You are on page 1of 7

http://www.dccia.ua.es/dccia/inf/asignaturas/FIA/apuntesse.

pdf

Factores de certeza.
Introduccin. Causas de Incertidumbre Informacin: Incompleta (falta de anlisis en medicina, falta de variables de campo en sistemas de control). Poco confiable (medidores poco confiables, instrumentos imprecisos, anlisis poco confiables). Ruido, distorsin (ruido o distorsin en sistemas de visin, de reconocimiento de voz, de comunicaciones). Conocimiento: Impreciso (si tiene dolor de cabeza posiblemente tiene gripe, el lunem es una regin obscura, grande y uniforme). Contradictorio (si tiene dolor de cabeza es probable que tenga gripe, pero tambin es posible que no tenga gripe, opiniones encontradas de diferentes expertos). Representacin: No adecuada (no se selecciono la representacin(es) idnea(s) para la aplicacin). Falta de poder descriptivo (las representaciones no permiten representar adecuadamente el conocimiento del dominio, como lo expresa el experto). Ejemplos de dominios con incertidumbre: Diagnostico medico Prediccin financiera

Exploracin minera / petrolera Interpretacin de imgenes (visin) Reconocimiento de voz Monitoreo / control de procesos industriales complejos. Efectos de Incertidumbre Se pierden varias propiedades de los sistemas que no tienen incertidumbre, principalmente aquellos basados en lgicas o reglas, lo cual hace el manejo de la incertidumbre mas complejo. Las principales dos caractersticas de lgica de primer orden que, en general, ya no aplican son: Modular Monotnica Modular Un sistema de reglas es modular, ya que para saber la verdad de una regla solo se tiene que considerarla a sta, sin importar el resto del conocimiento. Por ejemplo: Si A entonces B Si A es verdadero, B es verdadero independientemente otras reglas o datos. Pero si hay incertidumbre: Si A entonces posiblemente B, o si A entonces B con probabilidad = 0.7 Ya no se puede considerar la regla por si sola, se deben tomar en cuenta otras reglas que involucren a B. Puede haber otra regla: Si C entonces B con probabilidad = 0.9 Si A y C son verdaderos, cual es la probabilidad de B? 0.7? 0.9? Una combinacin de ambas? Monotnicas Un sistema es monotnico si al agregar nueva informacin a su base de datos, entonces no se alteran las conclusiones que seguan de la base de datos original. Por ejemplo:

Si A entonces B Si A es verdadero, B es verdadero sin importar si mas informacin se agrega a la memoria de trabajo. Pero si tenemos: Si A entonces posiblemente B, o si A entonces B con probabilidad = 0.7 Ya no se puede considerar que la certeza en B no pueda cambiar , se deben tomar en cuanta otras reglas que involucren a B. Puede haber otra regla, como en el ejemplo anterior: Si C entonces B con probabilidad = 0.9 Sistemas Expertos Introduccin a los sistemas expertos 29 Entonces en un tiempo t1 A es verdadera y C falsa, por lo que la probabilidad de B es 0.7, pero en un tiempo t2 C se hace verdadera y entonces cambiara la probabilidad de B.

Ambos aspectos hacen ms complejas las representaciones del conocimiento que toman en cuenta incertidumbre, lo que ha llevado al desarrollo de diversas tcnicas para su manejo. Desarrollo Histrico Inicios de IA (50's, 60's) - no se considero el uso de "nmeros" en general, y probabilidad en particular, ya que el enfoque era en manejo simblico contra el resto de computacin que era numrico. Se trabaj en mundos "artificiales" que en general no requeran manejar incertidumbre. Sistemas Expertos (70's) - surgi la necesidad de manejo de incertidumbre en los primeros sistemas expertos en el mundo "real". Por diversas razones no se considero el uso de probabilidad y surgieron mecanismos alternativos Ad-hoc como el MYCIN (medicina), y Prospector (exploracin minera). En este tiempo, y desligados de IA, surgen nuevas teoras para representar incertidumbre como lgica difusa Y teora de

Dempster Shafer. Resurgimiento de probabilidad (80's) - resurge el uso de probabilidad para manejo de incertidumbre con el desarrollo de las redes Bayesianas. Tambin los investigadores de IA "descubren" otras teoras y las aplican en sistemas expertos. Diversos formalismos (90's) - continan varios formalismos para el manejo de incertidumbre sin haber un "ganador" definitivo. Paradjicamente, la mayor parte de los shells comerciales siguen usando tcnicas Ad-hoc a pesar de haberse publicado problemas tericos y prcticos con este tipo de mtodos. Modelo de factores de certeza. El modelo de factores de certeza surgi ante la necesidad de que MYCIN, un sistema experto basado en reglas, fuese capaz de representar y razonar con la incertidumbre expresada por los mdicos que participaban en el proyecto. MYCIN Fue desarrollado en la Universidad de Standford en la dcada de los 70 como sistema de consulta para el diagnstico y tratamiento de enfermedades infecciosas (recomendando la terapia en cada caso). Es el sistema experto ms famoso, el que ha dado lugar a ms proyectos derivados y el que ha marcado el paradigma de todos los sistemas expertos actuales. Entre las aportaciones de MYCIN destacan: Separacin entre base de conocimientos y base de afirmaciones (memoria temporal de las conclusiones obtenidas) y motor de inferencia. Encadenamiento hacia atrs (basado en objetivos). Dilogo flexible: el usuario no slo poda introducir informacin cuando el sistema lo solicitaba sino tambin en cualquier otro momento. Capacidad de explicacin del razonamiento. Tratamiento de la incertidumbre mediante factores de certeza. Buscando una solucin.

Los creadores de MYCIN estaban intentando construir un programa basado en reglas y necesitaban un modelo de tratamiento capaz de adaptarse a la modularidad de las reglas (a la capacidad de asociar informacin a cada regla y combinar localmente dicha informacin a medida que se encadenen las reglas). El mtodo Bayesiano clsico (el nico modelo probabilista disponible en aquel momento) estaba muy lejos de satisfacer tales condiciones. Adems los desarrolladores de MYCIN se encontraron con otro problema: En la teora de la probabilidad si tenemos un hecho y la probabilidad de que se suceda ese hecho: 12 3 12 3 ( | ) 0.7 ( | ) 1 0.7 0.3 PH E E E PH E E E = = = Sin embargo los mdicos que colaboraban en el proyecto MYCIN no estaban desacuerdo con el hecho de que la primera igualdad implique la segunda porqu la evidencia de que se d a no implica que se aporte igual evidencia en contra de a. Por eso en el proyecto MYCIN se apreci la conveniencia de contar con una teora que pudiera considerar por separado la evidencia a favor de una hiptesis (confirmation) y la evidencia en contra (disconfirmation). As es como se desarroll un mtodo alternativo a la probabilidad especialmente adaptado a las reglas que fuera fcilmente computable y que considerase por separado la evidencia a favor y la evidencia en contra de cada hiptesis.

En MYCIN se utiliz una aproximacin cuantitativa (E confirma H en grado x) aunque el objetivo ltimo era comparativo (E1 confirma H en mayor medida que E2 confirma H): Se trataba de que dos o tres identidades de organismos alcanzaran una confirmacin mucho ms fuerte que el resto, con lo cual las primeras constituiran el diagnstico y recibiran el tratamiento teraputico indicado. Por tanto, no importaba conocer la certeza absoluta correspondiente a cada hiptesis, sino saber si la certeza de unas pocas hiptesis era mucho mayor que la de las dems. Esta observacin es importante por la siguiente razn. En principio, si los factores de certeza miden la variacin (aumento o disminucin) de la credibilidad, para determinar la certeza con que se cree una hiptesis, habra que tomar la credibilidad inicial y agregar o descontar el efecto de la evidencia recibida. Sin embargo, el mtodo de MYCIN prescinde de la credibilidad inicial y clasifica las hiptesis solamente en funcin del grado de confirmacin aportado por la evidencia. Sistemas Expertos Introduccin a los sistemas expertos 31 Factores de certeza. En MYCIN, el factor de certeza (FC) de cada regla Si E entonces H se defini como el grado de confirmacin, es decir, como la diferencia entre la creencia a favor (Measure Belief, MB) y la creencia en contra (mesure of disbelief, MD): Como se puede ver MB es una medida proporcional del aumento de la credibilidad, ms exactamente es una medida de la disminucin proporcional de la falta de la credibilidad. Del mismo modo MD es una medida proporcional de la creencia en contra de H, es decir, es una medida de la disminucin proporcional de P(H). Los factores de certeza cumplen las siguientes propiedades: 1. Intervalos: Los valores positivos de FC corresponden a un aumento en la creencia en una

hiptesis, mientras que los valores negativos corresponden a una disminucin en la creencia. Un FC positivo indica que la evidencia confirma la hiptesis uno negativo la descarta (total o parcialmente). 2. Factor de certeza de la negacin de una hiptesis: 3. Confirmacin total (la evidencia confirma con seguridad absoluta la hiptesis): 4. Exclusin total (la evidencia descarta la hiptesis con absoluta certeza): 5. Falta de evidencia: 6. Lmite probabilista: En el modelo de factores de certeza no hay ligaduras entre los valores de MB(H,E) y MD(H,E); en efecto por la propiedad 2 se cumple que: Factores de certeza de cada valor. El modelo de MYCIN no solo asigna un factor de certeza a cada regla de la base de conocimientos, sino tambin a cada terna objeto-atributo-valor de la base de afirmaciones. Esto significa que tenemos certeza absoluta de que el nombre del paciente es Sisebuto Gmez, que hay fuerte evidencia que indica que el organismo-1 tiene forma de bastn, evidencia leve de que es un estafilococo y evidencia leve en contra de que sea un estreptococo; igualmente, existe certeza de que el organismo-2 no tiene forma de bastn.