrencia de un suceso basndose en su
frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y
opiniones.

3.5.3. Lgicas multivaluadas.


Se usa en matemticas como procedimiento para buscar modelos no estndar; esto
es esencialmente lo que hace para conseguir los modelos generales de Henkin para
la lgica superior responsables de su teora de completud.

3.5.4. Lgica difusa.


Tambin llamada lgica borrosa o heurstica, se basa en lo relativo de lo observado
como posicin diferencial, este tipo de lgica toma dos valores aleatorios, pero
contextualizados y referidos entre s.

P g i n a 19 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

3.6. Demostracin y mtodos.


Mtodos deductivos de demostracin: el mtodo deductivo es un proceso que parte
de un conocimiento general, y arriba a uno particular. La aplicacin del mtodo
deductivo nos llev a un conocimiento con grado de certeza absoluta y esta
cimentado en preposiciones llamadas silogismos.

Ejemplos:

Todas las mexicanas son bellas, (este es el concepto general).

Luz Ortiz es mexicana

Luego:

Luz Ortiz es bella

En la lgica formal y sobre todo en el universo matemtico, el proceso deductivo


tiene un significado un poco diferente, pues est basado en axiomas, o
preposiciones que son verdades por definicin.

Ejemplos de axiomas:

El todo es mayor que la parte

Dos cosas iguales a una tercera son iguales entre s

Al conjunto de Hiptesis + Demostracin + Conclusin se denomina Teorema.

El Mtodo de resolucin de Robinson.

Es un intento por mecanizar el proceso de deduccin natural de esa forma eficiente.


Las demostraciones se consiguen utilizando de esa forma el mtodo refutativo
(deduccin al absurdo), es decir lo que intentamos es encontrar contradicciones.

Para probar una sentencia nos basta con demostrar que su negacin nos lleva a
una contradiccin con las sentencias conocidas (es insatisfactible). Si la negacin
de una sentencia entra en contradiccin con los hechos de nuestra base de
P g i n a 20 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y


se puede deducir lgicamente de las sentencias que componen dicha base de
conocimientos.

Ejemplo:

Llover O habr un examen.

David es Darth Vader O no llover.

David no es Darth Vader.

Habr un examen?

Solucin:

Lluvia = a , Examen = b, David es Vader = c

Base de Conocimiento (todas son ciertas): a V b, c V a, c

Por Resolucin sabemos que b V c es cierta.

Por Resolucin Unidad sabemos que b es cierta.

P g i n a 21 | 22
Unidad III Representacin del Conocimiento y razonamiento.
Inteligencia Artificial

Fuentes Bibliogrficas.
Alejandro Pea Ayala, Sistemas basados en conocimiento: Una base para su
concepcin y desarrollo, Instituto Politcnico Nacional.
Dr. Wladimir Rodrguez, Postgrado en Computacin, Inteligencia Artificial clase #6
Representacin del conocimiento.
Francisco Jose Ribadas Pena, Informtica, INTELIGENCIA ARTIFICIAL,
Representacin del Conocimiento, 13 de noviembre de 2009.
Wendy B. Rauch-Hindin, Aplicaciones de la Inteligencia Artificial en la
actividad empresarial, la ciencia y la industria, ediciones Daz de santos,
1989.

Fuentes consultadas:

http://www.rvazquez.org/Misitio/ia2010_files/unidad3ia.pdf
http://iaplan2010.esy.es/unidad-3/3-2-mapas-conceptuales/
http://iaplan2010.esy.es/unidad-3/3-3-redes-semanticas/

P g i n a 22 | 22