INSTITUTO TECNOLÓGICO TECNOLÓGICO SUPERIOR DE VENUSTIANO CARRANZA
Ingeniería en Sistemas Computacionales
Unidad 3 “
Representación del Conocimiento y Razonamiento
”
Nombre del Docente: Docente: Guadalupe Vargas San Martin
Nombre del Alumno: Alumno: Omar Cortes Cruz
Matricula: 11VC0012
Villa Lázaro Cárdenas, Venustiano Carranza, Carranza, Puebla a 22 de Abril del 2015.
ÍNDICE Introducción………………………………………………………………………..…………....2 Sistemas basados en conocimiento……………………………………………………… .....3 Concepto de conocimient o.…………………………………………………………………....3 Lenguajes utilizados en la representació n del conocimiento………………………………4 Mapas conceptual es……………………………………………………………………………5 Redes semánticas………………………………………………………………………………5
Lógica de predicados …………………………………………………………………………...6 Sintaxis………………………………………………………………………………………… ...6 Semántica………………………………………………………………………………………..7 Validez…………………………………………………………………………………………… 8 Inferencia……………………………………………………………………………………… ...8
Razonamiento con incerti dumbre……………………………………………………………..9 Aprendizaje………………………………………………………………………………………9
Razonamiento probabilís tico………………………………………………………………….10 Lógica multivaluadas …………………………………………………………………………..10 Lógica difusa……………………………………………………………………………………11
Demostración y método s……………………………………………………………………...12 Conclusión………………………………………………………………………………………13 Bibliografía………………………………………………………………………………………14
OMAR CORTES CRUZ
1
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
2
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
3
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 represe nte 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
4
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 compue stas 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
5
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
6
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
7
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 con struye 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 c ada 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
8
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
9
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. 2. 3. 4. 5. 6. 7. 1. 2. 3.
Tipos abstractos de datos Semánticas y lógicas de verificación de programas Definición de lenguajes de programación Álgebras para distintas lógicas Bases de datos Lógica dinámica Semántica de lenguajes naturales Solución de problemas computarizada Representación del conocimiento 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
10
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
11
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
12
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
13
BIBLIOGRAFÍA
http://inteligenciartificialitsat.wordpress.com/2013/04/08/unidad-ii-representaciondel-conocimiento-y-razonamiento/ https://www.google.com.mx/?gfe_rd=cr&ei=CrlqU6fvEOvP8ge7h4H4Bg http://www.monografias.com/trabajos51/inteligencia-artificial/inteligenciaartificial2.shtml http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html http://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento
OMAR CORTES CRUZ
14
