You are on page 1of 199

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Alejandro Peña Ayala

INSTITUTO POLITÉCNICO NACIONAL

Alejandro Peña Ayala

Cursó la licenciatura en Informática en la UPIICSA del IPN. Posteriormente obtuvo el Diplomado en Java y Aplicaciones Web en el ITAM, la Especialidad y la Maestría en Inteligencia Artificial en la Fundación Arturo Rosenblueth. Actualmente es candidato al grado de Doctor en Ciencias de la Computación por el Centro de Investigación en Computación del IPN, contando para ello del respaldo del CONACYT y del IPN a través de una beca. Entre sus distinciones académicas están: El haberse titulado por la opción de escolaridad en 1981, conforme al reglamento del IPN. El reconocimiento hecho por el CONCACYT y el Diario de México en el evento: “Los mejores estudiantes de México generación 1981”, como el mejor estudiante en la Licenciatura en Informática del IPN. Además de haber obtenido el grado de de Maestría en Inteligencia Artificial con mención honorífica. A la par de su desarrollo académico, Alejandro Peña ha ejercido la carrera magisterial, profesional, de investigación y ministerial. En 1981 ingresó a la planta docente de la UPIICSA, donde actualmente es profesor titular C e investigador. Durante el lapso 1989-1994 ofreció cátedra en la Maestría en Sistemas Computacionales del ITESM-CEM. Además de haber hecho lo propio en las Maestrías en Sistemas de Información y Ciencias de la Computación en la Fundación Arturo Rosenblueth. En el ámbito profesional de la Informática, desde 1978 se ha desenvuelto en los sectores privado, público, bancario y empresarial, desempeñando cargos como: Programador, analista y líder de proyecto en la entonces Secretaría de Comercio. Jefe de Soporte Técnico en el (desaparecido) Instituto Mexicano de Comercio Exterior. Subdirector de Sistemas en la Secretaría de Salud. Subgerente de Proyectos Especiales en el Banco Nacional de Comercio Exterior. Coordinador de Sistemas en Banamex. Fue fundador y Director General de la empresa Neuralware, dedicada a las Tecnologías de la Información. Como resultado de sus estudios doctorales orientados al ámbito de la Educación basada en Web, ha publicado: varios Reportes Técnicos, y presentado diversos trabajos en congresos nacionales e internacionales celebrados en ciudades de cuatro continentes, como por ejemplo: Washington-USA., Vancouver Canáda, Melbourne Australia, Bensaçon – Francia, Grindelwald – Suiza, y Bali – Indonesia. Las memorias de sus artículos han sido editadas por organizaciones como IEEE y Springer. Así mismo es autor de una colección de libros relacionados con la Informática y la Inteligencia Artificial. Actualmente, Alejandro Peña es Apóstol y Director General del World Outreach Light to the Nations Ministries (WOLNM), cuya visión es la formación de discípulos, mediante el uso de las Tecnologías de la Información y del Conocimiento, a nivel mundial dedicados a predicar el Evangelio. Por sus ocupaciones académicas, profesionales y ministeriales, Alejandro Peña ha tenido la oportunidad de visitar diversos países y regiones del mundo, amén de haber arribado a sitios extremos del planeta como: La Antártida, el océano glaciar Ártico, y el centro del desierto de Australia. También ha explorado islas exóticas como Hawai, Tahití, y Rarotonga; y otras remotas como Spitsbergen y Baffin. A raíz de tales experiencias, Alejandro Peña ofrece el testimonio de las maravillas naturales que Dios ha hecho en el mundo para deleite del ser humano, y en particular de sus hijos que son salvos a través de Jesucristo y llenos de su Espíritu Santo, quien les anima a clamar: ¡Abba, Padre!

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo

.

México - .Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Alejandro Peña Ayala INSTITUTO POLITÉCNICO NACIONAL .

México. Centro Histórico.F. D. Alejandro Peña Ayala INSTITUTO POLITÉCNICO NACIONAL Dirección de Publicaciones Revillagigedo 83. ISBN: 970-94797-4-1 Impreso en: México / Printed in México . © 2006. 06070.PRIMERA EDICIÓN 2006. D.R.

Así mismo. . como investigador y docente en la Unidad Profesional Interdisciplinaria de Ingeniería y Ciencias Sociales y Administrativas (UPIICSA) del Instituto Politécnico Nacional (IPN) y fruto del desarrollo de su tesis doctoral en el Centro de Investigación en Computación del Instituto Politécnico Nacional.El autor reconoce que esta obra ha sido inspirada de manera especial por su Padre. Hermano Jesús y Consolador como parte de los proyectos de investigación de World Outreach Light to the Nations Ministries (WOLNM). el trabajo es el resultado de su experiencia profesional.

.

PRÓLOGO .

X .

. y medios de comunicación hombre-máquina. enseñanza y control. Por tal motivo. Esta clase de aplicaciones descansan en las contribuciones de la Inteligencia Artificial en lo general y en la Ingeniería del Conocimiento en lo particular. la toma de decisiones y el empleo de conocimiento especializado en un campo específico de aplicación. Su orientación es la automatización del análisis de problemas. los cuales están encargados de representar el conocimiento de los especialistas de una rama en la procura de su aprovechamiento para tareas de diagnóstico. una base de conocimientos. en este ejemplar se dedica un capítulo para tratar cada uno de esos temas. un motor de razonamiento. la búsqueda de soluciones. La composición de los Sistemas basados en Conocimiento consta de: Un mecanismo de aprendizaje. en los que se expone los procedimientos que se realizan para la confección de los componentes y se describe las estructuras de representación de conocimiento apropiadas para su organización.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. Entre los productos más significativos de los Sistemas basados en Conocimiento se encuentran los Sistemas Expertos.

XII .

.....................................................................................................................1 CICLO DE ADQUISICIÓN INICIAL DEL CONOCIMIENTO ANTES DE LA IMPLEMENTACIÓN .........................................................................................................................................................................1 DESCRIPCIÓN DE UN MECANISMO DE APRENDIZAJE ..............................2.................7 MANIPULACIÓN DE LA BASE DE CONOCIMIENTOS Y EL CACHÉ ................................... 52 5........................ 7 EXTENSIÓN A LOS SISTEMAS BASADOS EN CONOCIMIENTO ............................................................................................................. 60 5....................................................... 8 2....................... 14 2......................................................... 11 2.................................................4 REPRESENTACIÓN DE CONOCIMIENTO .................................................3 OPERACIÓN DE M1 ...................................................................................................................................................................2 1....................................... 39 4................. 21 3..........4...........................................................................................TABLA DE CONTENIDO INTRODUCCIÓN ............... 11 2.............................................8 INTERACCIÓN CON EL USUARIO ................. 50 4............2 COMPONENTES DE UN SISTEMA DE APRENDIZAJE................................................... 61 ......................................................................................................................................................... 57 5............................................ 35 4......................................................... 7 PROPIEDADES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO .................. 7 1......4 PERFIL GENERAL DEL FUNCIONAMIENTO DE UN SISTEMA EXPERTO ......... SISTEMAS BASADOS EN CONOCIMIENTO ......................................................................................................................2 EJECUCIÓN DE PROTOTIPOS ..................................................................... 29 3.........5 INFERENCIA Y BÚSQUEDA........................ SISTEMAS EXPERTOS...........................................................................................................................2..........................................................................5 EJEMPLOS DE SISTEMAS EXPERTOS ..................................................................................................2........................ CONSTRUCCIÓN DE SISTEMAS ...................2 COMPONENTES DE M1..............2............................................................3...... 21 3.................................................................................................3 MÉTODOS DE APRENDIZAJE ........................................4 ÁREAS DE DESARROLLO.................. 61 5................................................................................................ 39 4..1 LA ELITE DE LOS SISTEMAS BASADOS EN CONOCIMIENTO ............................ 56 5............................................................................................................................................................................................................................................................................................. 12 2...........6 MANEJO DE COMANDOS.........................................................................2........................................................................................................................................................................2.........................1 DESCRIPCIÓN GENERAL ..............................................................................................................................................................2 METODOLOGÍA PARA LA CONSTRUCCIÓN DE SISTEMAS EXPERTOS ............................3 NIVELES DE APLICACIÓN................................................................................................4 ALCANCES DE LOS SISTEMAS DE INFORMACIÓN .......................1 DEFINICIÓN............................................... 40 4..... MECANISMO DE APRENDIZAJE...............................3...3 ARQUITECTURA.................................................................................5 RECOMENDACIONES ............................................................. 11 2.......... 7 TIPOS DE APLICACIONES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO ................. 56 5.............................................................. 13 2.............. 12 2......................................................... 55 5..2 CUALIDADES . 58 5...... 16 2................................. 40 4...........................................................................................................4 CICLO DE ADQUISICIÓN DEL CONOCIMIENTO DESPUÉS DE QUE LA IMPLEMENTACIÓN HA COMENZADO ................................................................2..............................................................................3 MECANISMO DE APRENDIZAJE...............................................................................3 RECURSOS INVOLUCRADOS............................................................................. 40 4..................................6 OPERACIÓN DE PROTOTIPOS... 11 2....3 1.................. 23 3.......................................................................................9 RASTREO Y MONITOREO .................. 42 4..................... APLICACIÓN DE SHELL’S ................... 18 3....... 39 4.................. 3 1.......................2 DESCRIPCIÓN DE LOS SISTEMAS EXPERTOS .................................................................. 16 2..........................................................................................................................................................2................................... 55 52 INTEGRACIÓN DE UN MÓDULO DE APRENDIZAJE ........1 LA INGENIERÍA DE CONOCIMIENTO.........................................................................................................................1 DESCRIPCIÓN DEL SHELL M1 ...............1 CONCEPTOS............................................................................................................................................................................................................................. 58 5......... 28 34 TIPO DE SOFTWARE APROPIADO A LA CREACIÓN DE SISTEMAS EXPERTOS..... 43 4.....................................................................................................................1 1......................4 TÉCNICAS DE APRENDIZAJE......................... 48 4..................... 49 4....................................

.............................................................. 117 6..............2.................................2 GENERALIZACIÓN..........................3......................................................................................................2 FUNCIONAMIENTO DEL ADMINISTRADOR DE LA BASE DE CONOCIMIENTOS.................. 117 6................................................................................................3.....................................................2..................................................................4...................................... PROPÓSITO ....1 DESCRIPCIÓN DE UNA BASE DE CONOCIMIENTOS ........................................................................... 116 6...........3..2....................................10 DEPENDENCIA CONCEPTUAL....................1........................................ 146 XIV .................... 83 6..................................... 131 7......................................................................................................................................... RAZONAMIENTO NO MONOTÓNICO......................................................... 72 5............. 95 6.......................................................................................................................... 100 6........................................... 76 5.............................................................................4 SELECCIÓN DE LA REPRESENTACIÓN APROPIADA ...........8 REDES SEMÁNTICAS......................................................................2......................................................8 DEPENDENCIA CONCEPTUAL.................................5 HERRAMIENTAS QUE FACILITAN EL APRENDIZAJE.............................................................6 PROBABILIDAD .......7 FUZZY SETS....3... COMPARACIÓN DE MÉTODOS ..........................................2.............................................................................................. RAZONAMIENTO EN OBJETOS ESTRUCTURADOS....6 REDES SEMÁNTICAS....... 134 7.................................................................... 101 6....... 131 7.5..........................2....................................................................................................................................4....... EVALUACIÓN DE MÉTODOS DE INFERENCIA...1 ROL DEL MÓDULO ... 131 7..................................................................4...... 117 6....... ANÁLISIS DEL TIPO DE PROBLEMAS A RESOLVER ...........................................9 FRAMES ...................................... 138 7..................................1..... NATURALEZA DEL MOTOR DE INFERENCIA........................................................7 CONSTRUCCIÓN DEL MECANISMO DE APRENDIZAJE......................................... FACTORES DE CERTIDUMBRE (“CF”) ......................................................................................................4......4.................................................4...............................................................................2.......................... 146 7........................5 CONSTRUCCIÓN DE UNA BASE DE CONOCIMIENTOS ............................................................... BASE DE CONOCIMIENTOS ........................................... SISTEMAS DE PRODUCCIÓN..................................................2.....4..............4........................................................................................................................................................................................2.1 HERRAMIENTAS ...............................2 CONSIDERACIONES........................................2.................................................................................7 FRAMES ............................................4.....................................................................................................1..............................................................................................................3... 117 6....................5.4............2..................................... 123 7.1.......4.................................................................................... 93 6...................... 108 6........ MOTOR DE INFERENCIA ................................................. 116 6......1..................................................................................3...................5.................................................................................................................... 95 6.........3 CÁLCULO DE PREDICADOS................ 115 6................ 113 6.................................3........................................................................................... 95 6............. RAZONAMIENTO CONCEPTUAL .........................................................................3 CYCL.................... 78 5................5......................................................................................................................................... 131 7........................................................................... 93 6..................................................3REGLAS DE PRODUCCIÓN ...........................................1.........................................................................5........ 111 6....6 APLICACIONES ORIENTADAS AL APRENDIZAJE .....................3........................................................................ 115 6............................ 98 6....................................... ELEMENTOS......................................4..................1 DECLARATIVO .............................1............................4.......................................................................................................................................................................... 115 6................................ 131 7........6..........................................................................................8 EVALUACIÓN DEL MÓDELO DE APRENDIZAJE...................... 136 7...9 SCRIPTS ............................................................... 137 7...................................... 66 5............ 131 7.................................................... 141 7........................... DESCRIPCIÓN.........................4.................................................................................................................................................................................................... 94 6................. 115 6........................... INTEGRACIÓN DE LA INFERENCIA Y BÚSQUEDAS .......................................................................................................... 93 6......................................................................................................................................... 117 6........4....................2 PROCEDURAL.........................................................11 SCRIPTS ............................................................................................4 EXIS . 143 7..............3 EVALUACIÓN DE LAS TÉCNICAS DE REPRESENTACIÓN DE CONOCIMIENTOS .......4.............3 ANALOGÍA ................... 115 6...................................................................5 CONOCIMIENTO DIFUSO “FUZZY SETS” ....................... 74 5.........................................4........................... 105 6.......................................................................1...........................1... 135 7............... 116 6..................................................................4 DESCUBRIMIENTO.....................................................2 CÁLCULO DE PREDICADOS.................... 80 5......................4 SUPOSICIONES ........................................................................................... 146 7................3.................................................5..................................2 METODOLOGÍA ..............3........................................................................................ 131 7.... FUZZY LOGIC.................................................. 121 7......................................... LÓGICA ..............................7........................................................................................4 REGLAS DE PRODUCCIÓN ....3........................ 118 7............................................................................................................. PROGRAMACIÓN LÓGICA .....

....................................7................3 CONCLUSIÓN............................ 163 8..................................................................................2.............................................3.4................................................................................................................................................................................... 165 8.......................................................................................................................4..................... 166 8.....3 RECURSOS...4 ARISTAS DE LA COMUNICACIÓN ............................................................................................................ MODELO....................4.................................... 168 8.................................................................................. 163 8............................................. INTERFASE HOMBRE ........................................................................... 163 8..................2................................................................................................................................................... RAZONAMIENTO NO MONOTÓNICO.... 148 7.............................5 FORMAS DE IMPLEMENTACIÓN.............................................................................................. 156 8...................... 165 8.. 173 REFERENCIAS..........................2 CONSIDERACIONES .... SISTEMAS DE PRODUCCIÓN..... 177 ............... 165 8............................................................................................................2.4 JUSTIFICACIÓN................... 163 8........................ 163 8.................................. 165 8......................................................................... 163 8...............................7 RECOMENDACIONES .........................2 TEMA DE LA COMUNICACIÓN.........................................3..........5 CONSTRUCCIÓN DEL MOTOR DE INFERENCIA .......................................... 155 Mantenimiento de Memoria en Fuzzy Expert System “Flops”............................... 163 8................................................... 167 8...................................................................................................................................................................................................... 147 7.................................................1 TIPO DE USUARIO ....................................................................................4...........................................................8 CRITERIOS DE ÉXITO ........................................ 166 8......................................................................................................................................................2 FLUJO .................4..6 METACONOCIMIENTO...................................................................................................................................................................... CICLO DE COMUNICACIÓN ..................................................................................2.............................................................................................................................................................4.....................................MÁQUINA ............................................................................................ 166 8..4.................................................................................................1 PROPÓSITO DEL MÓDULO ......1 DESCRIPCIÓN............................................................ 163 8............................................................................................................7 ASPECTOS A EVALUAR ..............4....................................................................................................................................... 169 CONCLUSIONES.............................

XVI .

................................................................................. 21............................................................ 5..................................... 25...................................... Tipos de conocimiento que se quieren representar............ Instanciación de un evento ................................................................................................. Ciclo para la actualización de conocimiento ................................................. 23......................................................equivocado ......................................... Consideraciones para la selección de técnica de representación del conocimiento............. 27.................................. 109 Fig... 121 Fig.............................. Proceso de formalización del Sistema Experto........................................................................................................................................................... Componentes de un sistema de aprendizaje ................................. 45................................ Elementos de un sistema de producción ............................. 63 Fig...................................... 123 Fig................ 110 Fig................ 1.......... 27 Fig.....................18 Regla de generalización de prohibición de enlace......................................................... 101 Fig.......................... 6........................ 41................................................ 110 Fig........................ 21 Fig......................................................................................................................................................... Representación de una sala................................................................................ 59 Fig................ 93 Fig...................... 73 Fig......................................... Proceso del KBL............. Aprendizaje........................................... Analogía Transformacional ........................... 122 Fig.... 38.......... TIENDA y ARCO................ 7.............................................. 36..................................................... 33.......................................................................................................................................... Variables Lingüísticas .. Descripción del arco de acuerdo con el segundo ejemplo......... 37.................................... 13................................................................. Ciclo para la adquisición inicial de conocimiento ........................ 98 Fig.................................. 19.... 24 Fig.................... 48..............TABLA DE FIGURAS Fig..... 66 Fig................... 2........................................... 67 Fig................................................... 74 Fig............... 63 Fig................. 24..................... Diferentes niveles de detalle de la expresión “El niño corre rápido” .............. 120 Fig................................................ Todos los perros han mordido a todos los carteros.... 22 Fig..................... 41................... 43... 94 Fig..... Todos los perros han mordido a algún cartero............... Analogía Derivacional ............................................................................................................................. 26 Esquema general para la Multiestrategia de aprendizaje .......... 64 FIig................... Muestra un ejemplo de Analogía Transformacional................................................................................................... 56 Fig............................................................ 40......................................... 46........................................................... 4................................... 109 Fig........................................................ 68 Fig............................................ Elementos en la representación de EXIS....................................................................... 14 Fig................................... Arquitectura general de los componentes de un Sistema Experto ............................. 65 FIig.......................... 9... Proceso de identificación del problema .................... 11............................... 35... Estructura de CYC.............................................. 20.... 58 Fig......................... 96 Fig............................................ 73 Fig................. 47............... 8........... 67 Fig................. 106 Fig................................ Red de similitud.............................................................................................. 15...... 89 Fig.............................................. Enlace de las declaraciones en la BC........ 31...................................................................................................... 44.................Representación del conocimiento... 39... Representación "A María le gusta únicamente la gente que programa en LISP”............. Descripción de arco después del ejemplo casi .................................................. 119 Fig............................... 102 Fig....................................................................................................... 24 Fig.. Heurística de Ascenso de árbol.................................. 16.................. Representación mediante redes semánticas ......... 80 Fig....................................... 111 Fig............................................................................................................. 100 Fig.............. 93 Fig......................... Evolución del conocimiento ........ Grado de membresía ............. 32.. 102 Fig............... Descripción estructural ....................................................................................................................... Elementos fundamentales del Cálculo de predicados .......................... Representación de una acción y los elementos involucrados ..................................................................... Descripción de los elementos de una oración.................................................. 30.................................................................................... 22............ Árbol de pruebas parcial determinado por el RSI.................................................. 14................................ 69 Fig... 107 Fig......................................................... Modelo del ciclo de vida para el desarrollo de un Sistema Experto ................................................................................ 44........ 82 Fig............. 28.............................................. Representación con Fuzzy sets del ejemplo “El Williams es un auto más rápido que el Ferrari”........................ Arquitectura de EXIS ................................................................................................................................................................................................... Represetación de un arco mediante frames.................. Relación entre base de conocimientos y otros módulos del Sistema Experto ............... 42....... 42.............. Descripción de arco después de integrar dos ejemplos .......................... 65 Fig................................................................... 17 Reglas de generación de enlace necesario ...................... El perro mordió al cartero..... 12................ 108 Fig................ 124 Fig................................................................................................... 43...... 111 Fig......................... Ejemplos para conocer un arco.................. Ambiente de la Ingeniería de Conocimiento ......................... 72 Fig....................... 126 .................................................................................................................10.................... 3...................................................... 29............................................................... Relación Ontología ................................................................................................................................................................................................................. Descripción de un arco de acuerdo con el primer ejemplo... Aprendizaje de los conceptos CASA............................................. 107 Fig... 34..................... Representación del conocimiento mediante dependencia conceptual ...................................................................

........................... 145 Fig.................................................. 127 Fig........................... 152 Fig................. Tabla de evaluación ........................... Ejemplos de representación ................... 51.............. Ejemplificación del retroceso dirigido por dependencia ................................................................................................... 74................................5.................................................................... 136 Fig................... 155 Fig....................................................................................... Propiedades de las clases inherentes al objeto.................................. Representación mediante Fuzzy Logic ..... Arquitectura .......... 58................ 64...................................................... 54..... 154 Fig.............................................. 66................................................................................. 61....... 150 Fig... Programación lógica ............................................... 157 Fig............................................................. 134 Fig......................... 7.................................... 135 Fig....................................................................................................................... 73...................................................................................................................................................................................E............................................................................................... 141 Fig...................................................... 69............. Esquema del motor de inferencia................................................................................................ 136 Fig............................................................................................ Marco de referencia ................................. Ejemplificación de suposicones.......................................................................57....................... 52............................... 60.......................................... 139 Fig.................................................................................................................................. Implementación del razonamiento no monotónico............. 146 Fig.......... 65.................................................... Cálculo del CF de una conclusión derivada por varios caminos ...... Conflicto de inherencia.. 143 Fig................... 131 Fig................ Sistema de producción.......................... Polimorfismo ......................... 139 Fig................................................. 151 Fig..................... Ejemplificación del retroceso dirigido por dependencia ..................................................... Desarrollo de un caso por medio de un sistema de mantenimiento de verdad ........ Consistencia de teoremas.......................................................................... 158 XVIII ....................................... Propiedades válidas de una clase de objetos y sus instancias no válidas........................................ 53........................ Razonamiento en objetos estructurados............................................... .... Algoritmo del sistema de mantenimiento de memoria ................................................................... 156 Fig....................................Fig................. 50............................................................................ 72...................... 76............ 70............................................................................ Interrelación del Motor de Inferencia con los componentes de un S...................... 138 Fig................................. 136 Fig.. 59........ 153 Fig.. 71................................... 131 Fig........... Ilustración del retroceso dirigido sin dependencia ... 137 Fig... 149 Fig................................... 63.. 67................................................................... 153 Fig....... Ilustración del retroceso dirigido sin dependencia ................ Representación de Fórmulas y Modelos de Creencias ........... 62............................................... 55................. Razonamiento conceptual................ Desarrollo de un caso por medio de un sistema de mantenimiento de verdad ................................ 49............................... 68......

............ Ventajas que poseen los expertos sobre los que no lo son......................................................................................................................................................................c Descripción de Sistemas Expertos.................c Cuadro de Herramientas de Sistemas Expertos......................... .......................... 17 Tabla 2.............................................. 32 Tabla 6....... 30 Tabla 4................. Características de las Máquinas LISP.................. ............................................. 31 Tabla 5............ 12 Tabla 2.......... ........ 32 Tabla 6... ...................................... 33 Tabla 6..........................................................................................d Cuadro de Herramientas de Sistemas Expertos............................................... 18 Tabla 3............................................................................................... 35 .............................................. 34 Tabla 6.............................b Descripción de Sistemas Expertos..................LISTA DE TABLAS Tabla 1....................................................... Características de algunas Herramientas de Adquisición de Conocimiento..........................................................a Ventajas que poseen los expertos sobre los que no lo son.................. 16 Tabla 2...................... Características de algunas Herramientas Híbridas.. ....... .............. ........................................................................................................................b Cuadro de Herramientas de Sistemas Expertos..............a Cuadro de Herramientas de Sistemas Expertos...................................................................

XX .

INTRODUCCIÓN .

2 .

entre otros. el individuo. Ellos se caracterizan por la gran inversión que realizan en la adquisición. De manera especial a Dios que como muestra de su amor “creó al hombre a su imagen y semejanza “ (Génesis 1. Ya que este medio constituye la esperanza de un mejor futuro. utiliza las aportaciones de la inteligencia artificial en las áreas de aprendizaje. donde a través del estudio. entre ellos la creación de sistemas expertos que procuren explotar el acervo de los especialistas en forma sistematizada. evaluación de condiciones meteorológicas. razonamiento. Constituye el motor de transformación y desarrollo de una nación dentro del concierto mundial cada vez mas competido. está dedicada a eficientar el ejercicio de diversas labores. El profesional de la informática debe adquirir los conocimientos y habilidades que le permitan encarar proyectos con un alto nivel de desarrollo tecnológico. La informática como un campo de la actividad. la familia.A.27). por medio de la representación y empleo de conocimiento específico para la sistematización de las tareas. En ellos se ofrece las argumentaciones necesarias para comprender los temas conforme al programa de la asignatura. por incentivar la redacción de este material. formular nuevas teorías y aportar significativos descubrimientos e invenciones en los todos los campos de las ciencias con el propósito de proveer un mayor bienestar a la población. herramientas y acervos pertenecientes a la ingeniería del conocimiento. práctica y experiencias acumula un alto nivel de conocimientos. dando vida a los “sistemas expertos”.C. Brinda los conceptos y técnicas apropiadas en la creación del mecanismo de aprendizaje. Su contenido incluye un perfil de los sistemas basados en conocimiento. que al ser redactados en formato de “apuntes” respaldan la cátedra del profesor y el estudio de los alumnos. motor de inferencia e interface hombre – máquina. de tal forma que se realicen con un mayor grado de rapidez. El conocimiento acumulado a lo largo de la historia. entre las razones que justifican la afirmación destaca. procura mejorar sus instrumentos y metodologías de trabajo. Entre sus pretensiones destaca la creación de “sistemas basados en conocimiento” dedicados a una aplicación específica. Para ello aplica un enfoque interdisciplinario. Con ese propósito se ha compilado este material a lo largo de estudios. expandiendo su alcance y repercusión social en cada ámbito de la actividad humana. . Dicha formación se obtiene por medio de cursos. contribuyendo a elevar el bienestar de los usuarios. destinándolos a campos específicos como el diagnóstico médico. investigación y enseñanza en el campo de los “sistemas expertos”. base de conocimientos. También a los alumnos que participaron en su edición. los alcances y elementos de los sistemas expertos. desarrollar modernas tecnologías. como un ser pensante capaz de adquirir y explotar conocimiento. Las organizaciones reconocen que su principal recurso es el humano. sus instituciones académicas.INTRODUCCIÓN El conocimiento es un activo cada vez mas apreciado por la sociedad contemporánea. control de procesos. Finaliza con la descripción del metaconocimiento. exactitud y simplicidad. Por tal motivo.I.S. evoluciona y se actualiza permanentemente en forma cada vez mas acelerada. Para ello. donde los países que alcanzan un primer plano de crecimiento industrial. explote y actualice los conocimientos que los especialistas en un campo pueden aportar para la solución de problemas específicos. el atributo de la persona como un ser dotado de habilidades y capacidades adecuadas en el ejercicio de funciones específicas gracias al nivel de preparación que ha adquirido a lo largo de su vida. aspira a optimizar cada vez mas sus aplicaciones y extender su marco de acción. de investigación y producción se esfuerzan en adquirir mas conceptos. representación de conocimiento y comunicación. Expreso mi gratitud a la U. puesto que es un instrumento que contribuye a colocar en una posición ventajosa a la persona. Explica la metodología y programación de un “shell” para construir sistemas. procura crear una aplicación mecanizada que almacene. la organización y al país mismo dentro del ámbito donde se desenvuelven. desarrollo y explotación de conocimiento especializado. tecnológico y económico. la investigación y el desarrollo tecnológico.I.P. Con estos elementos. repercutiendo sus beneficios entre los habitantes. las empresas y el gobierno reconocen como una prioridad el fomento de la educación.

4 .

CAPÍTULO 1. SISTEMAS BASADOS EN CONOCIMIENTO .

6 .

un paso tecnológico . Procesamiento simbólico. Analizar problemas. 1. Datos cualitativos más que cuantitativos. creencias.3 • • • • • • • • • • • • • • • • PROPIEDADES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO Procedimientos no algoritmicos. Contener conocimiento empírico. Ofrecer información: completa.2 EXTENSIÓN A LOS SISTEMAS BASADOS EN CONOCIMIENTO Los sistemas basados en conocimiento se consideran una extensión . Emular al experto humano. Contener “conocimiento técnico”. Tomar decisiones. Empleo de métodos para la representación del conocimiento. Conocimiento técnico y científico. Entre las características más relevantes de los sistemas basados en conocimiento están: . Reducir a un grado mínimo el error humano. Pueden utilizar razonamiento con base en probabilidades. Busca generar la solución “óptima”. Razonar. Manipulación de conocimiento no monotónico. Utilizan sistema de mantenimiento de la verdad para afirmaciones y negaciones cambiantes. Facilitar la tarea del usuario. Entre sus propósitos destacan: • • • • • • • • • • Aprender. Representación de conocimiento especializado del campo de aplicación. Evolucionar. Procesos interactivos. Automatizar las operaciones repetitivas. cuestionamiento y emisión de conclusiones. Generar conocimiento a partir del que ya se posee.1. oportuna. 1. Aprendizaje de los fracasos. veraz. Uso de búsquedas heurísticas. 0 . eficiente.1 ALCANCES DE LOS SISTEMAS DE INFORMACIÓN Los sistemas de información mecanizados son concebidos e implementados como instrumentos que procesan información con el propósito de: • • • • • • • • • • • Apoyar la toma de decisiones. SISTEMAS BASADOS EN CONOCIMIENTO 1. Satisfacer las necesidades del usuario. Capacidad para explicar su propio razonamiento. Transmitir información dentro de la organización. 1 ó múltiples soluciones. Reducir el tiempo de realización de las operaciones. Generar alternativas de solución. Bajar costos. Adaptar.de los sistemas de información cuyos alcances y complejidad son mayores. mundano y del lenguaje. pertenencias y suposiciones. Manipular grandes volúmenes de información. Manejo de incertidumbre.

Realidad virtual. Aprendizaje. Sistemas evolutivos. Sistemas de planeación. Solución de problemas. Robótica. El ámbito de aplicación de los sistemas basados en conocimiento incluye: 8 . Juegos.4 • • • • • • • • • • • • • • TIPOS DE APLICACIONES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO Lenguaje natural. Sistemas Tutoriales. Redes neuronales. Traductores. Reconocimiento de imágenes. Sistemas expertos. Llevado a máquinas de control numérico. CAM Manufactura.8 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 1.

CAPÍTULO 2. SISTEMAS EXPERTOS .

10 .

Para destacar la naturaleza de un Sistema Experto. Entre las características más relevantes de los Sistemas Expertos. es su capacidad para enfrentar problemas que constituyen un reto del mundo real. Empleo de diversas técnicas de solución de problemas. reconocido como lenguaje artificial. Posteriormente se iniciaron desarrollos en los campos de la medicina. Capacidad para explicar su propio razonamiento. Más tarde surgió LISP. surge de las técnicas de Inteligencia Artificial que han sido objeto de amplias e intensivas investigaciones desde finales de los 50’s. Las investigaciones referidas comenzaron en las matemáticas para apoyar el razonamiento simbólico.2. 2. mediante el uso de IPL. Habilidad para inferir nuevos conocimientos a partir de los actuales y de las experiencias obtenidas durante su operación. se debe apreciar los rasgos del experto humano: Él es una persona competente en un área determinada del conocimiento que cuenta con un largo periodo de preparación y práctica. SISTEMAS EXPERTOS 2. En el futuro. Los Sistemas Expertos se emplean para ejecutar una variedad de tareas que en el pasado solamente podían llevarse a cabo por un número limitado de personas expertas. Generalmente un Sistema Experto puede comprender: • • • • • • Amplio conocimiento específico a partir del campo de interés. La investigación en el campo los Sistemas Expertos comenzó a mediados de los años sesenta con un alcance limitado y se orientaron hacia juegos o temas altamente académicos e idealizados. química.1 DEFINICIÓN Un Sistema Experto es un sistema computacional que adquiere conocimiento especializado en un campo específico para explotarlo mediante métodos de razonamiento que emulan el desempeño del experto humano en la solución de problemas. que los distingue de la mayoría de las aplicaciones tradicionales de la computación. por medio de la aplicación de procesos que reflejan el discernimiento y la intuición humanas.2.1 LA ELITE DE LOS SISTEMAS BASADOS EN CONOCIMIENTO La tecnología representada por los Sistemas Expertos actuales. industria y la administración. es razonable esperar un desarrollo de sistemas que se aproximen asintóticamente al comportamiento humano en muchas áreas. Procesamiento simbólico. Aplicación de técnicas de búsqueda y heurísticas. el primer lenguaje simbólico orientado al procesamiento de listas. los Sistemas Expertos captan el conocimiento básico que permite a una persona desempeñarse como un experto frente a problemas complicados. los Sistemas Expertos constituyen el nivel especializado en la representación y explotación de aplicaciones basadas en conocimiento. la cual al aprovecharse se traduce al siguiente desempeño en comparación con otra persona no especializada como se aprecia en la Tabla 1: .2 DESCRIPCIÓN DE LOS SISTEMAS EXPERTOS 2. Por esta razón. El desarrollo de tales sistemas nos permitirá ofrecer soluciones técnicas más completas y alimentar nuestro conocimiento del proceso del pensamiento humano. A través de la aplicación de las técnicas de Inteligencia Artificial (IA). a medida que se produzcan nuevas arquitecturas de equipos que soporten de una manera directa la ejecución de Sistemas Expertos y se perfeccione la tecnología de Inteligencia Artificial.

Capacidad de representación simbólica del conocimiento y razonamiento. Emplea generalmente interfaz de lenguaje natural. Un ejemplo de este tipo de sistemas es la interpretación de los datos obtenidos por un espectrómetro de masas de los fragmentos moleculares. Genera múltiples soluciones por contemplar varias hipótesis. Estos sistemas describen irregularidades observadas en el comportamiento del sistema. Realizan el análisis de datos observables para determinar su significado e inferir descripciones de situaciones del sistema medido por los datos. Estos sistemas deben encontrar interpretaciones correctas y consistentes con los datos. por ejemplo. Puede usar datos erróneos. el diagnóstico de enfermedades infecciosas. Los sistemas de diagnosis. Capacidad de proceder heurísticamente más que algorítmicamente en la búsqueda de soluciones. deben resolver los problemas como lo hacen sus símiles humanos. Los sistemas de predicción. La interpretación revela la determinación de una o más estructuras químicas. con sus causas subyacentes. con mayor eficacia y precisión. Referencia a un dominio de conocimiento técnico y altamente especializado. 12 . análisis de la imagen e interpretación de señales. Ventajas que poseen los expertos sobre los que no lo son. Alto grado de efectividad en la resolución de problemas.3 NIVELES DE APLICACIÓN Se puede concebir una escala creciente de alcance y complejidad entre los diversos niveles de aplicación. Está obligado a explicar sus razonamientos. manejo de incertidumbre. Se orientan a la identificación de estados o fallas en un sistema basado en datos observables. preguntas y conclusiones.12 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Actividad Tiempo de resolución de problemas de su área Eficacia Organización Posee estrategias y tácticas Búsqueda de soluciones Cálculos aproximados Experto Grande Alta Alta Si Heurística Si No experto Pequeño Baja Baja No No heurística No Tabla 1. para ello pueden usar una tabla de asociaciones entre comportamientos y diagnosis. considerando sistemáticamente las posibles interpretaciones y descartando sólo aquéllas para las que hay suficiente evidencia para desecharlas. 2. Por ejemplo la predección del clima con base al estado actual del tiempo.2. en donde de acuerdo a la naturaleza del sistema un nivel sirve de soporte a otro (es decir forma parte) o bien es una alternativa.2 CUALIDADES • • • • • • • • • • Entre los rasgos más relevantes de los Sistemas Expertos destacan: El proceso de buscar los conocimientos apropiados y a partir de éstos deducir nuevos conocimientos constituye un elemento clave del procesamiento de un Sistema Experto.2. En su desempeño los Sistemas Expertos. Interacción con el humano o con el medio que controlan. Los principales niveles son: Los sistemas de interpretación. entendimiento de voces. Prevén el curso futuro a partir de un modelo del pasado y presente. reglas inciertas. es decir en menor tiempo. 2. Esta categoría incluye los sistemas de vigilancia.

2. Finalmente se planifica una tutoría interactiva para adquirir el conocimiento adecuado. bancarias y aseguradoras. Los sistemas de planificación. Un planificador debe construir un plan que alcance metas sin consumir excesivos recursos o violar restricciones. concebidos como un programa de acciones que pueden ejecutarse para alcanzar metas. Gobierna adaptativamente el comportamiento global de un sistema. . Prescriben remedios para mal funcionamiento de un sistema. experimentos y planes militares. etc. planes de robots. comunicaciones. Tales sistemas incorporan capacidades de depuración. educación y control.Sistemas Expertos 13 Los sistemas de diseño. Finanzas. Aeronáutica. Gran parte de los Sistemas Expertos que se han desarrollado se aplican en el área de la medicina. edificios. Los sistemas de instrucción. Existen sistemas de monitorización para plantas nucleares. Los sistemas de monitorización. aeronáutica. 2. diseño y predicción para crear especificaciones o recomendaciones para corregir un problema de diagnosticado. diagnosticar causas de problemas. En actividades de monitoreo. predecir el futuro. etc. bases de datos. Se especializan en la creación de planes. planeación. Militar. planificación y ejecución. El uso de Sistemas Expertos se debe a la creciente complejidad de los circuitos y al gran número de parámetros a considera en los mismos.4 ÁREAS DE DESARROLLO Entre los campos donde se aplican los Sistemas Expertos destacan: Medicina. entonces el planificador actuará tentativamente. Estas aplicaciones confían en las capacidades de planificación. Para diagnóstico y mejoramiento del aprendizaje de los estudiantes. la robótica. Los sistemas de reparación. Los sistemas de control. En este tipo de sistemas se incluye el control del tráfico aéreo. para lo cual debe interpretar repetidamente la situación actual. diagnóstico y reparación. Estos sistemas incluyen programación automática. También debe explicar planes posibles ya que en principio no puede saber las consecuencias de sus acciones. Se orientan al diseño. Si existen conflictos entre metas. proyectos. En un sistema de este tipo el reconocimiento de las señales de alarma se debe llevar a cabo en tiempo real y evitar falsas alarmas a efectos de credibilidad. Es un campo importante debido a las grandes inversiones realizadas por entidades financieras. Industria: El reto de los Sistemas Expertos industriales se centra en la necesidad de que se comuniquen con dispositivos sensores. el mantenimiento industrial y el de plantas nucleares. entonces diagnostican la eficiencia y determina un remedio adecuado. el planificador establecerá prioridades y si los requerimientos de la planificación o los datos para la decisión no son completamente conocidos o cambian con el tiempo. el manejo de negocios y el manejo de dirección virtual de una batalla. Esta categoría incluye el diseño de circuitos. como por ejemplo alarmas cuando se necesita una intervención. Desarrollan configuraciones de objetos que satisfacen requerimientos o descripciones particulares. donde su función es realizar diagnósticos de enfermedades basados en el cálculo de probabilidades. intentan minimizar una función objetivo que mide cortes y otras propiedades indeseables de diseños potenciales. tráfico aéreo y enfermedades. Electrónica. formular un plan para remediarlos y monitorear su ejecución para asegurar el éxito. Orientado al control de la posición de los satélites y la interpretación de sus imágenes. Típicamente este sistema empieza construyendo una descripción hipotética del conocimiento del estudiante para interpretar el comportamiento del mismo. Interpretan señales continuamente y ponen en funcionamiento medidas de respuesta. diseño. Desarrollan y ejecutan planes para administrar un remedio a algunos problemas diagnosticados. Entre sus aplicaciones destacan. presupuestos.. rutas. mantenimiento de la computadora. Los sistemas de depuración. dispositivos de mando y accionamiento en tiempo real. Se aplican en dominios como redes.

planificación de los procesos de síntesis. Diagnóstico y tratamiento de tierras. cuyos elementos se ilustran en la siguiente Figura 1: Mecanismo de Aprendizaje Usuario Administrador Base de Conocimientos Interfaz HombreMáquina Máquina de Inferencia Memoria de Trabajo Administrador Base de Datos Fig. • Cliente: Aprovecha la pericia del sistema en el desempeño de tareas específicas.3 ARQUITECTURA Los Sistemas Expertos emplean una amplia variedad de arquitecturas específicas a las aplicaciones. búsqueda de recursos. control de plagas y creación de nuevos herbicidas. 14 . Arqueología. control y administración de recursos hidrográficos. Arquitectura general de los componentes de un Sistema Experto El usuario El usuario de un Sistema Experto puede operar la aplicación en cualquiera de las siguientes modalidades: • Verificador: Intenta comprobar la validez del desempeño del sistema. 2. Meteorología. 1. sin embargo se puede generalizar un módulo de componentes que normalmente se deben integrar en cualquier ámbito. Química. • Tutor: Brinda información adicional al sistema o modifica el conocimiento que ya está presente en el sistema. composición de las piedras. Estudio de las propiedades de compuestos. Se aplica en la previsión meteorológica. Para determinar la antigüedad de los restos arqueológicos. interpretación de los resultados obtenidos en los análisis.14 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Agricultura. Se emplea en la exploración de suelos. • Alumno: Busca rápidamente desarrollar pericia personal relacionada con el área específica mediante la recuperación de conocimientos organizados y condensados del sistema. Geología. etc.

Sistemas Expertos 15 El reconocimiento de las caracterizaciones anteriores contrasta con la percepción de un simple papel (el cliente) de los sistemas de información tradicionales. como agenda. Base de Datos Es el depósito de conocimiento complementario a la “base de conocimientos” que por su naturaleza. • Un administrador: Responsable del almacenamiento. “frames”. más eficiente deberá ser la comunicación con el usuario. Base de Conocimientos Constituye el acervo de conocimiento especializado del Sistema Experto.) efectuados por el motor de inferencia y el módulo de aprendizaje. suspende. “redes semánticas” y “scripts”. por ejemplo. • Explicar el comportamiento del sistema: Debe ser capaz de argumentar las razones por las que formula cierta pregunta. con sus propias base de conocimiento. desarrolla. • Establecer el protocolo de diálogo: Mediante parámetros. depurar las heurísticas y métodos de búsqueda. en aras de hacer más eficiente la solución de problemas. agrega nuevas. heurísticas o aplica métodos más ad-hoc. • Interfase Hombre-Máquina: Entre más refinado sea el conocimiento y los mecanismos de inferencia. íconos. representación y manipulación se concibe como dato o información. objetos. etc. alterando a los subsistemas: • Base de conocimientos: Modifica las declaraciones de conocimiento. • Máquina de Inferencia: Puede cambiar los mecanismos de inferencia. por ejemplo. Inclusive. Interfaz Hombre-Máquina Es el subsistema responsable de: • Interactuar con el usuario: Inicia. Mecanismo de Aprendizaje Es el módulo responsable de adquirir nuevo conocimiento y actualizar el existente. se puede “personalizar” el lenguaje en función al usuario y problema. verifica la consistencia entre ellas. • Servicio: Es el mecanismo encargado de responder a las demandas de acceso a elementos específicos de conocimiento (reglas. como fruto de las sesiones previas. alfa-beta y pizarrón. También sufrirán alteración los argumentos de “explicación”. como el reconocimiento de voz y sensores y servomecanismos que operan en tiempo real. El motor es considerado el núcleo del Sistema Experto donde descansa la parte “procedural”. Máquina de inferencia Conocida como Motor. menues. Este componente puede ser un sistema completo en sí mismo. además de evaluar las alternativas de solución. diseña búsqueda ciegas. lenguaje natural o cualquier otro medio de expansión. motores de inferencias y áreas de trabajo. recuperación y actualización en las estructuras de representación correspondientes. • Implementar los criterios de búsqueda: Conforme a la naturaleza del problema. hace un razonamiento y llega a una conclusión específica. aprovechando la experiencia en la solución de problemas semejantes. reanuda y concluye la sesión. hechos. • Fundamentar la inferencia: Congruente al tipo de conocimiento representado en la “base de conocimientos” establece el método de inferencia correspondiente. se encarga de: • Representar los mecanismos de solución: Son los procedimientos que identifican y resuelven el problema. El empleo que se deriva de este módulo es: . resolviendo los conflictos. al emplear reglas de predicados entonces hará uso de la resolución unificación. consta de: • El formalismo para representar conocimiento: Emplea una o varias técnicas que permiten caracterizar y organizar conocimiento específico.

16

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo

• Almacenamiento de datos. Todos aquellos elementos del dominio de conocimiento del Sistema Experto, los específicos al problema y los particulares del usuario pueden registrarse en archivos o tablas convencionales. • Administración: Ofrece los servicios de inserción, acceso, actualización y borrado de datos, seguridad, integridad, confiabilidad, respaldo y restauración y monitoreo de la información. Normalmente el Sistema Experto debe tener una interfaz con el software especializado en la administración de archivos o bases de datos, tales como los “engine” de las RDBMS (“Sistemas Manejadores de Bases de Datos Relacionales”). Memoria de Trabajo Es el depósito de almacenamiento del código, conocimiento y resultado de las inferencias que se genera a lo largo de la sesión, donde se desarrolla la solución del problema. En esta área se realiza: • La representación del “espacion de estados”: Que corresponda a la búsqueda de la solución. • La administración de la red o estructura de conocimientos: Que se empleé para representar a los estados iniciales, intermedios y finales del problema. Normalmente la “memoria de trabajo” se implementa en la “memoria principal” del ordenador con el posible respaldo del almacenamiento secundario.

2.4 PERFIL GENERAL DEL FUNCIONAMIENTO DE UN SISTEMA EXPERTO
La “interfase Hombre-Máquina“ es el módulo responsable de controlar la operación del Sistema Experto, activa el inicio de la sesión, su desarrollo y conclusión. De acuerdo al procedimiento que define el problema la “Interfase” expresa las preguntas al usuario o se encarga de extraer los parámetros del ambiente que controla. También valida las respuestas y brinda las explicaciones pertinentes que permitan aclarar y justificar la interrogación. Durante la búsqueda de soluciones, establecerá la comunicación a que haya lugar entre el “motor de inferencia” y el “mecanismo de aprendizaje” con el usuario. Al final, expone las conclusiones con las justificaciones correspondientes que amplían la respuesta y sus razones.

2.5 EJEMPLOS DE SISTEMAS EXPERTOS
A continuación se presenta la Tabla 2 con la relación de Sistemas Expertos aplicados en el laboratorio o en el ámbito comercial acompañada por una descripción de su naturaleza: Airplan AL1, AL5 Arches Argos-2 Cards Casnet. Cat Csa DAA. Planificación de lanzamientos y despegues, recuperación de aviones sobre una base o un portaavion Expertos en ajedrez. Experto en arqueología. Simulación de la toma de decisión de un robot. Experto en jugar al bridge. Diagnóstico y tratamiento del glucoma. Evaluación de una amenaza de abordo de un avión. Manejo de centrales nucleares. Diseño de circuitos con alto grado de integración. Tabla 2.a Ventajas que poseen los expertos sobre los que no lo son.

16

Sistemas Expertos

17

Dart. Delta Director Ideal.

Sistema inteligente de autodiagnóstico contenido. Experto en reparación de locomotoras eléctricas y diesel. Del banco Santander. Valoración de la situación financiera de una empresa o cliente. Es un sistema que determina la estructura molecular de los compuestos químicos a partir de una información primaria, procedente de ensayos. Enseñanza asistida por ordenador. Es una versión independiente del dominio de Mycin, que contiene todo lo de este último, excepto su conocimiento sobre enfermedades infecciosas de la sangre, facilitando el desarrollo de aplicaciones de diagnósticos de otros tipo, como es el caso de Puff para enfermedades pulmonares. Es un lenguaje de construcción de sistemas expertos que evoluciona a partir de Casnet. Se ha utilizado principalmente, para construir modelos e consulta en oftalmología, endocrinología y reumatología. Concesión de créditos y préstamos. Planeación estratégica y de misiones de sensores. Interpretación del lenguaje hablado. Diagnósticos de control de calidad. Desarrollado en el MIT para la realización de cálculos matemáticos clásicos (integración de funciones, ecuaciones diferenciales y cálculo matricial. Añade conocimiento de análisis a Drendal, para proponer y seleccionar reglas de fragmentación de estructuras orgánicas. Diagnóstico y terapia de enfermedades infecciosas bacterianas. Basado en Mycin, para la enseñanza en medicina. Neurología. Manejo de vehículos y proyectiles semiautomáticamente. Planes de inversión. Estrategia a utilizar en las conversaciones de desarme.

Drendal

Eao Guidon Emycin

Expert

Expert Edge. Fresh. Hearsay II IGC. Macsyma

Metadrendal Mycin. Neomycin. Neurologist. Pilot’s Associates. Planpower. Politics

Tabla 2.b Descripción de Sistemas Expertos.

18

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo

Prilling Advisor Prospector R1 Reactor. Rosie

Sistema Experto desarrollado para asesorar sobre la interpretación y operación de sondeos. Explorador de yacimientos minerales partiendo de información descriptiva de una zona. Desarrollado en Digital para configurar automáticamente equipos VAX. Detección y actuación en caso de alarmas y emergencias. Desarrollado en Rand Corporation, proporciona un sistema de programación de propósito general para construcción de sistemas expertos. Aplicación de impuestos y tasas. Programa que ayuda a la construcción de grandes bases de conocimiento, facilitando la transferencia de la experiencia de los humanos a la base de conocimientos mediante un diálogo basado en un subconjunto del lenguaje natural. Análisis de riesgos y diseño de seguros. Tabla 2.c Descripción de Sistemas Expertos.

Tax Genus. Teiresias

Underwriting Advisor.

2.6 OPERACIÓN DE PROTOTIPOS
Para ejemplificar la operación de un Sistema Experto consideraremos una descripción del funcionamiento de MYCIN, aplicación reconocida como un modelo típico de Sistema Experto: Es un Sistema Experto para la realización de diagnósticos, iniciado por De Feigenbaum y posteriormente desarrollado por E. Shortliffe y sus colaboradores. Su función es la de aconsejar a los médicos en la investigación y determinación de diagnósticos en el campo de las enfermedades infecciosas. El sistema MYCIN, al ser consultado por el médico, solicita primero datos generales sobre el paciente: nombre, edad, síntomas, etc. Una vez conocida esta información, el Sistema Experto plantea una hipótesis de la enfermedad. Para poder verificar comprueba primero la exactitud de las premisas de la regla. Esto se realiza mediante: • Búsqueda de enunciados correspondientes en la base de conocimientos: Estos enunciados pueden a su vez estar de nuevo en la parte de consulta de otra regla, • Preguntas al usuario. Aquí se trata de preguntas del tipo ¿Se ha practicado en el paciente algún tipo de intervención quirúrgica o de otro tipo en el tracto biliar? Con las respuestas que recibe, MYCIN verifica o rechaza las hipótesis planteadas.

18

CONSTRUCCIÓN DE SISTEMAS .CAPÍTULO 3.

20 .

1 LA INGENIERÍA DE CONOCIMIENTO La Ingeniería de Conocimiento es la disciplina orientada a la creación de sistemas basados en conocimiento para el análisis y solución de problemas de un dominio específico como la visión. Esto se debe principalmente al hecho de que el proceso requiere comunicación estrecha. Área del experto Sistema Experto FUENTE DE CONOCIMIENTOS INGENIERÍA DE CONOCIMIENTO SISTEMA BASADO EN CONOCIMIENTOS Transformación de representaciones Fig. La estricta separación entre usuarios. CONSTRUCCIÓN DE SISTEMAS 3. generalmente. es decir. Él debe comprobar constantemente si su conocimiento ha sido transmitido de la forma más conveniente. hay que extraer y representar los conocimientos del experto. incluyendo la documentación y los sistemas de información existentes. el aspecto de mayor dificultad en la construcción de Sistemas Expertos. El ingeniero plantea las preguntas al experto. En la creación de la aplicación. se precisa el ámbito de trabajo. el lenguaje y el aprendizaje. la mayor parte se obtiene de personas expertas. Ambiente de la Ingeniería de Conocimiento Aunque los conocimientos pueden conseguirse de una variedad de fuentes. 2. experto e ingeniero del conocimiento no deberá estar siempre presente. Una vez delimitado el dominio. Aquí se incluye ya al usuario. sus requerimientos técnicos y operacionales.3. Este es el caso cuando existe un tema muy complejo cuyas relaciones e interacciones deben ser determinadas una y otra vez con un gran consumo de tiempo. El Ingeniero de Conocimientos. tiene un alto grado de especialización orientada hacia un tema específico. La función de adquisición de conocimientos es comúnmente. La separación entre experto e ingeniero del conocimiento permanece. El conocimiento suministrado por el experto. el ingeniero y el experto trabajan muy unidos. estructura sus conocimientos y los implementa en el sistema. La responsabilidad de esa precisión recae en el experto. entre el experto del área y el ingeniero de conocimientos y en consecuencia enfrenta los problemas asociados con las barreras técnicas. pero no de la exactitud del conocimiento. El primer paso consiste en identificar los problemas que deben ser resueltos por el sistema. Es la persona que obtiene los conocimientos del experto y los representa en el sistema basado en conocimientos. . Pueden surgir situaciones en las que el experto es también el usuario. De esta manera el experto puede ahorrarse trabajos repetitivos. El ingeniero del conocimiento es responsable de una implementación correcta. aunque hay ocasiones en que una persona juega más de un rol. tal como se muestra en la Figura 2.

entre los tipos de conocimiento que se pueden representar están los mostrados en la Figura 3: Objetos: nieve blanca Sucesos: mañana lloverá Ejecución: probar teoremas Metaconocimiento : conocimiento del conocimiento Fig. Metaconocimiento. Recuperación de conocimiento: Para resolver un problema determinado. La consideración más importante en la representación del conocimiento es el uso que se va a dar al mismo. por ejemplo: “El sol se eclipsará mañana”. cuando se sabe de un tema. Es el conocimiento acerca de lo que nosotros conocemos. Son las acciones y eventos del mundo. De manera que es necesaria la representación de una secuencia de sucesos y sus relaciones causa-efecto. Podrá responder directamente a preguntas como: ¿Es una mujer liberada una persona moderna? SI ¿Es una persona moderna una persona? SI 22 . Es el conocimiento de cómo hacer las cosas. El conocimiento representa la piedra angular de la capacidad de un Sistema Experto. 3. Tipos de conocimiento que se quieren representar • • • • Objetos. Ejecución. Involucra tanto al diseño de varias clases de estructuras para almacenar conocimiento en programas. Por ejemplo: “componer sentencias o probar teoremas involucra un conocimiento de ejecución”. envolviendo objetos y sucesos. “Toda persona moderna es una persona”. Por ejemplo: a menudo sabemos la extensión y origen de nuestro conocimiento sobre un objeto particular. Razonamiento: Para generar soluciones a partir de conceptos establecidos confiables es necesario producir nuevos elementos de conocimiento. ya que. si tenemos un sistema cuyo conocimiento es: “Toda mujer liberada es una persona moderna”. Sucesos. es necesario identificar el conocimiento útil para resolver el problema. Por ejemplo .22 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La Representación del Conocimiento. Es una combinación de estructuras y procedimientos interpretativos que se usan de forma adecuada por un programa. más fácilmente se aprenden cosas adicionales del mismo. Representan clases y describen objetos: Por ejemplo “Los pájaros tienen alas. o la importancia relativa de hechos específicos del mundo. para emular un comportamiento inteligente. lo que produce un proceso incremental. el grado de confianza de cierta información. Su empleo está relacionado con: • • • Adquisición de más conocimientos: No sólo tiene que ver con la adquisición de conocimientos sobre algo desconocido. la nieve es blanca”. sino también con la ampliación de lo que ya conoce. como el desarrollo del procedimiento que permitan su manipulación inteligente para hacer inferencias.

certidumbre en las deducciones y modificabilidad. acompañada por un conjunto de procedimientos generales para manipularlos. como se muestra en la Figuras 4 y 5: . 3. Todas estas estructuras comparten la noción de que entidades complejas pueden ser escritas como una colección de atributos y sus valores asociados. Es fácil añadir nuevos hechos al sistema sin cambiar los conocidos. esquemas. Esto proporcionará a los sistemas de este tipo más flexibilidad y economía de recursos y medios. La capacidad de representar el conocimiento que no se ajusta bien en muchos esquemas declarativos simples.Construcción de Sistemas 23 Pero si le preguntamos: ¿Es una mujer liberada una persona? El sistema tiene que razonar para responder a la pregunta. las redes semánticas. Conocimiento procedural: El conocimiento se representa por procedimientos para el uso del mismo.2 METODOLOGÍA PARA LA CONSTRUCCIÓN DE SISTEMAS EXPERTOS La metodología para la creación de un Sistema Experto se representa como un modelo de “ciclo de vida”. Por ejemplo. El ciclo de vida se divide a su vez en varios más pequeños que pretenden alcanzar metas muy concretas sujetas a revisión y corrección. Razonamiento por Generalización y Abstracción. Inferencia directa: La naturaleza estática y directa de la representación posibilita la inferencia explícita y directa. tal como sucede con el conocimiento incierto o probabilístico. marcos y guiones. Ejemplos de esta clase de representación son: el cálculo de predicados. si se sabe que: “Los colibríes tienen alas” “Las garzas tienen alas” “Las grullas tienen alas” Se puede llegar a inferir que todos los pájaros tienen alas por una generalización. Las técnicas de representación de este tipo de conocimiento son: scripts. Razonamiento Procedural: Ejecuta cálculos para responder cuestiones y resolver problemas. Es relativamente fácil revisar los conocimientos debido a su transparencia. en forma parecida a la inferencia matemática. programación por eventos. Sus ventajas son: • • • • • Cada hecho sólo necesita almacenarse una vez con independencia del número de formas distintas en que puede usarse. Existen diversos tipos de razonamiento como los siguientes: • • • • Razonamiento Formal: Implica la manipulación sintáctica de estructuras de datos para deducir otras nuevas siguiendo reglas de inferencias específicas de la lógica matemática. Entre sus principales ventajas están: • • • La facilidad de representar el conocimiento de cómo hacer las cosas. Razonamiento por Analogía: Establece una analogía entre objetos para responder cuestiones sobre uno basándose en el conocimiento que se tiene del otro. Conocimiento Declarativo: El conocimiento se representa como una colección estática de hechos. donde se reconoce la naturaleza evolutiva del desarrollo del sistema. Los esquemas declarativos destacan el concepto de un enunciado simple que establece un elemento de verdad. Transparencia: El conocimiento representado se almacena en forma explícita y sin ambigüedades.

24 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Selección del problema R d e e v l i s i ó n p r o b l e m a Construcción de Prototipo R d e e v i s i ó n f o r m a l i s m o s Formalización Construcción Implementación Evaluación Evolución a largo plazo R e v i s i ó n e v o l u t i v a Fig. Modelo del ciclo de vida para el desarrollo de un Sistema Experto Selección del problema El proceso de selección del problema. se puede descomponer en los pasos siguientes: Investigación del problema Aplicabilidad del dominio Selección del candidato Identificación del problema Disponibilidad del experto Alcance del problema Análisis del candidato Selección final del candidato Análisis de costo/beneficios Fig. Proceso de identificación del problema 24 . 4. 5.

Alcance del problema: Se deben dimensionar los alcances del proyecto sobre un tema específico. • Demostrar la funcionalidad general del sistema. entrevistas y sesiones de “Lluvia de ideas” se procede a identificar los tipos de problema a resolver. Los problemas del dominio se solucionan usando principalmente conocimiento simbólico. Múltiples expertos deben estar de acuerdo sobre las técnicas de solución de problemas. la próxima tarea es construir un prototipo que represente una pequeña parte del sistema final. análisis documental. Análisis de costo/beneficio: Es necesario hacer un análisis del costo de construir el sistema comparando con el benéfico esperado. La tarea primariamente debe ser cognoscitiva y no debe requerir manejo físico extenso. • Probar las decisiones de diseño iniciales . observación. cada uno de los elementos en la lista original se evalúa con relación a un conjunto de criterios de filtración. El prototipo. Aplicabilidad del dominio: Este paso consiste en un análisis detallado de lo adecuado que resulta el dominio para la aplicación de un Sistema Experto. como el carboncillo puede ser visto como un agente activo en el proceso de diseño y planeación. Los pasos en este proceso son: • • • • • • • • • Adquisición del conocimiento inicial Modelo de consulta general Selección del mecanismo de inferencia Determinación del modelo de la representación de conocimientos Selección de herramientas Implementación del prototipo Prueba del prototipo Demostración del prototipo Revisión del proyecto El proceso de construcción de un prototipo es análogo a la producción por un artista de un esquema a carboncillo de una pintura. además del costo del equipo requerido y software. Los propósitos específicos del prototipo son: • Ganar un entendimiento más profundo de la naturaleza y alcance del problema y de las técnicas asociadas en la solución de problemas. Típicamente emprende 5 a 10 casos de prueba y requerirá desde unas semanas hasta unos pocos meses para completarlo. el artista comúnmente hace un esbozo del retrato completo con un lápiz. Para seleccionar aquellos candidatos. Disponibilidad experta: Es imperativo que un experto apropiado esté disponible: • • • • Debe existir un experto que esté posibilitado para resolver problemas del dominio del tema.Construcción de Sistemas 25 Investigación del problema: Mediante la investigación de campo. El experto debe disfrutar de buena reputación entre los potenciales usuarios del sistema. dependiendo del alcance y dificultad del problema. Los criterios para este análisis incluyen: • • • La tarea demanda razonamiento experto. Construcción de prototipos Una vez que se haya seleccionado un problema. Selección de candidatos: Reduce la lista de las aplicaciones que recibirán consideración seria. El experto debe ser capaz de describir el conocimiento del dominio y cómo se aplica. Antes de que un artista comience a aplicar el óleo a un retrato. Cada costo incluye la contratación del experto y del ingeniero de conocimientos.

Los casos de prueba deben centrarse en la identificación de un conjunto de ejemplos nominables que fuercen al sistema a trabajar en condiciones límites. Después de haber adquirido el conocimiento fundamental disponible. el paradigma de inferencia y la representación del conocimiento. mecanismos de búsqueda. 26 . Posibilitar el desarrollo concurrente de pruebas. Definición detallada del problema: Se desarrolla una descripción funcional que defina claramente el problema que se va a resolver. También incluye una declaración de la propuesta de programación del proyecto que muestra las tareas y su interdependencia. Planeación del proyecto: Presenta un estimado de los recursos que se requerirán para completar el proyecto junto con un presupuesto que describe la forma como se asignarán los recursos. a involucrarse en el proyecto. Las etapas que integran al proceso de formalización se muestran en la Figura 6. antes de comenzar la implementación completa. Forzar a que la planeación se haga. Diseño: Produce el esquema conceptual detallado de los componentes del Sistema Experto. el ingeniero de conocimientos se reúne con el experto para comenzar a discutir los estudios de casos específicos y clarificar el entendimiento del conocimientos obtenido. Registrar las decisiones respecto a las estrategias de implementación. aplicativas y comerciales del producto que se desea crear. Ofrecer visibilidad a todo tipo de pensamiento corriente para posibilitar que más gente contribuya al proyecto. así como los medios de comunicación con el usuario. operativas.26 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La actividad de construcción del prototipo involucra normalmente al ingeniero de conocimientos y al experto en el dominio. Planeación del producto: Describe las características físicas. Cada una de estas tareas se asigna a un miembro del equipo del proyecto propuesto. se inicia el proceso de desarrollar un enfoque del problema básico. Planeación de la prueba: Define los elementos requeridos para verificar la validez del sistema después de que éste se haya desarrollado. estructuras de conocimiento. Finalmente se procede a realizar los ajustes necesarios. Planeación de la implementación: Identifica las actividades y recursos involucrados en la liberación y puesta en marcha del producto. inferencia y aprendizaje. Formalización Los propósitos principales de la fase de formalización son: • • • • • • Captar y registrar la comprensión clave que se desarrolló durante a fase de prototipo. A continuación se selecciona una herramienta que operará con eficiencia el paradigma seleccionado y se escoge la representación del conocimiento adecuada para ejemplificar la implementación del prototipo. Una vez alcanzado un buen entendimiento del dominio. Esto incluye la identificación de los casos de prueba y los procedimientos para ejecutarlos. El prototipo luego es analizado para determinar la validez tanto del problema elegido como la de las técnicas de implementación. los objetivos a lograr y lo más importante cualquiera de las restricciones que sirvan para limitar el alcance del proyecto y las experiencias del usuario. el despliegue y el soporte de medios a largo plazo. el modelo de consulta general. Ofrecer visibilidad de los puntos de verificación para posibilitar a la administración del proyecto y al usuario. Comienza con la adquisición inicial de conocimientos en la cual el ingeniero de conocimiento hace una investigación global intensiva del dominio mientras busca aprender tanto sea posible acerca de los aspectos críticos del tema.

Construcción de Sistemas 27 Planeación del soporte: Determina los recursos. se codifican y prueban cada uno de los módulos. . depurando las fallas y errores que se detecten gracias a los casos de prueba considerados en el plan. De acuerdo con las políticas. SISTEMA EXPERTO DEFINICION DETALLADA DEL PROBLEMA * Descripción del problema * Declaración de objetivos * Restricciones Descripción funcional PLANEACION DEL PRODUCTO * Sistema de entrega * Presentación inicial * Presentación beta * Exposición limitada * Uso general * Evaluación del producto DISEÑO * Características esenciales del conocimiento * Arquitectura del sistema * Selección de herramientas * Descripción de la representación del conocimiento * Paradigma de inferencia * Modelo de consulta PLANEACION DE LA PRUEBA * Procedimientos de prueba * Identificación de casos de de prueba * Requerimientos de “montaje” Plan de introducción del producto Plan de evaluación del producto Descripción del diseño Plan de prueba PLANEACION DEL PROYECTO * Estimación de recursos * Programación del proyecto * Asignación de tareas * Presupuesto * Definición del control PLANEACION DE LA IMPLEMENTACION * Determinación del sistema de desarrollo * Adquisición de conocimientos * Control de versiones * Análisis de subconjuntos PLANEACION DEL SOPORTE * Soporte a largo plazo * Evaluación a largo plazo * Control de versión * Pruebas regresivas * Mantenimiento de la pericia experta Plan de introducción del producto Descripción de la implementación Plan del soporte Fig. Proceso de formalización del Sistema Experto Construcción El ingeniero de conocimiento y el grupo de desarrolladores interpretan las especificacions funcionales y del diseño del producto establecidas en la “formalización” para crear los programas y editar las bases de conocimiento y de datos necesarias en el funcionamiento del Sistema Experto. estándares y técnicas de programación. políticas y procedimientos para brindar el soporte técnico a usuarios y el mantenimiento del sistema. 6.

Está compuesto por: • El acervo de conocimiento: Son las fuentes de información a las que corresponde el dominio de los problemas que resuelve el sistema. Expansión del dominio del sistema. 28 . Finalmente las críticas del usuario son consideradas en cuanto a la facilidad de operación. • Usuarios: Son las personas beneficiadas con la operación del sistema. Se elabora la documentación técnica.También se realizan las pruebas “piloto” del sistema completo bajo condiciones “reales” de trabajo. El beneficio indirecto es que un Sistema Experto obliga al experto a articular y estructurar conocimientos. se procede a integrar el “cuerpo” completo de conocimiento y datos a las bases respectivas. esta clase de prueba se centra en la verificación de la completitud y consistencia del sistema por medio de la evaluación de la implementación interna. El aspecto más significativo de la evolución a largo plazo resulta del efecto que tiene sobre un experto el desarrollo de un Sistema Experto. En casi todos los casos la presencia de este gran cuerpo estructurado de conocimientos posibilitará al experto la revisión de su propio pensamiento para producir mejores soluciones. Adiciones a la base de conocimientos para hacer una base más completa. procediendo a los ajustes finales. Implementación Una vez creado el Sistema Experto y habiendo realizado las pruebas pertinentes. • Experto: Son los especialistas en el dominio del problema a resolver con el sistema.Existen cuatro roles: • Patrocinadores: Son aquellos interesados en la creación del sistema. • Software: Son las herramientas disponibles para crear. • Ingenieros del Conocimiento: Lo constituyen los especialistas en Inteligencia Artificial responsables de la construcción. entre los que destacan: Humanos.... que brindarán el respaldo financiero. Logísticos. Revisiones requeridas por los expertos. El proceso de evolución a largo plazo viene luego a ser un crecimiento combinado del experto y del sistema.28 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Es responsabilidad del grupo de trabajo entregar un producto que cumpla eficazmente con las especificaciones del producto y que procure aprovechar eficientemente los recursos. Evaluación Generalmente el sistema se evalúa comparando las respuestas que brinda a problemas específicos con las ofrecidas por el experto humano. un Sistema Experto evoluciona a lo largo de su vida motivado por las siguientes razones: • • • • • Incremento de la funcionalidad. implementar y mantener el sistema. operativa y promocional del producto y se hace su presentación ante los usuarios e interesados.Integrados por: • Ordenador: En función de la complejidad del sistema y volumen del conocimiento y datos a manipular puede exigir el uso de “main frames” a computadores de proceso paralelo. Correcciones.3 RECURSOS INVOLUCRADOS La construcción de un Sistema Experto requiere la concurrencia de diversos recursos. como los lenguajes de programación de la Inteligencia Artificial y “shells”. Computacionales. También es posible evaluar la estructura en vez de la función del sistema. 3. claridad de la comunicación y credibilidad de sus respuestas. legal y de recursos necesario. Evolución a largo plazo Como con cualquier sistema.

En general. las herramientas para Sistemas Expertos se pueden pensar como cubriendo un espectro. Declarativos: Se especifica la naturaleza del problema y sus características. como se describe a continuación: Paradigmas Pueden desarrollarse Sistemas Expertos en diferentes lenguajes de programación. orientado al proceso simbólico de conocimiento mediante el empleo de funciones y listas.Se integran de: • Instalaciones. dispone de un intérprete y un compilador de gran ayuda en la programación de procesos paralelos y en la conexión de terminales de trabajo a una red de ordenadores. dirección y control de un proyecto de esta naturaleza. Este espectro se mueve desde el nivel más inferior de los lenguajes de programación de propósito general hasta niveles más grandes de desarrollo. Lenguajes de programación Si bien se pudiera considerar el empleo de lenguajes convencionales como C.Brindan el sustento para la contratación de personal y la adquisición de los recursos necesarios. Las preguntas son tratadas por el demostrador de teoremas que comprueba si el predicado a demostrar puede deducirse de la base de conocimientos. • Papelería y accesorios • Financieros. INTERLISP-D El Interlisp-D es un sistema de programación LISP interactivo desarrollado para terminales de trabajo con capacidad de realización de gráficos. . que interpreta las especificaciones y genera la solución o genera un programa ad-hoc responsable de producirla. abarca funciones predefinidas y un entorno de programación. sin embargo hay algunos que son especialmente adecuados en función al paradigma de programación al que pertenecen. • Mobiliario. Los hechos y reglas definen la base de conocimientos. organización. Lógica: Es la descripción de un problema con hechos y reglas. Materiales.. La interfase de usuario usa ventanas y menús. dejando la elección del procedimiento de solución a los mecanismos de operación contenidos en la propia herramienta. con opciones de funcionalidad y requerimientos de equipo. Funcional: La solución de un problema se consigue con la aplicación de funciones. a partir de una colección mínima el usuario construye sus propias funciones para crear aplicaciones complejas que usan la recursividad y el macroproceso. Este mecanismo de control usa la “unificación” y “backtrack”. reglas y preguntas. Pascal o Fortran en la creación de un Sistema Experto.. Prolog Presenta el conocimiento en forma de predicados que aparecen en forma de hechos. Estos métodos producen resultados específicos. Administración de Proyectos: Son las técnicas y procedimientos necesarios para la planeación. • Equipo de comunicación. Orientada al objeto: Las entidades del problema se definen como objetos y su funcionamiento se especifica como métodos. es mucho más recomendable emplear aquellos pertenecientes al campo de la Inteligencia Artificial.Construcción de Sistemas 29 • • Ingeniería del Conocimiento: La disciplina para la construcción del sistema. 34 TIPO DE SOFTWARE APROPIADO A LA CREACIÓN DE SISTEMAS EXPERTOS Existen varias clases de herramientas para crear Sistemas Expertos. Entre los principales enfoques de programación están: • • • • • Procedimiento: Esta definición cubre la programación algorítmica. como es el caso de: LISP Es el lenguaje más popular de la Inteligencia Artificial.

Su microcódigo está orientado al lenguaje de programación al que representan. sabe exactamente cómo son procesadas las reglas. Algunas máquinas Lisp y características relevantes de ellas. Ya que el mecanismo de inferencia depende del problema. un sistema similar. DWIM: Corrige las erratas del usuario. tienen en común: • Alta velocidad para el procesamiento de Lisp. Performance Analysis: Ejecuta análisis estadísticos de ejecuciones de programas. es decir funciones y datos. e inclusive durante los 80’s en el IIMAS de la UNAM en México se construyó también una máquina similar. Todas las máquinas populares Lisp. Masterscope: Analiza el funcionamiento del programa. Máquinas LISP . Shells Un shell es un Sistema Experto que contiene una base de conocimientos vacía. Symbolics y Texas Instrument. También es posible que haya que desarrollar adicionalmente partes del mecanismo de inferencia. Break Package (Debugger): El usuario puede analizar el estado del sistema. Cuando el ingeniero del conocimiento conoce bien el shell. Varios sistemas comerciales han resultado de este esfuerzo. en Palo Alto (PARC) . Pretty-printer: Visualiza funciones de forma claramente legibles. se muestran en la Tabla 3: Parámetro Symbolics 3600 LMI Lambda TI Explorer Xerox 1100 Tamaño de la palabra Memoria principal Tiempo de acceso cache Tiempo de acceso memoria Espacio direccionable Máximo almacenamiento (disco) Comunicaciones Software Básico Principal 36 bits M-30MB * 200 ns 1 GB 3. contiene el mecanismo de inferencia. Record/Datatype Package: Permite al usuario definir records y estructuras propias de datos. Los sistemas expertos más grandes y sofisticados tradicionalmente se han desarrollado en máquinas especializadas Lisp por la potencia y capacidad del equipo básico y además por los ambientes de software que corren en ellas.Prolog Como entornos de hardware para el desarrollo de sistemas expertos se utilizan a menudo máquinas “dedicadas”. Inspector: Ofrece apoyo al análisis de estructuras complejas de datos y se modifican datos determinados en estas estructuras. es decir.30 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo El sistema ofrece ayudas adicionales en el desarrollo y control de programas con los métodos auxiliares siguientes: • • • • • • • • Editor orientado a la estructura: Con el editor pueden elaborarse estructuras LISP. Según el tamaño de esta parte tendrá que pensar si la aplicación de un shell determinado sigue siendo apropiada. 30 . el componente explicativo y a la interfase de usuario. sino que hay que buscar un shell apropiado para cada aplicación. no existe ningún shell para todas las aplicaciones. Por el mismo tiempo. A mediados de 1970 se desarrolló en el laboratorio de inteligencia artificial del MIT una máquina especializada en la ejecución de Lisp. Características de las Máquinas LISP. se desarrolló en forma independiente en el Centro de Investigaciones de la Xerox. incluyendo aquellos obtenibles del LMI. entonces sólo tendrá que concentrarse en la creación de la base de conocimientos.5 GB Ethernet Zetalisp Common lisp Interlisp Prolog 40 bits 4-32MB 100 ns 300 ns 128 MB 515 MB Ethernet Zetalisp Common lisp Interlisp Prolog Unix 32 bits 2-16MB * 300 ns 128 MB 528 MB Ethernet Zetalisp Common lisp Interlisp Prolog 16 bits 2-18MB 70 ns 480 ns 332 MB 315 MB Ethernet Zetalisp Interlisp Interlisp Smalltalk Prolog Tabla 3.

Enlace de comunicaciones. Algunos ejemplos y características de esta clase de herramientas se ilustran en la Tabla 4: S1 Inferencia Encadenamiento hacia adelante Encadenamiento hacia atrás Herencia Representación Reglas Marcos Lógica Valores activos Incertidumbre incorporada Factores de certidumbre Rastreo con dependencia Interfaz con el usuario Editor gráfico Menús Ventanas múltiples Seguimiento Explicaciones incorporadas * * * KEE * * * ART * * * LOOPS * * * SRL + * * * * * No No * * * * * * * No * * No * * * * * * No No No * * No No No No No * * * * * * * * * * * * * * * * * * No * * * * * Tabla 4. Soporte para ambientes de desarrollo de sistemas expertos. Tal herramienta posibilita que un experto que no esté familiarizado con las complejidades del diseño de un Sistema Experto construya un sistema casi en la misma forma en que la introducción del Fortran permitió a la comunidad científica escribir programas sin entender a los equipos de cómputo o lenguaje de máquina. Herramientas híbridas Una herramienta híbrida brinda un ambiente para resolver problemas complejos cuando diversas partes del problema requieren diferentes clases de soporte. Esta interfaz ayuda al desarrollador del sistema a construir el sistema precisa y rápidamente. todavía no están disponibles en el mercado comercial.Construcción de Sistemas 31 • • • Alta resolución. despliegue de pantalla por mapa binario. Hacen uso de gráficas de alta resolución de mapa binario. En la actualidad. Las máquinas PROLOG se están desarrollando en el Japón y en Inglaterra sobre todo en el marco del programa de la “Quinta Generación”. Herramientas para adquisición de conocimientos Debido a que la adquisición de conocimientos es una tarea difícil que consume tiempo. Son usadas típicamente en estaciones de trabajo de inteligencia artificial. Un ejemplo de estas herramientas se ilustra en la Tabla 5: . Características de algunas Herramientas Híbridas. ventanería y ratón para proporcionar una interfaz con el usuario amable. resulta útil auxiliar al ingeniero de conocimientos una herramienta que le permita junto con el experto construir el sistema conjuntamente.

backward blackboard Desarrollo de para chaining.1985 Tabla 5. Nombre de la Herramienta ACTOR Representación del conocimiento Aplicación especial Empresa/ Institución MIT Observaciones Objetos son “actors” que Investigación de pueden comunicarse con la manipulación de datos con otros “actors” “paso de mensajes” Frameworks: ej. marcos mecanismos de control Lenguaje programación inteligencia artificial de de AGE SU Entorno de desarrollo de programación AIMDS Lenguaje representación conocimiento Diagnóstico de fallos al evaluar sistemas expertos Análisis de proyectos. conforme a la muestra presentada en la serie de Tablas 6. 32 . 1985 Roget Clasificación Bennett. Finalmente.32 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Sistema ETS Clase de dominio Clasificación Método Simulación psicológica Lenguaje Objetivo OPS5 Referencia Boose. ámbito de aplicación e institución involucrada. estimación de costes y tiempo (planificación) Universidad de Edinburgo Shell de del AL/X ANALYSEN PLUS Business Información Techniques Sistema de desarrollo de programación Tabla 6. 184 More Clasificación Revisión de la base OPS5 de conocimientos existentes Revisión de los Emycin modelos de ejemplos Identificación conocimientos papeles Identificación conocimientos papales de OPS5 de Kahn. a manera de ilustración se presenta una relación de herramientas para construir Sistemas Expertos con características.a Cuadro de Herramientas de Sistemas Expertos. Características de algunas Herramientas de Adquisición de Conocimiento. 1985 Salt Construcción de OPS5 de Marcus. 1985 Salt Clasificación Marcus.

FRNAZLISP. máquinas LISP VAX Lenguaje de programación de inteligencia artificial en Franz-LISP Lenguaje programación inteligencia artificial Lenguaje programación inteligencia artificial de de OPS (OPS4. CSIC-Blanes Barcelona Delphia Sp. OPS7 OPS-83) Sistemas de producción reglas de Sistemas reglas producción de de CMU OWL MIT PLANNER MIT de de Tabla 6. De Tokyo Hosp.I y LMI. ELISP. . INTERLISP.Construcción de Sistemas 33 Nombre de la Herramienta KS-300 LM Representación del conocimiento Aplicación especial Empresa/ Institución TEKNOWLEDGE Observaciones Shell Lenguaje programación inteligencia artificial de de Frames Programación de robots industriales Syracuse University LOGLIPS Listas de objetos Lenguaje de programación de inteligencia artificial.b Cuadro de Herramientas de Sistemas Expertos. TLC-LISP. A Entorno de desarrollo de programas MILORD Reglas semánticas y redes Diagnósticos médicos Shell OMEGA Sistema de representación del saber para Symbolics.UCI-LISP VLIPS. OPS5. ZETALISP MBASE Sistemas expertos para mecánica. estadística. problemas de medio ambiente Diagnóstico médico MIT Universidad de Edinburgo Shell implementado en PROLOG MECS-AI Toshiba R&D Center/Univ. Dialecto LISP con características del PROLOG Entorno de desarrollo de programas Lenguaje programación inteligencia artificial de de LOOPS Xerox PARC LISP (COMMON LISP. T.

34 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Nombre de la Herramienta POP-2 Representación del conocimiento Aplicación especial Empresa/ Institución Universidad de Edimburgo Observaciones Lenguaje programación inteligencia artificial Lenguaje programación inteligencia artificial de de POP-11 Universidad de Sussex de de POPLOG Universidad de Sussex Entorno de desarrollo de programas Entorno: VAX Lenguaje programación inteligencia artificial de de PROLOG (C-PROLOG. 34 . reglas de producción escritas en PASCAL. mecanismos de herencia de Universidad de Marsella SU Entorno de desarrollo de programas Es un Sistema Experto para el desarrollo de sistemas expertos RLL y de SU ROSIE de RAND Corp. M-PROLOG) PS I Síntesis programas Slots mecanismos herencia Activación de reglas Modelado disparadas por datos o situaciones complejas acontecimientos.c Cuadro de Herramientas de Sistemas Expertos. Santa Shell en Interlisp Monica ROSS Clasificación jerárquica de Simulación de clases de objetos batallas aéreas RAND Corp. backward chaining Entorno: VAX/VMS Lenguaje programación inteligencia artificial Lenguaje programación inteligencia artificial Shell de de SAGE SPL Research Centre. jerarquías de conceptos.1 Teknowledge SMALL TALK Objetos que envían y Desarrollos reciben información dinámicos y no secuenciales (passing messages) XEROX PARC Lenguaje programación inteligencia artificial de de Tabla 6. England SAIL Reconocimiento patrones de SU SCHEME MIT de de S. Lenguaje de inteligencia artificial orientado al objeto Shell.

conforme al ámbito de aplicación al cual están orientados. Es por ello. se hace evidente la falta de asimilación de tanto conocimiento que está disponible a las empresas y personas usuarias. haciendo la interpretación y uso adecuados. su comportamiento en el pago de sus obligaciones en comparación a los términos de plazo e interés. trío objetoatributo-valor para la representación de hechos Reglas. el acceso a diversos bancos de información en cualquier parte del mundo.5 RECOMENDACIONES Tradicionalmente se considera la creación de un Sistema Experto como un proyecto de investigación o académico. 3. Ante el empleo de recursos computacionales más poderosos.Construcción de Sistemas 35 Nombre de la Herramienta TWAICE Representación del conocimiento Reglas de producción. que se requieren sistemas sofisticados capaces de aprovechar ese cúmulo de información. sobre todo aquel donde existe gran inversión informática y se reconoce el límite de los sistemas en cuanto a la evaluación de grandes cantidades de información y la toma de decisiones. Por ejemplo. relación jerárquica entre objetos por árbol de objetos. Se considera que los Sistemas Expertos representan una alternativa para atender esta clase de demandas. . en el ámbito financiero existe el buró de crédito que se alimenta de los créditos y cobros que las instituciones otorgan a los clientes. Con base al registro de cada operación se determina el nivel de “cumplimiento” del interesado y sirve como antecedente para otorgar un nuevo préstamo. sin embargo cada vez aparecen aplicaciones orientadas al ambiente comercial.d Cuadro de Herramientas de Sistemas Expertos. frames Aplicación especial Empresa/ Institución Observaciones en PROLOG Campos de Nixddorf Paderborn Shell Entorno: Nixdorf8832 conocimiento (Unix) 8890 (VM) asesor o diagnóstico UNITS SU Lenguaje representación conocimiento de del Tabla 6. estas aplicaciones evalúan cada compromiso del usuario.

36 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 36 .

APLICACIÓN DE SHELL’S .CAPÍTULO 4.

38 .

• Objetivo: Ofrecer un medio para implementar Sistemas Expertos. Fast-Load. Caché.1> ∗ Top level: Ambiente de Desarrollo. Búsqueda: ∗ Dirección inicial: Hacía atrás. Tipos de archivos: ∗ Formato: ASCII.4. ∗ Impreciso. ∗ Configuración: m1cfg. Inferencia: ∗ Dirección : Hacía atrás con oposición hacía adelante. Ambiente de Consulta.cfg.1. ∗ Base de Conocimiento. Ambiente: ∗ Sistema Operativo: M. • Orientación: Sistemas Expertos. APLICACIÓN DE SHELL’S 4. mediante reglas. m1. Representación de Conocimiento.1 DESCRIPCIÓN DEL SHELL M1 A continuación se presenta un perfil del shell “M1”: • Naturaleza: SHELL. 4.. ∗ Caché. • Estructura. Integrantes: ∗ Intérprete M. a través de factores de certidumbre con rango [-100. Veracidad: A partir de 20 como factor de certidumbre.. • Ambiente: PC’ IBM y compatible. ∗ Fundamento : Resolución con empleo de criterios de certidumbre. • Motor de inferencias capaz de calcular incertidumbre. ∗ Ejemplos: Bases de Conocimiento. • Usuario :Ingeniero del Conocimiento.Ofrece dos opciones: ∗ Absoluto. ∗ Operación: Base de Conocimiento. • Administrador de la Base de Conocimiento representado por reglas.100]. ∗ Desarrollo : Profundidad. Utilerias para interfaces. .Se compone de: • Interfase hombre-máquina en Lenguaje Natural.2 COMPONENTES DE M1 Los principales elementos de M1 son: Archivos de soporte: ∗ Ejecutable: M1. ∗ Orientación: ciega.

3. (por alguna de las opciones anteriores) ∗ Single-value intoff ∗ Metafact : presuposition 4. quit Ambiente ∗ Top level-intérprete: M. but not value was concluded" Teminación de la búsqueda ∗ Normal. # ∗ Pedir lista de respuestas ∗ Pedir ayuda ∗ "Desconocido": "unknown" ∗ Pedir la justificación: "Why" ∗ Asociación de factores de certidumbre ∗ Por un comando: list ∗ Interrupción: abort.1 DESCRIPCIÓN GENERAL Operación del Shell ∗ Carga − Directa: M1 base − Por medio del intérprete: M1 > load base load a load z Inicio de la consulta ∗ go: común para expresiones en "goal". inicial.1 > go Sesión simple ∗ >> question ? ↵ F9 ↵ corrida del shell y carga de la Base de Conocimiento "wine" pasar al ambiente de "desarrollo" iniciar la ejecución 40 .3.1> comando ∗ Sesión de consulta Generación de la respuesta ∗ built-in exp (funciones) ∗ Aritmética exp ∗ Conclusión almacenada en el "Caché" ∗ Consulta en la Base de Conocimiento ∗ Pregunta al usuario ∗ Sin éxito "was sought. <ctrl-break> ∗ Terminación: exit.3 OPERACIÓN DE M1 4. "initialdata" ∗ find expression: debug ∗ restart: reanudar Respuestas del usuario ∗ Contestación normal: completa parcial.40 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 4.2 EJECUCIÓN DE PROTOTIPOS Sesión del Sistema Experto Wine Advisor Carga ∗ c:> M1 wine ∗ ∗ M.

∗ .1> list wine=retsina Veamos si hay conclusiones que recomienden al vino "Retsina" ∗ M. verificar la conclusión de retsina ∗ M. .1> go >> question ? unknown word cf CF word1 cf CF and word2 cf CF respuesta desconocida con CF asociado con 2 palabras conjunta y sus CF asociada Modificando la Base de Conocimiento ∗ M. emisión de respuestas válidas y corrección las primeras letras de la palabra pedir aclaración lista todas las reglas de la BC que concluyen esa expresión respuesta hacer comentarios a las conclusiones ofrecidas mostrar todas las conclusiones Segunda sesión ∗ ∗ ∗ ∗ ∗ M.1> add kb-23 ∗ M.1> add if feature=greek \ entonces agregaremos una ∗ then wine=retsina.. ∗ M. ¿se cumplió? ∗ M.1> show feature ¿ Hubo conclusiones para feature?. ∗ M.1> add if has-sauce=yes and \ Primero agregar otra regla ∗ sauce = olive-oil and \ la etiqueta en el 29 ∗ has-lamb = yes \ ∗ then feature = greek.1> list feature . ∗ show palabra completa yes equivocación. ∗ .1> go corrida donde se espera beber "Retsina" por comer "Comida ∗ griega" ∗ >> meat ∗ >> no ∗ >> yes la ensalada contiene "olive oil" ∗ >> unknown ∗ >> strong ∗ >>medium ∗ M.Descripción de Shell’s 41 ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ answer complete y si parcial answer why list conclussion expression word1 and word2 wine = .1> list sauce Revisemos la definición de sauce ∗ M. es decir. ofrecer las mismas respuestas.1> list feature veamos la representación de feature en la BC La regla no concluye feature = greek A corregir : ∗ M. Responde con la etiqueta de la regla ∗ M.1> go volver a ejecutar el "SE".1> add kb-22 Agregar : olive-oil ∗ M.1> list wine = retsina Verificar las modificaciones ∗ M.1> list kb-28 Hay que rastrear el error. ∗ para concluir "Retsina" ∗ wine = ¡No lo proporcionó! ∗ .

bolsillo].1>go What is the value of has-lamb ? wine = retsina … . Vuelva a ejecutar el "SE" ¿Responde Yes? ¡Por fin! 4. torre. . Metahechos : goal = computadora_adhoc.4 REPRESENTACIÓN DE CONOCIMIENTO label : EXPRESION = VALUE of INTEGER M1 representa conocimiento por medio de las siguientes estructuras: Hechos : goal = computadora_adhoc. If prefiere_marca_nacional = si then computadora_adhoc = ‘LANIX’ cf 80. If computadora_presentacion = Opciones then computadora_adhoc = Opciones. portatil. . Reglas : goal = computadora_adhoc. Computadora_presentacion = [escritorio. 42 . If prefiere_marca = si or prefiere_economia = si then computadora_adhoc = ‘ACER’.1> list sauce M. If prefiere_pagar_mucho = si then computadora_adhoc = ‘LANIX’ cf -80.42 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo ∗ ∗ ∗ ∗ M. if PREMISE then CONCLUSION If prefiere_bajo_precio = si then computadora_adhoc = ‘LANIX’ cf 90. goal = EXPRESION If prefiere_calidad = si and prefiere_marca = si then computadora_adhoc = ‘IBM’. If prefiere_marca_extranjera = si then computadora_adhoc = ‘LANIX’ cf -90.

5 INFERENCIA Y BÚSQUEDA La búsqueda e inferencia de soluciones en M1 se compone de varios elementos. If prefiere_bajo_precio = si then computadora_adhoc = ‘ACER’ cf 90.P. respuesta − 2da. OR. If prefiere_marca_nacional = si cf 70 then computadora_adhoc = ‘LANIX’ cf 80. CF 50 d = 4. If prefiere_marca = si or prefiere_economía = si then computadora_adhoc = ‘ACER’. If prefiere_calidad = si and prefiere_marca = si then computadora_adhoc = ‘IBM’. NOT goal = computadora_adhoc. ∗ Al final se conjugan todos los CF de las respuestas. ∗ Conclusión : 1 ó varias proposiciones conjuntas "AND" y para la misma EXPRESSION goal = computadora_adhoc. − if ( a = 1 or b = 2 ) and c = 5 then d = 4 CF 50 − 1ra. cuyas características son: Manejo de las premisas En conjunciones Todas deben ser válidas y con CF de cuando menos 20. En disyunciones ∗ Se genera una respuesta con CF asociado por cada premisa válida y con CF de 20 o más. ∗ Expresiones : ∗ Variables: Análogas a las variables convencionales Reservan espacio para sustituirse por términos 4. CF 75 ya que a = 1 and c = 5 ya que a = 2 and c = 5 ya que CF = CF1 + CF2 %(100-CF1) = 50+50%(100-50) = 50+505%(50) = 50+25 = 75 . CF 50 d = 4. entonces: − conclusión d = 4 .’ cf 85. para obtener el CF definitivo. If not prefiere_calidad = si then computadora_adhoc = ‘PRINTAFORM’ and computadora_adhoc = ‘ACER’ cf 70. If prefiere_marca_extranjera = si cf N and N>60 then computadora_adhoc = ‘H.Descripción de Shell’s 43 ∗ Premisa : 1 ó varias proposiciones ligadas con AND.

40) = 40 CF = (CF1 + CF2) * 100 / (100-Menor) = (50 + (-40)) * 100 / (100-40) =10*100/60 = 1000/60 = 16.(|CF1| + |CF2| %(100-|CF1|)) = . En respuestas para las premisas CF = (CFconclusión * Cfpremisa)/100 − if a = 1 then z = 9 CF 80 − Si al contestar afirmativamente a = 1 se asocia un CF = 50 entonces el CF de la conclusión será = (80*50)/100 = 4000/100 = 40 44 .44 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo goal = computadora_adhoc. |CF2|) = min (|50| . If prefiere_marca_extranjera = si then computadora_adhoc = ‘ACER’ cf -90.(40+50%(100-40)) = . Cálculo de CF Cuando las conclusiones tienen “CF” explícitamente − if a = 1 then z = 9 CF 50 − if b = 2 then z = 8 CF 60 − if c = -3 then z = 7 CF -40 − if d = -4 then z = 6 CF -50 ∗ Cuando son positivos : − CF = CF1 + CF2 %(100-CF1) = 50+60%(100-50) = 50+60%(50) = 50+30 = 80 ∗ Cuando son negativos : CF = .6 goal = computadora_adhoc. If prefiere_marca_nacional = si then computadora_adhoc = ‘ACER’ cf 80.(|-40| + |-50| %(100-|-40|)) = . |-40|) = min (50. If prefiere_marca = si or prefiere_economia = si then computadora_adhoc = ‘ACER’.(|CF1| .(40+30) = -70 ∗ Cuando son mixtos : Menor = min CF = .(40+50%(60)) = . If prefiere_calidad = si and prefiere_marca = si then computadora_adhoc = ‘IBM’. If prefiere_pagar_mucho = si then computadora_adhoc = ‘ACER’ cf -80. If prefiere_bajo_precio = si then computadora_adhoc = ‘ACER’ cf 90.

respuesta b = apaga. CF = 80. CF = 80.70) = 50 x = 10.Descripción de Shell’s 45 goal = computadora_adhoc. e = 10 con CF = 90. respuesta 2da respuesta 3ra. d = 9 con CF = 40. Son -100 falso ó +100 verdad − − − − if a = 5 and b = 8 then z = 9 if c = 8 and d = 9 then x = 10 if not e = 10 then y = 11 Si se contesta a = 5 con CF = 90 b = 8 con CF = 70. Definidos explícitamente en las premisas ∗ exacto : if a = alto CF 30 then b = apaga CF = 80 1ra. ya que a = alto con CF = 30 b = apaga. respuesta 2da respuesta 3ra.…. If prefiere_marca_nacional = si cf 70 then computadora_adhoc = ‘LANIX’ cf 80.’ cf 85. CF = 80. respuesta ∗ con variables : b = apaga. c = 8 con CF = 60. CFP2 .CF1) En negaciones No tienen valores intermedios. la conclusión tendrá un valor para z = 9. ya que a = alto con CF = 29 if a = alto CF N and N ≥ 30 then b = apaga CF = 80 1ra. con CF = min(50. CFPP ) En premisas disyuntas CF = CF1 + CF2 % (100 . If prefiere_marca_extranjera = si cf N and N>60 then computadora_adhoc = ‘H. ya que a = alto con CF = 50 falso . ya que a = alto con CF = 29 En premisas conjuntas CF = min (|CFP1 .P. con CF = -100 − . If prefiere_bajo_precio = si then computadora_adhoc = ‘ACER’ cf 90. ya que a = alto con CF = 30 falso . con CF = 60+40%(100-60) = 76 y = 11. ya que a = alto con CF = 50 falso .

If prefiere_calidad = si and prefiere_marca = si then computadora_adhoc = ‘IBM’. If prefiere_marca = si or prefiere_economía = si then computadora_adhoc = ‘ACER’.V) = (‘proporciona una marca ‘.46 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo goal = computadora_adhoc. Question(computadora. If computadora_presentacion = Opcion then computadora_adhoc = Opcion.’ de computador’). '?') y la expresión es quiere-refresco → ¿ Quiere tomar refresco ? Restricciones para la instalación ∗ No puede buscar el valor de una expresión que contiene variables no instanciadas k3 : if x-nombre = juan then action = reprobado ∗ No puede almacenar hechos en el "Caché" que no estén instanciadas if ana = alumna then calificación = W goal = computadora_adhoc. En hechos kb-30 costo-r = 30 kb-31 costo-cerveza = 50 → costo-lager = 50 →costo-victoria = 50 En metafacts question(quiere-B)= ('Quiere tomar'.V. If computadora-demandada = Marca then computadora_adhoc = Marca. Computadora_presentacion = [escritorio. computadora-POPULAR = ‘ACER’ CF 80. If computadora_presentacion = Opcion then computadora_adhoc = Opcion. Empleo de las variables En reglas kb-1 if b-c = y then r= y kb-2 b-c= hola → r= hola goal = computadora_adhoc. Computadora-barata = ‘PRINTAFORM’. portatil] cf 70.B. 46 . torre. If not prefiere_calidad = si then computadora_adhoc = ‘Compaq’ cf 95.

Presupposition(prefiere_economia) = (prefiere_marca = si). . If tipo_computadora 0 Tipo and computadora(Tipo) is sought and do(show computadora(_)) then computadora_procesador.. If prefiere_calidad 0 si then computadora_adhoc = ‘IBM’. Presupposition(prefiere_calidad) = (prefiere_marca = si). . después de almacenar un valor en el caché y de encontrar uno para cierta expresión. . Cuando se encuentra un valor para la expresión ∗ ∗ whencached(expression) [ = VALUE cf CF]) = LIST whenfound(exp …) = LIST Evalúan la lista. Alterando el proceso de inferencia goal = computadora_adhoc. . si no la interrumpe goal = compuptadora_adhoc. Computadora(PP) = ‘Pentium_pro’. prefiere_marca]. Valores iniciales ∗ initialdata =[exp1.Descripción de Shell’s 47 En control de la búsqueda if falla = F and examina(F) is sought then prueba goal = computadora_procesador. If prefiere_marca = si or prefiere_economía = si then computadora_adhoc = ‘ACER’. exp2. If prefiere_economía = si Then computadora_adhoc = ‘ACER’. expn] Presuposición ∗ ∗ presupposition(expression) = proposition presupposition(bending on nodo) = nodo = a si es verdad la proposition con CF >=20 . hace la búsqueda. respectivamente. Initialdata = [prefiere_economía. Computadora(PII) = ‘Pentium_II’. If prefiere_calidad = si and prefiere_marca = si then computadora_adhoc = ‘IBM’.

4. Computadora(PII) = ‘Pentium_II’. Whencached(computadora(Tipo) = Procesador) = display(‘tipo de computador: ’.48 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo goal = computadora_procesador. ∗ nocache Borra el valor encontrado para la expresión. Computadora(PII) = ‘Pentium_II’. If tipo_computadora = Tipo and computadora(Tipo) is sought then computadora_procesador.Tipo.Procesador. ‘ es el procesador de la: ‘. de la memoria caché. Procesador). Carga de la base de conocimientos load FILE load {a z } FILE limpia y carga carga al inicio o al final Modificación de la Base de Conocimientos ∗ Agregar o reemplazar add {a z } KBCENTRY ∗ Remover expresiones remove LABEL resetkb KBCENTRY → {LABEL} { FACT METAFACT RULE ∗ Editar expresiones edit edit LABEL Salvar ∗ En fast-load fsave FILE la BC original la BC original los cambios en la BC ∗ En ASCII save FILE ∗ Los cambios savechanges FILE 48 . Computadora(PP) = ‘Pentium_pro’. ‘ Intel: ‘. Tipo). Whenfound(computadora(Tipo) = Procesador) = display(‘El Intel: ’. If tipo_computadora 0 Tipo and computadora(Tipo) is sought and do(show computadora(_)) then computadora_procesador. Computadora(PP) = ‘Pentium_pro’.6 MANEJO DE COMANDOS M1 dispone de diversos comandos para manipular las expresiones como son los que se presentan a continuación: Base de Conocimientos goal = computadora_procesador.

7 Cache MANIPULACIÓN DE LA BASE DE CONOCIMIENTOS Y EL CACHÉ Sintaxis EXPRESSION = VALUE cf CF because REASON Inserción de ENTRIES ∗ reglas: conclusión ∗ hechos: provenientes de la base de conocimientos ∗ respuestas: del usuario Salvar ∗ ∗ texto: savecache FILE fast-load: fsavecache FILE Carga de FILE Cache loadcache FILE Borrado reset Modificación set fact fact because REASON EXPRESSION is unknown { { b EXPRESSION EXPRESSION = VALUE EXPRESSION = VALUE cf CF .Descripción de Shell’s 49 Listar ∗ ∗ list show { { expresion expresion = value user EXPRESSION EXPRESSION 4.

Initialdata = marca_favorita. Question(marca_favorita) = ‘nombre de tu marca favorita de computadora’. Multivalued(computadora_adhoc).50 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 4.hp. Legalvals(marca_favorita) = [ibm. compaq]. If quieres_una_computadora = si and marca_favorita = Nombre then computadora_adhoc = Nombre. Metafacts Búsqueda goal = {EXPRESSION [exp1. HIGH) ∗ Explicación explanation {EXPRESSION LABEL} = text ∗ Valor inicial initialdata {EXPRESSION LIST} Boleanas ∗ and ∗ or ∗ not 50 . Enumeratedanswers(marca_favorita). exPP]} Definición de una EXPRESSION ∗ # valores multivalued {EXPRESSION LIST} ∗ Pregunta question (EXPRESSION) = text ∗ Menú automaticmenu { all EXPRESSION enumeratedanswers {EXPRESSION} ∗ Valores legales legalvals(EXPRESSION) { metafacts integer LIST of TERMS number real (LOW.8 INTERACCIÓN CON EL USUARIO make FILE Creación de un archivo para el usuario final Términos predefinidos goal = computadora_adhoc.….acer. Explanation(marca_favorita) = ‘me interesa tomar en cuenta tus preferencias’. Automaticmenu(marca_favorita).

. float(N).truncate(N) < > =< >= if N> 1 and N-1= M then display (M) ∗ Recursión : kb: 2 kb: 3 fac(1)=1 if N>1 and N-1 = M and fac(M) = X and N*X = Y then fac(N) = Y Metapreposiciones ∗ Búsqueda en el caché cached(EXPRESSION) ∗ Desplegado display(TEXT) goal = computadora_procesador.Procesador. Whenfound(computadora(Tipo) = Procesador) = display(‘El Intel: ’. Aritméticas ∗ ∗ ∗ ∗ Operadores : Funciones : Comparación : Asignación : + . If N>1 and N-1 = M and factoraje(M) = X and N*X = Resultado then factoraje(N) = Resultado. Procesador). Computadora(PII) = ‘Pentium_II’. Whencached(computadora(Tipo) = Procesador) = display(‘tipo de computador: ’. Factoraje(1) = 1. If tipo_computadora = Tipo and computadora(Tipo) is sought then computadora_procesador. ‘ es el procesador de la: ‘. Computadora(PII) = ‘Pentium_II’. .Tipo. Initialdata = factor. ‘ Intel: ‘.Descripción de Shell’s 51 goal = factorial. If tipo_computadora 0 Tipo and computadora(Tipo) is sought and do(show computadora(_)) then computadora_procesador.* / fix(N). ∗ Ejecución de comandos como premisas do(command EXPRESSION) goal = computadora_procesador. Computadora(PP) = ‘Pentium_pro’. sqrt(N). Computadora(PP) = ‘Pentium_pro’. If factor = Numero and factoraje(Numero) = Resultado then factorial = Resultado. Tipo).

STRING)= SUBSTRING 4.52 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo ∗ Revisar el status EXPRESSION is ∗ Listas { definite unique unknown sought any value 1 value no value ó CF < 20 busca value length(LIST) = LENGTH listof(EXPRESSION) = LIST ∗ Strings substring(POSITION.9 RASTREO Y MONITOREO Trace y logging Rastreo ∗ Activa: Trace on Trace el Trace EXPRESSION ∗ Desactiva: Untrace Direccionamiento ∗ ∗ ∗ Archivo: log FILE Impresora: log printer Desactiva: log off 52 .LENGTH.

CAPÍTULO 5. MECANISMO DE APRENDIZAJE .

54 .

5. MECANISMO DE APRENDIZAJE
5.1 DESCRIPCIÓN DE UN MECANISMO DE APRENDIZAJE
Máquinas inteligentes Una de las críticas más severas que suelen hacérsele a la Inteligencia Artificial es que “las máquinas no podrán llamarse inteligentes hasta que sean capaces de hacer cosas nuevas y adaptarse a nuevas situaciones, en vez de hacer las tareas simplemente como se les ha dicho que las hiciesen”. Ada Augusta, uno de los primeros filósofos sobre computación escribió que: “La máquina Analítica no tiene pretensiones de originar nada. Puede hacer cualquier cosa que nosotros sepamos como ordenarle realizar”. Esta observación ha sido interpretada por varios críticos como que “las computadoras no pueden aprender”. De hecho nada nos impide decir a una computadora cómo interpretar sus entradas de tal manera que su rendimiento mejore gradualmente. En vez de polemizar si es posible que las computadoras “aprendan”, es mucho más relevante describir que significa “aprendizaje” y que mecanismos deberían usarse para permitirnos realizar dicha actividad. Intentemos responder en primer lugar a la pregunta “¿ Qué es el aprendizaje?”. Aprendizaje El aprendizaje es el proceso por el cual las personas son capaces de aumentar su conocimiento acerca de las cosas, gracias a su experiencia o práctica producen un cambio relativo en su conducta. El aprendizaje denota la obtención de conocimiento, habilidades y entendimiento desde instrucciones, experiencia o reflexión. También se refiere al cambio de conducta de un sujeto frente a una situación dada, ocasionada por sus experiencias repetidas ante dicha circunstancia, al margen de que el cambio de conducta pueda explicarse con base a sus tendencias de respuestas innatas, maduración o estados temporales anímicos y físicos del sujeto (por ejemplo fatiga, drogas, etc.). Etapas de investigación La década de 1960 fue la primera y más optimista, se centra en el estudio de sistemas capaces de cambiar su propia organización, es decir, sistemas que ante una serie de estímulos y teniendo suficientes grados de libertad serían capaces de modificarse a sí mismos mejorando su comportamiento. El optimismo inicial en esta etapa fue rápidamente opacado al descubrirse limitaciones teóricas. Los que siguen estudiando este tipo de sistemas, llamados sistemas adaptativos, los aplican en percepción visual y reconocimiento de formas. La segunda etapa (durante 1970) viene marcada por el hecho de aceptar que el aprendizaje es un proceso muy complejo y hasta cierto punto desconocido. Esto condujo a los investigadores, de un lado, a centrarse en el aprendizaje de conceptos muy simples y por el otro, a incorporar en los sistemas de aprendizaje gran cantidad de conocimiento de tipo contextual que les permite descubrir conceptos de más alto nivel. La etapa iniciada en 1980 señala las líneas de investigación actuales, partiendo de la necesidad de adquirir nuevo conocimiento por medio de los Sistemas Expertos y el empleo de redes neuronales. Perspectivas Herbert Simon define el aprendizaje como “cualquier proceso por el cual un sistema es capaz de evaluar su propio aprendizaje”. Se asume que el sistema tiene una tarea que desarrollar y que puede evaluar su rendimiento aplicando métodos definidos con objeto de hacer su trabajo más preciso o más rápido. Una línea de investigación se orienta a desarrollar sistemas que sean capaces de mejorar las estadísticas de su rendimiento.

56

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo

La adquisición de conocimiento explícito representa una línea de investigación donde los Sistemas Expertos representan su conocimiento como grandes colecciones que han sido previamente adquiridas y organizadas. Los investigadores trabajan actualmente en el desarrollo de subsistemas de adquisición del conocimiento capaces de descubrir nuevos conceptos a partir de ejemplos o bien a partir de los expertos directamente “aprendiendo con el maestro”, integra en forma coherente en la base de conocimiento del sistema. Una tercera opción es considerar el aprendizaje como adquisición de pericia. Las personas adquieren habilidad para hacer tareas con la práctica. La forma como ellas aprenden con la práctica representa una línea de investigación muy interesante. Los trabajos sobre formación de teorías atienden cómo los científicos las construyen para describir y explicar fenómenos complejos. Una parte de la formación de una teoría es la hipótesis es hallar una o más hipótesis para explicar un conjunto de hechos en el contexto de una teoría más general. Otro aspecto de la formación de una teoría es la inferencia inductiva, proceso por el cual se infieren leyes generales de ejemplos particulares.

52 INTEGRACIÓN DE UN MÓDULO DE APRENDIZAJE 5.2.1 CICLO DE ADQUISICIÓN INICIAL DEL CONOCIMIENTO ANTES DE LA IMPLEMENTACIÓN
Una técnica efectiva para la adquisición del conocimiento consta de las etapas de la Figura 7: Extraer Conocimiento de Expertos

Documentación

Simulación Manual en casos de Prueba

Análisis de Expertos en Casos de Prueba

Comparación

Fig. 7. Ciclo para la adquisición inicial de conocimiento Extraer conocimiento: Recupera información de documentos y comentarios de los expertos sobre el ámbito de aplicación. Documentación: Representa formalmente el conocimiento adquirido y el mecanismo para su obtención y actualización. Simulación: Prueba el conocimiento a través de: Tomar el análisis realizado por el experto en una nueva situación (un nuevo conjunto de datos), o utilizando los resultados de un análisis previo. 56

Mecanismo de Aprendizaje

57

Analizar la misma situación utilizando la simulación manual del conocimiento documentado. Por ejemplo , si todo el conocimiento se encuentra en forma de regla, se decide cuál se ejecutara en primera instancia, cuál será la siguiente y así sucesivamente hasta que el análisis se complete. Comparar los resultados del análisis por parte del experto contra los resultados generados por la simulación manual. Si los resultados difieren, encontrar las reglas o procedimientos que producen la discrepancia, esto consiste en unir tanto al equipo de expertos como el de adquisición del conocimiento y seguir el razonamiento de la simulación manual paso por paso hasta que una diferencia por parte del razonamiento experto sea encontrado. Regresar al primer paso y encontrar nuevo conocimiento del experto acerca de la forma de modificar las reglas y procedimientos que causaron la discrepancia de forma tal que exista una congruencia con el análisis por parte de los expertos. El proceso de adquisición del conocimiento continúa en un ciclo a través de estos pasos, revisando y expandiendo el conocimiento documentado, hasta que una estructura sólida de conocimiento sea encontrada e implementada. Esta técnica es útil cuando no se ha integrado suficiente conocimiento acerca de una subtarea de interés , para garantizar la implementación en forma transparente, además es útil en aquellos casos en los que el conocimiento se encuentra en constante cambio y cuando la implementación del conocimiento esta siendo desarrollada pero los responsables no llegan a captar completamente el conocimiento adquirido. En todos estos casos, ninguna implementación de forma computacional es lo suficientemente dinámica para añadir conocimiento. Tradicionalmente el diseño de Sistemas Expertos ha involucrado un proceso de interacción entre el dominio del experto y el ingeniero del conocimiento. Durante esta relación llamada “adquisición de conocimiento”, el ingeniero formaliza el conocimiento del experto por medio de diversos modelos que representan e infieren conocimiento, sin embargo, hay varios problemas con esta aproximación: El desarrollo de un sistema experto puede requerir un enorme esfuerzo, un sistema puede fallar al ejecutarse en el dominio de la aplicación y requerir modificaciones adicionales. Típicamente esto involucra continuas interacciones entre el experto y el ingeniero, durante el cual el sistema es gradualmente modificado en la medida en que las fallas se vayan originando. La contribución del experto no garantiza que pueda expresar adecuadamente sus propios conocimientos. Dificultad para determinar cuando la base de conocimientos es correcta, consistente y completa. Para confrontar estos problemas la máquina de aprendizaje intenta facilitar la adquisición de conocimientos para integrar la base de conocimientos requerida por el Sistema Experto, a través de las siguientes iniciativas a cargo del sistema de aprendizaje: Contribuir a una inicial construcción de una base de conocimientos, esto es: la colocación de reglas, frames, y redes iniciales. Refinar la base de conocimientos existente. Ayudar en la adaptación del sistema basado en conocimiento, por ejemplo; acomodar el estilo del usuario experto. Proveer un método para construir Sistemas Expertos basados en conocimiento, remplazando el proceso de interacción de la adquisición del conocimiento entre el ingeniero, el conocimiento y el experto.

5.2.2 COMPONENTES DE UN SISTEMA DE APRENDIZAJE
En particular, consideramos un sistema que usa un modelo de representación específico llamado “ER”. Este esquema de representación denota todas las posibles opciones que el sistema puede construir usando “ER” específicamente. Vemos las tareas de aprendizaje como la búsqueda para una aceptable representación en el dominio de la aplicación. Durante esta búsqueda el sistema es sujeto a una secuencia de experiencias desde el dominio de la aplicación llamándose a esta secuencia la “trayectoria de experiencias”. El procedimiento de aprendizaje requiere una función que valúa típicamente esta función informa al algoritmo de aprendizaje que ha encontrado una representación satisfactoria.

Prueba: Explota el nuevo conocimiento en conjunto con el adquirido anteriormente sometiéndolo a los casos de prueba que verifiquen su consistencia. modificaciones al existente y sobre todo revisar y corregir la consistencia. Integración del conocimiento: Mantiene la consistencia con la base de conocimientos actualmente disponible. Implementación del conocimiento: Incorpora el nuevo conocimiento con los ajustes correspondientes de la base. “ER” un esquema de representación. 58 .3 que consiste en: Actualizar conocimiento: Actualiza el conocimiento existente utilizando la técnica de simulación manual o los resultados de prueba (paso 4). E. Componentes de un sistema de aprendizaje Dominio 5. Como se muestra en la Figura 8 ER D E Experiencias V Evaluaciones Fig. 5. Este módulo debe observar una conducta inteligente capaz de advertir elementos relevantes de conocimiento y desechar aquellos “inútiles” o poco importantes.2. ER. V }. E. donde “D” es el dominio de la aplicación.2. Integra diversas técnicas y algoritmos de aprendizaje que interactúan con el experto para obtener nuevos elementos de conocimiento. “E” las experiencias y “V” los valores de representación evaluados. Un sistema de aprendizaje interactúa con el ambiente. después de que la implementación ha comenzado consiste en seguir el ciclo descrito en la figura 6. V ). buscando a través de las representaciones que describe el dominio de la aplicación.58 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Un sistema de aprendizaje opera como: { D.3 MECANISMO DE APRENDIZAJE El mecanismo de aprendizaje es el sistema que va a ser capaz de adquirir nuevos conocimientos por medio de un proceso que le permita evaluar su propio aprendizaje. además de resolver los conflictos generados por las contradicciones.4 CICLO DE ADQUISICIÓN DEL CONOCIMIENTO DESPUÉS DE QUE LA IMPLEMENTACIÓN HA COMENZADO Una técnica muy efectiva para la adquisición del conocimiento. 8. El dominio afecta a los otros componentes del sistema de aprendizaje ( ER.

la implementación en computadora puede ser usada para producir una ruta del razonamiento del sistema o proveer de resultados intermedios. buscar un error de implementación en el programa. Si la simulación manual del conocimiento documentado concuerda con el experto. Cualquiera de estos casos indica una incompleta o incorrecta heurística o fallas en la implementación. Al final emiten un dictamen de aprobación o rechaza el contenido y manejo de la base de conocimientos. Para añadir este proceso. determinan la confiabilidad de sus respuestas y la eficiencia en su operación. Si no. regresa al primer paso y determina como el nuevo conocimiento modificó las reglas y procedimientos que causaron la discrepancia. Donde los resultados difieran. 9. Ciclo para la actualización de conocimiento Comparar los resultados generados por el experto contra las conclusiones obtenidas por el sistema. Este proceso continúa en un ciclo que para que Sistema Experto y el conocimiento documentado estén en continua revisión y expansión. Los expertos y el equipo de adquisición del conocimiento pueden examinar en el conocimiento documentado el conjunto de reglas y procedimientos relacionados a esas discrepancias y crear una simulación manual en ciertas partes del análisis para ver si las reglas y procedimientos están escritas en base al conocimiento experto. encontrar las reglas o procedimientos que producen la discrepancia. . Evaluación Los expertos revisan los resultados arrojados por las pruebas y correcciones aplicadas al sistema. El programa puede producir conclusiones erróneas o puede no correr hasta el final.Mecanismo de Aprendizaje 59 Comparación: Analiza los resultados obtenidos por el experto y el sistema a través de los pasos de la Figura 9: Actualizar Conocimiento Integración del conocimiento Implementación de Conocimiento Prueba Evaluación Comparación Fig.

pero no después de que suene un silbato. el cual supone un aparato ingenioso inventado por el mismo. Albert Bandura detectó ciertas limitaciones del punto de vista del condicionamiento operante. Después de varios apareamientos de la campana y provisión de la comida. como parte de su investigación preparó una situación controlada en la cual sonaba una campana precisamente antes de que a un perro se le presentara una pequeña cantidad de alimento. En este tipo de condicionamiento los organismos emiten la conducta de manera esencialmente espontánea. Cuando el perro condicionado para salivar. al escuchar sonidos similares al de una campana emite una respuesta. y cuando. 60 . La asociación entre el estimulo condicionado y el estímulo no condicionado se estableció porque presentar la comida precisamente después de hacer sonar la campana reforzaba la respuesta de la salivación. mientras que la respuesta a la campana se designó condicionada. Skinner formuló una teoría que combina muchas ideas diferentes y sirve para una gran variedad de aplicaciones de la conducta humana. Con este experimento se trato de determinar el efecto que tendría el recompensar al modelo por una conducta agresiva. esto se puede evitar si se proporciona reforzamiento después de que suene la campana. Después de efectuar una u otra de estas conductas modeladas. la campana sólo excitó la salivación. Su principal representante fue Ivan Pavlov. entonces se le recompensa con una bolita de comida. Posteriormente se condujo a los niños a un cuarto donde estaban los juguetes con los que había jugado antes. se acerca y luego toca la barra. sobre la conducta imitativa de los niños. los niños eran más agresivos si habían visto a un modelo agresivo reforzado positivamente que cuando el modelo era castigado.3 MÉTODOS DE APRENDIZAJE Aprendizaje conductista El punto de vista conductista basa sus conclusiones de la conducta abierta y externa de los organismos. Fuera de la caja hay una tolva que contiene bolitas de alimentos que caen en la bandeja cuando se oprime la barra en determinadas condiciones. mientras tanto en otra mesa cercana otro niño jugó tranquilamente con los juguetes durante diez minutos y luego jugó agresivamente. este consiste de un pequeño espacio cerrado que contiene una sola barra y una bandeja. En general. Se le llama condicionamiento operante para poner de relieve que un organismo opera en el ambiente cuando aprende. todo esto con el fin de medir el grado en que los perros salivaban al comer. En este caso la comida es un estimulo condicionado y la salivación una respuesta no condicionada. Bandura llegó a la conclusión de que muy a menudo el aprendizaje tiene lugar cuando una persona observa y luego imita la conducta de los demás y no necesariamente aprende cuando da la respuesta y es reforzado. la respuesta empezaría a desaparecer o extinguirse. en el curso de exploración de su nuevo ambiente. Para comprobar su teoría realizó varios experimentos entre los cuales están: Se sentó a un niño en una mesa y se le estimuló a divertirse con juguetes que se le proporcionó. La teoría de Skinner pone de relieve el condicionamiento operante. Aprendizaje basado en la observación. estudiándolas a través de tres teorías: Condicionamiento clásico. Se coloca una rata hambrienta dentro de la caja. Los niños observaban un modelo agresivo mostraban una conducta más agresiva en respuesta a los juguetes.60 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 5. Si no se reabastecía la comida de vez en cuando. Condicionamiento operante. principalmente cuando observó la conducta de niños y adultos. se presenta una generalización del estímulo. con lo que se tenía una discriminación. se permitió acaparar a cada niño un juguete atractivo y luego se le dijo que no podía jugar con él (una condición que produciría cierta frustración).

pueden modificarse merced al condicionamiento de una respuesta de escape especifica. su definición depende del uso para el que se destinen. Algunas veces cuando se presenta éste uno se da por vencido y minutos después el hecho que deseaba recordar surge sin ningún otro esfuerzo considerado. Aprendizaje por evitación. Para apreciar las dos formas en las que puede suceder. como por ejemplo. Insigth. con frecuencia los experimentadores las presentan una a una para que sean observadas durante el mismo tiempo cada una. criticó la gran cantidad de pruebas anecdóticas sobre inteligencia animal presentadas por muchos naturistas. En el condicionamiento operante. la representación de un reforzador negativo se emplea como castigo. Pocos años después de que Pavlov iniciara un Rusia su investigación sobre los reflejos condicionados. Fenómeno punta de la lengua. incluyendo a Charles Darwin. pero si recuerda las últimas se debe al efecto de “recencia”. en un condicionamiento clásico con frecuencia se denominan estímulos aversivos. Cuando no hay un razonamiento aparente ni demostración inmediata de lo aprendido a esto se le llama “aprendizaje latente”. 5. porque las situaciones experimentales utilizadas en esos estudios ofrecían pocas oportunidades al animal de demostrar un comportamiento verdaderamente creativo y flexivo. la clasificación está incluida dentro de otra operación. con frecuencia. consideremos un sistema de resolución de problemas que contenga la siguiente regla de producción: . Los psicólogos del movimiento “Gestalt” fueron los primeros en criticar vigorosamente los primeros estudios sobre el condicionamiento. cuando se pregunta “¿Qué letra es esta?”. El comportamiento emocional primitivo y la conducta de escape provocados inicialmente por el castigo. Aprendizaje por castigo.4 TÉCNICAS DE APRENDIZAJE 5. Aprendizaje latente. Argumentaban que el aprendizaje observado por Pavlov y Thorndike sólo parecían un mecanismo ciego. Es una variación del aprendizaje de escape. Los reforzadores cognoscitivos como los choques o un ruido muy intenso.4. es más probable que se recuerden las palabras que se encuentran al principio de la lista debido al efecto “primacía”. Con este tipo de presentación. Las historias de que los animales razonaban de manera similar al hombre al resolver problemas no convencían a Thorndike. Aprendizaje por escape.1 CONCEPTOS El aprendizaje por “conceptos” se apoya en un proceso de clasificación donde para una entrada concreta se asigna el nombre a la clase a la que pertenece. La clasificación es un componente importante de muchas tareas de reconocimiento directo. Thorndike hizo en Estados Unidos los primeros estudios de lo que a la larga se llamaría condicionamiento operante.Mecanismo de Aprendizaje 61 Aprendizaje por ensayo y error. para controlar con más precisión la cantidad de tiempo que se dedica a memorizar cada palabra de una lista. Sugiere que el recordar es un proceso activo que requiere tanto tiempo como concentración. Edward l. Las clases entre las que puede elegir el procedimiento de clasificación puede describirse de diversas formas. Su estudio de como los gatos escapaban de diferentes cajas enigmáticas sugería algo parecido a aprendizaje por ensayo y error. Por ejemplo. En su tesis de doctorado. en este caso el animal puede responder a un estímulo presentado antes del castigo y por lo tanto evitarlo.

Un ejemplo de un programa de aprendizaje estructural de conceptos es el que opera en un sencillo dominio del “mundo de bloques”.b)) (NADA (LINEASEGMENTO (a. La técnica usada para esa tarea debe depender de la forma en que se describen esas clases (conceptos). Un valor de -1 significa que la tinta es una evidencia de la clase. Por ejemplo. que cada entrada se describirá mediante una matriz de 0´s y 1´s con los 1´s correspondientes a los lugares donde hay tinta de entrada. nunca podrá usarse la regla. El valor 1 contenido en dicho segmento corresponde a la clase que se está describiendo.62 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo SI: La meta actual es ir del lugar A al B y existe un MURO que los separa ENTONCES: Busca una PUERTA en el MURO y atraviésala Para usar esta regla con éxito. Su valor entre -1 y 1. Definir cada clase como una estructura compuesta de dichas características. Por ejemplo.e) ENCIMA (e. Cada “t” corresponde a un valor de un parámetro relevante. consideremos de nuevo la tarea de clasificación de las clases. Antes de poder realizar la clasificación. si queremos definir las clases estructuralmente. A continuación. Su meta es construir representaciones de las definiciones de los conceptos en ese ámbito.d) DEBAJO d.a)) c b d El enfoque estadístico tomado por el primero de los esquemas presentados aquí suele ser más eficiente que el enfoque estructurado del segmento del segundo.c) IZQUIERDA(c. Sin esto. la rutina de emparejamiento del sistema debe poder identificar un objeto como un muro. el aprendizaje de conceptos debe realizarse usando la técnica de ajuste de coeficientes. pudiendo efectuarse de la siguiente forma: Por medio de representar funciones de tanteo Aislar un conjunto de características relevantes del dominio de la tarea. En el resto de esta sección presentemos una técnica como la indicada. Esta tarea de construir definiciones de clase se llama “aprendizaje por conceptos”. aprendió los conceptos CASA. Supongamos.. TIENDA y ARCO mostrados en la Figura 10. Un valor de 0 indica que no tiene importancia. Tal función tiene la forma: c1t1 + c2t2 + c3t3 +.b) (NADA (LINEASEGMENTO (b. Los pesos negativos pueden usarse para indicar aquellas características cuya presencia constituye usualmente una evidencia negativa para una clase dada. Si las clases se describen mediante funciones de tanteo. Cada “c” representa el peso asignado a la “t” correspondiente. usando este enfoque. deberá definirse las clases que se van a usar. Pero el segundo es más flexible y extensible. 62 .. se tiene a la letra G como: e a ARCO (a. consideremos el problema de clasificar modelos de entrada como letras del alfabeto.b) ENCIMA(a.. A través de estructuras compuestas Aislar un conjunto de características que sean relevantes para el dominio de la tarea. Definir cada clase mediante una suma ponderada de los valores de estas características.b) LINEASEGMENTO (b. para aplicar la regla. Por otra parte.. es necesaria una nueva técnica para aprender las definiciones de las clases. Como un ejemplo de este enfoque. el sistema deberá ser capaz de reconocer una puerta. Cada clase se define mediante una función de tanteo muy similar a las funciones que se suele usar en otras situaciones como los juegos.

La relación CAZAN es critica en la estructura de un arco casi-equivocado mostrada en la figura 11: A B Aguantado . Las dos estructuras en ARCO de la figura 6. TIENDA y ARCO La figura muestra también un ejemplo del tipo “casi-equivocado” para cada concepto. un LADRILLO.Esta definición estructural se proporciona a continuación como entrada para el programa de aprendizaje.4 se muestra en la figura 6. Un “casi-equivocado” es un objeto que no es un ejemplo del concepto en cuestión pero es muy similar. que dice que los dos objetos no CAZAN. Descripción estructural El enfoque básico que toma el programa de Winston para el problema de formación de conceptos realiza las siguientes acciones: . Dos objetos CAZAN si sus caras se están tocando y tienen un borde común.14.Mecanismo de Aprendizaje 63 Concepto CASA Casi Equivocado TIENDA ARCO Fig. no solamente un enlace NOCAZAN. El programa empieza por interpretar un dibujo con líneas de la estructura del mundo de bloques. usa procedimientos de resolución de problemas perceptuales con el algoritmo de Waltz para analizar el dibujo y construir una representación por red semántica de la descripción estructural del objeto. El nodo A representa la estructura entera que se compone de dos partes: el nodo B.10. Aprendizaje de los conceptos CASA. una CUÑA y el nodo C. son idénticas excepto por la clase de objetos de la parte superior. 11. Uno es un LADRILLO mientras que el otro es una CUÑA.por C Esun Esun Ladrillo Cuña Fig. Obsérvese que los dos objetos inferiores se relacionan.5 . Un ejemplo de una descripción estructural para la CASA de la figura 6.

lo haremos a través del proceso de aprendizaje de lo que es un arco: Supongamos que se presenta en primer lugar la descripción de un arco que se convierte en la definición del concepto ARCO. Este proceso debe funcionar de la misma manera que lo hace otro de emparejamiento. Llamar a dicha descripción la “definición del concepto”.64 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Empezar con una descripción estructural de una ocurrencia conocida del concepto. que en la primera estructura del enlace ESUN apuntaba a LADRILLO. Examinar descripciones de casi-equivocado del concepto. el procedimiento debe realizar no sólo un emparejamiento literal sino también uno aproximado. tal como el de determinar si una regla de producción puede o no aplicarse a un estado concreto del problema. Restringir la definición para excluirlas. y 14: A C B Ladrillo Izquierda de Esun Ladrillo Derecha de No cazan D Esun Ladrillo Fig.7). 12.6 y 6. entonces se presenta la descripción de arco (ver figuras 6. es la segunda a CUÑA. Los últimos dos pasos de este procedimiento deben intercarlarse y se basan principalmente en un proceso de comparación mediante el cual puede detectarse las similitudes y diferencias entre las estructuras. Descripción de un arco de acuerdo con el primer ejemplo 64 . Cuando se integran los ejemplos la rutina de comparación devolverá una estructura similar a las dos entradas (ver figura 6. Esta descripción puede decir simplemente que el nodo C puede ser o un LADRILLO o una CUÑA. Para ejemplificar este enfoque. La salida del procedimiento de comparación es un esqueleto de la estructura que describe las partes comunes de las dos estructuras de entrada. Se anota mediante un conjunto de notas de comparación que describe las similitudes y diferencias específicas entre las entradas. Pero ya que esta disyunción concreta no tiene un significado previamente conocido se establece el concepto “OBJETO” de las Figuras 12. 13. Examinar las descripciones de otras ocurrencias conocidas del concepto. y que si fuéramos a seguir los enlaces ESUN puede generarse una nueva descripción del concepto ARCO.8) excepto que notará que los objetos representados mediante los nodos etiquetados C no son idénticos. Esta nota que la diferencia ocurrió en un enlace ESUN. Generalizar la definición para incluirlas. El enlace NOTA-C que surge nodo C describe la diferencia encontrada por la rutina de separación. Puesto que deben encontrarse tanto las diferencias como las similitudes.

como se aprecia en la Figura 15: . Debe decir NODEBENCAZAR. pero no queremos ampliar nuestra definición para incluirlo. En realidad. modificamos el enlace NOCAZA. NOCAZAN y NODEBENCAZAR. que puede estar recordando simplemente que por casualidad NOCAZA ha sido cierto en el pequeño número de ejemplos que se le han presentado. La descripción de ARCO en este punto. NODEBENCAZAR no debería ser un enlace completamente nuevo debería ser una estructura entre tipo de enlace para reflejar la relación entre CAZAN. Para hacer esto. En vez de ello. 14.14. Descripción del arco de acuerdo con el segundo ejemplo A C B Objeto Esu Ladrillo Izquierda de Derecha de No cazan D Esun Ladrillo FIig. Esta vez la rutina de comparación notará que hay una diferencia entre la definición actual y el casi-equivocado. Descripción de arco después de integrar dos ejemplos Supongamos que a continuación se presenta el ejemplo “casi-equivocado” mostrado en la figura 6. 13. queremos restringir la definición de forma que lo excluya específicamente.Mecanismo de Aprendizaje 65 A C B Cuña Esun Ladrillo Izquierda de Derecha de No cazan D Esun Ladrillo FIig.

implica el entendimiento de instrucciones. se arriesgan a no poder detectar y corregir su error si alguna vez sobre generalizan. Ediciones interesantes incluyen condiciones por las cuales los procedimientos convergen una única descripción de los ejemplos. La técnica de aprendizaje por generalización consiste en que un grupo de objetos. ∗ Ascensión de colinas. Aunque se han construido programas de aprendizaje exitosos que no usan casi-equivocado. Algunos programas dependen de una secuencia de entrenamiento minuciosamente elegida presentada por un maestro. asimilación de experiencias y generación de reflexiones. 5. Se basan en alguna entrada del entorno que le proporcione ejemplos del concepto a aprender. comparten una característica importante. Descripción de arco después del ejemplo casi . Aprendizaje es un término ambicioso y extenso.. que representan ejemplos y contraejemplos de un concepto.equivocado El enfoque del aprendizaje de conceptos que acabamos de discutir se ha usado en diversos programas de aprendizaje.A través de: ∗ Emparejamiento. para hacer evolucionar hacia una definición de conceptos cada vez más precisa. la cual se orienta a los ámbitos en donde el número de objetos distintos a representar es muy elevado.4. intenta inducir una descripción generalizada que abarque todos los ejemplos positivos y ninguno de los contraejemplos. que denota la acción de ganar conocimiento y destreza. para detectar similitudes y diferencias entre estructuras. El aprendizaje por conceptos emplea diversas técnicas para: Representación del Conocimiento. No obstante la grandeza y el alcance de la naturaleza de estas ideas.. es que conforme aumenta la complejidad del proceso de aprendizaje. mientras que otro no son sensibles al orden en el que se encuentran los ejemplos. la generalización necesita empezar con un miembro normal de la clase que se va a aprender como se muestra en la Figura 16: 66 . Pero puede diferir en varios aspectos importantes. Retomando el ejemplo del conocimiento de un arco.2 GENERALIZACIÓN Esta es una de las cualidades mas importantes en los sistemas de aprendizaje memorístico. Otro aspecto que es importante hacer notar. para mantener el número de objetivos almacenados en un nivel flexible. la noción del concepto de aprendizaje usado en la Inteligencia Artificial es mucho más limitado y específico.Por medio de: ∗ Redes semánticas para describir estructuras. 15. aumenta la necesidad de generalización. Resolución de Problemas. se necesita cierta clase de generalización. ∗ Jerarquías “ESUN” para describir relaciones entre objetos ya conocidos. Aunque dichos programas no son todos idénticos.66 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo A C B Ladrillo Esu Ladrillo Izquierda de Derecha de No deben cazar D Esun Ladrillo Fig.

pero es un poco diferente de la descripción de arco de la figura en el inciso “a”. 16. la generalización construye una descripción inicial. 17 Reglas de generación de enlace necesario .11 inciso “b” no es una descripción de un arco. su propósito es enseñar la importancia de los enlaces de apoyo mostrados en la Figura 17: a) Arco Apoyo Apoyo a la izquierda b) Ejemplo Casi Bueno a la izquierda de c) Arco debe apoyar debe apoyar a la izquierda de Fig. es un ejemplo casi bueno.Mecanismo de Aprendizaje 67 ARCO CASI BUENO CASI BUENO ARCO Fig. la cual se refina mediante la aplicación de nuevos casos “buenos” y “casi buenos”. Ejemplos para conocer un arco A partir de este ejemplo. La descripción aumentada se conoce como modelo en “evolución”. Un ejemplo “casi bueno” es un caso negativo que por un número reducido de razones no es ejemplar de la clase que se está enseñando. La descripción que se muestra en la figura 6.

18 Regla de generalización de prohibición de enlace 68 . implica también dos diferencias establecidas.. de la anterior figura del inciso “c”. de modo que como se muestra en c). En la siguiente comparación. No obstante. el procedimiento de generalización llega a la conclusión de que los arcos requieren enlaces de apoyo.68 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Si se compara con la descripción de arco “a”. y No es posible aprender sino se puede aislar lo más importante. como se muestra en el inciso “c”. ahora el ejemplo aproximado no consigue ser un arco por que los enlaces se encuentran presentes y no ausentes. tales enlaces en el modelo del arco son alterados para indicar que se requieren en todos los arcos. De esto se concluye que los enlaces de apoyo son esenciales.12 inciso “a” y el ejemplo “casi bueno” del inciso “b”. en la que los enlaces de apoyo son sustituidos por la forma enfática “debe apoyar”. Es importante observar que las heurísticas de requisito de enlace y de prohibición de enlace funcionan porque las descripciones contienen información esencial y la comparación de descripciones proporciona una forma de apuntar hacia las conclusiones apropiadas. Después de que la generalización utiliza esta heurística. Al hacer esto se dice que la generalización usa la heurística de prohibición de enlace. se dice que el ejemplo “casi bueno” proporciona información para la heurística de enlace necesario. Estos puntos deben elevarse a la categoría de principios: No es posible aprender si no es posible conocer. El enlace “a la izquierda de” se muestra para resaltar la necesidad de evidencia de que es suficiente establecer la correcta entre las partes del arco y las del ejemplo aproximado. El procedimiento concluye que los nuevos enlaces deben estar prohibidos y convierte cada enlace de contacto en el enlace enfático negativo “no deben de tocarse”. la descripción del ejemplo aproximado de “b” carece de apoyo. ningún grupo de bloques es identificado como arco. Como los enlaces de apoyo no se encuentran al comparar las dos descripciones. a) Arco debe apoyar a debe apoyar a a la izquierda de b) Ejemplo casi bueno debe apoyar a a la izquierda de se tocan se tocan c) Arco debe apoyar a debe apoyar a debe apoyar a a la izquierda de No deben tocarse Fig. utilizando de esta manera. 6. pues se tiene dos nuevos enlaces de contacto entre los lados del arco. entre el modelo de evolución de la Fig. por lo tanto el procedimiento sintetiza las dos descripciones en una nueva descripción refinada. como se aprecia en la Figura 18.

el procedimiento debe hacer un cambio en el modelo que refleje una restricción relajada. Se dice que en este caso se usa la heurística de ascenso de árbol de la Figura 19: bloque a) Arco debe apoyar a a la izquierda de no deben tocarse no deben tocarse ladrillo debe apoyar a b) Arco prisma debe apoyar a debe apoyar a bloque a la izquierda de no deben tocarse no deben tocarse c) Arco bloque debe ser prisma debe apoyar a debe apoyar a a la izquierda de no deben tocarse no deben tocarse Fig. Si el modelo va a ser un arco. Compara el modelo del inciso “a” con el de “b” que tiene un prisma triangular en la cima. la descripción del ejemplo aproximado de “b” es diferente por que tiene enlace de contacto. Debe ser con una clase más general. de modo que como se muestra en el inciso “c”. Responder a ejemplos mejora el modelo Hasta ahora se han descrito ejemplos “casi buenos” los cuales restringen el modelo. Vamos a considerar el caso de la siguiente figura. se agregan enlaces “no deben tocar” a la descripción del arco. 19.Mecanismo de Aprendizaje 69 Comparada con la descripción de arco de la parte “a”. limitando lo que puede ser un arco. La conclusión es que los enlaces de contacto no deben estar. extendiendo el concepto de los que puede ser un arco. en lugar de un ladrillo. Como mínimo. como se muestra en “c”. Heurística de Ascenso de árbol . Los ejemplos positivos relajan el modelo. el procedimiento deberá contar la conexión entre la cima del arco y tabique y sustituirla por un enlace.

∗ Si la diferencia es tal que en ella intervienen números distintos o un intervalo y un número fuera de éste. Cabe señalar que se omitieron muchos enlaces del dibujo para evitar distracciones. ∗ De otro modo. el procedimiento se deshace por completo del enlace “debe ser” y se dice que usa la heurística de eliminación de enlace. en ciertas ocasiones no existe un árbol de clasificaciones que ascender. use la heurística de eliminación de enlace. usa otra heurística si una diferencia implica números. Las heurísticas de ejemplo positivo generaliza el modelo y lo hacen más tolerante. que es la generalización común más específica de tabique y prisma triangular. use la heurística de enlace necesario. Si no existen tantos objetos aparte de tabique y prismas triangulares. las heurísticas de ejemplo. de longitud y otro muestra uno de 15 cm. Evidentemente.Y si las clases son parte de un árbol de clasificación. use la heurística de ampliar conjunto. el uso de la clase común más especifica es sólo una alternativa. la clase tabique-o-prisma triangular. Determinar si existe una sola diferencia que sea fundamental entre el modelo en evaluación y el ejemplo “casi bueno”. mientras que el objeto correspondiente en la descripción del ejemplo de la parte “b” es un prisma triangular. Por ejemplo. recurriendo. la diferencia no es importante. Finalmente. . especifican. . Sin embargo. que podría ser cualquier cosa que este en la cadena de enlaces tipo “clase de“. entonces se supondrá que cualquier tabique entre 10 y 15 cm de longitud será adecuado y de esa forma estará usado la heurística de intervalo cerrado. y une la parte superior del arco con esta nueva clase mediante un “debe ser”. Las heurísticas de ejemplo casi bueno. El nuevo blanco para el enlace debe ser la cima. . generalizan Hay que hacer notar que las heurísticas de ejemplo casi bueno (de requisito de enlace y de prohibición de enlace) especializan el modo haciéndolo más restrictivo. use la heurística de eliminación de enlace. Si un ejemplo muestra un tabique de 10 cm.En cualquier otro caso. si ignora el color. si no se supiera que los ladrillos y los prismas triangulares son miembros de una clase común.70 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La cima de la descripción de Arco de la parte “a” es un tabique. En el ejemplo. sustituir ladrillo por bloque representa una postura conservadora en lo que respeta al grado de generalización que debe llevar a cabo. eliminando todas sus referencias al color que haya en el modelo en evolución. use la heurística de intervalo cerrado. Si el ejemplo inicial tiene información sobre el color de algunos bloques y los otros ejemplos no. ignore el ejemplo. use la heurística de prohibición. ∗ Si existe una sola diferencia fundamental: . la heurística de ascenso de árbol no sería de utilidad. dependiendo de cuán agresivo sea el procedimiento. parte “c”.Y si las clases forman un conjunto exhaustivo. de tabique a bloque. Sin embargo. use la heurística de ascenso de árbol. por tanto. 70 .Y si el ejemplo es “casi bueno” tiene un enlace que no está en la heurística de prohibición de enlace. determinen tipo de diferencias: ∗ Si el enlace apunta hacia una clase del modelo en evolución diferente de la clase a la cual apunta el enlace en el ejemplo: . En tal caso el procedimiento forma una nueva clase. Para usar “generalizar” con el fin de que un modelo resulte más tolerante: Para el modelo en evolución con el ejemplo establecer correspondencias entre sus partes. ya que los ladrillos y los prismas triangulares son también poliedros. Para cada diferencia. objetos físicos y cosas. A continuación se muestra los procedimientos que utilizan estas heurísticas: Para usar “especializar” con fin de que un modelo resulte más específico: Para el modelo en evaluación con el ejemplo se establecen correspondencias entre sus partes. El procedimiento también utiliza la heurística de eliminación de enlace cuando un enlace del modelo en evolución no se encuentra en el ejemplo. ∗ Si el enlace no esta en el ejemplo. a la heurística de ampliar conjunto. El enlace es de la descripción de arco cambia a un enlace “debe ser” y se modifica su dirección.Y si el modelo en evolución tiene un enlace que no está en el bueno.

Los enlaces conectan modelos similares. Por el hecho de tomar en cuenta el principio “espera y verás”. los enlaces de similitud entre modelos pueden no sólo expresar la similitud. en donde se va a identificar un objeto desconocido. como se estipula en la siguiente especificación en donde una red de similitud es una representación de una red semántica en la que Los nodos representan modelos. el apareamiento inicial no es tanto una falla sino más bien. Para instrumentar tal procedimiento. Si un objeto desconocido difiere de un modelo de prueba de la misma manera en que un vecino del modelo de prueba difiere de éste. Si el apareamiento no falla mucho. s(U. simplemente está a la espera de encontrarse de nuevo con situaciones difíciles. como normalmente sucederá?. y los enlaces con “No debe”. El procedimiento toma en cuenta este principio cuando ignore los ejemplos negativos para los que no puede identificar una sola diferencia bien aquella que resulte la más importante. También “especializar” y “generalizar” implican un apareamiento. sino también hacia el miembro particular de esa familia que es el que más probabilidades tiene de conducir al éxito. la persona que aprende no está condenada a la estupidez eterna. El principio “espera y verás” dice que hay que evitar construir un modelo que será erróneo. Sin embargo. Sin embargo. En lo que significa una mejora evidente.14 se ilustra una red de similitud. pero más tarde. ignore la diferencia. es decir. ya que toda la información está comprendida en un número singularmente inexpresivo. Los enlaces debe y no debe dominar el apareamiento Una forma de determinar si un objeto desconocido se ”aparea” con otro de manera adecuada es ver si tal objeto es compatible con los enlaces enfáticos del modelo. observe que cualquier esquema de conteo para combinar evidencias es limitado.Mecanismo de Aprendizaje 71 ∗ De otro modo. entonces el vecino es un modelo particularmente bueno para probar enseguida. es una enriquecedora prueba de conocimiento como se muestra en la Figura 20: . existe un punto en el que correr riesgo se convierte en un despliegue de temeridad. debe aparecer en el objeto desconocido. sino también describir la diferencia. ¿Qué se debe hacer cuando la primera comparación con un modelo particular de la red fracasa. entonces con seguridad otros modelos parecidos deben insertarse enseguida. Una evaluación de apareamiento más flexible requiere un procedimiento que pueda determinar el grado de similitud entre un objeto desconocido y el modelo. de nuevo porque el hecho de corregir un modelo general de alguna forma puede estropearlo. En consecuencia. Los enlaces están unidos a descripciones de diferencia. En la figura 6. Así pues. y el principio de no alteración dice que se debe evitar cambiar un modelo. se tiene que traducir el concepto abstracto de similitud entre un objeto desconocido y un modelo. Puede parecer conservador rehusarse a actuar por que ninguna acción es absolutamente segura. Estos nuevos modelos son precisamente los que están unidos mediante enlaces de similitud con el modelo recién comparado. no deben estar en él. incluso si está mal. Los modelos pueden clasificarse en redes Se concibe como un conjunto de modelos organizados en una red en la que los enlaces conectan parejas de modelos que son muy parecidos. Cualquier enlace cuyo nombre contenga “Debe”. a una medida concreta. la atención no sólo se desplaza hacia una familia de candidatos probables. Una manera de identificar tal diferencia es mediante un procedimiento que clasifica todas las diferencias por tipo de diferencia y por enlace. cuando esté mejor preparado. Una forma sencilla de hacer esto es mediante un conteo ponderado de los enlaces correspondientes. Note que “especializar” no hace nada si no puede hallar diferencias fundamentales. si el objeto se asemeja al modelo en muchos aspectos. en conexión con un procedimiento de analogía geométrica.M).

como “sube y baja rápidamente” Darse cuenta de que el viaje físico es en sí mismo una analogía para fluctuaciones numéricas (en la bolsa). Los humanos resuelven a menudo problemas haciendo analogías con cosas que ya saben hacer. Este proceso es más complejo que el de ir almacenando macro procesos porque el problema primitivo debe ser bastante diferente del nuevo problema en la superficie. Esto es un caso fácil. Como se considera en las siguientes sentencias: “El mes pasado la bolsa era una montaña rusa” “Bill es como un coche de bomberos” “Los problemas en electromagnetismo son como los problemas en el movimiento de fluidos” Lo que subyace en todos estos ejemplos es una complicada correspondencia entre dos conceptos aparentemente no similares. como se ilustra en la figura 21 y 22: 72 . Ahora presentaremos los métodos de resolución de problemas por analogía denominados transformaciones y derivacional. La idea es transformar la solución de un problema previo en una solución para el problema que nos ocupa.M80) Desconocido M80 d(M33.3 ANALOGÍA La analogía es una poderosa herramienta de inferencia aprovechada por el lenguaje y el razonamiento. 5. También es importante aprender durante la resolución del problema. para entender la primera de las anteriores sentencias.72 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo d(M12. es necesario hacer dos cosas: Escoger una propiedad clave de una montaña rusa. Por ejemplo. Por tanto. haciendo sustituciones cuando sea necesario. 20. Analogía transformacional Supóngase que se plantea probar un teorema de geometría plana. Será muy difícil poder hablar con un programa que sea incapaz de comprender analogías y consecuentemente. La dificultad aparece en la determinación de las cosas que son similares y las que no lo son.M80) d(U.M80) M12 M88 M33 M92 Fig. en un amplio espacio de las posibles analogías.4. ya que el movimiento se hace hacia el vecino inmediato que parezca tener más posibilidades de producir un apareamiento mejor con el objeto desconocido. como la posibilidad de que “la bolsa es como una montaña rusa porque está hecha de metal”. el razonamiento basado en analogías es un importante factor en el aprendizaje a través de consejos. Red de similitud Nótese que el procedimiento para moverse a través de una red de similitud es un procedimiento de ascenso de colina. Lkoff y Johnson se dieron cuenta de que el lenguaje habitual está lleno de analogías y metáforas como estas. difícil enseñarle. por lo que se tendría que buscar un teorema previo que fuera muy similar y “copiar” su demostración.

y AN por Y. El razonamiento por analogía se convierte en una búsqueda en el espacio “T”. partiendo de una solución antigua. por ejemplo. Ahora el programa tiene que probar un teorema sobre ángulos. conoce una prueba de que el segmento lineal RN es exactamente tan largo como el segmento lineal OY. . Muestra un ejemplo de Analogía Transformacional En la figura 23 el programa ha visto demostraciones acerca de punto y segmentos lineales. Carbonell describe un método para transformar viejas soluciones en otras nuevas. AD por N. en donde todas las soluciones se toman como estados en un espacio del problema llamado espacio “T” (T space). 21. La comprobación acerca de los elementos lineales se recupera y se transforma en una comprobación para ángulos sin más que sustituir las nociones de línea por la de punto. AB por R.Mecanismo de Aprendizaje 73 Problema nuevo Problema resuelto previamente Solución al problema nuevo Solución al problema antiguo Fig. Los operadores (T Operators) sugieren los métodos para transformar soluciones (estados) en otras soluciones. utiliza un análisis de medios y fines o algún otro método para buscar una solución para el problema actual. 22. Analogía Transformacional Y B N C D E O R A Demostración antigua: RO----NY (DADO) Demostración nueva: BAC DAE Fig. ángulo por segmento lineal. AC por O. dado que los ángulos BC y DE son equivalentes. concretamente que el ángulo BD es equivalente al ángulo CE. dado que RO es tan largo como NY.

Por ejemplo. por lo que se hace necesario considerar el historial detallado del episodio de resolución del problema llamado derivación. Problema nuevo Problema Resucito previamente Derivación nueva Derivación antigua Solución al problema nuevo Solución al problema antiguo Fig. algunas veces. se puede intentar buscar una justificación para alguna de las alternativas almacenadas en la derivación del problema original. En este caso. Sino se puede buscar ninguna. Véase Hall (1989) para examinar trabajos recientes. Empleó un sistema de marcos para representar los conceptos matemáticos. el cual usa conceptos básicos de la teoría de conjuntos para descubrir una gran cantidad de cosas sobre la teoría estándar de números. Una de las actividades más importantes de AM es crear nuevos conceptos y rellenar sus ranuras. 5. se debe buscar otra. Analogía Derivacional Carbonell reivindica que la analogía derivacional es un componente necesario en la transferencia de habilidades en dominios complejos. O puede intentar algún paso señalando como el que conduzca a un fallo en la derivación original. Para comprender mejor lo que es el aprendizaje por descubrimiento. en cambio se deberán reutilizar las principales decisiones estructurales y de control que se tomaron al construir el programa original. vamos a mostrar el siguiente ejemplo de un tipo de sistema automático de descubrimiento: AM: Descubrimiento conducido por teorías Lenat en 1977 escribió un programa que llamó “AM”.4. no existe nada en el mundo que posea el conocimiento que se busca. AM utilizó una variedad de técnicas de la Inteligencia Artificial de propósito general. Sin embargo. si las razones para las condiciones de fallo no son válidas en la derivación actual.4 DESCUBRIMIENTO El descubrimiento es una forma restringida de aprendizaje en la que una entidad adquiere conocimiento sin la ayuda de un instructor. Si alguna suposición no es válida a la larga. sólo enseñaba la solución final. A menudo las peculiaridades involucradas en la resolución de un problema antiguo son relevantes para resolver el nuevo. Al razonamiento por análoga que toma este historial para resolver el nuevo problema se le llama analogía de derivación. Algunas de las heurísticas de AM se presentan a continuación: 74 . 23. el paso se copia encima.74 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Analogía derivacional Nótese que la analogía transformacional no mostraba cómo se resolvía el problema primitivo. el tipo de acción que se debe llevar a cabo se llama “descubrimiento científico”. Una traducción línea por línea no es apropiada. La analogía en la resolución de problemas supone un área extensa para investigar. AM también utiliza la búsqueda heurística guiada por un conjunto de 250 reglas heurísticas que representan indicaciones acerca de actividades que probablemente servirán de guías para alcanzar descubrimientos “interesantes”. al codificar en “C” una eficiente rutina de clasificación que se puede recodificar la misma rutina en Lisp. Si las razones y suposiciones originales para la existencia de un paso permanecen todavía en el nuevo problema. Una manera de modelar este comportamiento es tener un resolutor de problemas que se “repita” la derivación previa y que la modifique cuando sea necesario.

una agenda controla el proceso global de descubrimientos. como la de que cada número se podía expresar como suma de 1’s. como el 49. distintas heurísticas apuntan al mismo sitio. A menudo. entonces se crea un nuevo concepto que represente a ese complemento. Esto hizo que AM investigara maneras en las que un número se puede descomponer en factores. junto con la razón que la ha sugerido. la multiplicación y sus inversas. y la fuerza con que ocurre AM funciona cíclicamente. y B está ordenado. Si se encuentran muy pocos ejemplos de un concepto X. como el de que muchos números de podían expresar como suma de dos primos. el conjunto de los números primos. ésta se sitúa en una agenda central. AM decidió. Hizo varias conjeturas sin interés. Crear un nuevo concepto que represente este subconjunto de A. Esta conjetura. aunque no se ha encontrado todavía una prueba matemática de ello. AM descubrió el concepto de los números primos. a saber. AM determinó que todos los números mayores o iguales a 2 tenían esta propiedad. Hay dos preguntas primordiales que surgen sobre el funcionamiento de AM. AM generó otros números impares y otros cuadrados perfectos para probar sus hipótesis. por analogía. AM intentó relacionar esta propiedad con otras del 49. Utiliza “generación-y-prueba” para formar hipótesis basadas en un pequeño número de ejemplos y entonces probar la hipótesis con un conjunto más amplio para ver si todavía parecen buenas. AM contiene gran cantidad de heurísticas de propósito general como las que se han utilizado en este ejemplo. AM tiene una heurística interna que le dice que explore los casos extremos. con un divisor (encuentra uno: 1) y con dos. Creó el concepto de divisibilidad y se dio cuenta de que algunos números tenían muy pocos divisores. cada vez elige de la agenda la tarea más prometedora y la ejecuta. hechos posiblemente desconocidos para las matemáticas humanas?. Hay una fuerte analogía entre la suma y la multiplicación de números naturales. se define un nuevo concepto que incluya a los elementos de B para los que sí se dé. Como la descomposición de los números en componentes multiplicativos resultaba ser interesante. pero hay una conjetura acerca de A que no se encuentra en ninguno de los elementos de B. conocida como la “Conjetura de Goldbach”. Si algunos (pero no la mayoría) de los ejemplos de algún concepto X también son ejemplos de otro concepto Y. Mientras que. AM procedió a listar los números con tres divisores. entonces añadir a la agenda la tarea de encontrar una generalización de X. se cree que es cierta. A base de listar casos. Una es: “¿Por qué AM siempre se desconectaba?” Esto es. En una ejecución. la segunda heurística sugiere crear un concepto que represente el complemento de aquéllos.Mecanismo de Aprendizaje 75 Si f es una función de A en B. . Entonces. como la de ser impar y cuadrado perfecto. ¿por qué AM no descubría nuevos hechos acerca de números. Un efecto lateral en la determinación de la equivalencia de los cuadrados perfectos con los números con tres divisores fue la elevación de “interés” del concepto de divisor. Intenta listar todos los números que no son divisibles por nadie (no encuentra ninguno). AM exploró operaciones como la suma. Pero la analogía se echa a perder cuando se observa que todos los números naturales mayores que 1 se pueden expresar como la suma de dos números naturales más pequeños (excluyendo a la identidad). otro modo de derivar los números primos es utilizar las dos reglas siguientes: Si hay una fuerte analogía entre A y B. intentar lo mismo con los componentes aditivos. Antes de seguir la pista a este concepto. Cuando las heurísticas sugieren una tarea. Esto no es cierto para la multiplicación. Si hay un conjunto cuyo complemento es mucho menos común que él mismo. entonces considerar los elementos de A que se corresponden con los elementos extremos de B. Lenat (1983) sostiene que el funcionamiento de AM estaba limitado por la naturaleza estática de sus heurísticas. Finalmente. Pero también encontró fenómenos interesantes. crear un nuevo concepto que represente la intersección entre X e Y. la primera heurística descrita anteriormente sugiere la creación de un nuevo concepto que represente el conjunto de los números compuestos. ¿Cómo lo hizo? Al encontrarse con los números naturales. AM vio que sólo había una manera descomponer un número en factores primos (conocido como el Teorema de Factorización Única). mientras que AM descubrió los números primos usando una heurística que implicaba contemplar casos extremos. A AM se le dio como instrucción que llamara al último concepto “primos”. Por ejemplo.

Para remediar este problema. 76 . Pero AM tenía otra causa menos obvia. AM funcionaría en modo descubrimiento en el dominio de las “heurísticas”. Sólo después de haber reconocido explícitamente esta predisposición fue posible entender por qué AM funcionaba tan bien en un dominio y tan mal en otros. El sistema trabaja sintácticamente variando viejas definiciones de conceptos –esencialmente almacenados como cortos programas en LISP. Depurar el conocimiento para lograr un buen desempeño del sistema. en el estudio de las heurísticas en sí mismas. Como resultado. AM tuvo éxito debido en gran parte a esta íntima relación entre la teoría de números y los programas de LISP. Esto da cuenta de la importante habilidad de AM para generar algunos conceptos nuevos. se sugirió que se trataran las heurísticas como conceptos en toda regla que se podían crear y modificar por parte de las mismas clases de procesos (como la generalización.5 HERRAMIENTAS QUE FACILITAN EL APRENDIZAJE Ayudas para la adquisición de conocimiento La adquisición de conocimiento para un Sistema Experto consiste de tres etapas: Ingresar datos o conocimiento al sistema. En otras palabras. pues facilita la tarea de ingresar conocimiento al sistema y disminuye la posibilidad de tener errores. la relación natural entre conceptos teóricos de los números y sus representaciones compactas en AM. Se han creado editores sofisticados con funciones específicas para la detección de errores. Los problemas aparecieron cuando se aplicaron AM y EURISKO a otros dominios.con la esperanza de encontrar nuevos e interesantes conceptos. en realidad estaba explorando el espacio de los pequeños problemas de LISP. AM tiene implícita una predisposición para el aprendizaje de conceptos en la teoría de números. Puede que la moraleja de AM sea que el aprendizaje es un asunto complicado. Con esta idea en mente. Experiencias con estas tareas han guiado el desarrollo de técnicas y ayudas computarizadas como asistentes en el proceso de adquisición de conocimiento. Editores e interfaces de la base de conocimientos Un editor de conocimientos es una herramienta para la adquisición de conocimiento. facilidades de explicación. los conceptos eran más grandes y complejos que los de la teoría de números y la sintaxis del lenguaje de representación no era una imagen tan cercana a la semántica del dominio.76 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Como el programa progresaba. además de checar la consistencia e inconsistencia semántica entre el nuevo elemento introducido y la información contenida en base de conocimiento. Algunos editores han sido creados para evitar las fallas que pueden ocurrir cuando se construye o modifica una base de conocimientos. los conceptos con los que trabajaba evolucionaban partiendo de los conceptos iniciales. Otra pregunta era: “¿Por qué AM trabaja tan bien como lo hacía?”. Resulta que una variación o mutación en un pequeño programa de LISP muy probablemente da lugar a otro programa de LISP bien formado y justificado. es decir. mientras que las heurísticas con las que se podía trabajar sobre estos conceptos permanecían iguales. Una causa de la potencia de AM era su amplia colección de heurísticas con las que se consideraban cosas interesantes. se diseño una extensión de AM llamada EURISKO (Lenat 1983). En estos dominios. al igual que lo hace en el dominio de la teoría de números. la mutación sintáctica de la definición de un concepto casi siempre daba lugar a un concepto mal formado o inútil perjudicando de forma importante el procedimiento de descubrimientos. Evitar errores en los datos o conocimiento. Pero mientras que los humanos interpretan a AM como un explorador de la teoría de números. y Revisión de la base de conocimientos. Estas herramientas para la adquisición del conocimiento pueden ser divididas dentro de tres categorías: Editores e interfaces de la base de conocimientos. como el ayudar al usuario a darse cuenta de errores de máquina y errores sintácticos. especialización y analogía) como si fueran conceptos del dominio de la tarea. incluyendo el del estudio de las heurísticas en sí mismas. 5. Se debe ser cuidadoso a la hora de interpretar lo que están haciendo nuestros programas.

Tal explicación sugiere cambios apropiados en la base de conocimientos para clarificar los pasos en la solución de problemas que guía a una respuesta incorrecta y los elementos en la base de conocimientos que produce los resultados incorrectos. Varios sistemas de explicación especializada han sido construidos como herramientas para Sistemas Expertos entre ellos KAS. Esto es esencialmente generalizando acerca de los tipos de reglas que son encontradas en la ejecución. La revisión resultante valida el rendimiento total que quizá después sea implementado. En general estos sistemas ayudan al usuario a detectar errores de máquina y sintácticos.Mecanismo de Aprendizaje 77 Un buen editor puede hacer la diferencia entre sucesos correctos o incorrectos durante la adquisición de conocimiento. EXPERT y EMYCIN. TEIRESIAS permite traer habilidades para referirse a algunos ejemplos de problemas que producirán el conocimientos requerido. Dada una regla inicial establecida. usando modelos de reglas. las cuales se refieren a los atributos de niveles de objeto de las reglas. propuestas por el experto son controladas para la consistencia y coherencia. También existen facilidades para ayudar a un experto a agregar una nueva instancia de un tipo de datos. representando un prototipo de Sistema Experto. errores que comúnmente ocurren con esta tarea es que dan a la estructura una nueva instancia. que produce un sistema interactivo para análisis y refinamiento de la base de conocimientos. además de que son capaces de entender la sintaxis del lenguaje del Sistema Experto que se esté utilizando. Para realizar esta función existen programas orientados a la verificación de la “consistencia semántica” y a la “comprobación automática” que ayudan a detectar inconsistencias entre las nuevas versiones de la base de conocimientos. ellos pueden estar organizados dentro de una jerarquía. haciendo eso posible para determinar después quien es el usuario del sistema que está respondiendo “X” dato en la base de conocimientos. Por ejemplo. “Comprobación semántica” es otro método para elegir una apropiada revisión de la base de conocimientos como la comprobación del sistema ante un gran número de problemas para determinar un impacto general de la revisión. en la suposición de que la nueva regla tenga que aplicarse para el caso en el cual el problema fue notificado. donde cada esquema hereda los atributos asociados con sus superiores y tiene atributos propios. Tales reglas pueden proponer que en algunas circunstancias es mejor investigar ciertos parámetros difíciles y después tratar otros. Nuevas reglas o reglas modificadas. en lugar de referirse a otras reglas directamente. Si el usuario edita la regla TEIRESIAS une la nueva regla con la anterior y es derivado internamente un nuevo modelo con otras reglas similares para checar la consistencia y complementos. EXPERT y EMYCIN proveen tales facilidades. TEIRESIAS tiene metareglas. finalmente recomienda la nueva regla en la sintaxis correcta y con valores asociados con todos los parámetros necesarios. Así seguirá el chequeo con el usuario para ver si la regla especificada es la ideal y ofrece la usuario una oportunidad para hacer el cambio. TEIRESIAS primero sugiere que tipo de regla será correcta para el problema percibido y después ofrece escribir una forma específica de la regla. Revisión de la base de conocimiento Al introducir nuevo conocimiento y alterar el existente se pueden crear contradicciones en la base de conocimientos por lo que se deben identificar las inconsistencias generadas. la fecha y el usuario son recordados y almacenados junto con la nueva regla. para ayudar a corregir errores. Los mejores editores de bases de conocimientos proveen al usuario interfaces que facilitan la introducción y el despliegue de información convenientemente. TEIRESIAS distingue entre tres niveles de generalidad que son: . Editores en sistemas tal como: EMYCIN e INTERLISP tienen importantes funciones como identificar el punto de la edición incorrecta o notificar cambios permanentes en la base de conocimientos y que requiera información relevante para ello. En EMYCIN este tipo de explicación facilita. TEIRESIAS corre las reglas archivadas en problemas e invita a los expertos a criticar el resultado. junto con un editor la revisión y adición de reglas. Los esquemas son descripciones de tipos de datos. Facilidades de explicación Los Sistemas Expertos necesitan la habilidad para explicar el razonamiento que guía las soluciones de problemas para ayudar al experto e ingeniero de conocimientos a perfeccionar y mejorar los sistemas. Cuando una regla es creada o modificada en EMYCIN la hora. Una abstracción de datos usada para guiar la creación de instancias es llamada un esquema.

suministradas por el shell EMYCIN: EXPLICAR (EXPLAIN): Después de cada consulta una explicación concisa es suministrada. Declaración de tablas finitas.78 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Dominio . Los modelos de dominio de OPAL tienen cuatro aspectos principales que fueron derivados usando análisis ontológico: Entidades y Relaciones Acción del dominio Predicados del dominio Conocimiento procedural. la cual dice la usuario cómo se llegó a la conclusión. arreglar estos en una estructura gráfica para posicionar estos elementos y dibujar conexiones entre ellos.. sin embargo. OPAL facilita la adquisición de conocimiento brindada al Sistema Experto ONCOCIN. OPAL no es un programa de propósito general. La adquisición de conocimiento procedural se facilita por un lenguaje de programación visual. tal como producir reglas y declarar tablas finitas. intenta encubrir para el usuario mucho de los detalles de cómo el conocimiento es representado y desplegado.. Este también usa conocimiento de dominio para traducir la información adquirida a la terminal dentro del código ejecutable. tales como iconos que se colocan para los elementos de los planes. EXAMEN (REVIEW): El experto puede examinar las conclusiones del sistema en una librería de los objetos archivados. Producción de reglas.específico: Conocimiento acerca de objetos de datos.Representa protocolos y sus componentes. PRUEBA (TEST): El experto puede comparar la respuesta de la última corrida del programa con los resultados correctos archivados y explorar las diferencias.independiente: Conocimiento acerca de las declaraciones. El usuario puede crear cuadros con los que simula el control de flujo de lenguaje de programación convencional. usa conocimiento acerca de un dominio particular de aplicación para provocar planes de tratamientos para lo cual las reglas de decisión pueden ser generadas. Usa un número de facilidades para controlar la conducta de una regla establecida.específica: Conocimiento acerca de tipos de datos. Representación . formas gráficas para ser llenadas con información acerca de medicamentos y un lenguaje visual para representar el procedimiento de aspectos del tratamiento. La interfase gráfica permite al usuario el crear iconos permanentes para elementos del plan. En esta situación se hace uso de un modelo de dominio para adquirir conocimiento directamente de un experto vía una interfase gráfica. No requiere usar o tratar con detalles la implementación. Representación . el cual construye planes de tratamiento para pacientes con cáncer. OPAL usa un modelo de dominio para permitir y desplegar conocimiento acerca de planes de tratamiento vía una variedad de representaciones visuales.6 APLICACIONES ORIENTADAS AL APRENDIZAJE Escenario para la adquisición de conocimiento El siguiente escenario idealizado presenta algunos importantes pasos de la ingeniería de conocimiento típicamente desarrollados durante la evolución y desarrollo de un Sistema Experto. así como medicamentos. ONCOCIN emplea tres diferentes formas de representación de conocimiento: Una jerarquía de objetos. las cuales son guiadas por el dominio del conocimiento. 78 .Unidas a estructuras que concluyen los valores de parámetros médicos durante el plan refinado.Representan secuencias de terapias a ser administradas sobre tiempo. 5.. OPAL intenta suministrar la adquisición de estrategias. tales parámetros médicos son referenciados por acciones en el trabajo interno de ONCOCIN.

ORNL tiene aproximadamente 200 instalaciones de gobierno. ROSIE y el OPS5 o un experto de reglas externas. Los shells que se pueden utilizar son el EMYCIN. estos serán requeridos durante las tareas de construcción. Aprendiendo y razonando ejemplos es una alternativa. constituyen la llamada “estructura de inferencia” del sistema experto. Estas y otras características del problema son sugeridas al utilizar un lenguaje basado en reglas. en que orden los expertos persiguen cada importante subtarea y si ese orden varia de acuerdo al caso. estas pueden restringir las estructuras de control que son insuficientes para las preguntas. elaborado por gente experta familiarizada con la detección de derrames y contaminantes. las relaciones y las definiciones necesarias del problema y sus soluciones. por lo que al final del periodo tiene los principales conceptos. En los elementos se incluye el modelo. Durante la conceptualización se formaliza el conocimiento. Además. En resumen el ingeniero de conocimiento hace las listas para las justificaciones de la asociación de términos y los métodos estratégicos que el experto utiliza cuando resuelve un problema. Con estos componentes el ingeniero tiene que determinar las estructuras y los procesos de decisión involucrados. indexación y equivalencia de ejemplos. El ingeniero adquiere numerosos conceptos y métodos de los expertos.U. que implica recordar e indexar instrucciones específicas del caso. Platica con la gente familiarizada en derrames de aceite. Después de buscar el conocimiento el ingeniero hace una lista de las estrategias básicas que los expertos usan cuando ejecutan la tarea. las cantidades descargadas de aceite y otros químicos en el agua de los E. son estos los que deciden que es necesario un sistema de cómputo. Aprovecha el aprendizaje inductivo y deductivo para la solución de problemas. Ejemplo la identificación de derrames químicos y sus fuentes de origen de la ORNL (Laboratorio Nacional del Centro de Roble). para obtener reportes y artículos también relacionados. Esta estructura de conocimiento señala: Que tareas y términos de consulta están determinados y las indicaciones de conocimiento estratégico. empezando a escogerlo y eligiendo la mejor arquitectura para organizar el conocimiento. el método de inferencia cuenta con un amplio estudio en aprendizaje de la máquina. el ingeniero comienza a determinar los principales conceptos de dominio. es asignado como el ingeniero de conocimiento encargado de solucionar el problema. Como y cuando el Sistema Experto es establecido con ello. las herramientas y el medio ambiente de programación particular para tal aplicación. Estos apuntes son importantes no solo para él. Se elige a una persona que tiene experiencia en la construcción de sistemas de este tipo. Cuando estas dos formas de conocimiento son acopladas. El director de la ORNL estudia el problema. Finalmente el ingeniero de conocimientos busca en la división de químicos a un experto para colaborar en la construcción del sistema definido. y leer lo más posible del problema. quien es fundador de la división de ciencias computacionales y la construcción de Sistemas Expertos para tratar con derrames químicos y aceites. KAS. Cuando el problema ha sido adecuadamente definido. el aprendizaje inductivo generaliza instrucciones específicas del caso razonando una descripción abstracta y al deducir un nuevo caso es sometido por la descripción abstracta. El editor de la ORNL trata con la cabecera de la división química.Mecanismo de Aprendizaje 79 Se presenta la solución de un problema. El problema es detectar con un monitor el contenido de los derrames de esos materiales. mediante el soporte de retención. con estas descargas se violan los estándares establecidos de calidad. con 93 descargas en diferentes sitios. esto incluye la localización de la fuente de información experta a través de visitas a sitios. donde se determinan los árboles de búsqueda y las entradas y salidas asíncronas que son parte esencial del sistema. como hacen los expertos para determinar que respuesta se usa para definir las conjeturas. tales como los factores que usan los expertos para hacer una conjetura inicial acerca de algunas bases de información tentativa. En contraste. . sino para clasificar y mantener una adecuada documentación del sistema. Protos: una base de ejemplares aprendiz aprendiendo El sistema “Protos” es una aplicación de aprendizaje para la clasificación heurística. El primer paso del ingeniero de conocimiento es familiarizarse con el problema y dominio.

Existen salidas que los sistemas combinan y técnicas empíricas que debe aprender durante el aprendizaje: Que conocimiento será usado para identificar donde hace falta el conocimiento. Determinar donde el conocimiento hace falta.80 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La principal meta de “Protos” es desarrollar un mecanismo general para adquirir la clasificación del conocimiento mientras provee una asistencia interactiva al usuario.7 CONSTRUCCIÓN DEL MECANISMO DE APRENDIZAJE Los sistemas de aprendizaje inductivos sirven para construir un mecanismo de aprendizaje que nos responda las siguientes preguntas: ¿ Qué es lo que se debe aprender ? ¿ Cuáles ejemplos son más útiles ? ¿ Qué atributos del problema son los más relevantes ? El aprendizaje por inducción basado en conocimiento debe ejecutar las siguientes funciones: Seleccionar los ejemplos para la inducción sin intervención del usuario. KBL es un sistema que usa ejemplos proporcionados por el experto y el conocimiento lo representa en forma de reglas. 24. es incompleto e inducir las consecuencias de ambos y los antecedentes de las nuevas reglas. La participación de eventos de clase para evitar la sobregeneralización de nuevas reglas. Proceso del KBL 80 . El motor de inferencia genera un evento para el sistema de aprendizaje con el problema que no puede ser resuelto. Cuales son los ejemplos mas relevantes para el problema. 5. Cuales son los atributos del problema que son mas relevantes. el experto evalúa los resultados del motor de inferencia para depurar la base de conocimientos. es decir. Las reglas de conocimiento pueden ser obtenidas por términos de adquisición de conocimiento manual o por consultas del experto con el sistema de adquisición de conocimiento de la Figura 24: Reglas Motor de inferencia Conocimiento Reglas Problema sin resolver Ejemplo Ejemplo Experto Regla inducida KBL Reglas Ejemplo Ejemplos Fig. Aprendizaje inductivo basado en conocimiento En la adquisición del conocimiento manual.

El KBL requiere los siguientes elementos de entrada: Conocimiento de dominio incompleto. Los cuatro factores para calcular el valor numérico que se le asigne a la regla son los siguientes: Números de subtemas integrantes del problema actual: Si varios antecedentes de las reglas son iguales con los atributos del problema actual. tienen la mayoría subtemas a satisfacer y requieren de una pequeña inducción para permitir cumplir las submetas que componen el problema. KBL primero construye un árbol de pruebas parciales para guiar el proceso de aprendizaje. pero los problemas resueltos requieren tener varias pruebas parciales. Cuando el predicado primitivo no puede ser ligado a cualquiera del problema actual. Las reglas seleccionadas para la generalización. El problema es un conjunto de hechos y una meta no instanciada. donde el motor de inferencia no puede resolverlo usando el conocimiento disponible. El proceso de inducción usa heurísticas seleccionadas del árbol que prueba para seleccionar los ejemplos relevantes apropiados para las reglas de inducción. Inducción por reglas estructuradas La inducción por reglas estructuradas (RSI) nos permite determinar donde el conocimiento hace falta desde la teoría de dominio y así construir un árbol de prueba parciales. Las reglas estructuradas pueden ser aplicadas a una submeta. Un conjunto de ejemplos sin solución. en lo más interno dentro de la estructura para hacer una generalización apropiada. El sistema investiga. La generalización es una superclase. para determinar si uno de los niveles de las reglas necesita o no ser modificado. Número de subtemas de predicados no son iguales. Para generar la base de conocimientos tan pronto como sea posible resolver el problema actual. Asignando valores de bondad heurísticos Para ejecutar una regla de inducción estructurada. Libera a la base de conocimiento para determinar la localización más adecuada para aprender de la regla estructurada. La inducción de reglas estructuradas es una técnica heurística para guiar la inducción y con ello generar las pruebas parciales. El proceso de la inducción puede reparar una regla existente o inducir una nueva para que el motor de inferencia sea capaz de resolver el problema que previamente no había podido resolver. pero sus valores no son iguales a los valores en los antecedentes. y Generalizar una regla en la estructura para está meta. se debe asignar un valor numérico a cada regla indicando la cantidad de generalización requerida para cada problema dado. Un lenguaje que identifique el número de argumentos para cada predicado y el tipo de argumentos validos. la técnica de generalización permite que la regla pueda desechar las reglas que le antecedieron. La inducción es guiada por el árbol de prueba parcial en la mayoría de las partes de KBL. La meta es generalizar la base de conocimientos mientras que el problema es resuelto. que se crea a partir de una serie de eventos y que de lo particular logra una generalización (inducción). Aprovechar el conocimiento existente en las reglas para generalizar o especializar las existentes antes de agregar una nueva. Para esta situación existen dos opciones: Crear una nueva regla para la meta.Mecanismo de Aprendizaje 81 El proceso de KBL comienza con un problema. . Un problema que no puede ser resuelto con el conocimiento incompleto del dominio. Números de predicados de los subtemas no son iguales con los argumentos: En este caso los atributos en las reglas son presentados en el problema. Un predicado que no puede ser encadenado con otro predicado o predicado primitivo (el predicado primitivo es un conocimiento base con lo que se parte cuando el Sistema Experto es creado). La inducción de reglas estructuradas es guiada por las siguientes metas: Para usar el contexto del problema: El contexto es un aspecto importante de los problemas que norma la construcción de nuevas reglas o modifica las actuales. Por ejemplo el término del antecedente puede ser (peso 5) pero la descripción del problema tiene (peso 3).

el usuario debe remplazar los ejemplos de atributos relevantes del sistema. La porción TESTS de la regla define la condición que debe ser verdadera en el actual contexto para aplicar la regla de la Figura 25: (Foo ? x) (a1 ?y) (b ?z) (c ?x) (a1 ?y) (a2 ?y) (b1 ?w) (b2 ?z) (a1 5) (a2 5) (b1 10) ??? Fig. Los valores de lo parámetros indican que ninguna de las actuales podrán solucionar el problema. el sistema debe descubrir las consecuencias de las reglas para inducir los antecedentes.82 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Preferencia para generalizar reglas grandes. 82 . busca las reglas en la base de conocimiento para encontrar la prueba que complete la regla. el sistema debe aprovechar los más relevantes para alcanzar la meta. Las reglas pueden ser utilizadas para probar las metas. cuando el encadenamiento falla. para ayudar a evitar este problema el sistema busca el posible cambio y determina la mejor alternativa. en el módulo de inducción de KBL se seleccionan los ejemplos relevantes basados en un árbol de prueba parcial determinados por las reglas estructuradas y la base de conocimientos para enfocar a los atributos más que a la importancia del problema. El sistema identifica donde el conocimiento hace falta. Árbol de pruebas parcial determinado por el RSI Colección de atributos relevantes Los problemas en el mundo real pueden tener muchos atributos. ocurre que el sistema aplica el aprendizaje para la submeta errónea. el enfocarse en los atributos relevantes ayuda al sistema a producir resultados sensibles. El sistema escoge las reglas para generalizar.75 entonces el sistema no debe intentar modificar a las reglas existentes. El algoritmo de inducción descubre la consecuencia de la regla al colocar VALUE a un valor de una constante o a una formula usando otra variable de liga. 25. los sistemas utilizan todos los atributos. Las reglas con muchas submetas son más especificas que aquellas con pocas submetas. También debido a la representación. y el modulo de inducción debe determinar VALUE. dónde solamente una de las cuales es requerida. basándose en parámetros provistos por el usuario. cada regla consiste en un número de antecedentes. cada uno de los cuales debe ser probado por la regla de la meta. (PRED1 ? X ? Y) ← TESTS (= ? Y VALUE) El modelo encuentra PRED1. las reglas indicadas por KBL tiene la siguiente forma. Para minimizar el impacto de la generalización el sistema de aprendizaje debe trabajar con reglas que no san semejantes para no encontrar inconsistencias en el conocimiento que se esta suministrando. de tal forma que no afecte el rendimiento de las reglas en el sistema. Proceso de inducción Con el sistema de aprendizaje empírico. Estos valores determinan la preferencia por los diferentes métodos de extensión de la base de conocimientos. Si los valores para las reglas de las submetas están por debajo de 0. para la ruta que satisfaga el nivel alto de la meta pero que requiera el menor número de modificaciones a la base de conocimientos. también reduce el espacio del problema. Consideraciones globales para la generalización El sistema debe considerar como van a cambiar las reglas en un nivel. Está es una búsqueda hacia un árbol AND/OR. La razón del cambio en PRED1 es para colocar el ?Y a VALUE. En el aprendizaje empírico tradicional.

En cada acto de aprendizaje el aprendiz.8 EVALUACIÓN DEL MÓDELO DE APRENDIZAJE Principios básicos de la teoría de aprendizaje El aprendizaje tradicionalmente ha sido caracterizado como un mejoramiento en la conducta gracias a la experiencia. El sistema KBL investiga para otras reglas con el mismo predicado y sus consecuencias como una submeta. Un conjunto de ejemplos son construidos en base a diferentes expresiones. por el conocimiento que puede ser suministrado indicando que atributos son más semejantes. en el cual opera. esto es llevado acabo mediante varias inferencias. un maestro u observación. podrá este valor ser asignado con una constante para que la tarea sea más sencilla. El conocimiento derivado es verdadero si las premisas son verdaderas. El nuevo conocimiento puede construirse por deducción del conocimiento anterior del aprendiz. explorando la experiencia de aprendiz y el conocimiento anterior que tiene este. Un concepto pragmático nuevo es aquel que no puede ser obtenido por deducción del conocimiento anterior. Esto envuelve al conocimiento de fondo. deductiva. El sistema puede detectar que son reglas específicas cuando construyen el árbol de prueba parciales y después generaliza estas reglas. ahora ya las consecuencias de las regla pueden ser determinadas. Si una variable no está ligada con algún valor. Para construir un sistema de aprendizaje se necesita entender en términos computacionales. . el sistema está listo para inducir los antecedentes. Inducción de nuevas reglas Con los ejemplos particionados y las consecuencias conocidas para las reglas de cada partición. cual es el comportamiento para poder obtener una respuesta en base a una experiencia dada. las cuales representan el segmento de conocimiento y son utilizadas en el calculo de predicados. debe indicarse un resultado incorrecto o el sistema buscará las contradicciones entre las reglas existentes y los ejemplos proporcionados. Un aprendizaje empírico tradicional a partir de un sistema de ejemplos puede ser usado para inducir las condiciones apropiadas para disparar las nuevas reglas. El sistema de inducción podrá producir reglas específicas en lugar de generales. Las metas de aprendizaje (sistema de metas) son definidas por el funcionamiento del sistema. variable o fórmula matemática. La teoría de la inferencia del aprendizaje asume que el aprendizaje es un proceso basado en metas que mejoran el conocimiento de aprendiz. más ejemplos necesitan ser usados para identificar el área hacia afuera de la nueva regla. usando los recursos computacionales disponibles en tiempo y espacio.Mecanismo de Aprendizaje 83 Como muchos atributos son utilizados en la inducción para una nueva regla. Los eventos son particionados en clase para cada valor visto. los cuales sean útiles para inducir las reglas para un predicado. Reglas de consecuencia Después de que el sistema calcula las soluciones de las metas de cada ejemplo. es declarativo en base a oraciones. Ahora el sistema se enfoca en los atributos usados por estas para analizar si los atributos de la nueva reglas son tomados o no en cuenta para guardarse en la base de conocimientos. La teoría asume que cualquier segmento o modulo del conocimiento del aprendiz tiene tres aspectos: Contenido: Es el que liga la representación del conocimiento. o generado por inducción. analiza la entrada de información en términos de su conocimiento de fondo y sus metas. El nuevo conocimiento es llamado intrínseco si no es deducido del anterior del aprendiz y la entrada de información puede ser derivada por una fuente externa. inductiva o por analogía. analogía o deducción del contingente. Para detectar que hay demasiadas reglas generales. Para generar el nuevo conocimiento el aprendizaje determina si el nuevo conocimiento satisface la meta. Los ejemplos para cada participación pueden actuar como el elemento faltante para las clases durante la inducción. El módulo de inducción debe descubrir la relación entre el valor faltante y las otras variables. 5. Este conocimiento pragmático nuevo del derivado depende de la validez del conocimiento de fondo. esto crea reglas específicas. La búsqueda puede emplear cualquier tipo de inferencia. Los atributos relevantes pueden ser identificados de la siguiente manera. El sistema busca la propiedad de la expresión que será colocada en la consecuencia de la regla: constante.

La primera clasificación divide a la inferencia en dos tipos fundamentalmente: Deductiva e Inductiva. Esta distinción es útil para los aspectos cognoscitivos del razonamiento y aprendizaje que conducen a una adecuada descripción del proceso de aprendizaje. en una red neural el conocimiento de fondo es determinado por la estructura de la red (número y tipo de unidades) y sus interconexiones por el peso inicial de las conexiones. es una medida subjetiva de la validez del conocimiento. El proceso de aprendizaje involucra la modificación a las reglas anteriores.84 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Organización: Es reflejada por la estructura de la representación del conocimiento y determina la manera en la cual el segmento de conocimiento es usado (el orden en el cual los componentes de las expresiones lógicas son evaluadas). hay una diferencia entre el conocimiento que el aprendiz ya posee y la información que recibe de sus sentidos. La totalidad de cambios en el conocimiento del aprendiz queda determinada por los cambios realizados en el contenido. En resumen el aprendizaje es un proceso de conocimiento derivado de metas dependientes. tal proceso puede ser visto como una búsqueda de espacios usando transmutaciones. el aprendizaje no podría llevarse a cabo. usando información de fondo. es de hacer notar que la organización diferente del conocimiento puede facilitar la realización de las diferentes tareas sin cambiar la capacidad potencial y el funcionamiento de ellas. si no existieran estos dos componentes relacionados con la habilidad para almacenar y recuperar el conocimiento de la memoria. adquirir un control del conocimiento para llevar a cabo algunas actividades. La habilidad de memorizar el conocimiento sirve para reemplazar el conocimiento y el otro para grabar los resultados útiles de la inferencia. Dada una entrada y un conocimiento de fondo el aprendiz debe generar inferencias. las transmutaciones cambian varios aspectos del conocimiento. es a menudo reflejada en la organización de los sistemas de aprendizaje. Dominios dependientes: Responden a la adquisición de conocimiento específico acerca del dominio. las cuales pueden aprender diferentes tipos de conocimientos a partir de diferentes entradas. En la definición de estos tipos de inferencia. 84 . Un agente tiene que poseer la habilidad de ejecutar la inferencia y de memorizar el conocimiento. Por lo tanto la transmutación puede emplear cualquier tipo de inferencia. uno como almacén del conocimiento de fondo y otra como deposito de resultados. Certeza: Es el grado en que el aprendiz creé que este particular segmento es verdadero. para descubrir una corrección de hechos. y formular conocimiento más eficientemente. encontrar una explicación a los hechos dados. en un sentido convencional (como la lógica formal) no hay distinción entre la información que entra y el conocimiento de fondo. Pero si existe una distinción cuando se caracteriza para el proceso de aprendizaje. Tipos de inferencia Cualquier tipo de inferencia puede generar una parte de conocimiento que puede ser útil para ciertos propósitos. algunas de ellas generan nuevo conocimiento y otras solamente lo manipulan. La importancia de las metas específicas es que elevan la multiestrategia de los sistemas de aprendizaje. Existen dos metas de aprendizaje diferente: Dominios independientes: Son llamadas así “tipo genérico de certeza en la actividad del aprendizaje independiente del tema a tratar”. El espacio de conocimiento es definido por el lenguaje de representación del conocimiento y la disponibilidad de operadores de búsqueda. Una teoría completa de aprendizaje incluye una completa teoría de inferencias. Los operadores de búsqueda son instanciaciones de la transmutación de conocimiento que un aprendizaje es capaz de ejecutar. Un ejemplo de una meta con dominio independiente es aquella que generalice una observación. así como la creación de nuevas. La ecuación de aprendizaje está determinada de la siguiente manera: APRENDIZAJE = INFERIR + MEMORIZAR El doble rol de la memoria. cual tiene que ser adquirido y en que manera debe ser evaluado y cuando detener su aprendizaje. la meta del aprendizaje determina que parte del conocimiento anterior es relevante. su organización y la certeza del conocimiento. Desde el punto de vista del aprendiz. por ejemplo.

alternativamente C es una consecuencia lógica de P y BK. produce consecuencias verdaderas de premisas verdaderas. La inferencia deductiva concluyente (también llamada formal o demostrativa). con lo cual establecen un nuevo conocimiento (S´) y una nueva serie de entidades (E´) y un nuevo conocimiento de fondo (BK´). así como en los métodos de derivación del conocimiento a partir de otro. las cuales son discretas por C.S. Por ejemplo la regla de especialización universal: ∀x P(x) → P(a) La derivación abductiva produce una descripción que se caracteriza por una implicación con una traza hacia atrás que representa al conocimiento del dominio. entonces P no es verdadera).Mecanismo de Aprendizaje 85 Para definir estos tipos de inferencia se toma la siguiente descripción P U BK = C Donde P es un subconjunto de oraciones llamadas premisas y BK es el conocimiento de fondo = denota el vinculo lógico y C son las oraciones llamadas consecuencias. modificar el grado de certeza en algunos componentes del mismo. La inferencia inductiva es una hipótesis de la premisa P dado C y BK.E.’. a estas persevera la falsedad fácilmente. ambas inferencias difieren en el tipo de premisas que generan y el tipo de BK que emplean. Si el conocimiento del dominio representa una dependencia causal. en la generación de tipos de conocimiento. A su vez la inferencia inductiva se divide en generalización y abductiva. La inferencia también puede ser concluyente (fuertes) o contingentes (débiles). Transmutaciones Las transmutaciones son una modulación del cambio en el conocimiento y puede ser vista como un agente en el espacio del conocimiento. La inferencia deductiva contingente produce consecuencias que puede ser verdaderas en algunas situaciones y falsas en otras. . La generalización inductiva puede ser vista como una implicación tautológica con una traza había atrás.BK S’. La generalización inductiva produce una premisa P que es una generalización de C. La deducción puede ser vista como una relación orientada hacia adelante y la inducción como desarrollo hacia atrás. P se caracteriza por un conjunto grande de entradas. así como un conocimiento de fondo (BK). en esta la “verdad” persiste débilmente. La inferencia deductiva de la consecuencia de C dado P y BK. organización y certeza. T. tipos de inferencia. con base en lo anterior se asume que P es lógicamente consistente en C. La inferencia inductiva contingente produce hipótesis donde las premisas están ligadas débilmente. Las transmutaciones pueden generar intrínsecamente nuevos conocimientos.E. y su forma básica es preservar la falsedad (si C no es verdadera. Puede cambiar uno o más aspectos del conocimiento. en su contenido. Lo anterior se puede interpretar como que P y BK son lógicamente vinculados a C. La inferencia inductiva concluyente produce hipótesis que concluyen con las premisas vinculadas. entonces la derivación abductiva produce una explicación causal. La deducción es un proceso que determina la consecuencia lógica de un conocimiento dado. así como cambiar la organización de este. BK’ La distribución entre las transmutaciones está basada principalmente. Formalmente una transmutación puede ser vista como aquella que contiene como argumentos una colección de sentencias (S) y un juego de entidades (E).

La transmutación contraria a la abstracción es la concreción. Cada par de transmutaciones puede de este modo ejecutarse en una operación bidireccional con el conocimiento. la cual genera detalles adicionalmente acerca de la serie de referencia establecidas. que encajan en la categoría de generación del conocimiento y los demás grupos orientados hacia la manipulación del conocimiento. Los primeros nueve representan transmutaciones. Una construcción importante de esta teoría. quien consideró a la abstracción como un mapeo entre lenguajes que preservan instancias y negaciones. La transmutación opuesta a la generalización es la transmutación de especialización. La especialización ocupa inferencia deductivas básicamente. La definición formal de la abstracción fue propuesta por Plaisted. los cuales serán descritos a continuación. Una simple forma de abstracción. la cual reduce la referencia establecida sobre las declaraciones dadas. Abstracción/Concreción La abstracción reduce la cantidad de detalles en la descripción de una serie de referencias establecidas. en particular el aprendizaje inductivo. la abstracción reduce la cantidad de información citada por la descripción proyectiva de una serie de referencia establecidas.86 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo En la actualidad son usadas diferentes transmutaciones. El lenguaje de descripción puede ser cambiado para igualar conceptos u operadores o ignorar aquellos detalles irrelevantes para el razonamiento. Una forma típica de especificación lo es la deducción. Por lo tanto dependiendo del conocimiento de fondo y del camino usado. Este tipo de transmutaciones realiza inferencias inductivas. es el remplazo del valor de un atributo especifico en la descripción de una entidad con un valor especifico menor. La Generalización y la Abstracción tienen un razonamiento en común. aunque la generalización también puede llegar a ser deductiva. las cuales son asociadas o ejecutadas a través de la inducción. porque está preserva la información importante de entrada y no hipotética de información. La propuesta típica de la abstracción es reducir la cantidad de información acerca de la referencia establecida. Por ejemplo la generalización y la aglomeración son dos tipos de transmutación. lo cual permite ampliar la descripción de las características originales. Las transmutaciones de Generalización/Especialización son emparentadas a un par de transmutaciones llamadas Abstracción /Concreción. 86 . debido a esto son fácilmente confundidas. Como condición inicial. Típicamente la abstracción es una operación de preservación de la verdad. Típicamente la abstracción es una transmutación deductiva. en cada camino los elementos relevantes para el aprendizaje son preservados y los intranscendentes son desechados. las cuales son asociadas con un solo tipo de inferencia. Generalización/Especialización Las transmutaciones por generalización extienden la referencia del conocimiento a una serie de descripciones establecidas. pero puede ocupar inferencias inductivas o por analogía. Otro tipo de transmutaciones son la abstracción y concreción las cuales son ejecutadas a través de la deducción. es que la observación de una transmutación puede ser agrupada en pares de operadores opuestos. Está funciona bajo la inducción. la descripción general es deductiva o derivada desde el más especifico conocimiento de fondo. en este tipo de transmutaciones se ocupan los cuantificadores universales y existenciales. deducción o analogía. Existe doce grupos de transmutaciones diferentes. Aquí los dos pares de transmutaciones dependen del contexto donde son interpretadas. la generalización puede ser por inducción. La generalización deductiva puede algunas veces interpretada como una abstracción y una especialización inductiva puede ser interpretada como una concreción. estos operadores pueden cambiar el conocimiento en una dirección conceptualmente opuesta.

Por ejemplo. entonces se dice que son funciones discretas. Las dependencias son frecuentemente bidireccionales.Mecanismo de Aprendizaje 87 Similitud/Disimilitud La similitud deriva un nuevo conocimiento acerca de las referencias básicas establecidas con características similares entre el nuevo juego de referencia y el básico. dos predicados lógicos o términos de la expresión . por ejemplo puede ser funcional. beta. Con este ejemplo queda demostrado la relación bidireccional con la que cuenta la similitud. la cual toma una unidad o una estructura y determina entidades individuales. La transmutación opuesta a la selección es la generación. La analogía puede ser considerada como un razonamiento basado en la combinación de la inferencia deductiva e inductiva. Explicación/Predicción La explicación deriva “explicaciones del conocimiento”. la cual produce entidades que satisfacen algunos criterios establecidos. Si los términos de las expresiones tienen una dependencia mutua. o bien de descripción estática o relacional. es porque posiblemente durante su vida desarrolló el hábito de fumar. La forma básica de caracterización es una conjunción de propiedades distribuidas entre todas las entidades de la clase. correlacional. Un caso espacial de “explicación” es una descripción derivada de las causas o efectos que producen ciertos datos. pero la “fuerza” de la dependencia en las diferentes relaciones puede variar considerablemente. está explicación se debe al parentesco. representan un promedio de certeza de los valores S1 y S2 respectivamente. Selección/Generación Las transmutaciones por selección. se puede decir que si “martha fuma. se introduce el concepto de dependencia mutua. si se conoce que una persona tiene cáncer. pero no necesariamente por fumar sino por otras causas. Aglomeración/Descomposición La transmutación por aglomeración toma entidades individuales y las agrupa en unidades o en estructuras de unidades según criterios. si sabe que una persona por fumar desarrolla cáncer. Una dependencia mutua expresa el parentesco entre dos sentencias. . la inferencia puede ser deductiva. la dependencia mutua es lógicamente equivalente a una implicación mutua establecida. de tendencia general. monotónica. La oposición a está transmutación es la descomposición. También por analogía. Dependiendo del tipo de inferencia usado por la explicación o predicción del conocimiento. ya que por ejemplo la persona puede tener cáncer. el cual puede estar fuertemente o débilmente implicado con el conocimiento. β dónde los parámetros alfa y beta representan sobre todo el avance o retroceso de la fuerza de dependencia. puede desarrollar cáncer a lo largo de su vida”. está deriva consecuencias del conocimiento dado. inductiva o por analogía. eligen un subrango de una serie de referencias establecidas. no es igual en ambas direcciones. La dependencia mutua fue introducida por Rusell. Una descripción puede ser una clase dada. Caracterización/Discriminación La transmutación por caracterización determina una descripción de características especificas de una clase de entidades. La dependencia puede ser de diferente tipo. la cual fue usada para la caracterización de clase mediante inferencias por analogía. la cual deriva nuevos conocimientos. La dependencia mutua queda representada por S1 S2 . el cual es muy utilizado para la descripciones especificadas por similitud y disimilitud. La transmutación por similitud utiliza la inferencia por analogía. α . Lo contrario a esta transmutación es la predicción. La fuerza de las conclusiones. Por lo tanto alfa. En base a lo explicado anteriormente. entonces por analogía. las cuales deben satisfacer un criterio establecido.

La reformulación transforma el conocimiento a una unidad lógica equivalente. las derivaciones pueden ser clasificadas en derivaciones con dependencia fuerte dentro de un extenso rango. La oposición a está transmutación es el borrado. Un esquema general para la Multiestrategia de aprendizaje es presentado en la figura siguiente. Por ejemplo la ordenación de las reglas. Dada una entrada al sistema analizador. estática o temporal. la cual retoma la previa organización. es la memorización de algunos factores. La transmutación opuesta es la desordenación. Las transmutaciones no son procesos independientes. en base al número de condiciones. MTL establece una relación con el conocimiento de fondo y los objetivos de aprendizaje.88 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La transmutación opuesta a la caracterización es la discriminación. Multiestrategia de aprendizaje (pruebas . La dependencia en este tipo de transmutaciones puede ser lógica. inserta un componente del conocimiento dentro de la estructura. Un ejemplo de este tipo de transmutación es lo olvidado. Un ejemplo de inserción. pero no caen dentro de una categoría especial descrita antes. Porque la dependencia entre ambas unidades de conocimiento puede recorrerse desde una equivalencia lógica hasta un parentesco lógico. determina una estrategia de aprendizaje o una combinación de ellas. Derivación/Reformación/Transmutación Intermedia/Aleatoria La transmutación por derivación en aquella que proviene desde otra basada en alguna dependencia entre ellas. la cual produce una descripción que no toma en cuenta algunas características predominantes de la serie de clases establecidas. Una implementación completa de una transmutación puede envolver la ejecución de otras transmutaciones. Inserción/Borrado La transmutación por inserción. la cual remueve una estructura del conocimiento de una base de conocimiento dada. Clasificadas/Desordenadas La transmutación por clasificación u ordenación cambia la organización del conocimiento acorde a algún criterio. la entrada al proceso de aprendizaje es suplida por cualquiera de los sensores del mundo externo o desde un aprendizaje previo como se muestra en la Figura 26: 88 . la cual sostiene una carencia de dependencia. Los puntos extremos en este rango de transmutaciones son la reformación y la aleatoria. Asociación/Disociación La transmutación por asociación determina una dependencia de las entidades básicas y el conocimiento de fondo. si ocurre un estancamiento el sistema MTL realiza una nueva prueba de aprendizaje. este proceso se repite hasta que la estrategia de aprendizaje es determinada como consecuencia. La replica usa una rutina de aprendizaje la transmutación opuesta a esta es la “destrucción”. La transmutación opuesta a ésta.adaptativas) La idea principal de la multiestrategia de aprendizaje (MTL) es que el sistema aprenda por si mismo. es la transmutación de disociación. Replica/Destrucción La replica produce una nueva estructura del conocimiento de alguna base de conocimiento en otra. el cual remueve algunos componentes de la estructura del conocimiento dado. determinando la estrategia de aprendizaje y los tipo de inferencia a usar para poder realizar la prueba de aprendizaje. dando como resultado otra. Cada conocimiento es una consecuencia lógica aprendida sobre el existente.

. numérico y gráfico) que puede ser especificado en diferentes niveles de abstracción. Si el conocimiento es aprobado en el modulo de evaluación. Por ejemplo los objetivos de dominio independiente pueden ser aprendidos por una regla general. la cual puede tener diferentes tipos de conocimiento (simbólico. el GDN busca el objetivo general de dominio independiente (representado por un nodo con entradas no enlazadas) considerando como un almacén. Las búsquedas con las que se cuenta en la actualidad son más limitadas acercándose a MTL. este sistema de aprendizaje analiza en forma dinámica las relaciones entre la entrada. caracterizada por la sustitución de hechos de las entradas reformulando una parte del conocimiento aprendido en una forma más eficiente. otro acercamiento hacia el MTL es el llamado “análisis de pruebas dinámicas”. como beneficios en el proceso de aprendizaje. entonces es insertado en la base de conocimientos para ser usado en procesos de aprendizaje subsecuentes. 26 Esquema general para la Multiestrategia de aprendizaje El módulo controla directamente todos los procesos. Cualquier conocimiento generado. Los múltiples tipos de motor de inferencia ejecutan varios tipos de inferencias/transmutaciones requeridas por el modulo de control en la búsqueda de conocimiento especifico para lograr la meta propuesta. Un acción a ejecutar por el modulo es obtener información adicional. la dependencia entre objetivos está determinada por ligas etiquetadas que denotan el tipo y grado de dependencia. un mecanismo de aprendizaje parecido al MTL es el aplicado en la construcción y justificación de árboles. Permite determinar el conocimiento requerido para ejecutar algunas pruebas para validar otro. estas son recibidas por el módulo de control. este es determinado en base a una serie de entradas de información poco relevante. algunos de ellos son también de dominio independiente. dejando pasar solamente aquella información lo suficientemente relevante para cumplir el objetivo. es evaluado y criticado por el módulo de evaluación. cada uno de estos objetivos es ligado a subobjetivos más específicos. Para el proceso de aprendizaje. desde el punto de vista del objetivo del aprendizaje. los cuales son utilizados para determinar partes específicas del conocimiento. a un aprendizaje multiestrategia en base a pruebas de adaptación. El módulo de control activa dinámicamente nuevos objetivos en el GND. es decir. con lo cual se logra el control del proceso de aprendizaje. Para le MTL los objetivos de aprendizaje son organizados dentro de una red de objetivos (GDN) dependientes. la entrada es filtrada por el modulo de selección. El conocimiento del objetivo es determinado por el módulo de control acorde a la información recibida desde un sistema maestro externo o bien desde el análisis de los objetivos residentes en la base de conocimientos.Mecanismo de Aprendizaje 89 Mundo Sensores Actuadores CONTROL Selección Motor de inferencia multitipos Evaluación Objetivos Fig. El desarrollar un sistema de aprendizaje que cumpla con todas las características anteriormente descritas es realmente un verdadero problema ya que tiene que cumplir un largo objetivo. el conocimiento de fondo BK y el objetivo actual. Las acciones activan los procesos en el mundo externo. La idea de una red GDN fue introducida por Stepp y Michalski.

Los resultados generalizados y los hechos de entrada son evaluados por importancia (de acuerdo al objetivo) por el módulo de evaluación. En base a las pruebas de aprendizaje esta estructura puede ser utilizada para crear nuevo conocimiento el cual será más adecuado para un manejo posterior. Una entrada de información es prácticamente nueva para el aprendiz si ésta no está vinculada por medio de una relación de parentesco que puede ser determinada entre ella y el BK. Los nodos de las jerarquías son interconectados por rutas que representan observaciones o conocimiento inferido. este es activado cuando el sistema recibe la información de entrada. El siguiente paso es determinar alguno de los siguientes tipos de relación existente entre la entrada de información y el conocimiento de fondo (BK): Las entradas representan nueva información. son producidos segmentos importantes de conocimiento. la representación consiste en una colección de tipos (generalización) jerárquicos o bien partes jerárquicas ordenadas en base a un parentesco. En general este caso requiere de una revisión del BK bajo alguna forma sintética de aprendizaje o manejo de inconsistencia. Este caso representa una situación donde el BK cuenta para la entrada un caso especial para esta. cuando la entrada no coincide con algún hecho o regla o tampoco está relacionada con alguna otra parte del BK como en el primer caso. Este caso se presenta cuando la entrada checa exactamente con alguna parte del BK (un hecho almacenado. Si este esfuerzo tiene éxito todos los elementos del conocimientos son generalizados.90 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La aproximación. Si esta contradice algún hecho específico ese es identificado. una regla o segmento almacenado). El sistema identifica las partes del BK que resultan contradictorias respecto a la información de entrada e intenta deducir esa parte. En este caso. si el nuevo conocimiento está inmerso a un criterio importante éste es almacenado para uso futuro. esta también es almacenada pero sólo si se pasa por un criterio importante. el aprendiz crea una explicación de la estructura uniendo la entrada con la parte usada del BK. Si el reestructuramiento de la especificación afecta demasiado a la información de entrada entonces es poco confiable. En el análisis de pruebas dinámicas se aproxima a un paso del aprendizaje. La entrada contradice al conocimiento de fondo. Si el hecho pasa un criterio importante. Si el esfuerzo no tuvo éxito la entrada es almacenada. Cuando alguna parte del BK ha sido reestructurada para colocar la entrada. usa una representación del conocimiento que está específicamente diseñada para facilitar todas las formas básicas de inferencia. a estas formas de representación del conocimiento se les llama DI (jerarquías interrelacionadas dinámicamente) los cuales utilizan diferentes tipos de inferencia en los sistemas basándose en la ubicación de los nodos y la ruta entre estos. La entrada es ya conocida por el aprendiz. utilizando atributos generalizados o relacionales. La entrada produce una analogía en alguna parte del conocimiento de fondo BK. La entrada es implícita o por BK implícito. El mecanismo es relacionado con las ideas de aprendizaje basadas en explicación. pero sin embargo hay alguna similitud con alguna parte del hecho y del BK en algun nivel de abstracción. la cual es clasificada dentro de una categoría tal como un hecho o una regla. este es almacenado con alguna indicación de similar o análogo en el conocimiento de fondo. por lo tanto los resultados generalizados y los hechos de entrada que logran la evaluación son almacenados. El aprendiz prueba o identifica las partes del BK que son casi iguales con la entrada bajo el mismo nodo en alguna jerarquía. dependiendo de ella y el objetivo actual. 90 . En esta situación son utilizados parámetros de confiabilidad y frecuencia los cuales son asociados a la parte actualizada. en este caso el apareamiento es ejecutado en este nivel de abstracción.

CAPÍTULO 6. BASE DE CONOCIMIENTOS .

92 .

Relación entre base de conocimientos y otros módulos del Sistema Experto Existen diversas técnicas para la representación del conocimiento. • Particularidad: Dependiente de un contexto o enfoque particular. • Fuente: Naturaleza y confiabilidad de los emisores del conocimiento. generando una nueva versión. facilita su acceso.1 DESCRIPCIÓN DE UNA BASE DE CONOCIMIENTOS 6. • Establecer una representación que puede ser organizada.1. completez y actualización. recuperada. • Calidad: Grado de cantidad. 28. • Detalle: Grado de desglose. • Mantener una correspondencia entre el formato de representación y el conocimiento. . • Temporalidad: Vigencia. En la siguiente figura se aprecia que la base de conocimientos se encuentra relacionada con otros módulos de un Sistema Experto de la Figura 27: Mecanismo de Aprendizaje Interfase Hombre Máquina Mecanismo de Inferencia Base de Conocimientos Administrador Fig. como se ilustra en la Figura 28: Hechos iniciales Hechos finales Aprendizaje Compilación Exposición Resultados Representación Interna Inferencia Búsqueda Conocimiento Generado Fig. modificada y actualizada eficientemente. 27.6.1 ROL DEL MÓDULO La Base de Conocimientos almacena y representa el conocimiento del dominio del Sistema Experto. manipulación y actualización. que al ser manipulados por los procesos de búsqueda e inferencia producen nuevos elementos y actualizan otros. • Certidumbre: Veracidad del conocimiento. Evolución del conocimiento Caracterización del conocimiento • Fidelidad: Es la ausencia de distorsión durante la adquisición del conocimiento al comparar la fuente natural y la de la base de conocimientos. El conocimiento inicial se genera a partir de los hechos aprendidos y representados. BASE DE CONOCIMIENTOS 6. encaminada a: • Proveer un formato compatible con la computadora.

se establecen los niveles de caracterización del conocimiento. Fuentes: Para recabar.. eventos y actividades relevantes a describir del dominio del conocimiento. Diferentes niveles de detalle de la expresión “El niño corre rápido” Cobertura Generalidades. comparar y acreditar el conocimiento. Permiten agrupar sus atributos y hacer generalizaciones que eviten redundancias en la descripción de un objeto en particular. niño) Fig. super clases y subclases. M:1 y M:N..) Permanente.1.. código.needed rules“: para generar un valor por medio de procedimientos. “If .Entidades Son los sujetos.) (Ave)(vuela si). etc. “If . criterios.added rules”: para realizar una acción al conocerse un valor. Single . Con base a ellas.Acotados por una vigencia: “Francia es el campeón mundial de foot ball” 94 . menos el pingüino” (pingüino(IS-A ave)(vuela no). Nivel de detalle Son los elementos del lenguaje que serán tomados en cuenta durante la representación de la Figura 29: El niño corre rápido 6. asociaciones. Condiciones de validación: Rangos. Valores El valor asociado a los atributos de las propiedades tiene las siguientes características: Información acerca del tipo de valor: Numérico.2 CONSIDERACIONES corre(niño) PTRANS niño acción(corre. 29. cola)) Excepciones. Relaciones Son los lazos que integran a las entidades y atributos entre si. permitiendo definir ligas: 1:1. las entidades se agrupan en clases.Son afirmaciones que perduran al paso del tiempo: “Los hombres son mortales” Temporales.multivalued: Son atributos con un solo valor o varios... 1:N. etc...Se aplican para todas las cosas: “Todos los perros tienen cola” (∀x) (perros(x) → (tienen(x. índice.Son excepciones a la regla: “Todas las aves vuelan. Propiedades Son los atributos y valores que describen a las entidades. Jerarquías Bajo ciertos contextos..

. Armazones.. Juan). records. Scripts. o una relación que el objeto posee.. se lee como “Ana es hermana de Juan y prima de Alfredo”.. ∗ Certeza: Aproximación a la veracidad o negación ∗ Representación: Grado de fidelidad entre lo que es (conocimiento real) y lo que se representa...2 FUNCIONAMIENTO DEL ADMINISTRADOR DE LA BASE DE CONOCIMIENTOS La representación del conocimiento depende de varios criterios: Naturaleza Descriptiva: rasgos. análisis. Sus elementos fundamentales son el objeto y el predicado. Hermana(Ana. de producción. 6. interrogatorio..Base de Conocimientos 95 6.3. Incierto: ∗ Emisión: Al expresarse. Emisión Fuentes: Recolección proveniente de la misma entidad por observación.3 EVALUACIÓN DE LAS TÉCNICAS DE REPRESENTACIÓN DE CONOCIMIENTOS 6. obtenerse o generarse. Los predicados pueden combinarse mediante el uso del operadores lógicos. Redes Semánticas. Producción: Es el resultado de la operación de ciertas acciones. tree´s. Frames. que es interpretado como “Un perro es mamífero”. Alfredo). Inferido: Resultado de la aplicación de algún formalismo de deducción.. Inherente: Es la apropiación de cierto conocimiento de una entidad por otra. Procedural: acciones. . Probabilístico. 6. Primitivas de la dependencia conceptual.2 CÁLCULO DE PREDICADOS El cálculo de predicados representa una extensión de la lógica proposicional. condiciones. eventos y elementos activos.. Suposiciones. Difuso. características. que se interpreta como “Ana es hermana de Juan”.. Algunos ejemplos del uso del cálculo de predicados son: Mamífero(perro). Representación Reglas: horn... Certidumbre: Absoluta: “Los perros tienen 4 patas”. valores. Un predicado es simplemente una declaración acerca del objeto. elementos estáticos. Juan) and prima(Ana.3.. Reglas de Producción.. Dependencia Conceptual. gracias a una relación de pertenencia. Estructura de datos: listas. Schemas. procedimientos.1 REPERTORIO Cálculo de Predicados. Hermana(Ana.

Partido (“OFI”) 2. Las esposas de los partidistas votan por esa agrupación.2 ∀x [burócratas(X) → (vota(X.Los elementos del cálculo de predicados de la Figura 30: Predicado Términos Objeto Entidad Interpretación Cuantificadores Fórmulas bien formadas Operadores Lógicos Fórmula bien formada Conversión Cláusula Simplificación Cláusula Regla de Horn Fig.”OFI”)] 5.”OFI”)) ∧ ~(~vota(X.Y) → ~vote(X.”OFI”))] 2.Y) ∨ vota(X.1 ∀x ∀y [apático(X) ∧ partido(Y) → (~vota(X. No resulta que los partidistas voten en contra de su partido. Elementos fundamentales del Cálculo de predicados Convertir: → ∧ Reducir: ~ Generalizar: ∃ → ∀ Expresión de conocimiento: La representación de conocimiento por medio del cálculo de predicados se realiza expresando el conocimiento del dominio en lenguaje natural.1 ∀x [conservador(X) → vota(X.2 ∀x ∀y [apático(X) ∧ partido(Y) → (~vota(X. 5. Los empleados apáticos votan por el OFI. 1. Este procedimiento se ejemplifica a continuación: Sean los siguientes postulados en tiempos de elecciones: El “OFI” es el partido oficial. Existen funcionarios que no votan por el OFI.”OFI”)] 5. 4.”OFI”))] 3. Los apáticos se abstienen de votar o lo hacen por el partido oficial. 3. Los conservadores y burócratas votan por el OFI.Y)] 7. Representado en fórmulas bien formadas: 1. 2.”OFI”)] 6. ~ (Partido(“POP”)) 4. ∀x ∀y ~[partidista(X) ∧ partido(Y) ∧ afiliado(X. para luego convertirse en clásulas de “Horn” y codificarse en un lenguaje de programación lógica como “Prolog”.X) → vota(Z. ∀x funcionario (X) ∧ ~vota(X. ∀x [empleado(X) ∧ apático(X) → vota(X. ∀x ∀y ∀z [partidista(X) ∧ partido(Y) ∧ afiliado(X.Y) ∧esposa(Z. El POP no es un partido. para que las oraciones se reescriban en “fórmulas bien formadas”.”OFI”) 96 .Y) ∧ vota(X.Y)] 8.Y) ⊕ (vota(X. 6. 30. 7.

3 afiliado(X8. Hecho Prolog a . ~Partido(“POP”) 4.”OFI”) 5.2 vota(X. par(X9)) Sin embargo.Y). 2 vota(X.5 vota(X.par(X9)) 8. par(X8)) ∨ ~esposa(muj(X9). Dicha situación facilita su representación en forma de implicación con una sola conclusión: Sea: Cláusula ~a ∨ b ∨ ~c Cláusula a ¡La conversión es muy simple! Codificación en PROLOG: 1.1 partidista(X4) 6. Horn ~a ∨ ~c ∨ b Horn a Regla .”OFI”) 5.2 partido(par (X7)) FUNCIÓN DE SKOLEM 6. Partido(“OFI”) 2. vota(X. 6. apático (X).conservador(X). afiliado(X. partido(“OFI”). vota (X.2 ~burócrata(X5) ∨ vota(X5.Y1) ∨ vota(X1.1 vota(X.”OFI”) :empleado (X).”OFI”):apático(X). ~empleado(X3 ) ∨ ~apático(X3) ∨ vota (X.burócrata(X).”OFI”) 3. es mejor codificar la regla: ~partidista(X8) ∨ ~partido(Y8) ∨ ~afiliado(X8.Y) :partidista(X).”OFI”) :. 3. ~partidista(X8) ∨ ~partido(par(X8)) ∨ ~afiliado(X8.b. fail (así se representan las negociaciones) 4.1 funcionario (fun) función sin argumentos constante de Skolem 8.”OFI”) 6.Base de Conocimientos 97 Conversión a cláusulas: 1. partido(“POP”) :-1. par(X8)) 6. partido(Y).”OFI”) Refinamiento a Cláusulas de Horn Una vez obtenidas las cláusulas se convierten a la modalidad de Horn. 5. solo un predicado debe estar afirmado y los demás negados.X9) ∨ vota(muj(X9). Y8) 7.”OFI”). en lugar de los 4 hechos anteriores.Implicación (a ∧ b) →c Hechos a Regla Prolog c:-a. Y8) ∨ vota(X8. ~apático(X1 ) ∨ ~partido(Y1) ∨ ~vota(X1.1 ~conservador(X4) ∨ vota(X4. 5.2 ~(vota (fun. en donde para cada conjunto de disyunciones.4 vota(X9.”OFI”) :.

Es decir una clásica regla “IF-THEN”. También cuenta con una base de conocimiento que contiene cualquier tipo de información apropiada para la tarea en particular.3REGLAS DE PRODUCCIÓN Mecanismo de control para el Apareamiento de Patrones Resolutor de conflictos fli t Patrón activo Patrones p1.X). vota(Z. Programación dirigida por Patrones Es muy semejante al cálculo de predicados con menos formalismo. Componentes Un sistema de producción se compone de un conjunto de reglas formadas por una parte izquierda que determina la aplicabilidad de la regla (patrón precondición) y una parte derecha que describe la operación que se lleva a cabo si se aplica la regla (patrón activo). Pp Base de conocimientos Patrón seleccionado Patrón candidato n Patrón candidato 1 Patrón candidato 2 Procesos a Ejecutar Ejecutador de patrones Fig. Además de una estrategia de control que especifique el orden en el que las reglas se comparan con la base de conocimiento y la forma de resolver los conflictos que surjan cuando varias reglas puedan ser aplicadas a la vez. la inferencia se realiza por “pareamiento de patrones”. y la activación de las reglas de las bases de conocimientos es determinada por los patrones almacenados en la “memoria de trabajo”. pero más práctica. el desarrollo es “hacia adelante” dirigida por datos. p2.(Una forma de implementar las funciones) 7. Aunado a un aplicador de reglas y a una porción de memoria de trabajo que se utiliza para rastrear el estado actual dentro del espacio de soluciones de la Figura 31: 6.... Elementos de un sistema de producción 98 .Y) : partidista(X). esposa(Z.Y). Entre sus principales diferencias están: Las reglas pueden tener varias conclusiones conjuntas. afiliado(X. 31.3. partido(Y).

Nombre de la regla “jubilación” y tarea activada “elige jubilado”. (empleado = “SI”. Sea el siguiente ejemplo: “Los empleados mayores de 60 años deben ser liquidados y pensionados” Regla: 1 persona (Nombre. Salario). (Vacantes. 5. Puesto = Jubilado. Actualización del patrón “persona”. Empleado. Como ejercicio realiza la representación en formato normal de regla y de OPS 5. Empleado = No). Como patrón activo: Las alteraciones al patrón. Activación de dos tareas: vacante reemplazo y pensión jubilado. cuando hacen “match” ejecutarán sus acciones depositando sus resultados como nuevos patrones o alterando a los originales. Puesto. edad > 60. Sí representamos el ejemplo a través de “OPS 5” Cuyo formato es: (p <rule-name> <condición 1> : <condición m> → <acción 1> : <acción n>) La regla queda codificada en: (p jubilación (Task ∧ elige jubilado(persona ∧ nombre<N> ∧ edad<E> ∧ empleado <“SI”> ∧ puesto<P> ∧ salario <S>) (∧ E>60)) → (MAKE plaza ( puesto P) → (REMOVE personal) (MAKE persona ∧ nombre<N> ∧ edad<E> ∧ empleado <“NO”> ∧ puesto <“JUBILADO”> ∧ salario<S>) (MAKE Task ∧ vacante reemplazo) (MAKE Task ∧ pensión jubilado)) De la regla anterior observamos: 1. La invocación a procesos especiales. 4. Acceso a un patrón “persona” que cumple las siguientes condiciones: empleado SI. . . Edad. del siguiente ejemplo: “Los empleados con salario mínimo recibirán un 30% de aumento y opcionalmente un bono de actuación”. en la memoria de trabajo. Jubilados) En esa representación se evidencia: Como el patrón precondición: La necesidad de accesar un patrón Las condiciones a satisfacer. 3. Edad > 60) : (Vacante = Puesto. 2. Creación de un nuevo patrón “plaza”.Base de Conocimientos 99 Las reglas interactúan “apareándose” con los patrones almacenados en la base de conocimientos.

“La secretaria fue la última en usar la máquina”. 32. lunes. 18:10 pm) (IN ( ) ( )) 100 . lunes. cuyo formato es: (declaración)(LS Estado (Argumentos de apoyo) (Argumentos en contra)) Sea el siguiente caso: “Se reportó el robo de una computadora a primera hora de la mañana”.6. todas las declaraciones de la base de conocimientos son válidas lógicamente y están enlazadas por conjunciones. 18:00 pm) (IN ( ) ( )) 4) hecho (salir.4 SUPOSICIONES La verdad de las técnicas de cálculo de predicados y reglas de producción es absoluta y permanece en la aplicación durante la solución de un problema determinado. a veces las declaraciones se ven sujetas a: Incertidumbre. Tales declaraciones se representan así: 2) hecho (salir. después que todos se habían marchado”. lunes. computadora. oficina.3. afirma categóricamente el valor de verdad de un hecho: Falso 0 ó Cierto 1 Esta postura no varia a lo largo de la sesión cuyo proceso se vuelve monotónico. Relatividad. secretaria) (IN ( )( )) H2 sospechoso (robo. 1) Caso (robo. computadora. afanador) (IN ( )( )) H3 sospechoso (robo. Secuencia. Dependencia de otras. computadora. secretaria. computadora. computadora. Es decir. Es más. Una alternativa para representar estos casos es por medio de “listas de soporte”. programador) (OUT ( )( )) Durante el primer interrogatorio se dice que: “El programador salió el día anterior”. Enlace de las declaraciones en la BC Sin embargo. mientras que se descarta al programador. secretaria. H1 sospechoso (robo. Contradicciones. programador. oficina. “El afanador no vio la PC cuando hizo la limpieza. 16:00 pm) (IN ( ) ( )) 3) hecho (usar. lo que determina su consistencia como se aprecia en la Figura 32: premisa 1 ∧ premisa 2 ∧ : ∧ premisa p-1 ∧ premisa p Consistencia Fig. martes. Temporalidad. 8:00 am) (IN ( )( )) Se tienen dos sospechosos: la secretaria y el afanador.

mientras que los restantes tienen el de falso (OUT). 33. como por ejemplo: “El color oficial del Ferrari es el rojo”. computadora.3. lunes. afanador. lunes. 6)) Se aprecia que la hipótesis 1 adquiere el estado de “verdadera” (IN) dado los argumentos 3 y 6 que la sustentan. ya que los argumentos obran en contra de tales teorías. E3: El nuevo policía jura haber visto salir temprano en su auto a Juan. E4: Según el Jefe de Recursos Humanos declaró que Juan se quedó a trabajar toda la noche. afanador. Es decir. Ejercicio: continuar desarrollando el ejercicio de acuerdo a las siguientes etapas: E1: El velador declara haber visto la máquina en su ronda nocturna de las 23:00 hrs. “El Ferrari de Michael Schumager ganará el próximo gran premio de Australia”. afanador) (OUT ( ) (6)) H3 sospechoso (robo. 19:35 pm) (IN ( ) ( )) Alterando las hipótesis: H1 sospechoso (robo. secretaria) (IN (3. computadora. E2: El afanador salió a las 22:00 hrs. oficina. Representación con Fuzzy sets del ejemplo “El Williams es un auto más rápido que el Ferrari” Por lo tanto en Fuzzy Sets se establecen Fronteras Fuzzy en las que la determinación de membresía o no membresía es gradual y no absoluta. computadora. Este último caso nos lleva a reflexionar que tan rápido es Williams sobre Ferrari. E5: Un vecino observó entrar y salir de la oficina durante la madrugada al hijo del dueño.Base de Conocimientos 101 5) hecho (limpiar. 6) ( )) H2 sospechoso (robo. computadora. programador) (OUT ( ) (3. 6. “Creo que Mipa Hakkimen será contratado por Ferrari”. “El McClaren es un auto más rápido que el Ferrari”. 19:30 pm) (IN ( ) ( )) 6) hecho (no ver. se calcula por medio de una Función Fuzzy que arroja un grado de pertenencia como se muestra en la Figura 34: . en proporción a su pertenencia sobre cierto concepto o clasificación.5 CONOCIMIENTO DIFUSO “FUZZY SETS” Hay problemas cuya incertidumbre no se mide en términos absolutos o aproximados sobre la variedad lógica de un evento o descripción sino más bien. Esto se puede concebir como en la Figura 33: Williams Conjunto de autos muy rápidos Ferrari Se aprecia que Williams tiene más grado de pertenencia Fig.

Conceptos Básicos de la Teoría de Fuzzy Sets Variable Lingüística: Proporciona las bases para un análisis cualitativo de las características del problema. Atributo hermosura Variable lingüística guapa Conceptos fuzzy

Objeto

Atributo estatura

Variable lingüística alto

muy bastante regular 2, 3 Poco “no la hace” : : Conceptos fuzzy : jirafa garrocha zotaco chaparro grandulón enano : : :

Fig. 34.. Variables Lingüísticas Universo de Valores: Se genera a partir del término primario y sus antónimos, agregando modificadores y conectivos: muy, poco, mucho, ... Definición del grado de Membresía: Es la medida de pertenencia de un objeto dentro de una clase conforme a los atributos de esta. El grado de membresía se ilustra en la Figura 35: ∗ Subjetivo. ∗ Parte del término primario. ∗ Dependiente de contexto. ∗ Contempla la influencia de “modificadores universales”.
µn µ1 donde: f fuzzy (µ i ) = Grado Grado [ 0,1] Grado ∈ F µ3

µ2

µj Clase F

. . .
µi

Fronteras fuzzy

Fig. 35. Grado de membresía Interpretación de valores : La definición lingüística de conceptos puede convertirse en un cuestionario ramificado de opciones, a través de una sesión de respuestas de los valores de las variables lingüísticas que concluyen el valor de la dependiente (conclusión).
102

Base de Conocimientos

103

Sean los factores de una recesión económica: Índice inflacionario Pequeño Moderado . . alto Muy grande nivel desempleo bajo bajo . . moderado bastante tasa de interés bancario medio regular . . crecimiento por las nubes indicador bolsas al alza estable . . a la baja en picada recesión ninguna casi no . . si brutal

Disponibilidad: Permite manipular y hacer inferencia a través de posiciones difusas. Procedimiento: ∗ Identificación del concepto difuso “¡Los jugadores de football americano de la NFL son grandes!” ∗ Identificación del universo: “Jugadores de football americano”
U Jugadores de football americano de la NFL

∗ Conceptualización de la clase “grandes”
F U Jugadores grandes

∗ Precisión del término primario “grande” y sus similares “fuerte”, “alto”, “pesado”
grande

fuerte

alto

pesado

∗ Derivación de las variables lingüísticas en las que descansa el término primario estatura ∧ peso ∧ constitución → grande Estatura Altísimo Alto Medio Bajo Chaparro . . ∗ Consideración de cuantificadores Estatura Muy más o menos Poco peso bastante casi constitución bien muy grande como un casi un menos que peso refrigerador pasado medio ligero flaco . . constitución Mr. Universo proporcional cuadrado media endeble . . grande gigante ropero atlético aceptable regular pequeño enano

∗ Cálculo de valores Fuzzy − Variables fuzzy: Cada variable cuenta con un repertorio de valores fuzzy, que integrados forman un “fuzzy set”:
estatura enano jirafa altísimo alto medio bajo chaparro peso refrigerador pesado medio flaco ligero

− Cuantificación: Si bien las expresiones son cualitativas su manipulación exige una compilación cuantitativa, mediante una función fuzzy, como por ejemplo a través de la interpolación de valores: estatura en mts <1.70 [1.70, 1.78] [1.79, 1.85] [1.86, 1.90] [1.91, 1.98] [1.99, 2.05] >2.05 − Integración: Relacionar conceptos
valor fuzzy función # fuzzy

.grado de membresía .1 .2 .4 .6 .8 .9 1

valor fuzzy enano chaparro bajo medio alto altísimo jirafa

fuzzy set

criterios de análisis

generación de la membresía

− Alteración: Impacto de los cuantificadores fuzzy, cuyo efecto no siempre tiene el mismo sentido ni tampoco la misma intención:
Incrementa alto muy de .8 a .94

bajo Decrementa

de .2 a .14

dado que el contexto es “jugadores grandes” tiende al superlativo. Mientras que:
Decrementa alto poco de .8 a .74

bajo Incrementa

de .2 a .44

Nótese que el cuantificador impactó en una proporción “p” al número fuzzy. Por lo que, cada cuantificador debe tener un umbral que con base al número fuzzy del valor lo estimule o lo reduzca: Veamos el caso de “muy” para los valores de “estatura”: 104

pudiera escogerse el menor de ellos. Pero.84 min[ . .62 THEN #F = #F . Esencialmente es una técnica de conocimiento que permite representar: Su descripción simbólica consta de objetos y relaciones.94 * .94.99 * .6 REDES SEMÁNTICAS Objetos.3] ELSE #F = #F + [(1 . Jerarquías. Ejercicio: Realizar el procedimiento correspondiente a tres variables lingüísticas que concluyan el grado de simpatía de una persona.5 ← umbral THEN #F’ = #F + [(1 . Conceptos.mientras que si fueran disjuntas se seleccionaría al mayor.Base de Conocimientos 105 IF #F > .7] ELSE #F = #F * . tal que: ropero (Juan) ← muy alto ∧ bastante pesado ∧ bien cuadrado . . El criterio de “jugador grande” puede expresarse como: ← incremente ← proporción de impacto de reducción ← decremente ← aumenta grande (x) ← estatura (x) ∧ peso (x) ∧ constitución (x) ropero (Juan) ← muy alto ∧ bastante pesado ∧ bien cuadrado .3] ∗ Interrelación de las variables.[(1 .78 ← .84 Se aprecia que los números fuzzy de las condiciones se multiplican (como la intersección en probabilidad). Eventos.3. .#F) * .#F) * 0. ilustrándose en forma de red.97.#F) * 0.7 Mientras que para “poco”: IF #F > 0.84] por ser condiciones conjuntas. 6.

en donde una relación “IS-A” los une. Entonces esa propiedad se declara explícitamente como parte de la descripción del objeto que provoca la excepción.) (Herbívoro (Come Verdura)(IS-A Mamífero). representándola por medio de una “lista de propiedades” compuestas por listas que contienen parejas “atributo-valor”... como por ejemplo: “El gato tiene facilidad para trepar por ser un felino” Manejo de excepciones Ocurre cuando existe una “excepción a la regla”. 36.. donde un objeto tiene un valor diferente al atributo de una propiedad del otro objeto con el que está relacionado directa o indirectamente por medio de una liga “IS-A”.Apreciar los ejemplos de la Figura 36: Equipo de Cómputo IS-A IS-PART Computadora IS-PART CPU IS-PART Main Board IS-PART Gato IS-A Pícaro Memoria Principal IS-PART Chip IS-PART Periférico IS-A Animal Mamífero IS-A Carnívoro IS-A Felino IS-A IS-A Herbívoro Ave Fig.. (Mamífero (Nace en Placenta)(Tiene Mamas)(IS-A Animal). como por ejemplo.) (Gato (Es doméstico)(IS-A Felino).) Inherencia La inherencia ocurre cuando un objeto utiliza las propiedades de otro..) (Carnívoro(Come Carne)(IS-A Mamífero).) (Felino(Facilidad para Trepar)(IS-A Carnívoro).. Representación mediante redes semánticas Descripción Cada objeto representa a una entidad específica o conjunto de ellas. el ornitorrinco nace en huevo a pesar de ser un mamífero.... (Ornitorrinco (IS-A Mamífero)(Nace en huevo)...) 106 ..

Y) Fig. . así como de sus respectivos ancestros.. mordiscos y carteros respectivamente. Y) Fig. Este hecho está representado en una sola red sin particiones. un mordisco y un cartero en particular. recibiendo la inherencia de las propiedades de cada uno de ellos. Esto se puede hacer utilizando particiones como las de dicha figura. 38.Base de Conocimientos 107 Manejo de inherencia múltiple Se presenta cuando un objeto está ligado a dos o más por medio de una relación “IS-A”. v representan un perro. convirtiéndola en un conjunto jerárquico de espacios. cada uno de los cuales corresponde al ámbito de una o más variables. Ahora obsérvese la red de la siguiente figura 38: perro σG Is-a g Forma Is-a morder Is-a a actor víctima cartero Is-a V ∀ S ∀x Perro (X) → ∀y cartero (Y) ∧ muerde (X.. El perro mordió al cartero Los nodos perro. a .. y una o más conexiones ∀ para la variable cuantificada universalmente. Un modo de hacerlo es dividir la red en particiones. Este nodo es una instancia de la clase especial σG de sentencias generales acerca del mundo. morder y cartero representan clases de perros. mientras que los nodos s. (Humano(IS-A Carnívoro) (IS-A Herbívoro). donde forma es el atributo que establece la relación que se está afirmando. Todos los perros han mordido a algún cartero Para representar este hecho es necesario ilustrar el ámbito de la variable universalmente cuantificada x.víctima a .actor S . donde el nodo g representa la aserción anterior... como se muestra en la red de la figura 37: perro Is-a S actor morder Is-a a víctima cartero Is-a V V .) Representación de acciones Supóngase que se quieren representar expresiones de la lógica cuantificadas por medio de redes semánticas. 37.sujeto perro (X) ∧ cartero (Y) ∧ muerde (X.

Para observar cómo la división en particiones hace que la cuantificación de las variables sea explícita. Los marcos son una estructura de datos que representan un estereotipo de: Se representa como una red de nodos y relaciones. Todos los perros han mordido a todos los carteros En este caso g tiene dos enlaces ∀. Los fillers se pueden llenar por medio de: Valores explícitos almacenados en la ranura A-kind-of: Valores obtenidos desde otros “frames” If needed: Cálculos. y otro apuntando hacia v. Relaciones IS-PART de un automóvil. Ilustrar la inherencia simple. es decir ranuras a ser llenadas. La expresión “Los estudiantes tienen libros”. cuyo procedimiento se describe en el propio marco o bien se hace referencia Default: Es el valor que se emplea en caso de que los métodos anteriores no puedan generar uno más específico. uno apuntando hacia s que representa cualquier perro. Eventos.7 FRAMES Conceptos. 6. consideresé la siguiente sentencia de la figura 39: perro Is-a S actor morder Is-a a víctima cartero Is-a V ∀ σG g ∀ ∀x Perro (X) → ∀y cartero (Y) ∧ muerde (X. 108 . que se refiere a cualquier cartero. 39. múltiple y excepciones. Ejercicio: Describir una red semántica con Relaciones IS-A para la botánica.3. Y) Fig. Objetos. en donde el nivel superior describe aspectos generales y constantes. mientras que el inferior tiene una serie de “slots and fillers”.

uso Fig. . A-kind-of Similar to Puente . 40. Descripción . 41. Área Central Área Derecha Frame Pared A-kind-of Frame Pintura Frame Ventana Vista Frame Puerta Espacio ocupado Fig. Lado der.Base de Conocimientos 109 Sea el frame típico de un arco de la Figura 40: Frame: Grupo Grupo: Arco Tamaño default medio Perímetro IF-needed perímetro Frame:Objeto Objeto: Top Top condición Lado izq. Represetación de un arco mediante frames Veamos otro ejemplo de FRAME descriptivo sobre la composición de una sala en la Figura 41: Frame cuarto Tipo Sala Techo Pared izquierda Pared frontal Suelo Pared derecha Frame-Pared Frame Pared Área central izq. Representación de una sala .

43. 42. Representación de una acción y los elementos involucrados 110 . Descripción de los elementos de una oración Sea el Frame de la Figura 43: Marco: Sentencia de movimiento Significado Agente fuente antecedente primario antecedentes secundarios Instrumento objeto desarrollo trayectoria co-agente destino consecuencia primaria consecuencia futuras Fig.Ahora un frame para ilustrar los elementos de una oración de la Figura 42: Word Group Frame Word Group Group Features Determiner Number Determiner Ordinal Ordinal Number Adjective (S) Classifier Noun Qualifier (S) Descripción de un objeto de otra forma Red de Transición Aumentada Fig.

41. Representación del conocimiento mediante dependencia conceptual . El objetivo consiste en caracterizar el conocimiento de alguna forma que: Facilite extraer inferencias de las frases. Debido a estos requisitos. la representación en dependencia conceptual de una frase no se construye con primitivas que corresponda a las palabras que aparecen en la frase. Instanciación de un evento Ejercicio: Hacer el frame de: Aula de clases. en las que pueden construirse representaciones de trozos particulares de información (ver figura 41).3. desde la ventana de su casa hacia el peatón que pasaba por la acera de enfrente. Sea independiente del lenguaje en el que estén las frases originales.Base de Conocimientos 111 Que al usarse en el evento: “Juan animado por Pedro. sino con primitivas conceptuales que pueden combinarse para formar el significado de las palabras en cualquier lenguaje concreto. Esta técnica proporciona tanto una estructura como un conjunto específico de primitivas. lanzó con su resortera una piedra.8 DEPENDENCIA CONCEPTUAL La dependencia conceptual es una teoría sobre la representación del conocimiento sobre eventos y elementos relacionados como los que normalmente aparecen en las frases de lenguaje natural. La oración: “Ana comió tanta carne en la fiesta que se indigestó”. Interpretación Lenguaje Representación Estructura basada en primitivas Fig. Como se aprecia en la Figura 44: Marco: Lanzar Arrojar un objeto Agente Juan Instrumento resortera co-agente Pedro fuente ventana-casa antecedente primario animado antecedentes secundarios objeto piedra destino peatón-acera consecuencia primaria hérida consecuencia futuras castigo/sanció desarrollo travesura trayectoria parabólica ociosos Fig. 6. hiriéndolo en la frente”. Ofrezca la esencia de la expresión. 44.

ATRANS PTRANS MTRANS MOVE GRASP PROPEL INGEST EXPEL MBUILD SPEAK ATTEND Transferencia abstracta: dar Transferencia física: ir Transferencia mental: decir Mover alguna parte del cuerpo: levántate Tomar algún objeto: recógelo Impulsar un objeto: empújalo Ingerir: comer Expulsar algo del cuerpo: llorar Generar información proceso mental: decidir Emisión de sonidos: hacer ruidos Poner atención en algo: escuchar observar Entre sus aplicaciones relevantes está el lenguaje natural que en combinación con la técnica “ERKS” (Sistema de Representación Eclíptica de Conocimiento”) puede definir semánticas primitivas como las siguientes: STRUCT → (HEADER BODY) HEADER → atom | nil BODY → ROLL FILLER | nil | ROLL FILLER BODY ROLL → atom FILLER → STRUCT La representación de la acción “enviar algo” es la siguiente: (PTRANS ACTOR (filler) OBJ (filler) FROM (filler) TO (filler)) “Juan envió una solicitud al MTI” (PTRANS ACTOR (PERSON NAME (Juan) SEXO (masculino) OBJ (TYPE ( NAME (solicitud) FROM (nil) TO (INSIDE PART (ITM)))) Sea la acción “Pedro golpeó la bola al jardín central”: Tenemos el diccionario: HUMℜ: (person personame (Pedro)) OBJℜ: (pobj pobjname (bola)) PLAℜ: (place placename (jardín) site (central)) OBJ1: (pobj pobjname (bat)) PLA1: (place placename (jardín) site (home)) Y los estados: STATEℜ: (s-goal ACTOR HUMℜ GOAL (val (jugar))) STATE 1: (p-config con1 HUMℜ con 2 OBJ1 confrel(poss)) STATE 2: (p-config con1 con2 confrel (inside)) El evento: Evento: (PROPEL ACTOR OBJET (HUMℜ) (OBJℜ) 112 .

vendedor. taquillero. Raúl tiene menos dinero.3. boleto. Casa. Resultados: Las consecuencias y objetivos cumplidos al ejecutar el guión. dinero. apoyándose en frames y dependencia conceptual. muebles. Escenarios: Lugares donde se realizan las acciones. calle. La empresa cumplió una función más. Sea el Script de ir al cine: Primero definimos los elementos generales: SCRIPT: ESCENARIOS: ACTORES: OBJETOS: Ir al cine.9 SCRIPTS Los guiones son una técnica adecuada a la representación de estereotipos de eventos. Condiciones de entrada: Raúl quiere divertirse. situación u objeto a representar. butaca. documentos y cualquier otro objeto relevante a considerar. Condiciones de entrada: Son los requerimientos a satisfacer que ameritan activar el Script. Objetos: Los artículos. Raúl tiene auto. dulcería. con lo que ganaron el partido faltando 5 segundos”. taquilla. Escenas: Las etapas de desarrollo del evento. lanzo un pase de anotación de 45 yardas a las diagonales a su receptor Jerry Rice. Periódicos. palomitas. Como ejercicio representar: “Luis invitó al campo a María”. 6. Steve John. El universo de elementos que maneja son: Script: Nombre del evento.Base de Conocimientos 113 TO TIME QUANTITY FROM WITH Y su relación: (is kernel EVENTOℜ relación STATEℜ relación STATE1 relación STATE2 ) (physob to PLAℜ) (past) (forceful) (PLA1) (OBJ1)) De acuerdo a la naturaleza de la acción se apoya en los estados 0 y 1 generando el 2 como consecuencia. auto. Se procede a identificar las escenas a desarrollar: . Raúl tiene dinero. Raúl comió algo. Raúl. Resultados: Raúl está contento. Actores: Son los roles que interpretan los participantes. La empresa obtuvo un ingreso más. sala de exhibición. “El quarterback de San Francisco.

Ingresar a la sala. Adquirir el boleto. Mirar la película. 114 . Mirar la película. Abandonar el cine. Ir al cine.Escenas: Decidir ir al cine. Luego se describen las escenas: Escena 1) Decidir ir al cine Raúl MBUILD “estoy aburrido” Raúl MBUILD “veamos que hay en cartelera” Raúl ATTEND PART ojos TO periódico Raúl PTRANS cuerpo TO periódico Raúl MOVE PART mano TO periódico Raúl GRASP TO periódico WITH mano Raúl ATTEND PART ojos TO periódico Raúl MBUILD “escoge esta película” Raúl UNGRASP TO periódico ON mesa Escena 2) Ir al cine Raúl GRASP TO llaves-del-carro Raúl PTRANS TO cochera Raúl PROPEL OBJECT llave-auto TO ranura-switch Raúl MOVE PART mano TO llave FROM circular Raúl ATTEND PART ojos TO calle Raúl MBUILD “decide arrancar” Raúl ATTEND PART ojos manos Raúl MBUILD ruta pies Escena 3) Adqurir el boleto Raúl PTRANS FROM estacionamiento TO cine Raúl ATTEND PART ojos TO taquilla Raúl PTRANS TO taquilla Raúl MTRANS “quiero un boleto” TO taquillero Raúl ATRANS dinero TO taquillero taquillero ATRANS boleto TO Raúl taquillero ATRANS dinero-cambio TO Raúl Raúl PTRANS TO acceso-cine Ejercicio: Desarrollar las escenas restantes: Comprar golosinas. Abandonar el cine. Ingresar a la sala. Comprar golosinas.

Depende de conocimiento auxiliar para guiar sus actividades. Definición de las expresiones para indicar su veracidad o falsedad. Adecuado para describir características y aspectos estáticos. La determinación del grado de detalle al que se debe representar las entidades depende de un adecuado mecanismo de inferencia. A ¬ B no permite el caso de que con premisas válidas se obtengan conclusiones erróneas. Apropiado para representar y explotar abundante información. leyes y terminología.1 DECLARATIVO El conocimiento declarativo tiene las siguientes propiedades: Representa esencialmente el conocimiento del dominio: hechos. conforme a la demostración de Gödel. tiene “la capacidad” de generar todas las inferencias válidas a partir de un conjunto de premisas. la veracidad o falsedad de una afirmación no cambia a lo largo del proceso.3 CÁLCULO DE PREDICADOS La técnica del cálculo de predicados se caracteriza por: Apoyarse en el formalismo de lógica matemática. No facilita el backtrack de hipótesis pues no conserva diversos estados del contenido de la memoria de trabajo. Decibilidad. Puede gastar muchos recursos en situaciones no determinístas.2 PROCEDURAL El conocimiento procedural cuenta con los atributos: Para representar esencialmente el conocimiento estratégico de “cómo hacer las cosas”. Popularidad y explotación. Adecuado en la modelización de acciones generales y cíclicas.4 SELECCIÓN DE LA REPRESENTACIÓN APROPIADA 6. para las declaraciones de conocimiento hechas por medio de cálculo de predicados puede ser imposible de demostrar la consistencia de su formalismo. no hay garantía de que termine un proceso que trata de demostrar que una proposición se deduce de cierta teoría. Permite diferentes grados de conceptualización. Certeza. . Inconsistencia. dado A → B. Útil para proyectar secuencias de acciones. Hay conflictos de reglas para elegir la mejor. Consume mucho esfuerzo y recursos al crear una base de conocimientos.4. Existe conflicto de memoria en la alteración y administración del conocimiento. La monotoneidad de su inferencia. Se reflejar como algorítmico.4 REGLAS DE PRODUCCIÓN La aplicación de los sistemas con reglas de producción tienen las siguientes observaciones: Su forma de representación es en general sencilla y útil. intenta demostrar que una proposición se sigue de cierta teoría.Base de Conocimientos 115 6. eventos y factores dinámicos.4. Completez. No siempre se puede tener: ∗ Precisión ∗ Certeza 6. 6.4. Es flexible y variado en su representación.4. Maneja varias alternativas de solución. Intratabilidad. capaces de producir resultados homogéneos. Permite implementar metaconocimiento para orientar la búsqueda de la solución. Permite diferentes niveles de abstracción. Necesita de un eficiente administrador. 6. Overhead del Match en cada ciclo. Adecuado en implementaciones dirigidas por datos.

Hay la exigencia de contar con al menos una hipótesis verdadera en todos los casos. Propagación de probabilidades y cambios: Sean las reglas: A → B. Manejan contradicciones y ambigüedades.4.hoc a problemas específicos. apoyados en evidencias comunes. Muy subjetivos y dependientes de contexto. Existe la necesidad de manejar resultados disjuntos. Manejo de información incompleta y aproximada. Carentes de una base exacta de formalismo. Pueden “romper” dogmas. Facilitan la incorporación de nueva información a lo largo de la solución de un problema.Los sistemas que manejan creencias son: Adecuados para representar incertidumbre de afirmaciones cambiantes en su veracidad. mutuamente exclusivos.7 FUZZY SETS Los conjuntos borrosos son: Apropiados para la representación de aspectos confusos.8 REDES SEMÁNTICAS Las redes semánticas se orientan a: Representar jerárquicamente los objetos y atributos.4. Ad . Facilitar la inherencia de propiedades entre objetos. Manejo de eventos no independientes. ya que al agregar un nuevo hecho se deben disminuir las probabilidades de los demás para mantener la suma en 1.4. Relativamente novedosos y pragmáticos. Requieren redundancia de versiones sobre la misma información. B P1 P2 pero si P1 cambia a P4 ¿Qué pasa con P2 y P3? Obliga a mantener una base de conocimientos “Bayesiana”. Fundamentados en las formas de combinación y propagación de los valores Fuzzy. Consumen más recursos que el cálculo de predicados. 6.4. inexactos. La obtención e interrelación de las probabilidades y definición de umbrales certeros. Se debe calcular de la fórmula de Bayes en universos amplios. 6. Guía a la inferencia en deducciones inciertas. Exigen un mecanismo de “mantenimiento” de verdad eficiente. ambigüos y contradictorios.6 PROBABILIDAD Los sistemas que emplean probabilidad se enfocan a: Problemas con rasgos aleatorios. → C P3 6. 116 .5 CREENCIAS 6. Permiten desarrollar múltiples enfoques. por lo que complica el cálculo. Aprovechamiento de experiencias y estadísticas. Desarrollar múltiples alternativas. Obligan a precisar la definición de grados de pertenencia. Inclinados a favorecer tendencias parciales o temporales.

Mezcla el conocimiento procedural y declarativo. Definen aspectos comunes. Simplificar la inferencia. además de actualizar los valores de estado. Pobreza en su expresión natural por el hecho de usar dependencia conceptual.11 SCRIPTS Los guiones cuentan con las siguientes propiedades: Son adecuados para el modelaje de estereotipos. 6. Adecuados en aplicaciones de generación de historias. técnicas y metodologías Lenguajes funcionales: IPL LISP INTERLISP y otros derivados SAIL POP Basados en cálculo de predicados y reglas: ∗ ∗ ∗ ∗ ∗ . rutinarios y lógicos. Orientada al lenguaje natural.4. al manipular conjuntos pequeños de primitivas. Incertidumbre en la definición de los objetos. Se debe interrelacionar con otros modelos de conocimiento e inferencia para adquirir sentido. 6. Facilita la inferencia.5. El problema crece para decodificar una expresión primitiva en una natural. Mucha dispersión del conocimiento al usar gran cantidad de nodos y ligas. Dificultad para declarar “verdades universales”. entidades y eventos. 6. Permite incluir valores por default y el manejo de dominios.4. Presentar dificultades en la atención a múltiples inherencias. enseñanza. Limitar la representación de abundante información.1 HERRAMIENTAS La representación de conocimiento puede implementarse por medio de los siguientes tipos de herramientas. Emplea menor número de nodos y ligas El manejo de “fillers” implica proceso y conocimiento adicional.10 DEPENDENCIA CONCEPTUAL La dependencia conceptual es: Apropiada en la representación de conceptos esenciales.9 FRAMES Los marcos tienen las siguientes observaciones: Facilita la conceptualización e interrelación de conceptos. Usar primitivas para eliminar aspectos complementarios. Con pocos elementos y simples estructuras representa una gran cantidad y variedad de ideas.4. Concentra gran cantidad de conocimientos en un sólo molde. Evita las ambigüedades. Tienen un alto grado de dificultad para compilar una representación en primitivas. Los casos reales no siempre siguen los mismos patrones Requieren amplios recursos computacionales.Base de Conocimientos 117 Describir significados de las entidades. Se pierde la riqueza del lenguaje. planeación y reparación. 6.5 CONSTRUCCIÓN DE UNA BASE DE CONOCIMIENTOS 6.

FRAMES KRL FRL KL-ONE KRIPTON CYCL Conceptual Graphs RLL NIKL THEO KL-ONE FRAMEKIT MECHO´S Orientado a objetos SMALLTALK CLOS ACTOR LOOPS SCHEME C++ ∗ ∗ ∗ ∗ ∗ ∗ Dependencia Conceptual ∗ ERKS Scripts ∗ PAM Elección de Técnica Para resolver los complejos problemas con los que se enfrenta la Inteligencia Artificial. 118 6.2 METODOLOGÍA . es necesario disponer de una gran cantidad de conocimiento y de una serie de mecanismos que permitan representarlo y manipularlo con el fin de obtener soluciones a nuevos problemas. Sin embargo se debe resaltar una característica común en todas las representaciones compuesta de: Hechos: Es aquello que se quiere manipular.5. En las aplicaciones se ha representado el conocimiento de distintas maneras a través de variadas opciones que ya han sido evaluadas.∗ ∗ ∗ ∗ PROLOG OPS 5 MBASE MRS Creencias: ∗ TMS Probabilidad/Factores de certidumbre: ∗ M1 ∗ EMYCIN ∗ OPS 5 Fuzzy ∗ Flops ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ Redes semánticas .

42. Además se debe considerar que un buen sistema de representación de conocimiento en un dominio particular debe poseer las siguientes propiedades: Suficiencia de la representación. Default. Empleo de contextos.semántica. Nivel de Estatismo. Cuantificaciones. Estructuración. los puntos a incluir en la elección de una técnica de representación ilustrada en la Figura 42: Naturaleza del problema Caracterización del conocimiento Mecanismo de manipulación Selección Herramientas disponibles Evaluación de Técnicas Fig. ∗ ∗ ∗ ∗ ∗ . Suficiencia deductiva. Absolutismo. Eficiencia en la adquisición. Eficiencia deductiva. Consideraciones para la selección de técnica de representación del conocimiento Aspectos a caracterizar del conocimiento Abundancia. Generalidades. Espacios de versión. Certidumbre. Representación sintáctico . A continuación se muestra en forma de diagrama.Base de Conocimientos 119 Representaciones de los hechos: Es el formalismo de representación y la forma de manipulación. Universalidad. Manejo de: Excepciones. Inherencia. Grado procedural. Contradicciones.

imperceptibles como los sentimientos. es necesaria una ontología global bien diseñada que especifique a muy alto nivel que clases de cosas existen y que propiedades generales tienen. Pueden tener super clase y subclases. naciones. leyes. Compuestos: Identifica las partes integrantes del objeto.. Eventos: Sucesos con una duración breve cuyo propósito es describir una acción o resultado.. Ontología La Ontología es “el estudio filosófico de lo que existe”. caracterizándose por ∗ Momento: Inicial.. Utilidad y aplicación. minerales. duración: Lapso o conjunto de ellos.. Todos los sistemas basados en conocimiento se refieren a entidades del mundo. Una ontología global proporciona una fundamentación más sólida para el dominio específico de las aplicaciones y permitirles comunicarse entre ellos como se muestra en la Figura 43: Ontología Aplicaciones de la Inteligencia Artificial Conocimiento Humano Universo del dominio Relaciones Clases de objetivos Propiedades y Entidades Fig.. aparecen en todos los objetos de la misma clase.. Intangible: Objetos sin masa. Evaluación. Procesos: Secuencia de acciones con una duración mas amplia que un evento... Soporte de fundamentos. Slots: Identifica las propiedades de un objeto. Estos pueden descomponerse en partes. Colombia. así como al de los objetos. 43. pensamientos. Mantenimiento.. Propiedades extrínsecas: Son aquellas que distinguen a un objeto del resto de la misma clase. 120 . Instancias de colecciones: Son objetos específicos como Juan Sánchez. pero para poder capturar la profundidad del conocimiento humano. final. que tienen “creencias” que orientan su conducta Representación: Forma de descripción simbólica. Tangibles: Objetos concretos tales como personas. etc. propósito. Casualidad: Eventos que surgen circunstancialmente y que afectan el estado de otros. trueno. Relación Ontología . ruidos. Substancia: Es lo que retiene las propiedades intrínsecas. Adquisición. Naturaleza: Del objeto. En el contexto de la Inteligencia Artificial la ontología se ocupa de las categorías que podemos cuantificar adecuadamente y de la manera en que se relacionan con las demás. definición.Conceptualización de la base de conocimiento Valor del conocimiento. es decir los adjetivos que permitirán reconocerlo. y frecuencias: Cada cuando Agente: son objetos tangibles y activos.. Forma y contenido. ∗ Extensión intangible: Mente de la persona. Tiempo: Es el punto de referencia con relación a otros eventos. reconociendo dos aspectos: ∗ Extensión física: Cuerpo de una persona. Explotación.Representación del conocimiento Atributos Ontológicos: Clase: Colección de objetos homogéneos: personas.

3 CYCL Es una base de conocimientos cuyo objetivo es representar el sentido común del ser humano. 44.5. Selección de la forma de representación: reglas. múltiple y generalizada. Un programa que compila declaraciones epistemológicas a heurística. marcos. expresadas en predicados. Elección de la herramienta de software. etc. de la forma mostrada en la Figura 44: Representación Percepción Mundo Frames Cálculo de predicados Funciones LISP CYCL Fig. Para ilustrar la representación de conocimiento que realiza CYCL. 7. Excepciones. pretendiendo describir el mundo a través de una teoría basada en: eventos. basado en marcos que incorpora técnicas de herencia múltiple. Creación de la base de conocimientos. transfiere-a-través-de. adaptado a las necesidades específicas del problema. y desarrollo ascendente y descendente. primitivas. Identificación de las formas de inferencia y explotación para la solución de problemas. se aprecia en la siguiente figura la composición de varios marcos involucrados en los elementos e implicaciones de una frase. “Slots and Fillers”. objetos y actitudes. Prueba. CYCL generaliza la noción de herencia de una forma que las propiedades pueden heredarse a través de cualquiere enlace. acceso.Base de Conocimientos 121 Procedimiento: Caracterización del conocimiento perteneciente al dominio del problema. Un lenguaje de condiciones para declarar expresiones en predicados. Diseño del mecanismo administrador del almacenamiento. Este proyecto estuvo a cargo de Lenat y Guha. y su representación de la Figura 45: . etc. listas. Consideración de los medios de aprendizaje. Integración con los demás módulos de Sistemas Expertos. adquisición y mantenimiento. no solo con “es-un” e “instancia”. propagación de valores. depuración y evaluación de la base de conocimientos. actualización y consistencia de la base. mutuamenteexcluyente-con. ∗ Heurístico: es un subconjunto de los anteriores. funciones. El conocimiento de CYCL está codificado en un lenguaje denominado CYCL. Dos niveles de representación: ∗ Epistemológico: Hechos generales de dominio universal. para combinarlo con bases de conocimientos especializadas en diversos dominios y producir Sistemas Expertos más robustos que los convencionales. Confrontación con los métodos de representación. Estructura de CYC El lenguaje CYCL representa: Inherencia simple. Operación Sea la declaración "A María le gusta únicamente la gente que programa en LISP”. ranuras con objeto de pleno derecho.

Representación "A María le gusta únicamente la gente que programa en LISP” La figura anterior muestra cómo puede expresarse el hecho “A María le gusta únicamente la gente que programa en LISP”. que restringe el valor de su enlace le gusta. Edad: 25 . Programa en (LISP) Frame: Luis Sexo: Masc. Edad: 20 . Programa en (C.. María posee una restricción condición solo LISP.. 45..Frame: María Sexo: Fem Edad: 23 Le gusta: Condición: solo LISP Frame: Juan Sexo: Masc. El atributo Slot Value de condición solo LISP asegura que la ranura le gusta de María se rellenará al menos con aquellos individuos que satisfacen la condición lógica de que programan en LISP y no en otros. Activación del sistema del mantenimiento de verdad.debe ser: X Valor de X si cumple: condición Condición: Composición: A ∧ B Propagación: Forward Para cada Frame: condición-part: A El conjunto de personas: X instancia Fig. 122 . LISP) Frame: condición solo LISP Slot: condicionado: le gusta Slot Value . Operación en Sentido hacia adelante: Inserción del frame de Juan..

Base de Conocimientos 123 Selecciona frames involucrados como el de “María”. así como retroalimentarlo a él. Facilita la comunicación con el usuario ofreciéndole distintos ambientes de interacción. 46.B. representa el conocimiento de aspectos descriptivos y estáticos. Monitor: Controla el diálogo. Arquitectura de EXIS • • • • • • • Base de Conocimientos: Utiliza meta reglas. Incrementa el acervo a través de los resultados y experiencias obtenidas de las sesiones. ofreciendo diferentes niveles de interacción. Valida la parte . A través de modelos de eventos se proyectan los aspectos dinámicos de una aplicación.4 EXIS Es un Sistema Experto orientado a auxiliar al usuario final en la definición de esquemas conceptuales de base de datos. Construcción de planes con la colaboración del usuario. Instancia la parte . Permite la representación del conocimiento del experto en base de datos. Manipulación y Recuperación: Dirige la actualización y consulta a la base de conocimientos. satisfaciendo las condiciones de integridad en apoyo al motor de inferencias. representa el conocimiento mediante modelos semánticos y de eventos. e inferencia de “Resolución”. Revisión de la consistencia de la base de conocimientos después de cada alteración. Al ser afirmativa. 7.5. se implementó en PROLOG. apoyado en una interface gráfica. Como se ilustra en la Figura 46: Objetivos Genera apropiados diseños conceptuales de esquemas de base de datos. WHAT. WHY NOT? Motor de Inferencia: Usa PROLOG con búsqueda a profundidad. reglas y hechos para representar la metodología y conceptos del dominio para diseñar base de datos. Aprendizaje: Permite al experto introducir y actualizar las reglas y hechos.A. Explicación: Atención a inquietudes tipo: WHY. Mediante modelos semánticos. hacia atrás. agrega el nombre de Juan a la lista de personas que a María le gustan. Aprende por ejemplos. . Valida el slot condicionado “le gusta”. Diálogo: Permite la interacción con los usuarios. Arquitectura Experto Usuario Final Diálogo Monitor M e t a R e g l a s Explicación Display Aprendizaje Creación/Manipulación H e c h o s Motor de Inferencia Base de Conocimientos: Reglas Fig.

alumno (nombre..) alumno (Juan.Reglas Fig.[lisp. compiladores. alto). _ ] _) Asociación: Es una relación binaria entre dos entidades. materias.. mediante alguna de las siguientes categorías de arcos: Atributos: Son las propiedades descriptivas de la entidad. 47. empleado (Juan) = yes compañía (alfa) = yes La colección de clases y entidades se denomina “meta clases”. Entidad ← atributo → valor clase Se representa con un predicado binario: altura (X. alto)) Declaración: El tipo de dato asignado al valor de un argumento está en función a su naturaleza. Permiten interrelacionar a los elementos de diferentes clases. de acuerdo con los siguientes criterios: Entidades. Mientras que la asignación de la propiedad a su respectivo dueño: ∀x (basquetbolista (x) → altura( X. alfa) 124 .Representación de Conocimiento Semántico Representación Modelos Eventos Base de Conocimientos Redes Semánticas Técnicas empleadas Predicados . Elementos en la representación de EXIS Modelo Semántico Representa las condiciones de integridad y su formalización mediante redes semánticas y cálculo de predicados.. edad. a través de sus conexiones con otros conceptos. Arcos. trabaja .para (Juan. 20. trabajador (empleado (Juan)) = yes organización (compañía (alfa)) = yes Las entidades se reconocen por sus argumentos. Representan a un objeto o clase y se codifican como términos y predicados respectivamente.

(perro(expresión ladrido). dado: ∀x [profesor(x) → empleado(x)] ∀x [empleado(x) → persona(x) ∧ asalariado (x)] se deduce: ∀x [profesor(x) → persona(x) ∧ asalariado(x)] Inherencia: Es cuando una entidad aprovecha las propiedades definidas para la clase a la que pertenece.. ∀x ∀y (mgc(x) ^ mgc(y) → -(=(x.. ec0 (4)) i = 1. debe tener un nombre único.) pero (ornitorrinco (is .en placenta).a (y. ∀x (empleado(x) ∨ estudiante(x) → persona(x)) Agregación: Conjuga varias clases en otra de mayor nivel.) Condiciones que permiten generar el esquema.y))) Ninguna clase puede ser subclase de sí misma.. Es decir.a (x. permite presentar atributos comunes a las entidades de la misma clase. y) → ∃x empleado(x) ∧ ∃y compañía(y) Generalización: También conocida como especialización. eq (oc. list_of_subset (y))] ∀x ∀y s(ec1.2.. atleta) eq (x. ec0(4)) → s(ec1 (x). (mamífero(nace .. Generalización: cada generalización “g”.. list_of_subset) → member (x...) entonces fido ladra Excepción: Sucede cuando una entidad no debe apropiarse de cierto atributo definido para la clase. constituye el producto cartesiano de las clases a integrar. La transitividad de “IS-A” como consecuencia de la “→”..y) ∧ is . . sea la clase “mgc” una metageneralización.Base de Conocimientos 125 Mientras que su abstracción para las distintas instancias de las clases respectivas: ∀x ~∀y trabaja para (x.) (fido (is . oc2) eq (deportista.3. ∀x [g(ec0(x).A mamífero)(nace en huevo).a perro). libro(x) → ∃y ∃z ∃w (autor (y) ∧ editorial (z) ∧ titulo (w)) parte libro agregación autor editorial titulo Equivalencia: Representa que dos clases son equivalentes.. x) Deducción: Aplica alguna regla clásica de inferencia. y) equivale a is .

Integridad: Constituye la condición para mantener la integridad durante su manipulación y recuperación. ec1 (x))] Clasificación de las reglas.z) → g(x. valores y la Figura49: 126 . D . Transformación estructural: Convierte la red semántica a otro modelo.1] o F. son concebidas como pre y post condiciones.∀x ∀y ∀z (g(x. Las reglas secodifican: Rule (o . F > E = Conjunto de objetos C = Atributos condicionales D = Atributos de decisiones V = Conjunto de los valores de los atributos F = E x V función de información.y) ^ s(y.V . Deducción: Permiten calcular “nuevo” conocimiento a partir del original. < conclusión : .C.z)) Una clase y su super clase no pueden tener ambas un atributo con el mismo nombre. Aprendizaje La definición formal del KRSM es: S = < E . ∀x ∀y [g(ec0 (x).z)) → s(x. Sea el siguiente ejemplo de representación mediante predicados. Esquemas: Son definidas por la estructura conceptual del esquema.condiciones >. Meta: Jerarquizan la secuencia de pasos en la generación de un esquema. tal que la función F asigna valores a los atributos de cada objeto e en E.regla.z) ∀x ∀y ∀z (s(x. ct) Regla o hecho Prolog Aprendizaje Bases de Ejemplos Algoritmo de Aprendizaje Probabilístico “PLA” Modelo de Representación → ~ z(ec0 (z) ^ ec1(z)) Factor de certidumbre [0. 48. Reglas de Decisión Fig.V.y) ^ g(y.

Y) IS-A (Z.persona) Fig..Y) IS-A(Z. empleado) C2 (Y) Y = (empleado. 49. alumno.X) is-a(jefe.Base de Conocimientos 127 Objetos Situaciones S1 S2 S3 S4 S5 } predicados que describen situaciones de las clases de entidades P3 { P1 P2 . Pn Reconocimiento C1 (X) X = (persona.X) T T T T T T T F F T T T Regla IS-A (Z.X) Condición Atributos Conclusión EJEMPLOS Algoritmo de Aprendizaje Situaciones C1(X) Persona Persona Persona Persona Reconocimiento C2(Y) Empleado Empleado Empleado Empleado C3(Z) Maestro Asistente Jefe Estudiante S1 S2 S3 S4 ATRIBUTOS Condiciones Conclusión IS-A(Y.X) IS-A(Z.X) IS-A(Z. asistente) C3 (Z) Z = (maestro.persona) is-a(estudiante.X) IS-A (Z.X) IS-A(Z. maestro..Y) ^ IS-A (Y.Y) ^ IS-A (Y. Ejemplos de representación .X) IS-A (Z. jefe) Predicados para las relaciones entre elementos IS-A (Y.

128 .

CAPÍTULO 7. MOTOR DE INFERENCIA .

130 .

2. LÓGICA Cálculo Proposicional Proposición: Es una declaración donde se afirma algo. Argumento: Es un conjunto cualquiera de proposiciones de las cuales hay una denominada “conclusión” que se sigue de las demás. PROPÓSITO Genera nuevo conocimiento.E. EVALUACIÓN DE MÉTODOS DE INFERENCIA 7. 50.1.1. 7. formando parte esencial del sistema debido a su importante papel como factor en la determinación de la efectividad y eficiencia del mismo. Refleja el razonamiento humano.1. 51. NATURALEZA DEL MOTOR DE INFERENCIA 7. Interrelación del Motor de Inferencia con los componentes de un S.2.1. Justifica la generación de conocimiento. Este motor sirve como mecanismo de control e inferencia para el sistema experto. 7. Confirma el conocimiento actual. llamadas premisas. .3.7. lo cual puede ser verdadero o falso. es decir se genera conocimiento con base a otro como se aprecia en la Figura 50 premisas conclusiones Fig. lo actualiza o desecha. ELEMENTOS La inferencia refleja la forma de resolver problemas.máquina Solución de problemas BÚSQUEDA Base de conocimientos Fig. MOTOR DE INFERENCIA 7. tal como se aprecia en la Figura 51 experto MOTOR DE FERENCIA Mecanismo de aprendizaje INFERENCIA Manipulación usuario Interface hombre . Esquema del motor de inferencia 7.2. Mantiene la consistencia del conocimiento. DESCRIPCIÓN Es una clase especial de pensamiento en la que se obtienen conclusiones a partir de premisas. Resuelve problemas.1.1.

2. 4. ∗ No Ganó Colombia. ∗ Si no ganó Colombia entonces. B → E 1. A A → B. Los enunciados derivados son: 5. 1. si la aplicación de las reglas de inferencia conducen a una contradicción (enunciado vacío) entonces el supuesto debe ser falso y su negación (la hipótesis a probar) debe ser verdadera. 6. 3. Y la conclusión: C.4 MP 6. Si Brasil Ganó entonces España calificó. B → C A # B. ~ B A → B. B A A&B Se deduce B ~A A→C B ~A&B A#B A Método de deducción: Prueba formal de validez: La demostración de un enunciado se obtiene si resulta ser la conclusión de aplicar las reglas de inferencia al conjunto inicial de enunciados y a sus derivados. 4.7 SH donde se prueba la conclusión Demostración Indirecta o Reducción al Absurdo: La hipótesis a demostrar se introduce negada a las premisas originales. ∗ Si Argentina es único líder entonces ganó Colombia. 8. Si aplicamos el método para el primer orden resultaría: C) B → E su negación: ~(B → E) : ~ (~B # E): B & ~E La introducimos como la premisa 0 a los enunciados originales: 0. 2.5 SD 2. si Dinamarca está eliminada entonces España calificó. ~A B→D D→E B→E 3. ~A A. si Brasil ganó entonces Dinamarca está eliminada.132 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Reglas de Inferencia: ∗ ∗ ∗ ∗ ∗ ∗ ∗ Modus Ponens MP : Modus Tollens MT: Silogismo Hipotético: Silogismo Disyuntivo: Conjunción C: Adición A: Simplificación S: Dado A → B. Los enunciados se simbolizan así: A # (B → D) ~C (D → E) A→C ~C C. B & ~E A # (~B # D) C # (~D # E) ~A # C ~C 132 . Por ejemplo Sean las premisas: ∗ Argentina es único líder o. 7.4 MT 1. 3.

4 MP 6. cualquier constante o función. X. ~E & B 12. g(c. (h(e)/Y). no hay solución. g(V. d. E & ~E 14.U) donde: constantes a. consistente en: Convertir todas las fórmulas a cláusulas. su procedimiento se basa en el principio de reducción al absurdo. h Las dos fórmulas son unificables. produciendo una lista que contiene la asociación de valores a las variables de las dos fórmulas. funciones f. ~A 6. Una constante sólo se unifica con otra igual o una variable.7 SH donde se prueba la conclusión 0 S 8. Deducción: Se aplica el método de “Resolución” propuesto por Robinson. de lo contrario se dice que no son “unificables”. se desea unificar: P(a. (U/W) ) Resolución: Es un método empleado para la demostración de teoremas en el cálculo de predicados. X. X. generando una lista denominada “lista de asociación” con las siguientes sustituciones: ( (h(e) / X). para producir una nueva cláusula denominada resolvente que contenga las restantes fórmulas atómicas de las dos cláusulas. e)). ~D # E 8. Igual número de términos.9 MP 9. número de términos. g. en caso de haber tenido éxito en la comparación. Unificación: Confronta dos fórmulas atómicas para determinar si existe una “semejanza” entre sus componentes. ~E 13. Z. V.10 C 11 S 12 C 13 Absurdo (Se generó el enunciado vacío) Cálculo de Predicados Predicado: Es la palabra que dice lo que se expresa del sujeto de una oración. . d. Una variable libre se unifica con otra que esté libre o que ya esté instanciada. h(e). Por ejemplo. 3. c. d. W) P(a.4 MT 1. W. A partir de este punto se confrontan las cláusulas. y que éstos a su vez sean unificables. apoyado en la unificación de fórmulas. pero una esté afirmada y la otra negada y que además sean unificables. El paso anterior se repite hasta encontrar una contradicción (se produce la cláusula vacía) o bien no se obtiene progreso alguno (loop.Motor de Inferencia 133 Derivando los siguientes enunciados: 5. Y. Y. E 11. f(b. El teorema a demostrar se niega y se introduce a las premisas. variables U. Z)). b. Los criterios que emplea son: Deben ser los mismos predicados. comparando aquel par que cuando menos tengan la misma fórmula atómica. se escogió un camino largo o equivocado). (e/Z). Una función se unifica con una variable libre o que esté instanciada por una función con la que se pueda unificar o con otra función con igual. (c/V). e. nombre. ~B # E 9. ~B # D 7. B 10. f(b. Cuando se produce la contradicción se afirma la validez del teorema.5 SD 2.

La activación de las reglas es determinada por los patrones almacenados en la “memoria de trabajo”. ver Figura 52: Patrones Memoria de trabajo Reglas Acciones1 . Ana).2. Ana) LA: ( ) R: nil 7. 2) padre (Juan. Rosa). 3) padre (Rosa. Padre (Juan. Anel). Y LA: ((Rosa / Y) ) Padre (Rosa.2. y) ∧ ~ padre(y. y) # ~ Padre(y. 2). 4) padre (Rosa. SISTEMAS DE PRODUCCIÓN Los sistemas de producción se caracterizan por: Las reglas pueden tener varias conclusiones conjuntas. Ana) 5.134 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Por ejemplo: Sean las premisas 1) padre (Juan. Ana). José). Por lo que al introducirlo negado tenemos: C ~ abuelo (Juan. z) # abuelo(x. ~ Padre (x. z) Y el teorema a demostrar es: C abuelo (Juan . en la memoria de trabajo. Sistema de producción 134 . 5) ~ padre (x. que al hacer “match” ejecutarán sus acciones depositando sus resultados como nuevos patrones o alterando a los originales. 52. Y) # ~ padre(y. z) Y LA: lista de asociación: (Juan / x) (Ana / z)) R: resolvente ~ padre (Juan. 3). Rosa) R: ~ padre (Rosa. Las reglas interactúan a través de “apareamiento” con los patrones almacenados. . Ana. z) → abuelo(x. La inferencia se ejecuta por medio del “apareamiento de patrones”. Ana. Accionesn Condicionesn Condiciones1 Apareamiento de Patrones patron = patrón Variable = Valor Valor condición Valor Rule Conflict Acciones ejecución ACTUALIZACIÓN Fig.

CFp ] Cuando la misma conclusión se obtiene de varios caminos.(|CF1 |+ | CF2 | % *(100 . 53.. V Premisan CFn ∏ Conclusión CF Cada premisa i válida produce un CFi CF finalk = CFi Premisai * CF Conclusión donde k = 1 …… # total de premisas válidas Para posteriormente combinar cada CF final k Cuando son positivos los CF’s CF = CF1 + CF2 % * (100 .. CF3 ) ….3...CF1 ) Para CF’s negativos CF = .. La principal ventaja de este tipo de razonamiento en comparación con el lógico reside en que el sistema puede hacer inferencias aún sin disponer de la suficiente certeza para probar que una acción es válida. se elige el menor CF: CF condición = min [CF1 .. Cálculo del CF de una conclusión derivada por varios caminos .Motor de Inferencia 135 7. Razonamiento mediante Factores de Certidumbre: Cada premisa tiene su propio CF Premisas1 CF1 ….|CF1 |)) En caso de ser mixtos los CF’s CF = (CF1 + CF2 ) * 100 / (100 [min( |CF1 |..2. La técnica del manejo de suposiciones puede funcionar como fundamento para el manejo de los sistemas que razonan bajo estas características. CFk El mismo procedimiento se aplica cuando se llega a la misma conclusión desde varios caminos como en Fig 53 …… d c …… …… w x y d k l z Meta Fig. el “CF” final se deriva del producto de ellos: CF final = CF conclusión * CF conclusión Cuando hay condiciones disyuntas: Premisa1 CF1 v Premisa2 CF2 ………. CF2 ). |CF2 |)] ) Para: ((( CF1 . Premisasp CFp ∏ Conclusión CF j Al haber varias promesas conjuntivas. FACTORES DE CERTIDUMBRE (“CF”) La incertidumbre es producto de la incompletez y de la inexactitud del conocimiento del problema a representar.………..

(an Vn )) (objeto (IS-A Clase) (ax Vx ) … ) Fig. Razonamiento en objetos estructurados De tal manera que las propiedades asociadas al objeto o clase se hacen inherentes a la instancia. RAZONAMIENTO EN OBJETOS ESTRUCTURADOS Se apoya en las relaciones “atributo valor” que asocian un objeto con otros o con clases de ellos como en Fig 54: is-a kind of Objeto Clase Fig. Propiedades válidas de una clase de objetos y sus instancias válidas La excepción a la regla se declara especificando la propiedad como parte de la descripción del objeto. (Clase (a1 V1 ). P1 I1 Px P2 P3 … Pp Propiedades de la clase P3 Excepción Py … Propiedades del objeto donde el valor de “P3” es distinto al de la clase Fig. Propiedades válidas de una clase de objetos y sus instancias no válidas 136 . …………. 56. Propiedades de las clases inherentes al objeto Parte del postulado: “Las propiedades válidas para una clase de objetos también lo son en sus instancias”. 54.….136 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 7.4.2. 55.57. P1 I1 Clase P2 …… Pp Propiedades de la clase I3 I3 In+1 In Instancias de la clase I4 Fig. (a2 V2 ).

por lo que implica manejar conocimiento adicional. Por ejemplo.5. 58.. ”K”..) Fig..efecto” implícita en la semántica de las primitivas que afecta a los atributos de estado asociados a los objetos. Como se aprecia en la Figura 58: ( K ( P1 W). como consecuencia de la inherencia múltiple. sea la acción “Bateo de hit al jardín derecho y se embazó en la segunda”: Ahora se formulan los actos que ilustran los verbos de la oración: ACT1 (PROPEL ACTOR OBJECT TO TIME FROM DURATION ACTOR FROM TO TIME DURATION HUM0 PEL1 PLA1 HOR1 PLA0 PER1 HUM0 PLA0 PLA2 HOR1 PER2 OBJECT ……… ) OBJECT ACT2 (PTRANS ……… ) . la propiedad “P1” se describe en el objeto “A” y en las clases a las que pertenece “E”. RAZONAMIENTO CONCEPTUAL Se representa a través de la relación “causa .2. Conflicto de inherencia Esto es equivalente al proceso de búsqueda de la “mejor solución”.) J K L ( L ( P1 X). y “H”.) E ( E ( P1 Y). como se muestra en la siguiente figura..) I ( I ( P1 Z).) A ( A ( P1 -).) F G H B C D ( D ( P1 I)..Motor de Inferencia 137 Existe un “conflicto de inferencia” cuando hay varias conclusiones para una misma propiedad de cierto objeto. ”I”. 7. ”D”. esta “heurística” debe reflejar el contexto del dominio del problema que se está tratando..

Hacer inferencias por “default”: “Todos los sospechosos son inocentes hasta que no se demuestre lo contrario”. Algunas características del razonamiento no monotónico son: Se tiene conocimiento incompleto. entonces ninguno de ellos será refutado (a esta propiedad se le llama “monotonía”)..) Objeto1 Hum0 (Esta-en PLA2) (Momento Hor3) ….) Objeto3 (PLA 0 (TIPO LUGAR) (ZONA JARDIN) (PUNTO HOME) …. Los postulados pueden verse confirmados o rechazados al incorporar un nuevo conocimiento o inferencia.) Objeto2 (PEL1 (TIPO PELOTA) (DEPORTE BEISBOL) ….) Las repercusiones de evento generan un nuevo “momento” (con identificación “3”) y actualiza al “objeto1”: Momento3 (Hor2 (Fecha X) (Hora Y + Per1-cantidadsd + Per2-cantidadsd) ….) Momento0 (PER1 (TIPO TIEMPO) (DIMENSION SEGUNDOS) (CANTIDADS 2) ….. “manejar distintos enfoques”. Es inconsistente la veracidad de las premisas.) Objeto4 (PLA2 (TIPO LUGAR) (ZONA JARDIN) (PUNTO SEGUNDA-BASE) …..) Momento2 (PER2 (TIPO TIEMPO) (DIMENSION SEGUNDOS) (CANTIDADS 12) …. Razonamiento conceptual EJECUTADOR 7.) Objeto5 (PLA1 (TIPO LUGAR) (ZONA JARDIN) (PUNTO RIGHT-FIELD) ….) Momento1 (HOR1 (FECHA X) (HORA Y) …. 138 .2.. si ellos son consistentes con todos los demás que ya se han afirmado antes. pero si se altera la veracidad de algunos se dice que el conocimiento y el razonamiento son “no monotónicos”. Las afirmaciones descansan en la validez de otras..) Esta situación se conceptualiza de la forma mostrada en la Figura 59: OBJETOS MOMENTOS EVENTOS ACCIONES Intérprete OBJETOS MOMENTOS REACCIONES Fig.. 59. es decir.6. Desarrollar alternativas con diversas creencias e inclusive contradictorias.138 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Se definen los siguientes “momentos” y “objetos”: Objeto1 (HUM 0 (ESTA-EN PLA0) (MOMENTO Hora1) …. RAZONAMIENTO NO MONOTÓNICO La veracidad de las afirmaciones pueden cambiar en la medida que se añadan nuevos hechos.....

en el cual se aprecia la particularidad de los teoremas derivados por un solo grupo y también la generalidad de aquellos que se obtienen mediante la emisión de varios conjuntos.Motor de Inferencia 139 Representación de Fórmulas y Modelos de Creencias En la figura 8. de la manera ilustrada en la Figura 60: Módulos Derivados Módulos Derivados Módulos Derivados A A B A B C Fórmulas Fórmulas Fórmulas Fig. que se interpreta como consistente. evidenciando diversos enfoques. altera las fórmulas del cálculo de predicados con el “operador modal M”. Consistencia de teoremas Teoremas consistentes . “B” y “C”. Representación de Fórmulas y Modelos de Creencias Hay dos clases de lógica para representar esta forma de razonamiento: Lógica No monotónica: Propuesta por McDermott y Doyle.Y) ∏ se le declara(X. 61. Por ejemplo: ∀x ∀y hombre(X) ∧ mujer(Y) ∧ Mlegusta(X. la cual genera un módulo de conclusiones derivadas a través de un círculo. la consistencia de un conjunto de teoremas dada una base de conocimientos es el conjunto resultante de la intersección de los conjuntos de teoremas que se generan por las distintas combinaciones de las fórmulas y que gráficamente se presentan a en la Figura 61: W 1 … W3 W 2 … Ww 1 2 …… n Conjuntos de teoremas lt t Fig.Y) Ahora bien.11 se muestra en un segmento la cobertura de un conjunto de fórmulas “A”. 60.

Abducción: Con base a: ∀x a(X) ∏ b(X) a (c) ├ ├ b (c) Infiere en sentido inverso a(X) ∏ b(X) b(f) a(f) Este razonamiento es útil si alguna medida de certidumbre es asociada a las expresiones resultantes. 1.80) altura(z. Por ejemplo: 1) ∀x Industrial(X) ∧ M ~ ecologista (X) ∏ ~ ecologista(X) 2) ∀x Deportista(X) ∧ M ecologista (X) ∏ ecologista(X) 3) Industrial (juan) 4) deportista(juan) Al aplicar las reglas de inferencia con la instancia de “Juan” Se produce: ~ ecologista(juan) ecologista(juan) Desafortunadamente la lógica por default no señala como escoger a alguna de ellas como la conclusión consistente.140 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Para las declaraciones: A∧ M B∏ B ~A∧ M B∏ B Se deriva: MB ∏ B Al eliminar A y ~ A. 1. 1. veamos los siguientes ejemplos: 1) basketbolista(Y) : altura (Y. Lógica por Default: Define un nuevo y único conjunto de reglas de inferencia. como la siguiente: A : B C Si “A” es probable y es consistente asumir “B” entonces se concluye “C”. Estas medidas cuantifican la argumentación en favor a dicha conclusión en comparación con otros antecedentes que soportan la conclusión de “b” a partir de “a” (en el sentido normal”). 1.95) 2) basketbolista(luis) 3) adulto (z) : altura(z. Inherencia: Es otra forma de representar el razonamiento por “default”. 1.80) 140 .95) altura(Y. Dicho mecanismo permite extender el conocimiento a través de las nuevas conclusiones que produzcan las reglas de inferencia. 1.80) altura (X.80) 4) adulto (luis) adulto(x) : ~ basketbolista(X) altura(X.

los conjuntos borrosos pueden relacionarse con muchos valores lógicos.3 = .Motor de Inferencia 141 adulto(luis) : basketbolista(luis) altura(luis. 1.9 .95) altura(luis.1].7 ∗ La negación es: ~ F(X) = 1-F(X) ~ carro-rápido (Mustang) = 1 .. GMg] carro-rápido (Mustang) ∧ carro-lujo(Phantom) = .3 ∗ Por lo que respecta a la disyunciíon: F(X) V G(X) = mas [GMf.9 carro-lujo (Mustang) : GM =. ¿Qué posibilidad hay de tomar uno de ellos? urna varios son rojos ¿Posibilidad de que sea rojo? Fig. 1.85) ¿Cómo manejar el conflicto de inherencia múltiple? A través del conocimiento y heurística adicional que permitan seleccionar la mejor opción. GMg] carro-rápido (Mustang) V carro-lujo(Mustang) = . para manejar preguntas precisas sobre conocimientos imprecisos.7. Por el ejemplo: “Si hay 10 balones en una urna y varios son rojos”.9 .7 = .2. representados por un número fraccional entre [0.9 carro-rápido (Mustang) V ~carro-lujo(Mustang) = . 7. Por lo que respecta a su interrelación tenemos que: Sean las proposiciones fuzzy con sus grados de membresía “GM” carro-rápido(Mustang) : GM = .9 = . 62.carro-rápido (Phantom) = 1 . FUZZY LOGIC A diferencia de los dos valores lógicos de la teoría clásica de la lógica.7 carro-rápido (Mustang) ∧ ~carro-lujo(Phantom) = .9 De los postulados anteriores se genera la “Teoría de Posibilidades” Esta es una especie de Fuzzy Logic.7 = . Representación mediante Fuzzy Logic .3 = .9 V .1 ∗ Mientras que la conjunción es: F(X) ∧ G(X) = min [GMf.9 V .

.4.1] rango [0.6. 4 de 10 a 0. 0.6). La distribución de posibilidad para balón rojo es: f p (rojo) = varios / 10 Que al evaluarse. (0.142 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo La posibilidad de que sea rojo se define como: p(rojo) = x.0. (0. Ejercicios Representar los casos del Corvette y el VW sedán.6). Por lo que f p(rojo) es una probabilidad fuzzy. La distribución de fuzzy set y la distribución de posibilidad del ejemplo de balones rojos para: “pocos” y “muchos”. 0. 0.9).3) ) Que denota que 3 de 10 califica “ligeramente “ como varios.1).4. . (4..2).1] dominio TRUE : (carro-rápido (Phantom)) = 1 Aunque TRUE (0.3. Esto conlleva a considerar valores de verdad fuzzy F true: [0. 0.0. (5. 142 .3) ) Que denota un 20% de oportunidad que p(rojo) = 0. 1. (7. 0.2). (0.3.1).7.6).0) Ef true Es decir 0.6 y así sucesivamente.1).9) = 1 Ya que : (0.8. Se observa que la tendencia media del # balones rojos de un total de 10 en la urna para adquirir el mayor valor de membresía de 1 para el concepto fuzzy de “varios”. (0. un 60% de oportunidad que la posibilidad de rojo sea igual a 0.0.9. 0<= x <= 1 Mientras que “varios” como un fuzzy set F varios = ( (3. aunque no total. (0.6). 0. (6. ya que hay vehículos más rápidos. brinda la siguiente proporción: ( (0.9 es suficiente verdad “Ef”.5. (8.

Inductivo. Objetos tangibles. – Administrativas. – Sociales. ∗ – – – – – ∗ – – Forma de solución que se va a implementar en el módulo: Procedimiento Metodológico. como se ilustra en la Figura 63: Forma de solución Problema Experto Conocimientos Implementación Inferencia Fig.Motor de Inferencia 143 7. ∗ Propósito – Experimentar. . – Crear. Marco de referencia Criterios Entre los argumentos a considerar están: Naturaleza del problema: ∗ Area – Ciencias Exactas. Intuición. Interacción durante la operación con: Personas. – Médico Biológicas. Fortuito. COMPARACIÓN DE MÉTODOS Marco de referencia El ingeniero de conocimiento debe eligir la técnica de inferencia de acuerdo al problema. – Artísticas. Experimentación. – Humanísticas. – Concreto.3. 63. ∗ Tipo – Abstracto. – Resolver un requerimiento específico.

Evolutivo. Contradicciones. manejo y requerimientos de: Certidumbre Absoluto. Cantidad Obtención Representación simbólica Inferencia: Sentido Hacia adelante. Incierto. Ambiguos. Mixto. Formalismo Bien soportado. Atención a lo largo de la sesión de operación Dedicado. Monotoneidad Manejo de enfoques Único. Absoluto relativo. Múltiples. Temporalidad Permanente. Aproximado. Implementación: Complejidad Consumo de recursos Herramientas disponibles Emulación con el experto humano 144 . Conocimientos. Estático. Por etapas. Hacia atrás.144 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo – ∗ – – ∗ – – – ∗ – – ∗ – – – – ∗ ∗ ∗ ∗ – – – ∗ – – ∗ ∗ – – – – ∗ ∗ ∗ ∗ Entidades intangibles. Incierto. Precisión Exacto. Dinámico.

Precisión. Representación simbólica. Cantidad. Herramientas disponibles.Motor de Inferencia 145 CRITERIO Cálculo De predicados del Reglas de producción Creencias TÉCNICA Probabilidad Fuzzy Sets Objetivos Conceptual Estructurados Naturaleza problema Area. Emulación con el experto humano. Formalismo. 64. Obtención. Monotoneidad. como se muestra en la figura 64. Fin. . Interacción. Manejo de enfoques. Tabla de evaluación Es conveniente mapear las características del problema con los atributos y limitaciones de las técnicas para identificar aquella(s) más ventajosa. Fig. Tipo. Atención. Conocimientos Certidumbre. Implementación Complejidad. Inferencia Sentido. Temporalidad. Consumo de recursos. Forma de solución Procedimiento.

Mixto . A ∏ B A B Se conoce también como “orientado a datos” ├ Encadenamiento hacia atrás Identifica posibles metas que resuelvan un problema dado. ANÁLISIS DEL TIPO DE PROBLEMAS A RESOLVER Encadenamiento hacia adelante Se orienta a encontrar la solución a un problema a partir de los datos disponibles. Clase de alimentación externa. Atrás . además de presentar un proceso de compilación como el de la Figura 65: Lenguaje natural Formulas bien formadas. INTEGRACIÓN DE LA INFERENCIA Y BÚSQUEDAS 7. . .1. durante la búsqueda de solución: ∗ Hechos que se agregan: hacia adelante. 7. Criterios de selección Orientarse hacia el mayor número de estados. . Estados Estados Adelante iniciales finales . Programación lógica 146 . trata de demostrar que son una solución.4. satisfaciendo condiciones. así sucesivamente hasta alcanzar una meta satisfactoria. A ∏ B ~B Se denomina “orientado por metas” ├ ~A Mixto Alterna los sentidos de inferencia hacia adelante y atrás.2. que a partir de datos iniciales identifique metas. así hasta llegar al estado inicial del problema.146 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 7. Ser congruente con la dirección que el usuario utiliza para comprender y resolver el problema. en función a una estrategia de control. satisfaciendo las condiciones que las producen (llamadas submetas) con base al conocimiento e información disponible. ∗ Respuestas a preguntas: hacia atrás. PROGRAMACIÓN LÓGICA Es la alternativa de implementación más práctica y decidible en la demostración de teoremas y solución de problemas. Seleccionar el menor factor de ramificación. Cláusulas Declaraciones Prolog Reglas y hechos Cláusulas de Horn Fig. 65.4. generando conclusiones.4. que deberán ser confirmadas.

gg ) ( .…. jj ) : .! . fail.….….… Pµ (l1 .…. ff ) : .Motor de Inferencia 147 En la última fase tendremos los siguientes tipos de declaraciones: Negaciones: Como meta : ? como goal como negación goal : P1 (a1 .….Pq (g1 .Pv (ñ1 . 7. Unificación Hacia atrás . bb ) ? Como regla : P2 (c1 .3. Los métodos en los que se basa la manipulación de los predicados son: Representación de conocimiento Método de inferencia: Cláusulas HORN Modus Tolens Reducción a lo absurdo Resolución.…. cc ) donde ci es constante i = 1 .….…. hh ) ).!. Comparación literales Búsqueda La activación del mecanismo de inferencia se organiza para: Demostraciones ? p (c1 .…. Recursiva Tail: Px (m1 . Pµ (j1 .…. ññ ) . kk ) .….…. dd )…) Pσ (e1 . ii ) : .! .….…. Recursiva: Pµ (i1 . Reglas: Simple: Pp (f1 .. Px (n1 .…. aa ) Pj (b1 . Afirmaciones: Como hecho Como regla Pñ (d1 . ll ) .…. mm ) donde mI es constante o variable.a profundidad_ciega. µµ ) .… Pw (µ 1 . debiendo existir cuando menos una variable.….…. c2 ) : .….4. σσ). Px (σ 1 .… p + (h1 . SISTEMAS DE PRODUCCIÓN Los métodos en los que se apoya la explotación de reglas son: .Pv (k1 .| .…. ee ) : .….( .…. mm ) : . nn ) : . c Consultas y solución de problemas ? p (m1 .

148

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo

Representación de conocimiento

Reglas

Método de inferencia

Modus Tollens

Comparación literales

Apareamiento de patrones

Búsqueda

Hacia adelante - a profundidad.

Durante el apareamiento existen conflictos de reglas al identificar varias susceptibles de ejecutarse, para lo cual se pueden utilizar los siguientes criterios: Preferencia basada en reglas ∗ Considerar el orden de aparición de las declaraciones. ∗ Preferir reglas más “restringidas” que “generales” ¿ Cómo se identifica este caso? a.1) p(a, B, c), q (a, D, E), r(E, F, g) ∏ a.2) p(b, d, y), r (g, H, I), ∏ acciones acciones

Escogiendo aquellas con menos variables en este caso a.2 otro caso: a.3) p(V, X, f), q (g, h, y) ∏ acciones a.4) p(a, X, g), q (i, y, K) ∏ acciones Preferencia basada en objetos. ∗ Se asigna una prioridad a las entidades o eventos del dominio, de tal suerte que al verse involucradas en el “conflicto de patrones”, se escoge la de mayor importancia. ∗ Un ejemplo de esta aplicación es el sistema “ELIZA”, quien asigna prioridades a los “keywords”, I, Computer,… Preferencia basada en estados. ∗ Suponer que hay varias reglas candidatas, estas se “disparan” y se examinan sus resultados a través de una función heurística, que evalúa los méritos y escoge una de ellas. ∗ Otra alternativa es tomar aquella regla que haga “match” con los patrones más recientemente generados.

7.4.4. RAZONAMIENTO NO MONOTÓNICO
Sentido: Hacia adelante: Las reglas estándares se ven alteradas por el condicionante “unless” que permite el razonamiento por “Default”, como por ejemplo; suponer el caso de un delito donde una persona es sospechosa si resulta beneficiada “a menos que” tenga una coartada, como se ilustra en la siguiente regla de la Figura 66: IF beneficiario (X) UNLESS tiene_coartada (X) THEN sospechoso(X) Hacia atrás: Brinda dos alternativas su implementación: ∗ Cláusulas Default, mediante el condicionante “unless”. Sospechoso(X) → beneficiario(X) unless sospechoso(X). ∗ A través de “debates” en el que se generan argumentos a favor y en contra de cierta proposición. Mediante conocimiento especial se determina que perspectiva está mejor “fundamentada”.

148

Motor de Inferencia

149

Implementación sin Profundidad Método de Expansión Amplitud: manejo de múltiples contextos simultáneos dependencia dirigida por el retroceso con Justificación Lógico TMS Sistema de Mantenimiento de la verdad

Fig. 66. Implementación del razonamiento no monotónico Ejemplificación Sea el caso de “programar una reunión de varias personas en cierto restaurante”. Veamos el desarrollo por etapas mediante el método sin dependencia dirigida por el retroceso señalado en la Figura 67:

150

Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo

1

d = Miércoles
a

Se escoge un día
2 3 a

d = Miércoles h = 14:00
Se elige una hora
b

d = Miércoles h = 14:00 mesa = FAIL
c b

a

Pero no hay lugar disponible

fail
5

X

4

d = Miércoles
a

d = Miércoles

a

h = 14:00
b

Se buscan otras horas, pero no todos pueden

b

.. fail X

Se regresa al punto inicial

.. fail X

6

7

d = Miércoles
a

d = Jueves
c

a

d = Jueves
b

fail
Se escoge otro día Se propone otro día

h = 14:00

8

d = Jueves
c

h = 14:00
d

Se vuelve a escoger la hora y luego a determinar si hay disponibilidad de la mesa

mesa = 14
e

meta

Fig. 67. Ilustración del retroceso dirigido sin dependencia

150

Ilustración del retroceso dirigido sin dependencia . nos ahorramos la duplicación del trabajo útil. 69 y 70: 1 d = Miércoles a Selecciona un día Fig. de la forma esquematizada en las Figuras 68.Motor de Inferencia 151 En cambio si este ejemplo se desarrolla con retroceso dirigido por dependencia. 68.

D=J c b h = 14 Se produce otra opción.152 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 3 2 Se busca una hora d=M h = 14:00 b a No hay espacio d=M b a h = 14:00 mesa = FAIL Todas las personas pueden reunirse cualquier día a esa hora. Fig. h = 14:00 b 5 D=M a h = 14 b Se dirige el backtrack al punto de conflicto. 69. 7 6 c D=J Se reintegra el trabajo positivo. 4 Se respalda el trabajo positivo que no provocó la falla. fail X Se analiza la causa. Ejemplificación del retroceso dirigido por dependencia 152 .

70. A. tiene la coartada de haberse registrado en un hotel.Motor de Inferencia 153 8 D=J c h = 14 Se obtiene la solución b mesa = 14 d meta Fig. Se supone que ellos son beneficiarios de una herencia. por lo que deja de ser sospechoso sospechoso A [ OUT] + - + - beneficiario A [IN] beneficiario A [IN] coartada A [out] premisa + Registro A [IN] premisa coartada A [out] ├ Hotel Lejano [IN] Registro [OUT] Extraviado Fig. tiene le testimonio de su cuñado que dice haberlo recibido en su casa. Ejemplificación del retroceso dirigido por dependencia Mientras que para ilustrar los métodos de “sistema de mantenimiento de verdad” tenemos el caso del “CRIMEN ABC”. 72 y 73: 1) “A” es sospechoso por ser beneficiario sospechoso A [ IN] 2) “A” tiene una coartada. Sea A. B y C sospechosos de un asalto. 71. C. B. Ejemplificación de suposicones . dice haber estado en una competencia deportiva. Mediante : Sistema de justificación basado en el mantenimiento de verdad Se emplearán reglas por default como: beneficiario(X) : ~coartada(X) sospechoso(X) Representaremos las suposiciones e información adicional mediante las redes de las Figuras 71.

ya que ninguno es 7) Posteriormente se presenta el testimonio de: El video del evento al que asistió “C” donde él aparece entre sospechoso el público por lo que “C” deja de ser sospechoso sospechoso C [ OUT] Contradicción + beneficiario C [IN] + coartada C [IN] + sospechoso A sospechoso B otros sospechosos sospechoso C Miente [OUT] Dice la verdad C [IN] + C fue visto en el video [IN] - El vídeo está extraviado [OUT] Fig. 72. Desarrollo de un caso por medio de un sistema de mantenimiento de verdad 154 .154 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 3) “B” es sospechoso por ser beneficiado sospechoso B [ IN] 4) “B” deja de ser sospechoso por que tiene un testigo sospechoso B [ OUT] + - + - beneficiario B [IN] beneficiario B [IN] coartada B [out] premisa + coartada B [IN] - premisa 5) “C” es sospechoso por ser beneficiario sospechoso C [ IN] El cuñado de B El cuñado de B afirma [IN] miente [OUT] 6) “C” sigue como sospechoso porque solo tiene su palabra como testimonio sospechoso C [ IN] + + - beneficiario C [IN] beneficiario C [IN] coartada C [out] coartada C [out] + Dice la verdad C [OUT] 8) Se produce una contradicción.

∗ Polimorfismo: Permite utilizar el mismo mensaje destinado a diversos objetos. Cada clase tiene un protocolo definido. clases de datos y procedimientos son considerados como “objetos”.Motor de Inferencia 155 9) Al utilizar argumentada: abducción. cada uno con propósitos particulares: . su agrupación en clases. es mediante el empleo de “lenguajes orientados a objetos” (LOO). INTERFASE Mensajes a/y desde otros objetos ∗ Inherencia: Las instancias de objetos se adueñan de las propiedades de sus clases y estas a su vez de las superclases a las que pertenecen.5 CONSTRUCCIÓN DEL MOTOR DE INFERENCIA Una alternativa para realizar aplicaciones que manejan “frames” y “redes semánticas”. ∗ Encapsulación: Es la definición de un objeto con base a: OBJETO Protocolo de clase Datos privado Datos a compartir con otras instancias. éstas en superclases. Datos globales a compartir. Entre los elementos y características que componen este ambiente están: Todos los datos. bajo una relación jerárquica. Los objetos se comunican por medio de “mensajes”. Los LOO’s soportan las siguientes propiedades: ∗ Abstracción: se traduce en la definición de objetos. sobre la coartada menos 10) Por lo que la red final es: sospechoso B [IN] miente el cuñado de B + - beneficiario B [IN] El cuñado de B afirma otros sospechosos + El cuñado de B afirma [IN] coartada B [out] + El cuñado de B miente [IN] sospechoso A sospechoso C - - otros sospechosos [OUT] sospechoso A [OUT] sospechoso C [OUT] Fig. Desarrollo de un caso por medio de un sistema de mantenimiento de verdad 7. cuyo resultado es otro “objeto”. 73.

Seleccionar los mensajes apropiados. 74. SUBCLASE 3 ∗ ∗ ∗ ∗ M a n t e n i m i e n t o d e M e m o r i a e n F u zzy E x p e r t S y s t e m “ F l o p s ” Flops es un sistema de producción en paralelo.156 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo OBJETO CLASE A “Print” SUBCLASE 1 SUBCLASE 2 “Print” SUBCLASE IB “Print” CLASE B “Print” Fig. Al ejecutar sus conclusiones. se pueden alterar más de una vez un mismo patrón. Esto produce un “conflicto de memoria”. Las etapas de implementación son: Identificación de los objetos. que atienda a tareas de: Make Modify Delete Garantizando independencia del resultado final con respecto al orden en que se ejecuten las operaciones. donde simultáneamente se disparan todas las reglas que se aparean con las “entidades de memoria” (patrones). Extensibilidad mediante la ampliación de las capacidades del lenguaje. 156 . se requiere un algoritmo denominado: “sistema de mantenimiento de memoria”. Polimorfismo Los datos son almacenados como “objetos” con actualización automática. Probar el sistema. Para resolver el problema. Determinar la secuencia de mensajes.

. Arquitectura Modify Pj Create Delete M S Pi Pl Pm Modify Create Delete M Pm Resulta indistinto el orden de realización de “CREATE” y “DELETE”. . . .5. Por lo que se requiere el procedimiento: Sea µ un patrón con “m” atributos a modificar: 1≤j≤m Mientras que: µ (TTj) una instancia del patrón de un total de “n” instancias: 1≤j≤n . Pn bloques conclusiones Pj B1 .Motor de Inferencia 157 patrones reglas R1 . más no “MODIFY”. . Bn Pl Pt Fig. 7. . Rn P1 .

3)) (Tamaño ((0.0.8).75).0. peso(100. peso(60.0. 0.6/medio.7/60.158 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Un algoritmo que se aplica a cada tipo de patrón “h” de un total c -1.9/ grande).0. 0.9) Delete: Animal Create: (Animal (peso(40. 0.5/medio.0.0.involucrados.4/pequeño.9) ) Si las operaciones son: Modify: peso(60.3/pequeño.8)) variable fuzzy set CF (color(blanco. Algoritmo del sistema de mantenimiento de memoria Sea el siguiente ejemplo: Patrón (animal(peso((0.0. 76.7))) 158 . 0.6). 0. peso(100.6/85).0.6).7)) color(rojo. como se ve en la Figura 76: h=1 si j<=m no j=1 i=1 Colecta modificaciones para el atributo ^ i de la instancia TTj del patrón Ph Actualiza Ph(TTj(^ i)) i= i +1 no si j= j +1 j<=n no h= h +1 si h<=l Fin Fig. 0. 1)) variable fuzzy set cf (tamaño((0. peso(75.7).0. peso(75.89/grande).

0.0.6/medio. 1)) (tamaño((0. 0 )) (color(blanco.9) ) ) Creó uno nuevo.0.9/ grande). 0.9/ grande).7))) Este sistema es monotónico al no permitir alterar instancias con argumentos cuyo “CF” es menor al actual.6/85). 0.5/medio.8)) (color(blanco. 0.0.6/85. . peso(75.0) ) ) Afectó al patrón original colocando en 0 el valor de la variable fuzzy set. 0.4/pequeño. Mientras que con Delete: Animal(peso((0. 0. peso(100.0.8).7)) color(rojo.0.0. 0.6/medio.3/pequeño.Motor de Inferencia 159 Los resultados son: En cuanto a Modify: Se agrupan: los valores conforme al máximo “CF”: peso(60.9/100).89/grande).4).3/pequeño. Finalmente Create: Animal (peso(40. 0. 0.7/60.7/60.75). que al combinarse con el patrón original Animal(peso((0. 0)) (tamaño((0.3)) (Tamaño ((0. 0.

160 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 160 .

INTERFASE HOMBRE-MÁQUINA .CAPÍTULO 8.

162 .

Experto en el dominio del sistema Ingeniero del conocimiento Administrador del sistema. explicación a satisfacción.4 ARISTAS DE LA COMUNICACIÓN Control general de la sesión a cargo del sistema. convenciones. reconocedor de voz.8.3 RECURSOS Hardware.2. multimedia.3.2.1 TIPO DE USUARIO Esencialmente son cuatro tipos de usuarios a saber: Usuario final. La sencillez en la supervisión del funcionamiento a cargo del ingeniero de conocimiento. MODELO Medio Son los recursos físicos. facilitando la comunicación adecuada con el usuario. . 8. que permiten la interacción “hombre . Digitalizador.máquina”: Terminal. Evaluación. Exposición de conclusiones. realidad virtual.2.2.máquina tiene el objetivo de brindar el medio para explotar el Sistema Experto. La facilidad y claridad con la que el usuario puede expresarse y comprender al sistema. Aplicación.1 PROPÓSITO DEL MÓDULO La interfase hombre . Interrogación al usuario. traductores. el ingeniero de conocimiento y el propio experto. Tecnicismos. ofrecidas por el sistema. 8. Impresora. 8. protocolos. preguntas y respuestas. La claridad para la evaluación practicada por el experto.MÁQUINA 8. 8. Bocina. durante la operación. INTERFASE HOMBRE . formas y mecanismos. Videocámara. Complejidad. Graficador. 8. del funcionamiento del sistema. Micrófono. Entre los aspectos a satisfacer están: La expresión clara de las instrucciones.2 TEMA DE LA COMUNICACIÓN Naturaleza. Logísticos. Software. Justificación del resultado. Forma natural de expresión y representación. formalidades y patrones. Nivel de detalle. Teclado. lógicos y de software disponibles.2 CONSIDERACIONES 8. sus características y modo de operación.

acuses de contestaciones. Entre sus tareas destacan: ∗ Control de la sesión de operación del sistema ∗ Control del modo de comunicación: − Consulta. generando requerimientos de respuesta. Sonido. Mecanismo de la interfase Constituye el módulo del sistema responsable de la comunicación hombre-máquina.164 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Protocolo Es el formalismo de expresión utilizado en la comunicación en forma: Simbólica. 164 . integrado por dos clases de elementos: Código especializado El Código está representado por: Ventana: Se encarga de exhibir y recibir los elementos integrantes del protocolo de comunicación con el usuario. Intérprete: Recibe la comunicación del usuario y maneja: ∗ Mensajes ∗ Preguntas ∗ Respuestas Lleva a cabo su reconocimiento léxico. Texto. Generador: Conforme a los requerimientos a expresar produce: ∗ Mensajes ∗ Preguntas ∗ Explicaciones ∗ Justificaciones ∗ Resultados Para lo cual accesa a las bases de conocimiento apropiadas. Gráfico. − Exposición de resultados ∗ Solución de la acción a realizar en respuesta a los mensajes enviados por el usuario ∗ Supervisión de los mensajes emitidos por el sistema al usuario ∗ Manejo de eventos especiales: − Fin de sesión − Aborto de la sesión − Pausas de la sesión − Fallas en el funcionamiento − Establecimiento de la sesión. auxiliándose de la base de conocimientos del lenguaje. apoyándose en el medio disponible. Control: Es el coordinador esencial del flujo de operación de todos los módulos y de las interfaces con el mecanismo de inferencia y base de conocimientos del sistema. Formateador: Compila los mensajes que se expresan al usuario por medio de la representación apropiada de comunicación definida en el protocolo. sintáctico y semántico. manejo de errores.

.. Explicación: Argumentación de las conclusiones.3 CONCLUSIÓN Es la emisión de la(s) conclusión(es) generada(s) por el sistema experto y sus fundamentos. 8. ¿Porqué usó tal parámetro? What.¿Cómo hizo o no cierta decisión? ?. Se apoya en las bases de conocimientos y de resultados. .Motor de Inferencia 165 Bases de conocimiento calificadas Protocolo del lenguaje Contiene los elementos léxicos. Conclusión: Exposición de respuestas y soluciones. Justificación: Aclaración a las preguntas y razonamientos..4. inferencias y conclusiones. Se apoya en el mecanismo de inferencia y en la base de conocimientos del Sistema Experto. 8.Solicitud de cambio al modo explicación Las respuestas deberán ser completas y claras detallandolas hasta el nivel necesario en función al modelo del usuario y su interés. ¿Qué hará después? How. pudiendo distinguir 4 tipos esenciales: Consulta: Expresión de requerimientos.¿Qué está haciendo? .4. ME. justificaciones y evaluaciones.. Utilizándose para aclarar y abundar en los interrogatorios.4. En síntesis. es el responsable de argumentar la actuación del sistema. 8. Este tipo de interacción se conoce como modos de conversación.1 DESCRIPCIÓN La sesión de operación de un sistema experto a cargo del usuario final es esencialmente un interrogatorio encaminado a obtener los elementos necesarios para: Definir el problema. Los módulos de interpretación y generación se apoyan en esta base para la realización de sus funciones.¿Porqué hizo esa decisión y no otra?. tomando en cuenta: La exposición ∗ Mensaje descrito ∗ Factores de certidumbre asociados ∗ Reglas ∗ Hechos ∗ Razonamientos Recomendaciones para ejecutar las acciones descritas.. Entender el método y fundamentos aplicados en la generación de respuestas.2 FLUJO La interrelación de los modos de operación puede representarse por medio de las siguientes palabras clave: Why.Pregunta abierta. Fundamenta la construcción de hipótesis y justifica el rumbo que toma la sesión. estructuras sintácticas y conceptos semánticos puros del protocolo empleado. Durante la interacción ambos pueden formular preguntas y responder a otras. Conocimiento estratégico Constituye las razones que explican como se realizan las búsquedas. ocurridas durante la sesión de operación.4. por lo que se debe distinguir quien tiene el control de los cuestionamientos en cierto instante. Conocimiento estructural Representa los fundamentos en que descansan los hechos y conclusiones de la base de conocimientos. Formular la solución. CICLO DE COMUNICACIÓN 8.

tendremos: R3) Usa reglas que utilicen medicamentos baratos. Sean las reglas: R1) SI tiene gripa ENTONCES tomar la pastilla Y. Recomendar las opciones a elegir cuando se puedan aplicar varias. así como hacer una exploración ciega. por ejemplo. etc. Entre las que se encuentran: Por comandos. Con base al problema planteado y a los elementos disponibles. sistema para el mantenimiento de verdad. puede elegir por iniciar una búsqueda hacia adelante. Recomienda que procedimiento aplicar de acuerdo a la problemática. recursos y protocolo de comunicación se debe seleccionar la forma de implementación más “amigable”. atrás o mixta. Menú con ventanas. tema. R4) Usa reglas que utilicen medicamentos eficientes. por lo que se debe tener cuidado en: Forma de usar elementos sustitutos en la base.166 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo 8. usar factores de certidumbre o grados de pertenencia.4. por lo que puede usar los instrumentos equivalentes del modo explicación. 8.6 METACONOCIMIENTO La eficiencia de un Sistema Experto puede ser incrementada mediante el empleo del “conocimiento acerca del conocimiento” que maneja. agenda. frames. pizarrón.4 JUSTIFICACIÓN Son las aclaraciones que exige el usuario para comprender las conclusiones y sus fundamentos presentados por el sistema. heurística. R5) Usa reglas que utilicen medicamentos recomendados por expertos. R2) SI tiene gripa ENTONCES inyectar X. Situaciones donde el medicamento que se propone no está disponible. 8. dependencia conceptual. Al cumplirse esta condición las dos alternativas son viables. scripts u otra más apropiada. pero si definimos metaconocimiento.5 FORMAS DE IMPLEMENTACIÓN Relación En función al tipo de usuario. ¿Cuál sería la mejor? Si nos basamos en el orden. parcial o exhaustiva. Ajustes especiales a los métodos de inferencia. se escogerá la primera. Menú simple. Guía para reducir el proceso de búsqueda. se deberá buscar otro adecuado que se pueda recomendar sólo en los casos en que satisface las mismas condiciones que el original. Manera de actualizar sistemáticamente la base de conocimiento: Por ejemplo Supongase que se reporta al sistema que cierta medicina ha sido descontinuada. Propuestas para organizar la base de conocimientos: En función a la naturaleza del conocimiento a representar puede elegir por: reglas. por lo tanto él deberá preguntar y buscar por sustitutos adecuados para hacer los reemplazos correspondientes en la base. redes. con el que se obtienen una serie de lineamientos que dirigen el diseño y funcionamientos del sistema como son: Sugerencias para la definición de la arquitectura: Puede recomendar opciones tipo sistemas de producción. 166 .

largo y caro... Flexibilidad en las respuestas a distintos problemas. Estimar la capacidad y limitaciones del sistema para resolver los problemas planteados...meta .. Por esta razón no conviene arriesgar el éxito del sistema sin aplicar una rigurosa evaluación al proyecto a lo largo de su creación y operación.. Las meta-reglas 4 y 5 sugieren aplicar la 2 mientras que la 3 se inclina por la 1.. sociales. Confiabilidad de los mecanismos de inferencia.. se debe establecer un límite y la manera adecuada para controlar esta situación.Motor de Inferencia 167 Al considerar que: Y más barato que la ampoyeta X. Aprovechamiento de los recursos de cómputo.meta .. que requiere la participación de personal altamente calificado. desde la concepción del sistema es necesario hacer esta distinción en el tipo de conocimiento que se ha identificando...conocimiento meta . económicos y psicológicos).. Eficiencia de las estrategias de búsqueda...C.. “ “ . . Definen una serie de criterios para garantizar la validez y consistencia de los elementos de la base de conocimientos.conocimiento meta . Eficiencia en la solución. meta .conocimiento conocimiento Por lo tanto. Por lo tanto. 8..conocimiento “ ... Consistencia y completez del conocimiento y razonamiento empleado.meta .. Tips para detectar errores. Comparación de desempeño contra uno mismo. por ejemplo: R6) Nunca aplicar penicilina a pacientes alérgicos.. Empleo de técnicas de Inteligencia Artificial generales y propias. por lo que se recomiendan los siguientes aspectos: Aristas Desde el punto de vista técnico: Arquitectura del sistema.7 ASPECTOS A EVALUAR La construcción de un Sistema Experto representa un proyecto completo... sofisticado. de tal forma que se registre explícitamente en la B.... por lo que se corre el riesgo de caer en un ciclo muy largo. donde hay muchos intereses de por medio (científicos... suponer el consumo de recursos para resolverlo.. Capacidad en la solución de problemas complejos. lo cual pudiera presentar una semejante situación.. La ampoyeta X fue recomendada por el otorrino Juan T y la pastilla Y por el residente Pedro M. La ampoyeta X es más eficiente que la pastilla Y... Para el experto: Validación de las respuestas.. Es vital determinar la factibilidad de resolver el problema una vez planteado y en su caso.. . “ meta . Forma de representar conocimiento. ¿A cuál le haremos caso? La respuesta requiere emplear otros criterios más elevados (meta-meta-conocimiento)... de tal suerte que el nivel superior de conocimiento sea el que finalmente decida cuando los anteriores fueron incompetentes.

Aislarlo de los problemas y detalles técnicos. Brindarle herramientas útiles para que proporcione su conocimiento.beneficio. 168 .168 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo Mientras que para el usuario: Facilidad de uso. ofrece conclusiones. Principios Los expertos humanos difícilmente pueden ser evaluados objetivamente. Tener cuidado al generalizar los resultados.máquina cuando: realiza preguntas. Sistemas complejos no pueden ser evaluados con un simple conjunto de criterios. Relación costo . Determinación de los criterios a emplear.7 RECOMENDACIONES A continuación se expone una serie de recomendaciones útiles en la construcción de un Sistema Experto: Definición de la tarea Elegir problemas que no involucren mucho sentido común. justificaciones y orientaciones. Si algo puede salir mal. Prestar atención a la calidad y eficiencia de las decisiones y convencimientos que realiza el Sistema Experto. Mantener su interés. Confianza. El conocimiento de un Sistema Experto es mucho más limitado que el experto. Establecimiento de un estándar idóneo. Resultados. seguramente saldrá. Se deben precisar los objetivos a evaluar. Se aprende más de los errores que de los éxitos. Relación con el experto Familiarizarse con el problema antes de interactuar con él. con el ánimo de hacerlo fallar. La claridad y facilidad en la comunicación hombre . 8. Entendimiento. El empleo de periféricos adecuados. Hay criterios muy subjetivos. contesta. De ser heterogéneos pueden contrariar el desarrollo del proyecto y el sistema mismo. Hacer la evaluación en los momentos apropiados. Comprometerlo y motivarlo durante el desarrollo. Escoger aplicaciones de mediana complejidad. Un Sistema Experto es experimental esencialmente. Tratar con prudencia sus sentimientos. Definir claramente la aplicación. Dificultad para establecer el patrón ideal de comportamiento. Recomendaciones El Sistema Experto debe ser ejercitado en una amplia variedad de problemas. Los intereses particulares pueden influenciar los criterios técnicos. Selección adecuada de los casos. generando buenos resultados en corto plazo.

dando preferencia a: errores. Escoger la herramienta que minimize los problemas de interfase entre los subproblemas. Agregar una interfase hombre .8 CRITERIOS DE ÉXITO El éxito de un Sistema Experto está en función de la evaluación aplicada a su estructura. que los usuarios lo prueben. 8. Si hay varias reglas semejantes. Buscar niveles intermedios de abstracción. Buscar la simplificación del mecanismo de inferencia.máquina básica. Incluir un módulo para registrar los comentarios de los usuarios. Fortalecer los medios de aplicación y justificación. No preocuparse por el empleo de recursos. Construcción de las siguientes versiones del sistema experto Analizar las observaciones de expertos y usuarios. operación y resultados arrojados a la luz de los siguientes tipos de criterios: ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ Usuarios finales UTI Amigable Convincente Confiable Eficiente Sencillo Completo y actualizado Respaldo Economía Asistencia técnica Experto Auditable Evolutivo Eficiente Confiable Justificable Útil Técnico Portable . Incorporar rutinas de rastreo para la base de conocimiento y el mecanismo de razonamiento. Emplear herramientas que apoyen en la construcción del sistema. Procurar mejorar la eficiencia.Motor de Inferencia 169 Generación del primer prototipo Identificar y caracterizar los aspectos relevantes del problema. ajustes y adiciones. Separar el conocimiento específico del dominio del problema. Probar el sistema con una variedad amplia y adecuada de casos. Incorporar los métodos que el experto usa. Iniciar la construcción del prototipo tan pronto como se tenga entendido el primer ejemplo. Escoger las técnicas de Inteligencia Artificial más adecuadas al problema. ni de eficacia. Cuando el Sistema Experto esté en condiciones adecuadas. Mejorar la interfase con el usuario. Adoptar rápidamente los tecnicismos. Poner a consideración del experto el comportamiento del sistema. Poner atención a la documentación. Aplicar las correcciones pertinentes. pudiera identificarse un subtema de conocimiento interesante. No esperar perfeccionar las reglas antes de iniciar la construcción de la primera versión del Sistema Experto.

.. Motif.170 Sistemas basados en Conocimiento: Una Base para su Concepción y Desarrollo ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ Adaptable Modular Integridad Interfase con otros sistemas y lenguajes Recursos Tipo de equipo: mainframes. estaciones de trabajo. PC’S. Requerimientos de hardware Ambiente de trabajo Sistema operativo Software adicional requerido para su operación Compatibilidad con ambientes gráficos Windows. Xwindows. 170 .. . ..

CONCLUSIONES .

172 .

la cual ofrece altas posibilidades de aprovechamiento comercial. culturales y financieros. presentando únicamente aquello que es relevante. . nivel cultural ni posición social. hacer la investigación necesaria y filtrar el acervo disponible. el usuario es rebasado en su capacidad de buscar. Esta es una labor apropiada para aplicaciones tales como “data warehouse” (almacén de datos”) y sistemas expertos. que al conjugarse. haciéndose necesario la ayuda de herramientas que puedan interpretar sus requerimientos. colabore en la formación del profesional informático”. que aunada a los textos y cátedras del profesor. El empleo de tales aplicaciones aunado a infraestructuras de comunicación de medios masivos y de transmisión de datos como internet. requiere la participación de los recursos tecnológicos que faciliten la concentración y diseminación del conocimiento. serán bienvenidas las observaciones y sugerencias para corregir y mejorar su contenido. El ideal de estos apuntes es “contribuir en la enseñanza de los sistemas expertos. barreras de idioma. brindándole los elementos debidamente seleccionados en forma resumida. como fuente de consulta. procurando la oportuna actualización del documento. sociales. como lo constituyen los sistemas de información. donde podrá aplicar su talento y creatividad en la construcción de programas con un alto nivel tecnológico. Ante esta situación. las bases de datos y las redes de computadoras. revelan al personal de realizar complejas labores de tratamiento de datos. provocan una explosión de conocimientos puestos al alcance del usuario en forma inmediata y sin importar el lugar en que se encuentren.CONCLUSIONES El crecimiento acelerado de la actividad humana en los ámbitos comerciales. Es importante que el especialista nacional participe en esta clase de investigación. información y conocimiento sobre grandes volúmenes. seleccionar y asimilar la información y conocimiento realmente útil a partir del universo a su alcance. educativos. Por tal motivo.

.

REFERENCIAS .

176 .

Expert Systems and Applied Artificial Intelligence. USA.. Edition. Butterworth Heinemann. 2da.. Winston. A. P. 2da.REFERENCIAS Bratko.. USA. USA Tabor . McGraw Hill. Artificial Intelligence”. Patrick Henry. Efraim. T. B. Horn.K. Edition. McCorduck.. 3ra. Feigenbaum. R. I. Dutta. . Artificial Intelligence. Addisson Wesley. USA. Mcmillan Publishing. Programming for Artificial Intelligence. México. Rich. Addison Wesley.. Winston. USA.. S..P. La Quinta Generación. Knowledge Processing & Applied Artificial Intelligence. E. E. Addisson Wesley. Implementing Japanese Artificial Intelligence Techniques. Planeta. LISP.. McGraw Hill. P H. Edition.

Enero de 2006.000 ejemplares Diseño Portada. Expedición al Ártico Canadiense. 63º Norte. México. Edición: 1. Alejandro Peña Ayala Fotografía de la Portada: Ranquin Inlet. Octubre 2005 . Centro Histórico.Impreso en los Talleres Gráficos de la Dirección de Publicaciones del Instituto Politécnico Nacional Revillagigedo 83.F. 06070. D.

interpretación semántica. la base de conocimientos. Mediante las aportaciones de la Inteligencia Artificial. caracterizada por el empleo de modelos para representar y manipular conocimiento. proceso inteligente. Esta clase de sistemas.Los Sistemas basados en Conocimiento representan una familia de aplicaciones del campo de la Inteligencia Artificial. que están interesados en ampliar sus conocimientos para desarrollar Sistemas basados en Conocimiento con el respaldo de la Inteligencia Artificial. los Sistemas basados en Conocimiento procuran sistematizar actividades especializadas en el diagnóstico. ISBN. poniendo particular énfasis en los sistemas expertos. la Informática y la Computación. la interfase y el mecanismo de evaluación. La obra se dirige a los estudiantes. entre otras muchas áreas. emplean estructuras para representar conocimiento. En sus capítulos se dedican a describir los componentes encargados del aprendizaje. aplican procesos de inferencia. En este ejemplar. ISBN: 970-94797-4-1 #001 . Los Sistemas basados en Conocimiento utilizan mecanismos de aprendizaje automático. el motor de inferencia. se ofrece al lector un panorama de los Sistemas basados en Conocimiento. se distinguen de los convencionales sistemas de información por estar orientados a representar funciones cognitivas del ser humano y por la metodología empleada en su construcción. y utilizan interfaces de comunicación hombre-máquina adecuadas a la naturaleza de la aplicación. profesionistas y especialistas del ámbito de los sistemas. e identificación de patrones. toma de decisiones.