Unidad 3

Fase 3 - Representación del conocimiento en IA (Foro de discusión)

Presentado por:

Cristian José Soto Rojas - Cód. 1.116.864.289

Sergio Iván Rodríguez - Cód.: 1122135835

Jorge Alonso Robles Rojas - Cód.: 88034011

Luis Mateo Cruz Gil - Cód.: 1193400498

Nestor Mauricio Vanegas Soto

Presentado a:

Ferley medina

Inteligencia artificial

Grupo:

90169_35

Universidad nacional abierta y a distancia (Unad)

Octubre de 2019

Cead Yopal
1. Investigar sobre formas de representación del conocimiento en IA.

Definición: Es el proceso de transformación de este a un dominio o un lenguaje

simbólico para ser procesado en un computador. Cuyo objetivo fundamental es

representar el conocimiento de una manera que facilite la inferencia sacando

conclusiones a partir de dicho conocimiento. Este analiza como pensar formalmente

como realiza un sistema de símbolos para representar un dominio de discurso o sea

aquello de lo que se puede hablar, junto con las funciones específicas que permitan

inferir sobre los objetos.

Metodologías:

Declarativas: la cual es la separación entre conocimiento y estructura de control

lógica expresiva.

Lógica: lenguaje con el cual se representa y nos permite expresar y razonar con

sentencias que son verdaderas o falsas.

Una sintaxis que explica cómo construir los elementos del lenguaje de

representación.

Una semántica que asocia los elementos del lenguaje con los elementos reales del

dominio asocia una representación.

Un conjunto de reglas de inferencia que permiten inferir conocimiento nuevo a

partir del existente.

Estructural: red semántica la cual ha sido utilizada en IA para representar el

conocimiento y por tanto existen una gran diversidad.

 Esquemas de marcos la cual es una estructura compleja que representa una situación

estereotipada.

Frames los cuales son una estructura de datos que representan una situación

estereotipada en la que se organiza el conocimiento como colección de características,

las cuales las podemos determinar precisión, activación dinámica de procesos, herencia

por defecto no-monotónica y modularidad.

Reglas de producción o inferencia, los sistemas basados en reglas son los más

comúnmente utilizados. Su simplicidad y similitud con el razonamiento humano, a

contribuido para su popularidad en diferentes dominios.

Proceduales:

Que es la unión entre el conocimiento y la estructura de control, orden independiente,

procedimientos y funciones

La representación del conocimiento y el razonamiento es un área de la inteligencia

artificial cuyo objetivo fundamental es representar el conocimiento de una manera que

facilite la inferencia (sacar conclusiones) a partir de dicho conocimiento. Analiza cómo

pensar formalmente - cómo usar un sistema de símbolos para representar un dominio del

discurso (aquello de lo que se puede hablar), junto con funciones que permitan inferir

(realizar un razonamiento formal) sobre los objetos. 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, operadores modales, etc. Esto, junto a una teoría de interpretación, dan

significado a las frases en la lógica.

 Cuando diseñamos una representación del conocimiento (y un sistema de

representarían del conocimiento para interpretar frases en la lógica para poder derivar

inferencias de ellas) tenemos que hacer elecciones a lo largo de un número de ámbitos de

diseño. La decisión más importante que hay que tomar es la expresividad de la

representación del conocimiento. Cuanto más expresiva es, decir algo es más fácil y más

compacto. Sin embargo, cuanto más expresivo es un lenguaje, más difícil es derivar

inferencias automáticamente de él. Un ejemplo de una representación del conocimiento

poco expresiva es la lógica proposicional. Un ejemplo de una representación del

conocimiento muy expresiva es la lógica auto epistémica. Las representaciones del

conocimiento poco expresivas pueden ser tanto completas como consistentes (formalmente

menos expresivas que la teoría de conjuntos). Las representaciones del conocimiento más

expresivas pueden ser ni completas ni consistentes.

Se manejan para significar hechos acerca de objetos

y sus atributos, detallando el valor de un atributo
Tripletas Objeto-Atributo-Valor para un determinado objeto. Por ejemplo, para
representar que el carro es verde, se tendría una
tripleta carro-Color-verde.
Las tripletas O-A-V indican que un objeto tiene un
valor asociado a un atributo de forma completa y
con toda la certeza, es decir, un carro es verde o no
lo es. No permiten asignar graduaciones de certeza
en estas asignaciones. Existen contextos en los que
Hechos Inciertos se requiere significar un determinado objeto y un
atributo con una determinada certeza; por ejemplo:
“El carro es bastante potente”, se mide a través de
un factor de certeza de 0.7 de potencia.
Detallan conocimiento impreciso o ambiguo.
Ejemplo, la expresión “Arturo es viejo”, en
comparación con “Arturo es joven” o “Arturo es de
mediana edad”, puede no ser fácil de representar
con otras técnicas, ya que la edad es algo
progresivo, no se pasa de ser joven un día a ser de
mediana edad al siguiente. Esta técnica lo que
 permite es detallar funciones de membresía que
asignan un valor entre 0 y 1 a cada valor. Por tanto,
la función de membresía de edad, asignaría un 1 a
Hechos Difusos joven si la persona tiene 10 años, pero este valor
iría decreciendo conforme creciese la edad hasta
llegar a 0, pero teniendo en cuenta que antes de eso
se habría ido incrementando el valor de membresía
de “mediana edad” e incluso de “viejo”, pudiendo
haber edades como los 45, en los que se podría
decir que con una persona es joven con un 0.2,
vieja con un 0.2 y de mediana edad con un 0.6.
Esta técnica representa el conocimiento definiendo
unas premisas o condiciones y las conclusiones o
acciones que de ellas se derivan. Se suelen
representar de la forma SI – ENTONCES -. Las
premisas se colocan a continuación del SI en forma
Rules normalmente de tripletas O-A-V y utilizando
operadores lógicos, mientras que las conclusiones
definirían nuevos hechos o realizarían acciones.
Es una técnica de representación muy parecida a la
utilizada en la programación orientada a objetos.
Consta de “marcos de clases”, similares a las
clases, que representan conjuntos de objetos con
Frames o Marcos características similares. A partir de ellas se crean
las “marcos de instancia” que representan
elementos concretos de esa clase.
Se basa en la utilización de grafos que significan
conceptos, objetos y relaciones entre ellos. Estas
relaciones pueden ser de cualquier tipo, pero
Redes Semánticas o Mapas predominan las relaciones de tipo “más o menos”,
Conceptuales “parte de” y “es un”, que permiten representar
estructuras jerárquicas de conocimiento.

Representar el conocimiento de la IA en el proceso de trasformación de éste a un dominio

o un lenguaje simbólico para ser procesado en un computador

METODOLOGIAS

Declarativas Procedurales
Estructurales
 Separación Unión entre el
entre Estructuración del conocimiento y la
conocimiento y conocimiento estructura de
estructura de propiedades control, orden
control lógica: inferenciales: dependiente,
expresiones herencia procedimientos y
declarativas transitiva, funciones.
(FDF) sistemas, asociativa, redes
de producción semánticas,
(bh,rp,ec) frames.

 Metodología estructural
 Red semántica

Esta forma ha sido muy utilizada en IA para representar el conocimiento y por tanto existen

una gran diversificación de técnicas.

 Estructura de datos de nodos

 Un conjunto de elementos de inferencia que operan sobre la estructura de datos

 Tipos de redes semánticas

 Redes IS-A

 Grafos conceptuales

 Esquemas

 Frames

Son una estructura de datos compleja que representa una situación estereotipada, en la que

se organizan el conocimiento como una colección de características comunes al concepto,

objeto situación o sujeto.

 Características
  Precisión: Se precisa los objetos, las relaciones entre objetos y sus

propiedades

 Activación dinámica de procesos: Se pueden adjuntar procedimientos a un

marco o alguno de sus componentes y ser llamados y ejecutados

automáticamente

 Herencia por defecto no-monoatómica: Los marcos están

conceptualmente relacionados, permitiendo que atributos de objetos sean

heredados de otros objetos posesores en la jerarquía.

 Modularidad: La base de conocimiento está organizada en componentes

claramente diferenciados.

 Metodología declarativa

El lenguaje de representación que nos permite expresar al razonar con sentencias que son

verdaderas o falsas.

Toda lógica que se usa como mecanismo de representación de constar de 3 elementos:

1. Una sintaxis

2. Una semántica

3. Un conjunto de reglas de inferencia

2. Investigar sobre aprendizaje profundo.

El aprendizaje profundo es un tema que cada vez adquiere mayor relevancia en el

campo de la inteligencia artificial (IA). Siendo una subcategoría del aprendizaje

automático, el aprendizaje profundo trata del uso de redes neuronales para mejorar cosas
tales como el reconocimiento de voz, la visión por ordenador y el procesamiento del

lenguaje natural. Rápidamente se está convirtiendo en uno de los campos más solicitados

en informática. En los últimos años, el aprendizaje profundo ha ayudado a lograr avances

en áreas tan diversas como la percepción de objetos, la traducción automática y el

reconocimiento de voz (todas ellas áreas especialmente complejas para los investigadores

en IA).

El aprendizaje profundo es una subcategoría del aprendizaje automático al tener que

ver con el uso de redes neuronales para mejorar cosas tales como la visión el

reconocimiento de voz, por ordenador y el procesamiento del lenguaje natural, acelerando

los avances en áreas tan complejas como la apreciación de objetos, la traducción

automática y el reconocimiento de voz.

Es una manera de analizar grandes datos que permite a las computadoras aprender. El

aprendizaje profundo se basa en teorías acerca de cómo funciona el cerebro humano, se

fundamenta en ideas sencillas y básicas para después basarse en ellas como por ejemplo

cuando un bebé aprende algunos sonidos, después reconoce palabras y finalmente

construye oraciones y habla. Este conjunto de algoritmos es parte de un conjunto más

amplio de métodos de aprendizaje automático que se basan en aprender representaciones

de grandes datos.

El Deep Learning lleva a cabo el proceso de Machine Learning usando una red

neuronal artificial que se compone de un número de niveles jerárquicos. En el nivel inicial

de la jerarquía la red aprende algo simple y luego envía esta información al siguiente nivel.
El siguiente nivel toma esta información sencilla, la combina, compone una información

algo un poco más compleja, y se lo pasa al tercer nivel, y así sucesivamente.

Continuando con el ejemplo del gato, el nivel inicial de una red de Deep Learning podría

utilizar las diferencias entre las zonas claras y oscuras de una imagen para saber dónde

están los bordes de la imagen. El nivel inicial pasa esta información al segundo nivel, que

combina los bordes construyendo formas simples, como una línea diagonal o un ángulo

recto. El tercer nivel combina las formas simples y obtiene objetos más complejos cómo

óvalos o rectángulos. El siguiente nivel podría combinar los óvalos y rectángulos, formando

barbas, patas o colas rudimentarias. El proceso continúa hasta que se alcanza el nivel

superior en la jerarquía, en el cual la red aprende a identificar gatos.

El Deep Learning ha llamado mucho la atención por su potencial utilidad en distintos tipos

de aplicaciones en el “mundo real” (pueden aplicarse con éxito a grandes volúmenes de

datos para el descubrimiento y aplicación de conocimiento, así como a la realización de

predicciones a partir de él), principalmente debido a que obtiene tasas de éxito elevadas con

entrenamiento “no supervisado”. En el caso del ejemplo, las redes de Deep Learning

aprenderían a identificar gatos aunque las imágenes no tuvieran la etiqueta "gato”.

A continuación se muestran algunos de los principales problemas “reales” en los que

distintas compañías están aplicando Deep Learning en la actualidad:

 Utilización de imágenes en lugar de palabras clave para buscar productos de una

empresa, o artículos similares.

 Identificar marcas y logotipos de empresas en fotos publicadas en redes sociales.

 Monitorización en tiempo real de reacciones en canales online durante el

lanzamiento de productos.

 Orientación de anuncios y predicción de las preferencias de los clientes.

 Identificación y seguimiento de los niveles de confianza de los clientes, sus

opiniones y actitud en diferentes canales online y servicios de soporte automatizado

al cliente.

 Identificación de clientes potenciales.

 Detección de fraudes, recomendaciones a clientes, gestión de relaciones con los

clientes, etc.

 Mejor comprensión de enfermedades, mutaciones de enfermedades y terapias

genéticas.

 Análisis de imágenes médicas, como radiografías y resonancias magnéticas,

aumentando la precisión diagnóstica, en un menor tiempo y con un menor coste que

los métodos tradicionales.

 Exploración de la posibilidad de reutilización de fármacos ya conocidos y probados

para su uso contra nuevas enfermedades.

 Detección, predicción y prevención de amenazas sofisticadas en tiempo real en el

campo de la ciberseguridad.

 Identificación en textos de sentimientos positivos y negativos, temas y palabras

clave.

 Localización de caras e identificación de emociones faciales.

 Reconocimiento de voz.

 Clasificación de vídeos.
 Se le llama aprendizaje profundo porque presenta una estructura jerárquica que

profundiza hasta diferentes niveles de detalle. Cuantos más datos tenga un dispositivo,

mejor será capaz de predecir qué cosas son. Es como llevar el aprendizaje automático al

próximo nivel.

Este es conocido como redes neuronales profundas, es un aspecto de la IA que

emula el aprendizaje que los seres humanos utilizamos para obtener determinados

conocimientos.

Es importante saber que el aprendizaje profundo es una rama determinada del

aprendizaje de una IA. En este caso, mientras que los algoritmos tradicionales de

aprendizaje automático son lineales, los algoritmos de aprendizaje profundo se

apilan en una jerarquía de creciente complejidad y abstracción.

Cada algoritmo en la jerarquía aplica una transformación no lineal en su entrada,

y utiliza lo que aprende para crear un modelo estadístico como salida. Las iteraciones

continúan hasta que se alcanza un determinado nivel de precisión.

Lo que se consigue con el aprendizaje profundo es que el sistema tenga cada vez

menos margen de error. La IA se entrena introduciendo una gigantesca cantidad de

datos que, siguiendo ese proceso de repetición, hace que un software sea

impresionantemente preciso. Los programadores que se encargan de esta labor están de

enhorabuena, si hay algo que abunda en la era digital es información y datos.

3. Investigar sobre aprendizaje automático

Aunque los términos se utilizan a veces como sinónimos, el Deep Learning y el Machine

Learning no son lo mismo, siendo el primero un tipo particular del segundo, es decir, el
Deep Learning es Machine Learning, pero existen técnicas de Machine Learning que no

son Deep Learning.

El Machine Learning, como se ha visto, se describe a menudo como un tipo de técnicas de

Inteligencia Artificial donde las computadoras aprenden a hacer algo sin ser programadas

para ello. Por poner un ejemplo sencillo, se podría programar un ordenador para identificar

a un animal como un gato escribiendo un código que indique al programa que elija "gato"

cuando se ve una imagen concreta de un gato. Esto funcionaría si el único gato con el que

tratase el programa es el de esa imagen, pero no lo haría si el programa tuviera que ver un

montón de imágenes de diferentes animales, incluyendo una gran cantidad de gatos, y

tuviera que identificar cuáles de ellas representan a un gato.

Los programas de Machine Learning actuarían en ese segundo caso, para lo cual pueden

entrenarse de diferentes maneras. En una de ellas al programa se le muestra una gran

cantidad de imágenes de diferentes animales (etiquetadas con el nombre del animal

correspondiente). El programa aprenderá que los animales que se parecen a los gatos se

llaman "gato" sin haber sido programado para llamar "gato" a una imagen concreta de un

gato. Para ello el programa debe aprender combinaciones de características visuales que

tienden a aparecer juntas (por ejemplo, la forma de los cuerpos y de las caras), haciendo a

los gatos visualmente diferentes de otros animales. El programa aprende a asociar esta

combinación de características distintivas con la palabra "gato", proceso de aprendizaje

conocido como “construcción de un modelo de un gato”.

Una vez que se ha construido el modelo de “gato”, un programa de Machine Learning

prueba dicho modelo al tratar de identificar a los gatos en un conjunto de imágenes que no

ha visto antes. El programa mide el éxito obtenido en la identificación de los nuevos gatos
y utiliza esta información para ajustar el modelo, de forma que la próxima vez obtendrá

mejores resultados. Es decir, el nuevo modelo se prueba, se evalúa su rendimiento, y se

realiza otro ajuste. Este proceso iterativo continúa hasta que el programa haya construido

un modelo que pueda identificar gatos con un alto nivel de precisión.

Si el entrenamiento es “supervisado”, en cada paso iterativo de prueba y perfeccionamiento

del modelo se compara la etiqueta asignada a la foto con la “decisión” tomada por el

programa, determinando si ha identificado el tipo de imagen correctamente. El

entrenamiento supervisado es relativamente rápido y necesita relativamente pocos recursos

computacionales. Sin embargo necesita de la intervención humana para etiquetar las

ingentes cantidades de información requeridas para el entrenamiento, lo cual supone un

proceso lento y costoso.

3. Investigar sobre aprendizaje automático

El aprendizaje automático o aprendizaje automatizado o aprendizaje de máquinas

(del inglés, machine learning) es el subcampo de las ciencias de la computación y una rama

de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las

computadoras aprendan. Se dice que un agente aprende cuando su desempeño mejora con

la experiencia; es decir, cuando la habilidad no estaba presente en su genotipo o rasgos de

nacimiento.1 De forma más concreta, los investigadores del aprendizaje de máquinas

buscan algoritmos y heurísticas para convertir muestras de datos en programas de

computadora, sin tener que escribir los últimos explícitamente. Los modelos o programas

resultantes deben ser capaces de generalizar comportamientos e inferencias para un

conjunto más amplio (potencialmente infinito) de datos.

 En muchas ocasiones el campo de actuación del aprendizaje automático se solapa

con el de la estadística inferencial, ya que las dos disciplinas se basan en el análisis de

datos. Sin embargo, el aprendizaje automático incorpora las preocupaciones de la

complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por

lo que gran parte de la investigación realizada en aprendizaje automático está enfocada al

diseño de soluciones factibles a esos problemas. El aprendizaje automático también está

estrechamente relacionado con el reconocimiento de patrones. El aprendizaje automático

puede ser visto como un intento de automatizar algunas partes del método científico

mediante métodos matemáticos. Por lo tanto es un proceso de inducción del conocimiento.

El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo

motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de

crédito, análisis del mercado de valores, clasificación de secuencias de ADN,

reconocimiento del habla y del lenguaje escrito, juegos y robótica.

El aprendizaje automático es un subconjunto de inteligencia artificial (IA) que se

concentra en desplegar sistemas que asimilan, u optimizan el rendimiento, en función de los

datos que ejecuten. Aunque todo aprendizaje automático es IA, no toda IA es aprendizaje

automático. Suele utilizarse en bancos, compras en línea, redes sociales, por medio de los

algoritmos de aprendizaje automático que hacen la experiencia eficiente, fluida y segura.

El aprendizaje automático es una rama de la inteligencia artificial que busca

desarrollar técnicas que permitan que las máquinas aprendan de forma automática. ¿Cómo?
A través de la introducción del conocimiento en forma de ejemplos continuados, se produce

un aprendizaje automático.

Mientras que la Inteligencia Artificial se basa en la programación de máquinas, al

aprendizaje automático se le suma esta información para analizar después los datos,

detectar patrones y ser capaces de predecir qué situaciones podrían darse o no después de

forma automática.

El proceso de aprendizaje automático es similar al de la minería de datos. Ambos

sistemas buscan entre los datos para encontrar patrones. Sin embargo, en lugar de extraer

los datos para la comprensión humana –como es el caso de las aplicaciones de minería de

datos– el aprendizaje automático utiliza esos datos para detectar patrones en los datos y

ajustar las acciones del programa en consecuencia. Los algoritmos del aprendizaje

automático se clasifican a menudo como supervisados o no supervisados. Los algoritmos

supervisados pueden aplicar lo que se ha aprendido en el pasado a nuevos datos. Los

algoritmos no supervisados pueden extraer inferencias de conjuntos de datos.

Ejemplos actuales de aprendizaje automático pueden ser los motores de búsquedas

actuales, la detección del rostro, el reconocimiento facial o de voz, los vehículos

autónomos, etc.
 Referencias Bibliográficas

Palma Méndez, J. T., & Marín Morales, R. (2008). Inteligencia artificial: Métodos, técnicas

y aplicaciones. España: McGraw-Hill. Pag.33-56. Recuperado de

https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3194970&query

=sistemas+basados+en+el+conocimiento

Bejár, J. (2007). Ingeniería del conocimiento. Wiki. Pag.12-19. Recuperado de

https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3174775&query

=inteligencia+artificial

Benitez, R., Escudero, G., & Kanaan, S. (2013). Inteligencia Artificial Avanzada. UOC.

Pag.221-228. Recuperado de

https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=1&docID=321795

7&tm=1528833358627

Pèrez Aguila, R. (2012). Una introducción al cómputo neuronal artificial. El Cid editor.

Recuperado de

https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3203755&query

=inteligencia+artificial

REPRESENTACIÓN DEL CONOCIMIENTO. (2017, febrero 17). Recuperado 25 de

noviembre de 2019, de INTELIGENCIA ARTIFICIAL website:

https://sitiointeligenciaa.wordpress.com/representacion-del-conocimiento/
Aprendizaje profundo. ¿Qué es? ¿Qué características presenta? (2018, diciembre 2).

Recuperado 25 de noviembre de 2019, de Justifica tu respuesta website:

https://justificaturespuesta.com/aprendizaje-profundo/

Cajamarca, M. (2019, noviembre 20). Inteligencia Artificial, Aprendizaje Automático y

Aprendizaje Profundo. Recuperado 25 de noviembre de 2019, de Medium website:

https://planetachatbot.com/inteligencia-artificial-aprendizaje-autom%C3%A1tico-y-

aprendizaje-profundo-862ca9790bb9