[SISTEMAS INTELIGENTES] IDSYSTEMS 2014

Leccion 3.1 – Representacion del conocimiento y razonamiento Página 1


Leccion 3.1 – Representacion del conocimiento y razonamiento

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 como 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 representación 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 autoepistémica. 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.
El principal problema es encontrar una representación del conocimiento y un sistema de
razonamiento que la soporte que pueda hacer las inferencias que necesite tu aplicación dentro de los
límites de recursos del problema a tratar. Los desarrollos recientes en la representación del
conocimiento han sido liderados por la web semántica, y han incorporado el desarrollo de lenguajes y
estándares de representación del conocimiento basados en XML, que incluyen Resource Description
Framework (RDF), RDF Schema, DARPA Agent Markup Language (DAML), y Web Ontology Language
(OWL).

Visión general
Existen un conjunto de técnicas de representación como son los marcos, las reglas, el etiquetado, y
las redes semánticas, que tienen su origen en teorías del procesamiento de la información humana.
Como el conocimiento se usa para conseguir comportamiento inteligente, el objetivo fundamental de
la representación del conocimiento es representar el conocimiento de manera que facilite el
razonamiento. Una buena representación del conocimiento debe ser declarativa además de
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014

Leccion 3.1 – Representacion del conocimiento y razonamiento Página 2


conocimiento fundamental. Lo que es la representación del conocimiento se entiende mejor en
términos de cinco roles fundamentales que juega, cada uno crucial para la aplicación:
1

2

 Una representación del conocimiento es fundamentalmente un sucedáneo, un sustituto para el
objeto en sí, usado para activar una entidad para determinar las consecuencias pensando en
lugar de actuando, en otras palabras, razonando acerca del mundo en lugar de tomando acción
en él.
 Es un grupo de compromisos ontológicos, en otras palabras, una respuesta a la pregunta: en
qué términos debo pensar acerca del mundo?
 Es una teoría fragmentaria del razonamiento inteligente, expresado en términos de tres
componentes: (i) El concepto fundamental de la representación del razonamiento inteligente;
(ii) El conjunto de inferencias que la representación sanciona; y (iii) El conjunto de inferencias
que recomienda.
 Es un medio para una computación pragmáticamente eficiente, en otras palabras, el entorno
computacional en el que el pensamiento tiene lugar. Una contribución para esta eficiencia
pragmática viene dada por la guía que una representación provee para organizar información
de modo que facilite hacer las inferencias recomendadas.
 Es un modo de expresión humana, en otras palabras, un lenguaje en el que decimos cosas
sobre el mundo.
Algunas cuestiones que surgen en la representación del conocimiento desde el punto de vista de la
inteligencia artificial son: -Como representamos el conocimiento? -Cual es la naturaleza del
conocimiento? -Debería un esquema de representación tratar con un dominio particular o ser de
propósito general? -Como de expresivo es un esquema de representación o lenguaje formal? -Debería
el esquema ser declarativo o procesal?
En el campo de la inteligencia artificial, la solución de problemas puede ser simplificada con una
elección apropiada de representación del conocimiento. Algunos problemas son más fáciles de resolver
al representar el conocimiento de un modo determinado. Por ejemplo, es más fácil dividir números
representados en números arábigos que números representados en números romanos.

Características
Una buena representación del conocimiento cubre seis características básicas:
 Cobertura, que significa que la representación del conocimiento cubre la información en
anchura y profundidad. Sin una cobertura amplia, la representación del conocimiento no puede
determinar nada ni resolver ambigüedades.
 Comprensible por humanos. La representación del conocimiento es vista como un lenguaje
natural, así que la lógica debería fluir libremente. Debería soportar la modularidad y la jerarquía
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014

Leccion 3.1 – Representacion del conocimiento y razonamiento Página 3


de clases (los osos polares son osos, que son animales). Debería además contar con primitivas
simples que se combinen de forma compleja.
 Consistencia. Si Pedro ha cerrado la puerta, también puede ser interpretado como la puerta ha
sido cerrada por Pedro. Siendo consistente, la representación del conocimiento puede eliminar
conocimiento redundante o conflictivo.
 Eficiencia.
 Facilidad de modificación y actualización.
 Soporte de la actividad inteligente que usa la base de conocimiento.
Para entender mejor porque estas características representan una buena representación del
conocimiento, piensa en como una enciclopedia (por ejemplo, Wikipedia) está estructurada. Hay
millones de artículos (cobertura), que están organizados en categorías, tipos de contenido, y temas
similares (comprensible por humanos). Redirecciona diferentes títulos pero mismo contenido al mismo
artículo (consistencia). Es eficiente, es fácil añadir o actualizar páginas, y permite a los usuarios
consultar la base de conocimiento en sus teléfonos u ordenadores de escritorio.

Historia de la representación del conocimiento y el razonamiento
En las ciencias de la computación, particularmente la inteligencia artificial, se han ideado un
número de representaciones para estructurar la información.
Representación del conocimiento es un término comúnmente usado para referirse a
representaciones pensadas para el procesamiento por ordenadores modernos, y en particular, para
representaciones compuestas por objetos explícitos (la clase que contiene a todos los elefantes, o
Jacobo un individuo en concreto), y de afirmaciones sobre ellos ('Jacobo es un elefante', o 'todos los
elefantes son grises'). Representar el conocimiento en un a forma explicita como esta permite a los
ordenadores sacar conclusiones de conocimiento previamente almacenado ('Jacobo es gris').
Muchos métodos de representación del conocimiento fueron probados a lo largo de la década
de 1970 hasta principios de los años 80, cómo responder a preguntas usando heurísticas, redes
neuronales, demostraciones de teoremas, y sistemas expertos, con un grado variable de éxito. La
diagnosis médica (por ejemplo Mycin) fue un área importante de aplicación, al igual que lo fueron
juegos como el ajedrez.
En los años 80, surgieron lenguajes formales de programación y sistemas de representación del
conocimiento. Grandes proyectos se llevaron a cabo para intentar codificar grandes masas de
conocimiento general, por ejemplo, el proyecto "Cyc" (todavía activo) tomó un gran enciclopedia
codificando no la información en sí, sino la información que un lector necesitaría para poder entender
la enciclopedia: física elemental, nociones de tiempo, causalidad, motivación; objetos comunes y clases
de objetos.
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014

Leccion 3.1 – Representacion del conocimiento y razonamiento Página 4


A través de dicho trabajo, se apreció mejor la dificultad de la representación del conocimiento.
En lingüísticas computacionales, mientras tanto, se estaban construyendo bases de datos de
información lingüística mucho más grandes, y estas, junto con los grandes incrementos en velocidad y
capacidad de computación, hicieron las representación del conocimiento más profundas más factibles.
Se han desarrollado diversos lenguajes de programación orientados a la representación del
conocimiento. Prolog, desarrollado en 1972,
3
pero popularizado mucho después, representa
proposiciones y lógica básica, y puede derivar conclusiones de premisas conocidas. KL-ONE (años 80)
está más orientado a la representación del conocimiento en sí. En 1995, se desarrolló el estándar de
metadata Dublin Core.
En el mundo de los documentos electrónicos, se estaban desarrollando lenguajes para
representar la estructura de los documentos, como el SGML (del que desciende el HTML) y más tarde
XML. Estos facilitaron los esfuerzos de recuperación de información y minería de datos, que en años
recientes comenzaron a relacionarse a la representación del conocimiento. El desarrollo de la web
semántica, ha incluido el desarrollo de lenguajes de representación del conocimiento y estándares
basados en XML, incluyendo RDF, RDF Schema, DARPA Agent Markup Language (DAML), y Web
Ontology Language (OWL).

Durante los años 60, la mayor parte de los trabajos de investigación sobre inteligencia artificial
se centraban en los algoritmos de búsqueda heurística y en la concepción de sistemas para la
resolución de problemas con un interés, en principio, puramente teórico y académico (demostración
de teoremas, juegos, problemas lógicos, etc.), pero con la idea implícita de que los resultados pudieran
ser aplicables a problemas «reales». Algunas líneas con posibilidades de aplicación práctica inmediata,
como la traducción automática entre lenguajes naturales, se abandonaron pronto al percibirse la
dificultad del problema. A mitad de los 70 comienzan a tomar cuerpo dos ideas clave que, aunque muy
relacionadas, no son idénticas. Se trata del «paradigma del sistema experto» y del «paradigma del
conocimiento».


3.1.2. Lenguajes utilizados en la representación de conocimiento.

En el caso de los sistemas basados en conocimiento, el lenguaje en el que se expresa la ontología
debe reunir características que a veces (dependiendo del dominio) no es fácil compatibilizar:
 Sintaxis formalizada, para poder diseñar sobre bases sólidas un procesador.
 Semántica bien definida y que permita la implementación procedimental en el procesador de
algoritmos de razonamiento eficientes.
 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
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014

Leccion 3.1 – Representacion del conocimiento y razonamiento Página 5


conceptuación. En la práctica puede ocurrir que no encontremos el lenguaje ideal, y tengamos
que forzar la conceptuación para que se ajuste al lenguaje elegido.

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.). En 2001 se
formó un comité conjunto que hizo una propuesta al Consorcio Web (W3C), y éste publicó el
estándar (Proposed Recommendation en la terminología del W3C) en 2003, modificado el 10 de
febrero de 2004. Existen numerosas propuestas de mejoras y modificaciones. En el Apéndice B
se resume la versión actual.

Hasta la segunda mitad de los años 80 se estaban utilizando diversos lenguajes que podían
clasificarse en dos tipos:
 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.
 Lenguajes basados en modelos de psicología que, al estar derivados del estudio de la mente
humana, permiten conceptuaciones más naturales y algoritmos de razonamiento más
eficientes, pero que tienen una sintaxis menos formalizada y carecen de una definición
semántica precisa (a pesar de que uno de ellos se llama redes semánticas).

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.

[SISTEMAS INTELIGENTES] IDSYSTEMS 2014

Leccion 3.1 – Representacion del conocimiento y razonamiento Página 6


A las lógicas de descripciones dedicaremos el Capítulo. Pero hay al menos cuatro razones por las
que nos parece conveniente detenernos previamente en los lenguajes más antiguos:
 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 ciertas decisiones de diseño, y
 la naturaleza interdisciplinaria de estos primeros trabajos hace muy interesante su estudio.






Referencias:

http://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento

http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html


Sign up to vote on this title
UsefulNot useful