CAPITULO 6 NGENIERIA DEL CONOCIMIENTO: EL CONOCIMIENTO EN CommonKADS 6.1 INTRODUCCION Para introducir los modelos de conocimiento en el capitulo previo, formulabamos tres preguntas: gpor qué?, 2qué? y ,cémo? Hasta ahora hemos respondido a la primera pregunta, gracias a la cual se ha realizado el correspondiente andlisis contextual. De la respuesta a la segunda pregunta surge el mecanismo conceptual que involucra ta formalizacién y uso del conocimiento asi como su transmisién y/o recepcién mediante algin tipo de comunicacién. De aqui se derivaban los modelos de conocimiento y comunicacién. De estos dos modelos, es el de conocimiento el que cobra una mayor relevancia, maxime teniendo en cuenta que nos movemos en el campo de la Ingenieria del Conocimiento. Las claves que conforman este capitulo son: Aspectos baisicos del conocimiento tacito ¥ explicito. El conocimiento como forma complgja de informacion EI modelo de conocimiento contiene los bloques para constrult'un modelo de su mismo nombre, narea, inferencia, esqueme ce dominio » base de conocinicnte niento engloba tanto el conocimiento delo de comunicacién specifica las ntes involucrados. Ambos En CommonKADS el modelo del cono Como los requisites de razonamiento. El_ mo ¢ ecesidades y deseos con respecto a las interfaces con otros SBS!132. INTELIGENCIA ARTIFICIAL E INGENIERIA DEL CONOCIMIENTO_ Civ constituyen Ia entrada al modelo de disefio, que dara respuesta a la tercera y iting pegunta: ge6mo? La entrada al disefio del modelo de conocimiento es una cierta tarea identificada o, el modelo de organizacién (OM-3) y mas adelante detallada en el modelo de tareas (Ty. y TM-2), asi como en el modelo de agente (AM-1). ‘Modelo de organizacién Tarea seleccionada ‘Modelo de tarea durante el estudio de Modelo de agente Viabilidad y detallada en Jos modelos de tarea y \ + agente area de conocimiento Modelo de conocimiento Especificacién de| Especificacién de requisites para requisites para funciones de funciones de razonamiento interaccién Figura 6.1 Diagrama de flujo de desarrollo _EI modelo de conocimiento se desarrolla como parte del proceso de anilisis. St describe en el vocabulario de la aplicacién, teniendo en cuenta el dominio de aplicacioa (coches, casas, barcos, etc.) y la tarea de razonamiento (diagnosis, clasificacién, etc.). 80 ae términos especificos de implementacién. Estos se dejan para la fase posterior & liselo. 6.2 ASPECTOS DEL CONOCIMIENTO ee Como referencia la filosofia clisica, existe una gran parte & To poses Ne acto. Esto es, conocimiento no expresable explicitamente por la gente soe No resulta fic de explicar y formalizar en libros y manuales. Exist® U2 eniente de la experiencia que se usa en la resolucioa n imanas. En contraposicién al conocimiento tacito se en" el expli . amar ontraposicién al conocimiento tacito s PHcHO, que se halla recopilado en diferentes fuentes de conocimiento. La gene™!ereMA_CAPITULOG: INGENIERIA DEL CONOCIMMENTO:11 CONC DNOCIMIENTO EN CommenKADS. 133, 9 produccién de conocimiento esti relacionada . con os tipos ante fs Lainie ep tee ere aie {os tipos anteriores, identificndose 1. De tacito a técito (=socializacién): se enseita de un 5 Mostrando antes que ensefia de ui antes : : ) 10S a otros mostrando antes De tacito a explicito (= extemalizaciér clarificadas poniéndolas en un papel o formales. las pricticas de conocimiento son formulindolas en_ procedimientos 3. De explicito a explicito (= combinacién): se erea conocimiento mediante la integracion de diferentes partes de conocimiento explicito. 4, De explicito a tacito (= intemalizacién): se puede realizar una tarea sin pensar sobre ella. De acuerdo con los anteriores criterios, la creacién de conocimiento organiizativo necesita continuamente los cuatro tipos de produccién de conocimiento. El objetivo de la manipulacién del conocimiento es facilitar y simular esos procesos de conocimiento. La ingenieria del conocimiento es una metodologia util en externalizacién, esto es, la conversién de conocimiento tacito en explicito. También la combinacién de conocimiento est muy bien soportada en la ingenierfa del conocimiento. El siguiente modelo en espiral claifica lo anterior. Conocimiento Conocimiento Tacito Explicito Socializacién | Externalizacion Conocimiento Tacito de Conocimiento Explicito snto y sus relaciones Figura 6.2 Tipos de conocinie iro de la organizacl yu ie st sto al conocimiento pecto al Subtir el ciclo de vida completo del co upleto del CO con te} Autores distinguen las siguientes actividades °O0 Manipulacién.DNOCIMIENTO |S INTELIGENCIA ARTIFICIAL B INGENIERIA DEL CC one Identificar el conocimiento existente interna y externamente, Planificar el conocimiento que se utilizar en el futuro. + Adguirir y/o desarrollar el conocimiento requerido. + Promocionar la aplicacién del conocimiento en el proceso de negocio de j, organizacién, + Controlar la calidad de conocimiento y mantenerla. + Disponer de conocimiento cuando ya no se necesita mas. Una simple definicién de manipulacién del conocimiento es: un conjunto de métodos y herramientas para mejorar la infraestructura del conocimiento de lg organizacién, ditigido a la obtencién del conocimiento correcto, para la gente adecuada en Ja forma apropiada y en el tiempo correcto. 6.3 NATURALEZA DEL CONOCIMIENTO El conocimiento es un término del cual todos sabemos intuitivamente lo que significa, pero que resulta dificil de definir de una manera formal. El conocimiento cud muy relacionado con la informacién. Asi decimos que el hecho de que un paciente tenga Fenyemberatura de 39°C es una parte de informacién y que a partir de este hecho deriva que el paciente tiene fiebre. Desde el punto de vista de los sistemas de ingenieria se puede afirmar que el conocimiento es un tipo especial de informacién, es informacion sobre informacién. Nos dice algo sobre alguna otra informacién, Para nosotros, el conocimiento €8 exactamente in i . nformacior liciéndonos algo sobre otra informacion, nfo ién compleja, dic En el sig : importante difeeonsre oe tem AParecen dos clases con algunos atributos. Existe um aX conden enformacion y conocimiento, La informacion nected oe eT Michieions omy toca oe tipo & “cin conduce un automevil entre persona Y(eRAMA___ CAPITULO 6: INGENIERIA DEL CONOCIMIENTO: FL CONOCIMIENTO EN CommonKADS_135 Informacion Juan conduce un turismo y Andrés un autobiis, Conocimiento Una persona conduciendo un automévil deberd tener al menos 18 aiios. Una persona con permiso de conducir tipo B1 puede conducir un turismo pero no un autobils. Una persona con permiso de conducir tipo E puede conducir un turismo y un autobiis. Estas tres sentencias ponen de manifiesto la existencia de un conocimiento implicito, Por ejemplo, todas las personas que conduzcan deben tener al menos 18 afio Aqui es donde se ve la definicién de “informacién sobre informacién”, ya que Ta afirmaciones dicen algo sobre lo dicho en las afirmaciones previas. Los fragmentos de conocimiento dicen algo sobre las personas y automéviles en ‘general, no sobre instancias particulares de personas y automviles. Si observamos las sentencias anteriores, se ve que existen patrones. Por ejemplo, tas dos reglas sobre la relacién entre el tipo de permiso de conduciry el tipo de automévil dean ie coke worvetnim, Use do iol sabe te s ingecleres det comceerens precisamente encontrar estructuras para modelar el conocimient® de una forma tsquematica, No es deseable una gran base de datos eonteniendo todas las reglas, sino particiones que comparten estructuras similares. 6.4 ESQUEMA GENERAL DEL MODELO DE CONOCIMIENTO Un modelo de conocimiento tiene 0 relacionado de estructuras de conocimiento. conocimiento. res partes, cada una caplura un grupo Cada parte se denomina categoria de io sta categoria abarca el domi La primera es el conocimiento de dominio. Esta categoria aes ae especificn de conocimiento y Ios tipos de informacion 1% Te ion mica de aplicacidn, Por ejemplo, el dominio de conocimien fa ain tas tiagnosis contend defniciones de enfermedades er nino de conocinento. Una iferente tipo, asi Jaciones pos del 5 0 model ipo, asi como relacion n modelo de datos 0 modelo descripcién del dominio de conocimier de objetos en la ingenieria del software clisica entre €305 ti sto es comparable au vforencia, que describe los pasos de i 2 nto de inferencia, | wi eos jue t ban a cones bacet uso del dominio de conocimiento. Las inferencia basicos que se han de realizar136. INTELIGENCIA ARTIFICIAL E INGENIERIA DEL CONOCIMIENTO oh inferencias son vistas como blogues para construir el razonamiento artificial o de |, maquina, En téminos de ingenieria del software las inferencias representan |g descomposicién funcional al nivel mas bajo. Dos inferencias en diagnéstico médioy podrfan ser una hipdtesis, que asocia sintomas con una posible enfermedad, y a inferencia de verificacién que identifica las pruebas 0 tests que pueden utilizarse pa averiguar que una determinada enfermedad es en efecto la causa que origina los sintomas observados en el paciente. La tercera categoria de conocimiento es el conocimiento de tarea, que describe ls ‘meta 0 metas que persigue una aplicaci6n y cémo esas metas pueden realizarse a través de a descomposicién en subtareas y en iiltimo extremo en inferencias. Por ejemplo, una aplicacién de diagnéstico médico podria tener en su mas alto nivel DIAGNOSIS y defini que esta tarea se puede realizar a través de una secuencia repetida de invocaciones de la inferencias hipotetizar y verificar, que se estudiarén més adelante. El conocimiento de tarea es similar a los niveles de descomposicién funcional en ingenieria del software clisica, si bien, como aportacién aifadida también incluye control sobre las funciones involucradas. La figura 6.3 proporciona una breve descripcién de las categorias de conocimiento centrandose en la tarea de diagnosis relativa a una determinada enfermedad como un ejemplo concreto, Esta tarea de diagnosis, junto con un catélogo extenso de otra serie tareas se describird més adelante con detalie. Conocimiento de tarea metas de la tarea DIAGNOSIS descomposicién de la tarea control de tarea Conocimiento de inferencia inferencias basicas roles ——_— + Conocimiento de dominio __sintomas tipos de dominio i reglas de dominio al (Pe) hechos de dominio EA Figura 6.3 Descripcion de las categorias de conocimientoPiru 3h 5 RAMA ___ CAPITULO 6: INGENIERIA DEL CONOCIMIENTO: EL CONOCIMIENTO EN CommonKADS 132 6.4.1 Conocimiento de dominio / Deseribe ia informacién estética y los objetos de conocimiento en una aplic acién. Una descripcion de este tipo de conocimiento consta de dos ingredientes pasicos: 0 o mds esquemas de dominio y una o mas bases de conocimiento. Esquema de dominio: es una descripcion esquematica del conocimiento especifico de dominio € informaci na través de definiciones de tipo. El esquema describe la estructura de la informacién/conocimiento del dominio de aplicacion. Base de conocimiento: Una base de eonocimiento convene intancias de los tipos especificados en un esquema de dominio. 6.4.1.1 ESPECIFICACION DEL ESQUEMA DE DOMINIO Se utiliza la notacién de los diagramas de clases de UML. Existen tres construcciones principales: Concepto (concept), Relacién (relation) y Tipo de regla (rule type). Ademis, también existen otros secundarios tales como SupertyPe- of/Subtype-of y aggregate/part Un concepto describe un conjunto de objetos 0 instancias que oeurren en el dominio de ln aplicacién y que comparten caracteristicas similares. Esta nocion &s similar aoe selase”™ en la ingenieria del software cldsica, si bien no contiene funciones {métodos y operaciones). Ejemplos de conceptos en el dominio coche podrian ser un depésito de combustible o una bateria. intas maneras. La Las caracteristicas de los conceptos se pueden describir de di més simple es definir un atributo (attribute) de un concepto. Un atributo puede tener un valor (value) como parte de la informacién que las instancias del concepto pueden tomar Seran valores simples, de suerte que un atributo no podra contener una instancia de otro concepto como su valor. Para cada atributo se requiere un tipo valor (value type), ae Ae id se permiten para el atributo (boolean, numéricos, cadenas de caracteress &1°)- a de dos partes. El Graficamente, los conceptos se mucst ae ital inferior nombre del concept en negailla en la parte superior ¥ 16) S51. casos se pueden junto con los nombres de sus tipos de valores (figura 6- ji el oe vee utilizaremos. el definit Jos valores de los atributos explicitamen’ le ave ee a deserpcion lenguaje de medelada (CML, Conceptudl Modelling Langues conceptual. ran en una caja que const tributos en iF INGENIERIA DEL CONOCIMIENTO, ‘LIGENCIA ARTIFICIAL OR, mareador combi ible depésito combustible estado: {Hleno, medio, valor: valor marcador vacio} CONCEPT marcador combustible; VALUE-TYPE valor mareador; CONCEPT depOsito combust ATTRIBUTES: VALUE-LIST: ATTRIBUTES: valor: valor marcador; {cero, bajo, normal} estado: {Ileno, medio, vaio) END CONCEPT TYPE: ORDINAL; END CONCEPT marcador combustible; END VALUE-TYPE depésito combustible; valor mareador ; Figura 6.4 Especificacién grifica y de texto de los conceptos y sus atribulos en este caso relacionados con un problems ina serie de instancias de la clase manzana nombre de la instancia mas el nombre del lla y subrayado, Se utiliza la notacién UML para objetos, el concepto al que pertenece se escriben en negril Las relaciones entre cor “binary relation”. Las. relaci argumentos. Para cada argu iplici carcnalidad Por defecto es 1, lo que significa que la Participacién en la relacidn es obligatoria. Las relaciones pueden tener cualquier ni i timero de tener atributos como los conceptos. Esos atri ontensmes ¥ Pueden butos dependen del cidn. Por ciemplo, fecha de boda para la relacién easado con, “* COMeXtO de Ia relacién. P manzana color: {amarillo, verde} superficie-grasienta: boolean forma: {redonds, alargada} Figura 6.5 El concepto manzana y ss] fa clase manzang La relaciGn binaria se puede mostrar umente de diferentes fy , simple es mediante una linea entre Jos dos objetos, etiquetados Mediante ef prs, La mas relacién (figura 6.6). La relacién posesién une instancias de coche Y persor Sas dela Proximo a a caja del concepto indica laeardinalidad: un coche puede ser pent! Numero ido por a loRAMA CAPITULO 6: INGENIER GENI 0 IERIA DEL CONOCIMIENTO: EL, CONOCIMIENTO F 9 DEN CommonKADS 13 rms una persona; una 5 Sanaa © eso pee ener cualquier nimero de coches, Si el nombre d Se eee bidireecional una eta indicat Ta decom. La ee ena fene una diercién de coche a la persona que lo posee. En el ‘ano de ae ee Puede SS ees ese teat eae area ejemplo I persona pose coches ando la relaion tiene abutos la represenacone feior de la figura 6.6. presenmsn posesion coche persona 0+ mi pertenece a coche persona Jo cl ee r persona posesién OS fecha compra: fecha Figura 6.6 Tres representaciones gréficas de una relacién binaria || de la relacién binaria anterior es la siguiente: Una descripeién textual BINARY-RELATION pertenece-# INVERSE: posees ARGUME! CARDINALITY: ANYs ATTRIBUTES: fecha compra: DATE: pertenece-& END BINARY-RELATION ficacion de relaciones fen jerarquias de »oloca dentro a espe organi Jon de sublipo © ccimiento soporta I ys puede LM Sub/supertype, el modelo de cone de generalizacion/especializacio” Los concertos P subtipo a través de la construccion subtype-of. La de de la definicidn del subconcepto (Fgura 6.1).VOCIMIEN) ‘TA ARTIFICIAL E INGENIERIA DEL CO? 140_INTEL residencia casa apartamento metros cuadrados: natural] | entrada: natural ascensor: boolean CONCEPT casa; CONCEPT apartamento; DESCRIPTION DESCRIPTION “una residencia con su territorio propio"; "parte de una estructura mayor"; SUB-TYPE-OF: residencia; SUB-TYPE-OF: residencia; ATTRIBUTES: ATTRIBUTES: metros cuadrados: NATURAL; entrada: NATURAL; END CONCEPT casa; ascensor: BOOLEA\ END CONCEPT apartamento; Figura 6.7 Relaciones gréficas de subtipo Las relaciones no se limitan a los Conceptos, también pueden tener subtipos. Pot sjemplo, una relacién de propiedad de un vehiculo podria especializarse en propiedad de un coche o propiedad de una bicicleta, Los subtipos se representan grificamente és de li i a s con we flecha abierta apuntando al supertipo. La f través de lineas no etiquetadas con de los coches. Existen dos Sura 6.8 muestra una jerarquia en el dominid 1. Caracteristica nueva: relacion, 3. Restriceién de ¢ we el nime niimero de pa WTO de Vg cipaciones en una relacio He Valores. de tos atributos 0 ¢! lacion, los atrilRAMA CAI [marcador-depésivo ‘valor: valor mareador | _indlicador-fusible valor: {normal roto estado-coche estado: universal observable: boolean f r invisible-estado-coche . absenable: [as] ceene al E \ =i pe estado: (norma = oma a oi) sad: (roma es ‘oaranea pa] vera ‘esd: (bokean estado? (normal, baja = combustible deposi, estado Ilene, ‘medio, vaio} Figura 6.8 Relaciones gréficas entre conceptos en el dominio coche a Rule type, hasta ahora puede que no haya grandes distinciones entre un esquema 4 naa y un modelo de datos tradicional. Cuando se trata de representar lependencias entre conceptos surgen algunas relaciones I6gicas, Por ejemplo, COMBUSTIBLE-DEPOSITO estado = vacio > COMBUSTIBLE-MOTOR estado = false BATERIA estado = baja => POTENCIA. estado = off jcando una relacion Logica s reglas son generalmente Jas son unt tipo especial de iceptos mismos (Como de reglas naturales, ind jas logicas en dich oncepto. Esas reel jnstancias de los co ence Eth dependencias on wa clase Ente os sentencas logicas. Las sentenc see sobre un valor de atributo de un . La relacién no se establece entre Jas €s habi o itual), sino entre expresiones sobre conceptos Para modetor la esonutura de tales reglas se Proporeions A construc del ipo yres SE modelan con Ja siguiente estructura: Tule- type en CML; asi las dos reglas anterio'a2 INTELIGENCIA ARTIFICIAL E INGENIERIA TD RULE-TYPE dependencia-estado; |ANTECEDENT:; invisible-estado-coche CARDINALITY: 1; CONSECUENT: estado-coche CARDINALITY: 1; CONNECTION-SYMBOL; cause: END RULE-TYPE dependencia-estado; Una estructura rule-type es una relacién donde el an pueden verse como argumentos, si bien CONOCIMIENTO OPA tecedente y el consecuente de distinta naturaleza. Los antecedentes y consecuentes no son instancias de conceptos, sino que representan expresiones sobre exes instancias, Por ejemplo, la sentencia en la que invisible-estado-coche es el antecedente ex este tipo de regla significa que el antecedente puede contener cualquier expresién sobre invisible-estado-coche. Ejemplos de_ in: combustible-deposito.estado modela otra regla, RULE-TYPE manifestacién; stancias de expresiones antecedente son vacio, bateriaestado = baja. La siguiente estrucwa DESCRIPTION: “regla estableciendo la relacién entre un estado intemo y su conducta extema et ‘érminos de un valor observable” ANTECEDENT: invisible-estado-coche CONSECUENT: observable-coche CONNECTION-SYMBOL; has manifestation; END RULE-TYPE manifestacion; Una estructura rule-type describe reglas naturales: conexiones logicas que experts establecen sobre un dominio. dependencias l6gicas tales como implicaciones. A menudo indican alguna rela heuristica entre expresiones del dominio. P mediante un connection symbol (CAU: amtecedente y el consecuente. Por ejemplo: combustible-depésito.estado = vacio CAUSE: combustible-motor.estado = false La figura 6.8 proporciona ti causales. La figura 6.9 muestra la en el dominio coche. conexién y desde [Pos para che. Una linea dirigida s éste al consecuente, El nombre del tipo de regla se J col tinua al simbolo de conexién, Los tepresentacion grifi Las reglas no necesitan necesariameste ‘or esta raz6n se especifica cada tipo de reg SES) que puede usarse para conectit © bateria.estado = baja CAUSES potencia.valor = off el antecedente y el consecuente de hs ‘a de un tipo de regla, en dibuja desde el antecedente al simbo? bs loca en unaAMA___CAPITULO6: INGEN 5 RA INGENIERIA DEL CONOCIMIENTO: EL CONOCIMIENTO EN C ‘ommonKADS 143, invisible-estado-coche 1 J, eevee causes ————>+ estado-coche Ghependencia-estad) has manifestation —[ estado-coche je-estado-coche persona vehiculo ‘nombre: string | turismo: bole permiso-conducir: {B1..E} i autobiis: boolean restriceion conduccién persona permiso-condu persona, permiso-conducit RESTRICTS, vehiculo.autobis = true : BI AND persona.permiso-conducit RESTRICTS Vehiculo.turismo = true Figura 6.9 Ejemplos de tipos de reglas 6.4.1.2 BASE DE CONOCIMIENTO Un esquema de dominio deseribe tipos de! dominio de conocimiento, tales como conceptos, relaciones y tipos de reglas. Una base de conocimiento contiene instancias de esos tipos de conocimiento. Por ejemplo, podemos fens? 1 ‘base de conocimiento con instances de los tipos de reglas como las vistas anterionmente ‘Una base de conocimiento consta de dos partes: 1. Elslot uses define qué tipos de instancias de! dominio de conocimiento se almacenan en la base de conocimiento. El formato es: FROM -———> _|_ dependdencias estado ———_ Figura 6.10 Representacién del diagrame de flujoIGENCIA ARTIFICIAL E INGENIERIA DEL CONOCIMIENTO 7 ORAM 146_ INTELI rol dindmico rol dindmico ae de salida ste sala | eae $+] rol estatico de entrada ‘modelo causal proyeccién dominio proyeccién dominio de inferencia proyeccién dominio de inferencia de inferencia _ Inferencia del donocimiento Dominio del cdnocimiento ‘dependencia- invisible-estado estado coche visible-estado coche concepto. tipo regla ‘concepio Figura 6.11 La inferencia cubrir INFERENCE cubrir; ROLES: INPUT: reclamacién OUTPUT: hipétesis STATIC: modelo cuasal SPECIFICATION: "Cada vez que se invoca la inferencia, genera una solucién posible que pods hi originado la reclamaci6n ante el comportamiento anémalo en el funcionamiento ew coche. La salida seré un estado iniial en la dependencia-estado que cubre causabn=** reclamacién de entrada” END INFERENCE cubrir; KNOWLEDGE-ROL reclamacion; TYPE: DYNAMIC; DOMAIN-MAPPING: visible-estado END KNOWLEDGE-ROL reclamacién; ROL hipstesis; E: DYNAMIC; DOMAIN-MAPPING: invisible-estado END KNOWLEDGE-ROL hipétesis; KNOWLEDGI ROL modelo cuasal; DOMAIN-MAPPING: dpsndensi-etado FROM digndstio-cohe END KNOWLEDGE-ROL modelo causal; | ae Los objetos del tipo de dominio visible_estado pueden desempeiiar el oe reclamacién. Esto significa que en nuestro ejemplo, solo conducta-motor PY reclamaciones. El rol hipétesis puede ser jugado por todos los invisibles_estad0® estitico modelo-causal proyecta las dependencias estado en la base de conocimiem'®RAMA CAPITULO 6: INGI el 06: INGENIERIA DEL CONOCIMIENTO: 1 CONOCIMIENTO EN CommonKADS 1 Neremos que cada trea de azonamient e \ pendiente de la tarea de domini a siend realizada. Por ejemplo, en la tarea de dia tales co hipote ae a igndstico encontramos roles tales como hipétesi reclamacién, diferencial, hallazgo y evidencia, 10 hipstesis 6.4.2.3 CATALOGO DE INFERENCIAS ___Existen algunos intentos razonables para estandarizar y catalogar las inferencias. Asi en Schreiber y col. (1999) encontramos la siguiente lista: *Catalogar © Asignar © Clasificar © Comparar ®Corresponder *Criticar © Evaluar © Generar © Agrupar Seleccionar *Modificar © Operacionalizar © Proponer © Predecir *Ordenar © Especificar © Verificar © Cubrir Este catdlogo es una descripcién textual, de forma que para cada inferencia, brevemente se indican las siguientes caracteristicas: © Operaci inferencia. © Ejemplo: un ejemplo de la inferencia en alguna aplicacién conereta, Conocimiento estético: wna caracterizacién del dominio de conocimiento generalmente usado para hacer Ia inferencia. © Tipos de tareas tipicas: las tareas en las que ocure tipicamente Ia inferencia, Usada en plantilla: las plantillas de tarea en la que ocurre la inferencia ( pitulo 7). © Conducta de control: cémo es la conducta computacional de la infe Puede describirse a través de las dos caracteristicas siguientes: 1. ¢La inferencia produce siempre una solucién? Se puede utilizar ta primi . control HAS-SOLUTION cuando se invoca la inferencia en la estructura de control del método de tarea, que se estudiard posterionmente, 2. {Dada la misma entrada, puede producir E inerenci tips slucones? Si respuesta es afirmativa, la inferencia puede ut primitiva de control NEW-SOLUTION. | Las dos primitivas anteriores son entidades ba proceso de control. una deseripcién sobre Ia clase de entrada/salida sobre las que opera la ade Uetodos ce ‘ n te és somputacionales se utilizan probablement Métodos computacionales: qué mévodos come cuando se realiza esta inferencia. Notas: notas sobre ta inferencia.PL. CONOCIMIENTO RA, En el Anexo B se muestra un catilogo de inferencias, incluyendo Alun, ejemplos. 6.4.2.4 FUNCIONES DE TRANSFERENCIA: COMUNICACION CON FL MUNDO EXTERIOR Hasta ahora en el modelado del conocimiento nos hemos abstraido de |, comunicacién con otros agentes: usuarios, otros sistemas. El énfasis se ponia en ¢ proceso de razonamiento. No obstante, no se puede obviar la comunicacién con 2 mundo extemo. Algunas de esas interacciones desempefian un papel importante en el proceso de razonamiento mismo, por ejemplo obteniendo informaciones adicionales en un proceso de diagnéstico. Por esta razén se introduce la nocién de fiuncidn de transferencia. Um funcién de transferencia es una funcién que transmite un elemento de informacién ente el agente que realiza el razonamiento y el mundo exterior. Las funciones de transferencia son cajas negras desde el punto de vista del modelo de conocimiento, silo se describe su nombre y la Entrada/Salida. Las funciones de transferencia tienen nombres estindar. Esos nombres estit basados en dos propiedades que tienen las funciones de transferencia: gquién tiene iniciativa?, ,quién posee el elemento de informacién que se va a transferir? Se distingue® basicamente cuatro tipos de funciones de transferencia: Obtener: el agente que realiza el razonamiento solicita un elemento de informa de un agente extemo. El agente que realiza el razonamiento tiene la iniciativa. El age extemo la informacién. Presentar: el agente que realiza el razonamiento ofrece un element0 © nformacién a un agente extemo, El agente que realiza el razonamiento tiene la ini y también el item de informacion. Recibir: el agente que realiza el raconamiento informacién de un agente extemo. elemento de informacion, consigue un el e la iniciativa y & ambien EL agente extemo tis Proporcionar: un agente proporciona a oi nto cle inom erionar: tro agente extemo un efemene inacin, El agente extemo tiene la ini agente que reatiza el razors Posee el elemento de informacion sameanerenas En a fig p zi t 6.12 se muestra ii A want Hert una grifica sobre esta definicidn, Las funciOn® 5 ler y recibir son las. mi mien? mis utilizadas e1 e conocimiet Conereto obtener es uizis la mas uid y nes oh Melos de co de tiempo real con control asinerono, ee naeMA PITULO 6: INGENIERI op SUINGENIERIA DEL CONOCIMIENTO: EL CONOCIMIENTO EN ConmenKADS. 149 iniciativa i , iniciativa sistema externa informacion externa obtener recibir informaci i re interna presentar | proporcionar Figura 6.12 Funciones de transferencia TRANSFER-FUNCTION obtener; IBTAIN;, INPUT: dato esperado; OUTPUT: dato actual; END TRANSFER-FUNCTION obtener; 6.4.2.5 REPRESENTACIONES GRAFICAS El conjunto de inferencias combinadas especifica la capacidad total de inferencia del sistema. Dicho conjunto de inferencias puede representarse grificamente en una estructura de inferencia, La figura 6.13 representa una de dichas estructuras para un diagnéstico en el dominio de coches. Los rectingulos representan roles de conocimiento dinamico. EI nombre del rol se escribe en el rectingulo. Los dvalos representan inferencias. Las flechas se utilizan para indicar las dependencias entrada-salida entre roles ¢ inferencias. Las cajas redondeadas indican funciones de transferenct sscribe entre dos lineas horizontales, en similitud Jatos (DFDs) clasicos. Se conectan con una En las estructuras de inferencia a veces se El nombre de un rol estitico se ¢: ©on los data-stores en Diagramas de Flujo de D linea dirigida hacia la inferencia donde se usan. opta por no incluirlos, dejandolos como opcionales. los roles anotados como Se muestra en la La estructura de inferencia puede incluit snotaciones. figura 6.13, o simplemente se puede optar por n° in ncluir dich7 /NIERIA DEL CONOCIMIENTO o 10 INTELIGENCIA ARTIFICIAL E INGENIERIA DEL CONOC omy La estructura de inferencia resume las capacidades bisicas de inferenca gy sistema. También define el vocabulario y las dependencias para el control, pero 10 ¢ control mismo. Este tipo de conocimiento se especifica como una farea de conocimien,, Estas se estudiarin en el proximo capitulo. marcador acion | "ator no 1 combustible = areanca, | oem ] dependencia normal estado hallaz obtener | Coat modelo ama | aa causal esperado depésito t vacio modelo manifestacion distinto | resultado reglas de manifestacién Figura 6.13 Inferencia para una aplicacién de diagnéstico 6.4.3 Conocimiento de tarea El razonamiento siempre tiene una “razén”, que en definitiva es un objetivo (™* Por ejemplo, queremos encontrar la causa de un malfuncionamiento de un ot © diagnosticar una enfermedad. ; 5 mets El conocimiento de tarea es la categoria del conocimiento que describe & "1, Y las estrategias que se emplearan para conseguirlas, El conocimiento de tarea Se 4° : le Se ee ab de una manera jerérquica: de artiba hacia abajo. Y en el nivel mas inferior sé U inferencias y funciones de transferencia, “cit : : serps Existen dos tipos de conocimiento que juegan un papel relevante en la dese"P de una tarea de con : jocimiento: la tarea y el método de tarea, Una tarea define un ™ 9 Fazonamiento en términos de un par entradwsalida, Por ejemplo, una tarea de S88 es tiene como entrada una reclamacién y produce como salida un fallo. Un metodo &* describe cémo se puede realizar una tarea a través de una descomposiie™, Subfunciones mas un procedimiento de control sobre Ia ejecucién de esas subfune™RAMA ___CAPITULO 6: INGENIERIA DEL CONOCIMIENTO: EL CONOCIMIENTO EN Commonk ADS 151 __ Enel capitulo siguiente se estcturan diversas plantillas de tres. En lo que resta de éste, veremos la estructura general de una tarea a través de un ejemplo de diagnosis La figura 6.14 muestra una representacién grifica de Ia estructura jerirquica del conocimiento de tarea, En este caso, la tarea de alto nivel diagnosis se estructura mediante un método de tarea que incluye las inferencias generar y probar. Esto conduce a cuatro subfunciones que se han visto con anterioridad: tres inferencias y una funcién de transferencia. En muchos problemas de la vida real, un nivel de descomposicion es insuficiente. En este caso, una tarea de alto nivel se descompone en varias tareas nuevas, que a su vez se descomponen en otros métodos y asi sucesivamente. En el nivel de descomposicién més bajo aparecen las inferencias y las funciones de transferencia. Las tareas que no se descomponen en otras tareas se denominan primiivas, mientras las otras se denominan compuestas. tarea nosi diagnosis a método de tarea | través de ‘generar y probar obtener comparar funcion de transferencia predecit inferencias Figura 6.14 Diagrama de descomposicion de la tarea diagnosis Tarea i jo. La especificacion de una jon de razonamiento comple} Jeu area define una funcidn de razon: np siti de tere ea tips son las entradas Y sais de 18 WC La pel ce respecto a Jas funciones en los DFDs 5 ae PY exe eee permite su reusabilidad. A continuacion se muestra una esp ed : i tuna deseripefon testa Diagnosis, Los “sh rare gael) ec meee saci dela Ja de fa area. de la meta de la tarea y la relacion entradwsalida de « inferencias, se especifica en L lida de Ja tarea, come en el caso de las inference! La entrada/salida de 7 términos de roles funcionales.ARTIFICIAL E INGENIERIA DEL CONOCIMIENTO 52_INTELIGE a 120 ty Existen, no obstante, dos diferencias principales con Jas inferencias; 1. No se incluyen roles estiticos en las especificaciones de tarea. Los ry, re FI ee es : le, estiticos se introducen sélo al nivel de inferencias. No se especifica la proyeccién de los roles en términos especitions gy dominio. v En lenguaje CML la tarea se describe como sigue. TASK diagnéstico-coche; GOAL: "encontrar una causa probable para la reclamacién del usuario ante una averia del coche; ROLES: INPUT: reclamacién: "reclamacién sobre la conducta del coche"; OUTPUT: categoria-fallo: "una hipstesis explicada por la evidenci evidencia: "conjunto de observaciones obtenidas durante el proceso de diagnéstico" SPEC: “encontrar un estado que explique la teclamacién y sea consistente con la evides obtenida”; END TASK diagnéstico-coche; Cada tarea deberd tener el correspondiente método de tarea que describe cdmo s realiza la tarea en términos de subtareas y/o inferencias. Método de Tarea Un método de tarea describe cémo se realiza una tarea a través de ws descomposicién en subfunciones. Dichas subfunciones pueden ser bien otra tare inferencia definida en el conocimiento de inferencia, 0 una funci6n de transferensia 8 como obtener. El nicleo de un método de tarea esta formado por la denominada estructura & control, que describe el orden en el que las funciones se llevan a cabo. La estrus * control tipicamente puede verse como un programa, en el cual las subfunciones SY es procedimientos y los roles acttian como parametros de los procedimientos. La est de control tiene el propésito de capturar la estrategia de razonamiento empleada & solucién de un problema. 8 ser wtilizades ee ol de ques? Un método de tarea puede definir roles adicionales, que pueden almacenar resultados temporales de razonamiento. Un ejemplo tipico de temporal es una hipétesis en la que se almacena la solucién candidata buscando. Sepa F , jagnos® A continuacién se proporciona un método de tarea para Ia tarea dias ge método descompone la tarea en cuatro subfunciones: tres inferencias y U4 transferencia, El control especifica una estrategia de generar y probar.@RAMA___CAPITULOG: INGEN , NIERIA DEL. CONOCIMIENTO: FL CONOCIMIENTO ENG ommanKADS_ 153 En el lenguaje CML el método de tarea se describe como sigue: TASK-METHOD diagnosis-a-través-de-genera REALIZES: diagnisticooche; DECOMPOSITIO? INFERENCES: cubrir, predecir, comparar; reclamacién: "reclamacién sobre la condi 2 TRANSFER FUNCTIONS: obtener neo ROLES: , INTERMEDIATE: ines “una solucin candidat’ iallazgo-esperado: "el hallazgo predicho en el ‘1 ert’ hallazgo-actual: "el hallazgo observado eee KN aot resultado: "el resultado de la comparacién’: ° CONTROL STRUCTURE: , WHILE NEW-SOLUTION cubrir (reclamacién > hipstesis); DO predecir (hipétesis —> hallazgo-esperado); obtener (hallazgo-esperado —>hallazgo-actual); evidencia := evidencia + hallazgo-actual; ‘comparar (hallazgo-esperado + hallazgo-actual —» resultado), IF resultado = igual; THEN “salir del bucle"; END IF END WHILE IF resultado — igual ‘THEN categoria-fallo := hipétesis; ELSE "no se encuentra solucién"; ENDIF END TASK-METHOD diagnosis-a-través-de-generar-y-probar, La explicacién sobre el meétodo de tarea y la estructura de control es como sigue: 1. Al comienzo de Ia tarea, se invoca Ia inferencia cubrir para generar una posible solucién (hipétesis) sobre la base de la reclamacion original. ficada para ver si es consistente con otros hallazgo esperado para la hipotesis (la ual del hallazgo a partir del usuario 0 de transferencia obtener), ¥ finalmente ra ver si son iguales. 2. Seguidamente, la solucién candidata es veri datos. Este test consta de especificar un inferencia predecir), obtener el valor act cualquier otro agente externo (la funcién comparar el hallazgo actual y el esperado Pa fen al rol de conocimiento evidencia, Ia ener SE afade Jos los datos recogides. 3. Las observaciones hechas por 0 a lecciona tod segunda salida del diagnéstico que co a ferencia cubrir se invoca otra vez para 4. Sila comparacién entrega una diferencia, la inferencia cubrir se i para de prueba se repite. generar otra hipétesis, y el proceso i inferencia comparar enttexa co termina, si bien stico termin 9a inferencia eubrir El método de tare: 1 diagnd a para el diagnés L un valor igual (en cuyo caso la hipotesis actual €8 Ia sole falla para producir una nueva hipotesis: & cuyo caso bisqueda de una solucion. ido de tarea falla en laA ARTIFICIAL E INGENIERIA DEL CONOCIMIENTO 1st_ INTEL om, El pseudocddigo genérico para una tarea, el método y la estructura de Contro| que se describe a continuacién: sq © Una llamada a un procedimiento, es decir, una invocacién a una tarea, una inferen o una funcién de transferencia, Sélo se utilizan roles dinémicos como argu, para las invocaciones a las inferencias porque varfan en el tiempo. ‘s © Operaciones de datos en valores de roles: asignar un valor a un rol, aftr y conjunto de valores a un rol, etc. © Las primitivas de control para iteracién y seleccién: repeat-until, while-do, ite. else. © Los condiciones usadas en sentencias de control (until) son sentencias sobre valores de roles (resultado == igual). © Hay dos tipos especiales de condiciones. Primero se puede preguntar a una inferea sies capaz de producir una nueva solucién. Esto se usa generalmente en condiions de bucle. Por ejemplo, NEW-SOLUTION vista anteriormente. Segundo, se put preguntar si una inferencia produce una solucién con una entrada particular. Ese predicado se llama HAS-SOLUTION Se asume que dentro de la ejecucién de una cierta tarea una inferencia tere memoria, y que cada invocacién producira un nuevo valor (en el contexto de esta ta) sin repetir los anteriores. Una inferencia falla si no puede producir més soluciones. Existe una solucién altemativa para el pseudocddigo, consistente en modelat meétodo de control con la ayuda de un diagrama de actividad, como e1 mostrado e 8 figura 6.15. comienza diagnosis a través de generar y probar —— resultado = no igual no mds soluciones solucion de cubrir O} pcontradt nueva solucién de cubrir solucion en (predecir) ¥ resultado = igual obtener Figura 6.15 Representacién del método de control mediante un diagram? * actividad1A___ CAPITULO 6: INGI YNOCIMIEN. CIM ommonkADS 15% ENIERIA D) IMIENTO:FL.CON a IMIENTO EN Commonk, pmonk ADS 6.5 TECNICAS DE ADQUISICION DEL CONOCIMIENTO El modelado del conocimiento impli se lo poseen (experto, libros, manele eed Mecesiad de su extracin ok ee bros, manuales, ete.) Es necesario extraet clin de ls fuentes gonosn eo 38 se cuestién determina el éxito o fracaso del mod sale dl nino 2 sito se distinguen tres peers grandes grupos de técni 5 se ati : s nicas clasifica . mane, semiautométicas ¥ automéiicas. Una vez extrido el ee S debe struct meee imien estructurar para abordar su representacién, tal y como se explicé en el cay enioa4 se debe 6.5.1 Técnicas manuales Dentro de este grupo de téenicas destacan las entrevstas con os expertos del conovimiento. Las entrevistas deben realizarse en diferentes fses, de cade ingeniero de conocimiento vaya tomando conciencia del dominio, inferencias y tareas. En las sesiones de entrevstas pueden partcipar uno o més experts y uno o més ingenieros de conocimiento. | __ Las entrevistas pueden estar estructuradas en pregunta digas de las que se derivarin los conceptos involuerados, por ejemplo, 2por qué ere que la averia del equipo de miisica son los altavoces?, generard probablemente una regla de inferencia. Otro grupo de téenicas manuales es el denominado analisis de protocols. que consiste en pedir al experto que comente en voz alta el razonamiento que sigue para Ia resolucién de un problema, lo puede hacer bien en voz alta 0 por escrito. consiste en presentar otra de las téenicas dentro de este grupo, ficas que debe Los cuestionarios es donde se le plantean preguntas especi al experto una serie de fichas resolver. mente al experto mientras trabaja en sus. nados con el modelado del de los métodos de trabajo rectal Es posible también observar di tos relevantes relacior tareas habituales, para deducir los aspect ne Ssacctnicml De [esta forma s- obtiene Ue 1 utilizados por el experto. La principal ventaja de la ee directa es Cre realizan interpretaciones subjetivas, evitando asi ciertas te come ae ‘air surgir durante la adquisicion del conocimiento mediante ott ce au i ae = peculiaridad. No obstante, conviene afiadir que la Ca es oy eT oa experto se basa en seguir un guidn © proocoo yee de ui erode del experto es de tipo conceptual. Un aspecto a tener en cuent Po i és el erturbar el desarrollo Conocimiento, durante la observaci6n es due éste no oe wi per rel esa ‘aj el ealizando ¥ que Per © a 7 del abajo que el ae esti real pr nevis tok saab rrolla durante su activi dad cotiians, Ea ee tales eno cars de ¥10e0 9 elementos que tiendan a modificar lt J onducta del Exper grabadores de sonido.6.5.2 Técnicas semiautomaticas Se sittian a caballo entre las manuales y las automaticas que se verdn en jy seccidn, Asi como en las manuales es el experto quien explicitamente manifigg, conocimiento a través de las técnicas mencionadas, ahora el experto también ee conocimiento, pero el ingeniero del conocimiento lo extrae en base a una sere ¢ téenicas. Dentro de éstas se encentran las denominadas técnicas de escalamieny , agrupamiento de clusters. En ambos casos, se obtiene una representacién en base ay emisién de juicios por parte del experto, El ingeniero del conocimiento pide al exp, que enumere los elementos clave de su dominio y asigne un valor subjetivo numéric) cada dos elementos en funcién de su relacién e importancia en la estructuracién gj conocimiento. El siguiente paso consiste en agrupar aquellos dos elementos que estin nis prdximos entre si, con ello se crea una matriz de distancia en la que los dos elements agrupados desaparezcan tanto de las filas como de las columnas, apareciendo una flay una columna que se corresponde con el nuevo elemento formado por el agrupamiento de los otros dos. Hecho esto, es necesario recalcular las distancias del resto de los elementos con respecto al nuevo elemento surgido del agrupamiento de los dos anteriores. Pan calcular la distancia se pueden utilizar diferentes criterios: distancias minimas, méximss media aritmética. Slgiente Otra de las técnicas semiautomaticas es la de emparrillado, que consiste en construccién de una matriz que relaciona ciertos elementos del dominio con el grado se ausencia 0 presencia de estos elementos de acuerdo a una escala de valores bien binariao con un rango de valores discretos. Por ejemplo, en el dominio de las cardiopatits * podria clasificar la obstruccién arterial segin la presencia o ausencia de colesterol. técnica del emparrillado tiene cinco etapas: 1) identificacién de los elementos constituyen el dominio, 2) identificacién de las caracteristicas de los elementos, dod? © concretan las cualidades de los elementos, 3) disefio de la parrilla, que une los elem con sus cualidades, 4) formalizacién, una vez obtenida la parrilla, ésta se estudia des punto de vista de los elementos y desde sus caracteristicas, 5) andlisis de resi®** donde se estudian las correspondencias y estructuras obtenidas entre element * caracteristicas, 6.5.3 Técnicas automaticas b _Uno de los problemas subyacentes en la Ingenieria del Conocimiet!? © adquisicién del propio conocimiento. A esta tarea hay que dedicar mucho esl i Fecursos. En parte, el objetivo consiste en minimizar todo Io posible los costes 2 de ello. Las téenicas guiadas y las metodologias expuestas en los apartados PE ps encaminan en ese sentido. No obstante, con el affin de reducir al maximo el esfuer20) °y ci 5. al recursos mencionados, se proponen meétodos y técnicas encaminadas 2 autos Proceso de adquisicién. Dentro de este grupo de técnicas se encuadran as aprendizaje a las que se dedican especificamente los capitulos 10 y 11.RAMA __CAPITULO 6: INGENIERIA DEL CONOCIMIENTO: EL CONOCIMIENTO EN CommonKADS. 157 6.6 COMENTARIOS BIBLIOGRAFICOS Los conceptos desarrollados en el presente capitulo pueden encontrarse explicados con todo lujo de detalle en las referencias Schreiber y col. (1993, 1999), que constituye la principal fuente de referencia de este capitulo. En particular Schreiber y col. (1999) es una magnifica obra didactica, con tal acierto en los ejemplos relativos a los conceptos expuestos que algunos de ellos son autosuficientes. En Aben (1994) se proporciona una libreria sobre catalogo de inferencias. Por otro Jado, Cuena (1996) contiene un extenso tratado sobre procesos de razonamiento muy convenientes para los procesos de inferencia. La notacién UML (Booch y col. 1998, http:/Avww.rational.com, Fowler y Scout, 1997) que se utiliza en éste y otros capitulos se sintetiza de forma especifica en el capitulo 14 de Schreiber y col. (1999), que contiene las nociones necesarias para aplicar UML en el uso de la metodologia CommonKADS. EI lenguaje de modelado del conocimiento (Conceptual Modelling Language, CML) cuya especifieacién se puede encontrar en Anjewierden (1997), asi como en http:/Awww.swi.psy.uva.nl/p cts/kads22/, constituye otra wtil herramienta para el Fn Studer y col. (1998) se proporcionan detalles complementarios sobre la actividad de modelado del conocimiento. Con el uso creciente de las metodologias de modelado del conocimiento, se hace ee lo que iS to mismo, la ici fs el 998) 0 Alonso y col. (2004) se pueden definicién de ontologias, en Studer y col. n G 1 encontrar aspectos ralacronados con las ontologias. En Gomez y Benjamins (1999) se proporcionan algunas recomendaciones para aat soared a a oe it fases del a je CommonK ADS para ¢ i ender rimeras fases del analisis ‘on C esa a ee eet ee ‘On-To.Knowledge (OTK), ver en est rollo de ontologias, To que se conoce como linea Sure y Studer (2003) y Alonso y col. (2004) es referencia obligada Alonso y Sobre las téenicas de adguiscton del come ST pesos yet ae 108 col. (2004), que desarrolla en amplitud Tos cones aul AMI a tras de hemos basado. En este mismo texto se incluyen rere el, 7 Rich y Ki interés relacionados con el tema (GOMEZ YC Ay henramienta PC-PACK 1994, Gonzalez y Dankel, Le DDS para la extraceion del conocimiento- que se encuentra en el sitio web de Puede ser de CommonKA!