INSTITUTO TECNOLÓGICO SUPERIOR DE VENUSTIANO CARRANZA
Ingeniería en Sistemas Computacionales
Unidad 3
“Representación del Conocimiento y Razonamiento”
Nombre del Docente:
Guadalupe Vargas San Martin
Nombre del Alumno:
Omar Cortes Cruz
Matricula: 11VC0012
Villa Lázaro Cárdenas, Venustiano Carranza, Puebla a 22 de Abril del 2015.
OMAR CORTES CRUZ 1
ÍNDICE
Introducción………………………………………………………………………..…………....2
Sistemas basados en conocimiento……………………………………………………….....3
Concepto de conocimiento.…………………………………………………………………....3
Lenguajes utilizados en la representación del conocimiento………………………………4
Mapas conceptuales……………………………………………………………………………5
Redes semánticas………………………………………………………………………………5
Lógica de predicados…………………………………………………………………………...6
Sintaxis…………………………………………………………………………………………...6
Semántica………………………………………………………………………………………..7
Validez……………………………………………………………………………………………8
Inferencia………………………………………………………………………………………...8
Razonamiento con incertidumbre……………………………………………………………..9
Aprendizaje………………………………………………………………………………………9
Razonamiento probabilístico………………………………………………………………….10
Lógica multivaluadas…………………………………………………………………………..10
Lógica difusa……………………………………………………………………………………11
Demostración y métodos……………………………………………………………………...12
Conclusión………………………………………………………………………………………13
Bibliografía………………………………………………………………………………………14
OMAR CORTES CRUZ 2
INTRODUCCIÓN
A continuación se presentará los siguientes temas que son de suma importancia,
se definirá cada paso y se mencionará sus características así como algunos
ejemplos para comprender mejor. El primer punto es sistemas basados en
conocimiento ya que resuelve problemas utilizando una representación simbólica
del conocimiento humano. Después se definirá concepto de conocimiento y así
sucesivamente, al final sus referencias bibliográficas para basarse más sobre cada
tema o subtemas.
OMAR CORTES CRUZ 3
SISTEMAS BASADOS EN CONOCIMIENTO
Los Sistemas basados en Conocimiento representan un paso delante de los
sistemas de información 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
Artificial en lo general y en la Ingeniería del Conocimiento en lo particular.
Su orientación es la automatización del análisis de problemas, la búsqueda de
soluciones, la toma de decisiones y el empleo de conocimiento especializado en un
campo específico de aplicación.
Características más importantes son los siguientes:
Representación explícita del conocimiento.
Capacidad de razonamiento independiente de la aplicación específica.
Capacidad de explicar sus conclusiones y el proceso de razonamiento.
Alto rendimiento en un dominio específico.
Uso de heurísticas vs. Modelos matemáticos.
Uso de inferencia simbólica vs. Algoritmo numérico.
Algunas de estas propiedades se deben a la separación entre:
Conocimiento específico del problema - Base de Conocimiento.
Metodología para solucionar el problema - Máquina de Inferencia.
Importancia del Conocimiento Los sistemas basados en conocimiento basan su rendimiento en la cantidad y calidad del conocimiento de un dominio específico y no tanto en las técnicas de solución de problemas. Diferencia de sistemas basados en conocimiento con otras técnicas:
En sistemas expertos se ataca el problema construyendo un modelo del
``experto'' o resolvedor de problemas (Modelo del experto).
CONCEPTO DE CONOCIMIENTO
Conjunto de datos de primer orden, que modelan de forma estructurada la
experiencia que se tiene sobre un cierto dominio o que surgen de interpretar los
datos básicos. Incluye y requiere del uso de datos e información.
OMAR CORTES CRUZ 4
Además, combina relaciones, dependencias, y la noción del saber con datos e
información.
LENGUAJES UTILIZADOS EN LA REPRESENTACIÓN DE CONOCIMIENTO.
Desde el punto de vista pragmático, expresividad suficiente para representar de la
manera menos forzada posible el conocimiento. Esto significa que, para una
determinada conceptuación, el lenguaje con el que se construyen los modelos en el
nivel simbólico debe permitir una interpretación declarativa que represente todos los
aspectos de esa conceptuación.
Hay lenguajes formales, o teóricos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementación, o prácticos, que, siguiendo el modelo
de algún lenguaje formal, están adaptados para mecanizar la construcción de
ontologías. Nos centraremos en los primeros, que son relativamente estables, y
sobre los que se basan los segundos, algunos muy volátiles. Por ejemplo:
Prolog es un lenguaje de implementación de la lógica de primer orden, que
en sus versiones más recientes incluye también construcciones para la
programación con restricciones.
OWL (Web Ontology Language) es un lenguaje de ontolologías para la web
basado en una lógica de descripciones (en realidad, son tres sublenguajes).
Procede de la fusión de otros dos elaborados independientemente alrededor
del año 2000: DAML (DARPA Agent Markup Language, de la Agencia de
proyectos del Ministerio de Defensa U.S.A) y OIL (Ontology Inference Layer,
de un consorcio formado en el marco de los programas de la U.E.).
Lenguajes basados en la lógica de predicados de primer orden, con sintaxis y
semántica formalizadas, con una base rigurosa para el razonamiento, pero con
grandes dificultades para implementar algoritmos de razonamiento eficientes, con
una rigidez sintáctica que impide ciertas conceptuaciones «naturales» y con pocas
posibilidades de modularización.
Como es natural, diversos investigadores trataron de elaborar propuestas para
aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982,
Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando quedaron
relativamente establecidas las llamadas lógicas de descripciones, que en el
momento actual son los lenguajes por antonomasia para la representación del
conocimiento.
La lógica clásica de primer orden sigue siendo la base fundamental de las demás
formulaciones de la lógica; en el diseño de muchos sistemas basados en
conocimiento, especialmente los que no son muy complejos, se siguen utilizando
algunos de esos lenguajes; las ideas originales ayudan a entender y justifican
OMAR CORTES CRUZ 5
ciertas decisiones de diseño, y la naturaleza interdisciplinaria de estos primeros
trabajos hace muy interesante su estudio.
MAPAS CONCEPTUALES
En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se
denominó redes semánticas y que se usa ampliamente para la representar el
conocimiento formal. En la historia de la ciencia, la dinámica de mapas conceptuales
se ha usado también para representar los procesos de cambio conceptual de las
revoluciones científicas y en filosofía de la ciencia, Toulmin desarrolló una teoría de
argumentación científica basada en mapas conceptuales.
Un mapa conceptual es una técnica sencilla que permite representar el
conocimiento de forma gráfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.
REDES SEMÁNTICAS
El filósofo y lógico Charles S. Pierce desarrolló sus grafos existenciales como una
técnica formal de razonamiento para la inferencia lógica y en años recientes se ha
estado cultivando el interés en el estado formal de las pruebas visuales en
matemáticas. En Inteligencia Artificial, Sowa ha desarrollado los grafos de Peirce
como estructuras formales conceptuales para la representación de la inferencia
lógica de las declaraciones del lenguaje natural.
En la adquisición de conocimiento, en particular, la presentación de conocimiento
formal ha sido algo importante para su validación. Hay muchas técnicas para tal
adquisición pero todas ellas, en última instancia, terminan en una base de
conocimiento que opera con la semántica formal. Sin embargo, la expresión de esta
base de conocimiento en el lenguaje formal usado por el sistema no es por lo
general muy comprensible a los no programadores.
El desarrollo de redes semánticas acabó en fuertes críticas sobre la semántica de
diagramas particulares ya que ésta no estaba bien definida. Los nodos, arcos y sus
etiquetas podían usarse muy libremente y con una gran ambigüedad, y los
diagramas estaban sujetos a interpretaciones diferentes. En los años 70 existían
propuestas para formalizar una red semántica bien definida y esto hizo factible que
la semántica formal fuera desarrollada para sistemas de representación de
conocimiento terminológicos.
Las redes semánticas son grafos orientados que proporcionan una representación
declarativa de objetos, propiedades y relaciones. Los nodos se utilizan para
representar objetos o propiedades. Los arcos representan las relaciones entre
OMAR CORTES CRUZ 6
nodos. El mecanismo de inferencia básico en las redes semánticas es la herencia
de propiedades.
Las redes semánticas proporcionan un modelo de presentar las relaciones entre los
conceptos y los acontecimientos y constituyen una descripción de nuestra forma de
razonar.
Las partes de una red semántica son:
Nodos: es un concepto y se encierra e un círculo o elipse.
Relaciones: es una propiedad del concepto y pueden ponerse de dos formas:
Implícitas: es una flecha que no especifica su contenido
Explícitas: es una flecha en donde se especifica su contenido
LÓGICA DE PREDICADOS
En lógica de predicados, los valores de verdad se atribuyen a predicados que
denotan relaciones entre entidades del universo modelado. Por ejemplo, en vez de
tener una variable q para representar "Sócrates es un hombre", se escribe el
predicado hombre (sócrates) que relaciona a la entidad "Sócrates" con el hecho de
"ser hombre". Un predicado también puede aplicarse a variables que denotan
entidades anónimas o genéricas. Por ejemplo, para escribir la premisa "Todos los
hombre son mortales", que no se refiere a ningún "hombre" en particular, se utiliza
el predicado hombre(X) en que X es una variable que denota a cualquier entidad
del universo modelado que cumple con el hecho de "ser hombre".
SINTAXIS
Los paréntesis, además de servir como símbolos auxiliares para evitar
ambigüedades sin necesidad de recordar el convenio de precedencia, se utilizan
para formalizar la idea de que un símbolo de predicado se aplica a símbolos que
representan a un objetos: p(x,A) representa la relación p entre la variable x y la
constante A.
Un objeto puede estar representado por una constante, una variable o una función
aplicada sobre otros objetos, o sobre otras funciones. En general, se llama término
a la representación de un objeto. La forma de una función es la misma que la de un
átomo: un símbolo de función seguido por términos entre paréntesis.
En lógica de proposiciones utilizábamos los simbolos ϕ, ψ, χ, como metasímbolos
para representar sentencias. Añadiremos ahora α, τ y π para representar átomos,
términos y funciones, respectivamente.
OMAR CORTES CRUZ 7
Para definir las reglas de la gramática vamos a utilizar también p para representar,
en general, a un símbolo de predicado, f para un símbolo de función, C para un
símbolo de constante yx para un símbolo de variable. Las reglas, en notación BNF,
son:
τ ::=C | x |π (es decir, un término es una constante, una variable o una función)
α ::= p(τ{,τ}) (es decir, un átomo se construye con un símbolo de predicado y uno o
más términos entre paréntesis)
π::=f(τ{,τ}) (es decir, una función se construye con un símbolo de función y uno o
más términos entre paréntesis; sintácticamente es igual que un átomo)
Y las sentencias se forman con las mismas reglas de la lógica de proposiciones,
añadiendo dos para los cuantificadores:
φ ::= α |
(¬φ)|
(φ∨ψ)|
(φ⋀ψ)|
(φ⟶ψ)|
(φ⟷ψ)|
(∀x)(φ)|
(∃x)(φ)|
SEMÁNTICA
Una fbf, como 'cadena de caracteres', no tiene significado real (semántica).
Una estructura establece la 'semántica real' de los elementos de la lógica:
Dominio de aplicación.
Semántica de las constantes, predicados, funciones:
¿Qué significado tienen?:
(Juan es 'ese' individuo) ¿Qué se cumple en el mundo real?
Un conjunto de fbf (sin significado) puede representar la "realidad" mediante una
estructura asociada.
OMAR CORTES CRUZ 8
VALIDEZ
Las tablas de verdad sirven no solo para definir los conectores, sino también para
probar la validez de las oraciones. Si se desea considerar una oración, se construye
una tabla de verdad con una hilera por cada una de las posibles combinaciones de
valores de verdad correspondientes a los signos proposititos de la oración. Se
calcula el valor de verdad de toda la oración, en cada una de las hileras. Si la oración
es verdadera en cada una de las hileras. La oración es válida.
Las tablas nos manifiestan los valores de verdad de cualquier proposición, así como
el análisis de los mismos, encontrándonos con los siguientes casos:
Tautología o validez: Se entiende por proposición tautológica, o tautología, aquella
proposición que en todos los casos posibles de su tabla de verdad su valor siempre
es V.
Contradicción: Se entiende por proposición contradictoria, o contradicción, aquella
proposición que en todos los casos posibles de su tabla de verdad su valor siempre
es F.
Contingencia (verdad indeterminada): Se entiende por verdad contingente, o
verdad de hecho, aquella proposición que puede ser verdadera o falsa, o no se tiene
suficiente información para llegar a una conclusión
Satisfabilidad: Si en la tabla de verdad se obtiene al menos una VERDAD
INFERENCIA
Es el encargado de decidir cómo se procede en lo informado a la BC. El componente
base de conocimiento a veces cuenta con ciertos conocimientos iniciales.
Cuando se solicita intervención al programa de agente sucede:
1. El programa INFORMA a la base de conocimiento lo que percibe
2. Le pregunta a la base de conocimientos cual es la acción que debe
emprender.
3. Para responder a la consulta se utiliza el razonamiento lógico para determinar
de entre varias acciones la mejor.
OMAR CORTES CRUZ 9
RAZONAMIENTO CON INCERTIDUMBRE
En situaciones reales, no siempre es posible contar con toda la información. Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy rápidamente. Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre. Diversos métodos han sido desarrollados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los más generalizados consiste en asignar coeficiente de certeza o de confianza a los hechos que intervienen en las en las condiciones y en la conclusión de una regla. Los principales modelos desarrollados son:
Modelo estadístico – probabilístico.
Modelo aproximado.
Modelo de lógica difusa
APRENDIZAJE
Es desarrollar técnicas que permitan a las computadoras aprender. De forma más
concreta, se trata de crear programas capaces de generalizar comportamientos a
partir de una información no estructurada suministrada en forma de ejemplos. Es,
por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el
campo de actuación del aprendizaje automático se solapa con el de la estadística,
ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el
aprendizaje automático se centra más en el estudio 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 puede ser visto como un intento de automatizar algunas partes del
método científico mediante métodos matemáticos.
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.
OMAR CORTES CRUZ 10
RAZONAMIENTO PROBABILÍSTICO
La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que está basada en la teoría clásica de la probabilidad Las
hipótesis son más o menos probables dependiendo de las posibilidades de los
hechos o evidencias que las sostiene La probabilidades se calculan en base a la
fórmula general de la probabilidad condicionada de Bayes o algunas
transformaciones de la misma.
LÓGICAS MULTIVALUADAS
Aunque la lógica multivariada no sea una extensión en sentido propio de la de primer
orden (univariada), atendiendo al resto de propiedades se la prefiere en aplicaciones
tanto en informática como en lingüística. Por lo que respecta a la informática es
ampliamente usada, sirvan los ejemplos siguientes:
1. Tipos abstractos de datos
2. Semánticas y lógicas de verificación de programas
3. Definición de lenguajes de programación
4. Álgebras para distintas lógicas
5. Bases de datos
6. Lógica dinámica
7. Semántica de lenguajes naturales
1. Solución de problemas computarizada
2. Representación del conocimiento
3. Programación lógica y deducción automática
La lógica multivariada se ha usado en matemáticas como procedimiento para buscar
modelos no estándar; esto es esencialmente lo que se hace para conseguir los
modelos generales de Henkin para la lógica superior, responsables de su teorema
de completud. Puede resultar también útil para entender la lógica dinámica de dos
formas distintas:
1. la lógica dinámica proposicional se traduce a la lógica multivariada por un
procedimiento claramente deudor al de Henkin y está también.
2. la lógica dinámica no-estándar, heredera igualmente de los modelos
generales de Henkin.
OMAR CORTES CRUZ 11
LÓGICA DIFUSA
La lógica difusa o lógica heurística se basa en lo relativo de lo observado como
posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí. Así, por ejemplo, una persona que mida 2
metros es claramente una persona alta, si previamente se ha tomado el valor de
persona baja y se ha establecido en 1 metro. Ambos valores están contextualizados
a personas y referidos a una medida métrica lineal.
Desarrollos actuales y aplicaciones de lógica difusa
Aplicaciones generales
La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy
alta y no existen modelos matemáticos precisos, para procesos altamente no
lineales y cuando se envuelven definiciones y conocimiento no estrictamente
definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algún modelo matemático ya
soluciona eficientemente el problema, cuando los problemas son lineales o cuando
no tienen solución.
Esta técnica se ha empleado con bastante éxito en la industria, principalmente en
Japón, y cada vez se está usando en gran multitud de campos. La primera vez que
se usó de forma importante fue en el metro japonés, con excelentes resultados. A
continuación se citan algunos ejemplos de su aplicación:
Sistemas de control de acondicionadores de aire
Sistemas de foco automático en cámaras fotográficas
Electrodomésticos familiares (frigoríficos, lavadoras...)
Optimización de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un
experto humano)
Tecnología informática
Bases de datos difusas: Almacenar y consultar información imprecisa. Para
este punto, por ejemplo, existe el lenguaje FSQL.
…y, en general, en la gran mayoría de los sistemas de control que no
dependen de un Sí/No.
OMAR CORTES CRUZ 12
DEMOSTRACIÓN Y MÉTODOS
La demostración consiste básicamente a partir de unas proposiciones dadas llamadas premisas, obtener otras proposiciones llamada conclusión mediante la aplicación de unas reglas lógicas. Los métodos de demostración son modelos o esquemas generales que se encuentran en los procesos deductivos, estos modelos están fundamentados lógicamente en teoremas o reglas de inferencia ya establecidas. Método directo de la hipótesis auxiliar o demostración condicional dado un conjunto de premisas en una teoría, si bajo el supuesto de que una proposición p es verdadera y utilizando las premisas disponibles se puede hacer una demostración de que una proposición q es verdadera, entonces en esa teoría puede concluirse que p es verdadero. Método contra reciproco Supongamos que se requiere demostrar que una proposición específica p q es teorema y al intentar su demostración por el método directo no se logra obtener la conclusión deseada. se procede a demostrar por el método directo su contra reciproco, si se consigue este objetivo entonces queda establecida la validez al hacer la sustitución por equivalencia. Método de demostración por contradicción o reducción al absurdo. consiste en suponer explícitamente la negación de la proposición a demostrar, a partir de la hipótesis se trata de generar una contradicción, esto es, que la teoría con ese supuesto es inconsistente y, en consecuencia, tal hipótesis es falsa, a lo que es equivalente, que su negación es verdadera quedando validada la proposición inicial.
OMAR CORTES CRUZ 13
CONCLUSIÓN
Ya que hemos terminado de analizar estos temas, solo nos falta llevarlo a la práctica
para mejorar y así no tener dudas ni tener errores en cuantos ejercicios. El principal
problema es encontrar una representación del conocimiento y un sistema de
razonamiento que el soporte que pueda hacer las inferencias que necesite tu
aplicación dentro de los límites de recursos del problema a tratar. Ver varias formas
para analizar y así poder resolver problemas complejos.
OMAR CORTES CRUZ 14
BIBLIOGRAFÍA
http://inteligenciartificialitsat.wordpress.com/2013/04/08/unidad-ii-representacion-del-conocimiento-y-razonamiento/
https://www.google.com.mx/?gfe_rd=cr&ei=CrlqU6fvEOvP8ge7h4H4Bg http://www.monografias.com/trabajos51/inteligencia-artificial/inteligencia-
artificial2.shtml http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
http://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento
Top Related