Representación del conocimiento y razonamiento

1. 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

2. 3.1. Sistemas basados en conocimiento.
Historia.
Surgen como una evolución de los paradigmas de
programación a lo largo de la historia de la
informática. En los primeros tiempos de la
computación, los programas, ante una petición del
usuario, típicamente producían una salida
accediendo a datos almacenados en ficheros con
formatos particulares de cada aplicación.

3. 3.1.1. Concepto de 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.

4. 3.1.1. Concepto de conocimiento.
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.

5. 3.1.1. Concepto de conocimiento.
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.

6. 3.1.1. Concepto de conocimiento.

7. 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.

8. 3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Lenguajes Basados en Lógica Formal
Aporta un buen número de ventajas para la
representación del conocimiento y su manejo,
partiendo de una sintaxis y semántica bien
definidas que detallan perfectamente la forma de
construir sentencias y razonamientos sobre ellas.

9. 3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Lenguajes Basados en Frames o Marcos
Estos lenguajes son similares a los lenguajes de
programación orientados a objetos, en el sentido de que
modelan el conocimiento utilizando clases (frames),
atributos, objetos y relaciones, y utilizan relaciones de
generalización y especialización para representar la
organización jerárquica de los conceptos.
Uno de los posibles lenguajes basados en frames es KM.

10. 3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Lenguajes Basados en Reglas
Estos lenguajes son fáciles de entender debido a
su sencillez conceptual y a su paralelismo con las
estructuras de control más simples utilizadas en
programación.

11. 3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Este tipo de lenguajes han recibido también un
fuerte impulso a partir de la aparición de la web
semántica, ya que se piensa en ellos como
herramientas para definir servicios web, y como
herramienta base que permita definir la forma en la
que pueden interactuar las aplicaciones de
comercio electrónico.

12. 3.2. Mapas conceptuales.
Los mapas conceptuales son instrumentos
de representación del conocimiento sencillo y
práctico, que permiten transmitir con claridad
mensajes conceptuales complejos y facilitar
tanto el aprendizaje como la enseñanza.
Para mayor abundamiento, adoptan la forma
de grafos.

13. 3.2. 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.

14. 3.3. Redes semánticas.
Una red semántica es un grafo, donde los
vértices representan conceptos y los arcos
representan relaciones entre los conceptos.
Las redes semánticas a nivel de ontología se
utilizan para representar vocabulario que es
esencialmente muy valioso para los seres
humanos.

15. 3.3. Redes semánticas.
Ejemplo: represente mediante una red
semántica la frase “un gato es un animal”

16. 3.3. Redes semánticas.
Y podría incluir otra frase, “Garfield es un
gato

17. 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.

18. 3.4. Lógica de predicados.
Es una herramienta para estudiar el
comportamiento de un sistema lógico.
Además proporciona un criterio para
determinar si un sistema lógico es absurdo o
inconsistente.
Sistema simbólico: Lenguaje y fórmulas
lógicas

19. 3.4. Lógica de predicados.
Proposiciones.
Representación en lenguaje cotidiano
que debe estar libre de vaguedades.

20. 3.4. Lógica de predicados.
Conexiones lógicas y Términos de enlace.
Palabras de enlace que unen proposiciones
atómicas para formar proposiciones
moleculares.

21. 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“

22. 3.4.1. Sintaxis.Elementos.
• Términos: Representan objetos del
dominio.
• Constantes: Representan un objeto
individual en concreto notación: cadenas
de caracteres, comienzan en mayúsculas
notación: cadenas de caracteres, comienzan
en mayúsculas
Ejemplos: Juan; Mi coche;…

23. 3.4.1. Sintaxis.
• Funciones: Representan (implícitamente) un
objeto individual que está relacionado con los n
objetos que participan en la función
notación: símbolo de función (cadena, comienza
con Mays.) con aridad n + n argumentos (términos)
entre paréntesis
Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana);
Coseno (45)…

24. 3.4.1. Sintaxis.
• Variables: Representan objetos sin indicar
cuales.
• Predicados: Representan una propiedad de un
término (si aridad 1) o relaciones entre k
términos (si aridad k > 1)
notación: cadenas de caracteres + k términos
(variables, constantes, funciones) entre paréntesis.

25. 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));…

26. 3.4.2. Semántica.
Representamos un mundo donde hay:
• Un n° infinito de objetos individuales
representados por símbolos de constantes y
variables.
Pueden ser entidades concretas (personas, cosas)
o abstractas(números, eventos).

27. 3.4.2. Semántica.
• Un n° infinito de objetos de nidos en
función de otros objetos, representados
por símbolos de función.
Relaciones entre los objetos del dominio,
representadas por símbolos de predicado.
Si la aridad es 1, se habla de propiedades de
objetos.

28. 3.4.2. Semántica.
Interpretaciones.
Una interpretación establece las relaciones
anteriores entre los símbolos de la lógica 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
Más compleja que en lógica de proposiciones.

29. 3.4.2. Semántica.
Dominio de una interpretación: Conjunto de objetos
del mundo que se manejan en una interpretación
Formalmente: Dada una conceptualización 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 más objetos de U

30. 3.4.3. Validez.
• Un predicado con variables libres no es
verdadero ni falso, hasta que se asignen valores
para dichas variables.
• Algunos de ellos serán siempre verdaderos
independientemente de los valores que se
escojan: estos son predicados válidos.
• 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.

31. 3.4.4. Inferencia.
Reglas de inferencia:

32. 3.4.4. Inferencia.

33. 3.5 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.

34. 3.5 Razonamiento con 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.

35. 3.5 Razonamiento con Incertidumbre.
Todos los mecanismos de representación de
conocimiento vistos están basados en lógica
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 disposición.

36. 3.5 Razonamiento con Incertidumbre.
Pero en las prácticas nos encontramos con
estos problemas:
• Representar el conocimiento para cubrir todos
los hechos que son relevantes para un problema
es difícil.
• Existen dominios en los que se desconocen
todos los hechos necesarios para resolver el
problema.

37. 3.5 Razonamiento con Incertidumbre.
• Existen problemas en los que aún teniendo las
reglas para resolverlos no disponemos de toda
la información 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.

38. 3.5.1. Aprendizaje.
Máquina que aprende: Sistema organizado que
transforma un mensaje de entrada en uno de
salida, de acuerdo con el principio de
Transformación.
Si tal principio está sujeto a cierto criterio de
validez, el método de transformación se ajusta a fin
de que tienda a mejorar el funcionamiento; se dice
que el sistema aprende.

39. 3.5.1. Aprendizaje.
Aprendizaje animal: Cuando los organismos
se ajustan o adaptan al conjunto de
estímulos que provienen del entorno; reciben
la información y la almacena con el fin de
reutilizarla en situaciones o patrones de
estímulos semejantes.

40. 3.5.1. Aprendizaje.
La Organización (o reorganización) de
la propia conducta (ante una situación o
un patrón de estímulos) como resultado
de una experiencia individual.

41. 3.5.1. Aprendizaje.
Todos los estímulos a los que un
individuo responde es un cierto contexto
pueden no ser efectivos para producir
una conducta de aprendizaje en otros
contextos.

42. 3.5.2. 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.

43. 3.5.2. Razonamiento probabilístico..
Las hipótesis son más o menos probables
dependiendo de las posibilidades de los hechos o
evidencias que las sostiene.
Las probabilidades se calculan en base a la fórmula
general de la probabilidad condicionada de Bayes o
algunas transformaciones de la misma.

44. 3.5.2. Razonamiento probabilístico..
Surgen de la insuficiencia explicativa de los
modelos normativos, que asumen que las personas
asignan probabilidades de ocurrencia de un suceso
basándose en su frecuencia relativa, o como
asume la inferencia bayesiana, en las creencias y
opiniones.

45. 3.5.3. Lógicas Multivaluadas.
Se usa en matemáticas como procedimiento para
buscar modelos no estándar; esto es
esencialmente lo que hace para conseguir los
modelos generales de Henkin para la lógica
superior responsables de su teoría de completud.

46. 3.5.4. Lógica Difusa.
También llamada lógica borrosa o 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.

47. 3.6. Demostración y Métodos.
Métodos deductivos de demostración: el método
deductivo es un proceso que parte de un
conocimiento general, y arriba a uno particular. La
aplicación del método deductivo nos llevó a un
conocimiento con grado de certeza absoluta y esta
cimentado en preposiciones llamadas silogismos.

48. 3.6. Demostración y Métodos.
Ejemplos:
“Todas las mexicanas son bellas”, (este es el
concepto general).
‘Luz Ortiz es mexicana’
luego:
‘Luz Ortiz es bella’

49. 3.6. Demostración y Métodos.
En la lógica formal y sobre todo en el universo
matemático, el proceso deductivo tiene un
significado un poco diferente, pues esta basado en
axiomas, o preposiciones que son verdades por
definición.

50. 3.6. Demostración y Métodos.
Ejemplos de axiomas:
“El todo es mayor que la parte”
“Dos cosas iguales a una tercera son iguales entre
sí”
Al conjunto de Hipótesis + Demostración +
Conclusión se denomina Teorema.

51. 3.6. Demostración y Métodos.
El Método de resolución de Robinson.
Es un intento por mecanizar el proceso de
deducción natural de esa forma eficiente. Las
demostraciones se consiguen utilizando de esa
forma el método refutativo (deducción al absurdo),
es decir lo que intentamos es encontrar
contradicciones.

52. 3.6. Demostración y Métodos.
Para probar una sentencia nos basta con demostrar
que su negación nos lleva a una contradicción con
las sentencias conocidas (es insatisfactible). Si la
negación de una sentencia entra en contradicción
con los hechos de nuestra base de conocimiento es
porque lo contrario, es decir, la sentencia original
era verdadera y se puede deducir lógicamente de
las sentencias que componen dicha base de
conocimientos.

53. 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.

54. 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.pdf
http://iaplan2010.esy.es/unidad-3/3-2-mapas-conceptuales/
http://iaplan2010.esy.es/unidad-3/3-3-redes-semanticas/