Unidad III

“INTELIGENCIA ARTIFICIAL”

CARRERA:Ingeniería en Sistemas Computacionales

FECHA DE ENTREGA

lunes, 25 de mayo de 2015

PRESENTA:

Chalate Jorge Humberto

Gaspar Rufino M. del Rosario

Hernández García Nidia M.

Juárez Martínez Esmeralda

Ortiz Andrés Erika

8° Semestre Grupo “A”

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

INSTITUTO TECNOLÓGICO de Tuxtepec

M.S.C. TOMÁS TORRES RAMÍREZ

3.1. Sistemas basados en conocimiento.

Historia.Surgen como una evolución de los paradigmas deprogramación a lo largo de la historia de lainformática. En los primeros tiempos de lacomputación, los programas, ante una petición delusuario, típicamente producían una salidaaccediendo a datos almacenados en ficheros conformatos particulares de cada aplicación.

3.1.1. Concepto de conocimiento.

Los Sistemas basados en Conocimientorepresentan un paso delante de los sistemas deinformación convencionales al pretenderrepresentar funciones cognitivas del ser humanocomo el aprendizaje y el razonamiento.

3.1.1. Concepto de conocimiento.

Su orientación es la automatización del análisis deproblemas, la búsqueda de soluciones, la toma dedecisiones y el empleo de conocimientoespecializado en un campo específico deaplicación.

3.1.1. Concepto de conocimiento.

Algunas de estas propiedades se deben a laseparación entre:• Conocimiento específico del problema -

Base de Conocimiento.• Metodología para solucionar el problema -

Máquina de Inferencia.

3.1.1. Concepto de conocimiento.

3.1.2. Lenguajes utilizados en la representación de conocimiento.

Existen diversos formalismos para la representación del conocimiento,

cada uno con sus propios lenguajes y cada uno con sus ventajas e

inconvenientes.

En esto, al igual que en la Ingeniería del Software, no existe la técnica

ideal que nos permita resolver cualquier problema de la mejor

manera.

Dependerá 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 más conveniente

que otro.

3.1.2. Lenguajes utilizados en la representación de conocimiento.

Lenguajes Basados en Lógica Formal

Aporta un buen número de ventajas para larepresentación del conocimiento y su manejo,partiendo de una sintaxis y semántica biendefinidas que detallan perfectamente la forma deconstruir sentencias y razonamientos sobre ellas.

3.1.2. Lenguajes utilizados en la representación de conocimiento.

Lenguajes Basados en Frames o Marcos

Estos lenguajes son similares a los lenguajes deprogramación orientados a objetos, en el sentido de quemodelan el conocimiento utilizando clases (frames),atributos, objetos y relaciones, y utilizan relaciones degeneralización y especialización para representar laorganización jerárquica de los conceptos.Uno de los posibles lenguajes basados en frames es KM.

3.1.2. Lenguajes utilizados en la representación de conocimiento.

Lenguajes Basados en Reglas

Estos lenguajes son fáciles de entender debido asu sencillez conceptual y a su paralelismo con lasestructuras de control más simples utilizadas enprogramación.

3.1.2. Lenguajes utilizados en la representación de conocimiento.

Este tipo de lenguajes han recibido también unfuerte impulso a partir de la aparición de la websemántica, ya que se piensa en ellos comoherramientas para definir servicios web, y comoherramienta base que permita definir la forma en laque pueden interactuar las aplicaciones decomercio electrónico.

3.2. Mapas conceptuales.

Los mapas conceptuales son instrumentosde representación del conocimiento sencillo ypráctico, que permiten transmitir con claridadmensajes conceptuales complejos y facilitartanto el aprendizaje como la enseñanza.Para mayor abundamiento, adoptan la formade grafos.

3.2. Mapas conceptuales.

Un mapa conceptual es una técnica sencillaque permite representar el conocimiento deforma gráfica como redes conceptualescompuestas por nodos que representan losconceptos, y enlaces, que representan lasrelaciones entre los conceptos.

3.3. Redes semánticas.

Una red semántica es un grafo, donde losvértices representan conceptos y los arcosrepresentan relaciones entre los conceptos.Las redes semánticas a nivel de ontología seutilizan para representar vocabulario que esesencialmente muy valioso para los sereshumanos.

3.3. Redes semánticas.

Ejemplo: represente mediante una red semántica la frase “un gato es un animal”

3.3. Redes semánticas.

Y podría incluir otra frase, “Garfield es ungato

3.3. Redes semánticas.

Las redes semánticas están basadas en la idea que los

objetos o los conceptos pueden ser unidos por alguna

relación.

Estas relaciones se representan usando una liga que

conecte dos conceptos. Los nodos y las ligas pueden ser

cualquier cosa, dependiendo de la situación a modelar.

3.4. Lógica de predicados.

Es una herramienta para estudiar elcomportamiento de un sistema lógico.Además proporciona un criterio paradeterminar si un sistema lógico es absurdo oinconsistente.Sistema simbólico: Lenguaje y fórmulaslógicas

3.4. Lógica de predicados.

Proposiciones.Representación en lenguaje cotidianoque debe estar libre de vaguedades.

3.4. Lógica de predicados.

Conexiones lógicas y Términos de enlace.Palabras de enlace que unen proposicionesatómicas para formar proposicionesmoleculares.

3.4. Lógica de predicados.Simbolización de proposiciones.

Uso de variables para representar proposiciones.P = "Se cerró el circuito" Q = "Operó la marcha"P & Q = "Se cerró el circuito y operó la marcha" ¬Q = "No operó la marcha“

3.4.1. Sintaxis.Elementos.• Términos: Representan objetos del

dominio.• Constantes: Representan un objeto

individual en concreto notación: cadenasde caracteres, comienzan en mayúsculas

notación: cadenas de caracteres, comienzanen mayúsculasEjemplos: Juan; Mi coche;…

3.4.1. Sintaxis.• Funciones: Representan (implícitamente) un

objeto individual que está relacionado con los nobjetos que participan en la función

notación: símbolo de función (cadena, comienzacon Mays.) con aridad n + n argumentos (términos)entre paréntesis

Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana);Coseno (45)…

3.4.1. Sintaxis.• Variables: Representan objetos sin indicar

cuales.• Predicados: Representan una propiedad de un

término (si aridad 1) o relaciones entre ktérminos (si aridad k > 1)

notación: cadenas de caracteres + k términos(variables, constantes, funciones) entre paréntesis.

3.4.1. Sintaxis.

• Átomos: formulas bien formadas (f. b. f.)compuestas por un único predicado

• Literales: Átomo o negación de un átomo.

Ejemplos: Asesina (Juan; x); Es_alto (Juan);Vive_con (Juan; Padre_de (Juan));…

3.4.2. Semántica.

Representamos un mundo donde hay:• Un n° infinito de objetos individuales

representados por símbolos de constantes yvariables.

Pueden ser entidades concretas (personas, cosas)o abstractas(números, eventos).

3.4.2. Semántica.• Un n° infinito de objetos de nidos en

función de otros objetos, representadospor símbolos de función.

Relaciones entre los objetos del dominio,representadas por símbolos de predicado.Si la aridad es 1, se habla de propiedades deobjetos.

3.4.2. Semántica.Interpretaciones.Una interpretación establece las relacionesanteriores entre los símbolos de la lógica y loselementos 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

Más compleja que en lógica de proposiciones.

3.4.2. Semántica.

Dominio de una interpretación: Conjunto de objetosdel mundo que se manejan en una interpretaciónFormalmente: Dada una conceptualización formadapor:

• U: universo de discurso (conj. deindividuos/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 más objetos de U

3.4.3. Validez.

• Un predicado con variables libres no esverdadero ni falso, hasta que se asignen valorespara dichas variables.

• Algunos de ellos serán siempre verdaderosindependientemente de los valores que seescojan: estos son predicados válidos.

• Un predicado que es verdadero o falsodependiendo de los valores elegidos se dice quees satisfacible.

• Un predicado que es siempre falso se dice quees no satisfacible.

3.4.4. Inferencia.Reglas de inferencia:

3.4.4. Inferencia.

3.5 Razonamiento con Incertidumbre.En situaciones reales, no siempre es posiblecontar con toda la información. Inclusive lainformación disponible puede ser incorrecta,incompleta o cambiar muy rápidamente.

Todo esto da lugar a diferentes formas deinconsistencias e incertidumbre.

3.5 Razonamiento con Incertidumbre.

Diversos métodos han sido desarrollados paraevaluar los grados de certeza o de verdad de lasconclusiones.Uno de los más generalizados consiste en asignarcoeficiente de certeza o de confianza a los hechosque intervienen en las en las condiciones y en laconclusión de una regla.

3.5 Razonamiento con Incertidumbre.

Todos los mecanismos de representación deconocimiento vistos están basados en lógicabajo estos supuestos:

• Todo hecho sobre el que razonemos debe serevaluado como cierto o falso.

• Para poder razonar necesitamos tener todos loshechos a nuestra disposición.

3.5 Razonamiento con Incertidumbre.

Pero en las prácticas nos encontramos conestos problemas:• Representar el conocimiento para cubrir todos

los hechos que son relevantes para un problemaes difícil.

• Existen dominios en los que se desconocentodos los hechos necesarios para resolver elproblema.

3.5 Razonamiento con Incertidumbre.

• Existen problemas en los que aún teniendo lasreglas para resolverlos no disponemos de todala información necesaria o no tenemos confianzaabsoluta en ellas.

• En otros problemas las reglas no se aplicansiempre o su confianza cambia con la confianzaque tenemos en los hechos.

3.5.1. Aprendizaje.

Máquina que aprende: Sistema organizado quetransforma un mensaje de entrada en uno desalida, de acuerdo con el principio deTransformación.

Si tal principio está sujeto a cierto criterio devalidez, el método de transformación se ajusta a finde que tienda a mejorar el funcionamiento; se diceque el sistema aprende.

3.5.1. Aprendizaje.

Aprendizaje animal: Cuando los organismosse ajustan o adaptan al conjunto deestímulos que provienen del entorno; recibenla información y la almacena con el fin dereutilizarla en situaciones o patrones deestímulos semejantes.

3.5.1. Aprendizaje.

La Organización (o reorganización) dela propia conducta (ante una situación oun patrón de estímulos) como resultadode una experiencia individual.

3.5.1. Aprendizaje.

Todos los estímulos a los que unindividuo responde es un cierto contextopueden no ser efectivos para produciruna conducta de aprendizaje en otroscontextos.

3.5.2. Razonamiento probabilístico.

La técnica más antigua y mejor definida paramanejar la incertidumbre es la Regla deBayes, la misma que está basada en lateoría clásica de la probabilidad.

3.5.2. Razonamiento probabilístico..

Las hipótesis son más o menos probablesdependiendo de las posibilidades de los hechos oevidencias que las sostiene.Las probabilidades se calculan en base a la fórmulageneral de la probabilidad condicionada de Bayes oalgunas transformaciones de la misma.

3.5.2. Razonamiento probabilístico..

Surgen de la insuficiencia explicativa de losmodelos normativos, que asumen que las personasasignan probabilidades de ocurrencia de un sucesobasándose en su frecuencia relativa, o comoasume la inferencia bayesiana, en las creencias yopiniones.

3.5.3. Lógicas Multivaluadas.

Se usa en matemáticas como procedimiento parabuscar modelos no estándar; esto esesencialmente lo que hace para conseguir losmodelos generales de Henkin para la lógicasuperior responsables de su teoría de completud.

3.5.4. Lógica Difusa.

También llamada lógica borrosa o heurística,se basa en lo relativo de lo observado comoposición diferencial, este tipo de lógica tomados valores aleatorios, pero contextualizadosy referidos entre sí.

3.6. Demostración y Métodos.

Métodos deductivos de demostración: el métododeductivo es un proceso que parte de unconocimiento general, y arriba a uno particular. Laaplicación del método deductivo nos llevó a unconocimiento con grado de certeza absoluta y estacimentado en preposiciones llamadas silogismos.

3.6. Demostración y Métodos.Ejemplos:“Todas las mexicanas son bellas”, (este es elconcepto general).

‘Luz Ortiz es mexicana’

luego:

‘Luz Ortiz es bella’

3.6. Demostración y Métodos.

En la lógica formal y sobre todo en el universomatemático, el proceso deductivo tiene unsignificado un poco diferente, pues esta basado enaxiomas, o preposiciones que son verdades pordefinición.

3.6. Demostración y Métodos.Ejemplos de axiomas:

“El todo es mayor que la parte”

“Dos cosas iguales a una tercera son iguales entresí”

Al conjunto de Hipótesis + Demostración +Conclusión se denomina Teorema.

3.6. Demostración y Métodos.

El Método de resolución de Robinson.Es un intento por mecanizar el proceso dededucción natural de esa forma eficiente. Lasdemostraciones se consiguen utilizando de esaforma el método refutativo (deducción al absurdo),es decir lo que intentamos es encontrarcontradicciones.

3.6. Demostración y Métodos.Para probar una sentencia nos basta con demostrarque su negación nos lleva a una contradicción conlas sentencias conocidas (es insatisfactible). Si lanegación de una sentencia entra en contradiccióncon los hechos de nuestra base de conocimiento esporque lo contrario, es decir, la sentencia originalera verdadera y se puede deducir lógicamente delas sentencias que componen dicha base deconocimientos.

3.6. Demostración y Métodos.

Ejemplo: Solución:

Lloverá O habrá un examen. Lluvia = a , Examen = b, David es

Vader = c

David es Darth Vader O no lloverá. Base de Conocimiento (todas son

ciertas): a V b, c V ¬ a, ¬ c

David no es Darth Vader. Por Resolución sabemos que b V c es

cierta.

Habrá un examen? Por Resolución sabemos que b V c es

cierta.

Fuentes Consultadas.• Alejandro Peña Ayala, Sistemas basados en conocimiento: Una base

para su concepción y desarrollo, Instituto Politécnico Nacional.• Dr. Wladimir Rodríguez, Postgrado en Computación, Inteligencia

Artificial clase #6 Representación del conocimiento.• Francisco Jose Ribadas Pena, Informática, INTELIGENCIA

ARTIFICIAL, Representación 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 Díaz de santos, 1989.

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