representación del conocimiento y razonamiento- sergio alvarez

8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez

http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 1/26

ASIGNATURA:

Inteligencia artificial

“ investigacion”

PRESENTA:

No. CONTROL NOMBRE SEMESTRE

121k0008 Alvarez Jimenez Sergio 8A

CARRERA:

INGENIERÍA EN SISTEMAS COMPUTACIONALES

DOCENTE:

Ing. Placido Balam Can

FELIPE CARRILLO PUERTO, QUINTANA ROO, MÉXICO.

viernes, 18 de marzo de 2016



Unidad 3 Representación del Conocimiento y razonamiento.

Inteligencia Artificial

P á g i n a 2 | 26

Índice

Introducción ........................................................................................................................................ 3

Unidad 3 Representación del conocimiento y razonamiento ............................................................ 43.1- Sistemas basados en conocimiento. ........................................................................................ 4

3.1.1. Concepto de conocimiento. .............................................................................................. 5

3.1.2. Lenguajes utilizados en la representación de conocimiento. ........................................... 6

3.2. Mapas conceptuales................................................................................................................. 9

3.3. Redes semánticas. .................................................................................................................. 10

3.4. Lógica de predicados. ............................................................................................................. 12

3.4.1. Sintaxis. ........................................................................................................................... 15

3.4.2. Semántica. ....................................................................................................................... 16

3.4.3. Validez. ............................................................................................................................ 17

3.4.4. Inferencia. ....................................................................................................................... 17

3.5. Razonamiento con incertidumbre.......................................................................................... 19

3.5.1. Aprendizaje. .................................................................................................................... 20

3.5.2. Razonamiento probabilístico. ......................................................................................... 21

3.5.3. Lógicas multivaluadas. .................................................................................................... 21

3.5.4. Lógica difusa. ................................................................................................................... 22

3.6. Demostración y métodos. ...................................................................................................... 22

Conclusión ......................................................................................................................................... 25

Fuentes de consulta .......................................................................................................................... 26





P á g i n a 3 | 26

Introducción

Cualquier modelo de representación del conocimiento incluye de una manera u otrael hecho de que una entidad esté compuesta por distintos elementos de diversostipos (como otras entidades). Este encapsulamiento puede verse como estructurasdentro de otras estructuras, o mediante la jerarquización por medio de relacionesentre distintas estructuras que se contienen unas a otras. Los sistemas basados en

conocimiento surgen como una evolución de los paradigmas de programación a lolargo de la historia de la informática.

Jackson define al conocimiento como un sistema que resuelve problemas utilizandouna representación simbólica del conocimiento humano''.

En este documento se podrá apreciar cómo se representa el conocimiento, suestructuración es la mejor manera de dar el entendimiento del tema, se abarcanlos siguientes temas:

Sistemas basados en conocimiento.

Mapas conceptuales.

Redes semánticas Logica de predicados.

Razonamiento con insertidumbre.

Demostración y métodos.





P á g i n a 4 | 26

Unidad 3 Representación del conocimiento y razonamiento

3.1- Sistemas basados en conocimiento.

Los sistemas basados en conocimiento surgen como una evolución de los

paradigmas de programación a lo largo de la historia de la informática. En los

primeros tiempos de la computación, los programas, ante una petición del usuario,típicamente producían una salida accediendo a datos almacenados en ficheros con

formatos particulares de cada aplicación. Más adelante surgieron las bases de

datos, que abstraían la capa de almacenamiento/persistencia de datos, eliminando

esos ficheros, facilitando así la gestión de la información necesaria para la

aplicación. Además aparecen los conceptos de la interfaz gráfica del sistema

operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son

una nueva evolución: en estos sistemas, los datos, la “base de conocimientos”, seconvierten en lo más importante, y el código que los explota, el “motor de

inferencias”, se generaliza según diferentes paradigmas. Esta base de

conocimientos la produce un usuario experto en el dominio, los ingenieros del

conocimiento, que son diferentes a los programadores de la interfaz o del propio

motor de inferencias.





P á g i n a 5 | 26

3.1.1. Concepto de conocimiento.

Un sistema experto o sistema basado en conocimiento se puede definir como:

sistema que resuelve problemas utilizando una representación simbólica del

conocimiento humano'' [Jackson 86].

Características importantes:

Representación explícita del conocimiento.

Capacidad de razonamiento independiente de la aplicación específica.

Capacidad de explicar sus conclusiones y el proceso de razonamiento.

Alto rendimiento en un dominio específico.

Uso de heurísticas vs. modelos matemáticos.

Uso de inferencia simbólica vs. algoritmo numérico.





P á g i n a 6 | 26

Algunas de estas propiedades se deben a la separación entre:

1. Conocimiento específico del problema - Base de Conocimiento.

2. Metodología para solucionar el problema - Máquina de Inferencia.

Importancia del Conocimiento

Los sistemas basados en conocimiento basan su rendimiento en la cantidad y

calidad del conocimiento de un dominio específico y no tanto en las técnicas de

solución de problemas.

Diferencia de sistemas basados en conocimiento con otras técnicas:

En matemáticas, teoría de control y computación, se intenta resolver el

problema mediante su modelado (Modelo del problema).

En sistemas expertos se ataca el problema construyendo un modelo del

``experto'' o resolvedor de problemas (Modelo del experto).

3.1.2. Lenguajes utilizados en la representación de conocimiento.

Sintaxis formalizada, para poder diseñar sobre bases sólidas un procesador.

Semántica bien definida y que permita la implementación procedimental en el

procesador de algoritmos de razonamiento eficientes.

Desde el punto de vista pragmático, expresividad suficiente para representar de la

manera menos forzada posible el conocimiento. Esto significa que, para una

determinada conceptuación, el lenguaje con el que se construyen los modelos en elnivel simbólico debe permitir una interpretación declarativa que represente todos los

aspectos de esa conceptuación. En la práctica puede ocurrir que no encontremos

el lenguaje ideal, y tengamos que forzar la conceptuación para que se ajuste al

lenguaje elegido.





P á g i n a 7 | 26

Hay lenguajes formales, o teóricos, que satisfacen en mayor o menor grado esas

condiciones y lenguajes de implementación, o prácticos, que, siguiendo el modelo

de algún lenguaje formal, están adaptados para mecanizar la construcción deontologías. Nos centraremos en los primeros, que son relativamente estables, y

sobre los que se basan los segundos, algunos muy volátiles. Por ejemplo:

Prolog es un lenguaje de implementación de la lógica de primer orden, que en sus

versiones más recientes incluye también construcciones para la programación con

restricciones.

OWL (Web Ontology Language) es un lenguaje de ontologías para la web basado

en una lógica de descripciones (en realidad, son tres sublenguajes). Procede de la

fusión de otros dos elaborados independientemente alrededor del año 2000: DAML

(DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio de

Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el

marco de los programas de la U.E.). En 2001 se formó un comité conjunto que hizo

una propuesta al Consorcio Web (W3C), y éste publicó el estándar (Proposed

Recommendation en la terminología del W3C) en 2003, modificado el 10 de febrero

de 2004. Existen numerosas propuestas de mejoras y modificaciones. En el Apéndice B se resume la versión actual.

Hasta la segunda mitad de los años 80 se estaban utilizando diversos lenguajes que

podían clasificarse en dos tipos:

Lenguajes basados en la lógica de predicados de primer orden, con sintaxis y

semántica formalizadas, con una base rigurosa para el razonamiento, pero con

grandes dificultades para implementar algoritmos de razonamiento eficientes, con

una rigidez sintáctica que impide ciertas conceptuaciones «naturales» y con pocas

posibilidades de modularización.

Lenguajes basados en modelos de psicología que, al estar derivados del estudio de

la mente humana, permiten conceptuaciones más naturales y algoritmos de





P á g i n a 8 | 26

razonamiento más eficientes, pero que tienen una sintaxis menos formalizada y

carecen de una definición semántica precisa (a pesar de que uno de ellos se llama

redes semánticas).

Como es natural, diversos investigadores trataron de elaborar propuestas para

aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982,

Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando quedaron

relativamente establecidas las llamadas lógicas de descripciones, que en el

momento actual son los lenguajes por antonomasia para la representación del

conocimiento.

Pero hay al menos cuatro razones por las que nos parece conveniente detenernos

previamente en los lenguajes más antiguos:

La lógica clásica de primer orden sigue siendo la base fundamental de las

demás formulaciones de la lógica;

En el diseño de muchos sistemas basados en conocimiento, especialmente

los que no son muy complejos, se siguen utilizando algunos de esos

lenguajes; Las ideas originales ayudan a entender y justifican ciertas decisiones de

diseño, y

La naturaleza interdisciplinaria de estos primeros trabajos hace muy

interesante su estudio.





P á g i n a 9 | 26

3.2. Mapas conceptuales.

Los mapas conceptuales son instrumentos de representación del conocimiento

sencillo y práctico, que permiten transmitir con claridad mensajes conceptuales

complejos y facilitar tanto el aprendizaje como la enseñanza. Para mayor

abundamiento, adoptan la forma de grafos.

En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se

denominó redes semánticas y que se usa ampliamente para la representar el

conocimiento formal. En lingüística, Graesser y Clark han desarrollado un análisis

de formas de argumentación en el texto en forma de mapas conceptuales

estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la

ciencia, la dinámica de mapas conceptuales se ha usado también para representar

los procesos de cambio conceptual de las revoluciones científicas y en filosofía de

la ciencia, Toulmin desarrolló una teoría de argumentación científica basada en

mapas conceptuales. También los mapas conceptuales han sido utilizados en la

educación, el diseño de las organizaciones para la toma de decisiones, la





P á g i n a 10 | 26

adquisición de conocimiento especializado, los sistemas sociales, la toma de

decisiones políticas, etc.

Un mapa conceptual es una técnica sencilla que permite representar el

conocimiento de forma gráfica como redes conceptuales compuestas por nodos que

representan los conceptos, y enlaces, que representan las relaciones entre los

conceptos.

3.3. Redes semánticas.Una red semántica es un grafo, donde los vértices representan conceptos y los

arcos representan relaciones entre los conceptos.

Las redes semánticas a nivel de ontología se utilizan para representar vocabulario

que es esencialmente muy valioso para los seres humanos.

Ejemplo: represente mediante una red semántica la frase “un gato es un animal”





P á g i n a 11 | 26

Y podría incluir otra frase, “Garfield es un gato

Las redes semánticas están basadas en la idea que los objetos o los conceptos

pueden ser unidos por alguna relación.

Estas relaciones se representan usando una liga que conecte dos conceptos.

Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a

modelar.

Las redes semánticas fueron originalmente desarrolladas para representar el

significado o semántica de oraciones en inglés, en términos de objetos y relaciones.

Desventajas de las redes semánticas

No existe una interpretación normalizada para el conocimiento expresado por la red.La interpretación de la red depende exclusivamente de los programas que

manipulan la misma. La dificultad de interpretación a menudo puede derivar en

inferencias inválidas del conocimiento contenido en la red. La exploración de una

red asociativa puede derivar en una explosión combinatoria del número de

relaciones que deben ser examinadas para comprobar una relación, sobre todo si

la respuesta a una consulta es negativa. No hay manera de insertar alguna regla

heurística para explorar la red de manera eficiente.

Ventajas de las redes semánticas

Permiten la declaración de importantes asociaciones en forma explícita. Debido a

que los nodos relacionados están directamente conectados, y no se expresan las





P á g i n a 12 | 26

relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda

por hechos particulares puede ser significativamente reducido.

3.4. Lógica de predicados.Es una herramienta para estudiar el comportamiento de un sistema lógico. Además

proporciona un criterio para determinar si un sistema lógico es absurdo o

inconsistente.





P á g i n a 13 | 26

Sistema simbólico: Lenguaje y fórmulas lógicas.

Proposiciones

Representación en lenguaje cotidiano que debe estar libre de vaguedades.

Conexiones lógicas y Términos de enlace

Palabras de enlace que unen proposiciones atómicas para formar proposiciones

moleculares.

Simbolización de proposiciones

Uso de variables para representar proposiciones.

P = "Se cerró el circuito"





P á g i n a 14 | 26

Q = "Operó la marcha"

P & Q = "Se cerró el circuito y operó la marcha"

¬Q = "No operó la marcha"

Jerarquía de aplicación

Menor jerarquía

&, V

¬ Mayor jerarquía





P á g i n a 15 | 26

3.4.1. Sintaxis.

Elementos

Términos: Representan objetos del dominio.

Constantes: Representan un objeto individual en concreto

notación: cadenas de caracteres, comienzan en mayúsculas

Ejemplos: Juan; Mi coche;…

Funciones: Representan (implícitamente) un objeto individual que está

relacionado con los n objetos que participan en la función

notación: símbolo de función (cadena, comienza con Mays.) con aridad n

+ n argumentos (términos) entre paréntesis Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)…

Variables: Representan objetos sin indicar cuales

Uso:

notación: cadenas de caracteres en minúsculas

Ejemplos: x; y; padre; hijo;…

Predicados: Representan una propiedad de un término (si aridad 1) o relaciones

entre k términos (si aridad k > 1)

notación: cadenas de caracteres + k términos (variables, constantes,

funciones) entre paréntesis

Átomos: formulas bien formadas (f. b. f.) compuestas por un único predicado

Literales: Átomo o negación de un átomo.





P á g i n a 16 | 26

Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de

(Juan));…

3.4.2. Semántica.Representamos un mundo donde hay:

Un n° infinito de objetos individuales representados por símbolos de

constantes y variables

o Pueden ser entidades concretas (personas, cosas) o

abstractas(números, eventos)

Un n° infinito de objetos de nidos en función de otros objetos, representados

por símbolos de función

Relaciones entre los objetos del dominio, representadas por símbolos de

predicado

o Si la aridad es 1, se habla de propiedades de objetos

INTERPRETACIONES:

Una interpretación establece las relaciones anteriores entre los símbolos de la lógica

y los elementos del mundo real

asocia a las constantes objetos del mundo

asocia a las funciones relaciones funcionales entre objetos

asocia a los predicados relaciones entre objetos

Más compleja que en lógica de proposiciones

Dominio de una interpretación: Conjunto de objetos del mundo que se manejan en

una interpretación Formalmente: Dada una conceptualización formada por:





P á g i n a 17 | 26

U: universo de discurso (conj. de individuos/objetos)

R: conj. Finito de relaciones entre objetos de U

F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o más objetos de U

3.4.3. Validez. Un predicado con variables libres no es verdadero ni falso, hasta que se

asignen valores para dichas variables.

Algunos de ellos serán siempre verdaderos independientemente de los

valores que se escojan: estos son predicados válidos.

Un predicado que es verdadero o falso dependiendo de los valores elegidos

se dice que es satisfacible.

Un predicado que es siempre falso se dice que es no satisfacible.

3.4.4. Inferencia.Reglas de inferencia

Modus Ponendo Ponens

Modus Tollendo Tollens





P á g i n a 18 | 26

Modus Tollendo Ponens

Doble negación

Regla de adjunción Regla de Simplificacion

Ley de adición

Ley de simplificación disyuntiva





P á g i n a 19 | 26

Ley del silogismo hipotético

Ley del silogismo disyuntivo

Leyes de Morgan

Reglas de operación

1.- Cambiar & por V, o viceversa

2.- Negar cada proposición

3.- Negar la proposición completa

3.5. Razonamiento con incertidumbre.

En situaciones reales, no siempre es posible contar con toda la información.Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy

rápidamente.

Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.





P á g i n a 20 | 26

Diversos métodos han sido desarrollados para evaluar los grados de certeza o de

verdad de las conclusiones.

Uno de los más generalizados consiste en asignar coeficiente de certeza o de

confianza a los hechos que intervienen en las en las condiciones y en la conclusión

de una regla.

Todos los mecanismos de representación de conocimiento vistos están basados en

lógica bajo estos supuestos:

• Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso.

• Para poder razonar necesitamos tener todos los hechos a nuestra

disposición.

Pero en las prácticas nos encontramos con estos problemas:

• Representar el conocimiento para cubrir todos los hechos que son relevantes

para un problema es difícil.

• Existen dominios en los que se desconocen todos los hechos necesarios

para resolver el problema.

• Existen problemas en los que aun teniendo las reglas para resolverlos no

disponemos de toda la información necesaria o no tenemos confianza

absoluta en ellas.

• En otros problemas las reglas no se aplican siempre o su confianza cambia

con la confianza que tenemos en los hechos.

3.5.1. Aprendizaje.Máquina que aprende: Sistema organizado que transforma un mensaje de entrada

en uno de salida, de acuerdo con el principio de Transformación.





P á g i n a 21 | 26

Si tal principio está sujeto a cierto criterio de validez, el método de transformación

se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema

aprende.

Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de

estímulos que provienen del entorno; reciben la información y la almacena con el fin

de reutilizarla en situaciones o patrones de estímulos semejantes.

La Organización (o reorganización) de la propia conducta (ante una situación o un

patrón de estímulos) como resultado de una experiencia individual.

Todos los estímulos a los que un individuo responde es un cierto contexto pueden

no ser efectivos para producir una conducta de aprendizaje en otros contextos.

3.5.2. Razonamiento probabilístico.La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla

de Bayes, la misma que está basada en la teoría clásica de la probabilidad.

Las hipótesis son más o menos probables dependiendo de las posibilidades de los

hechos o evidencias que las sostiene.

Las probabilidades se calculan en base a la fórmula general de la probabilidad

condicionada de Bayes o algunas transformaciones de la misma.

Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que

las personas asignan probabilidades de ocurrencia de un suceso basándose en su

frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y

opiniones.

3.5.3. Lógicas multivaluadas.Se usa en matemáticas como procedimiento para buscar modelos no estándar; esto

es esencialmente lo que hace para conseguir los modelos generales de Henkin para

la lógica superior responsables de su teoría de completud.





P á g i n a 22 | 26

3.5.4. Lógica difusa.También llamada lógica borrosa o heurística, se basa en lo relativo de lo observado

como posición diferencial, este tipo de lógica toma dos valores aleatorios, pero

contextualizados y referidos entre sí.

3.6. Demostración y métodos.Métodos deductivos de demostración: el método deductivo es un proceso que parte

de un conocimiento genera, y arriba a uno particular. La aplicación del método

deductivo nos llevó a un conocimiento con grado de certeza absoluta y esta

cimentado en preposiciones llamadas silogismos.

Ejemplos:

“Todas las mexicanas son bellas”, (este es el concepto general).

‘Luz Ortiz es mexicana’

Luego:

‘Luz Ortiz es bella’





P á g i n a 23 | 26

En la lógica formal y sobre todo en el universo matemático, el proceso deductivo

tiene un significado un poco diferente, pues está basado en axiomas, o

preposiciones que son verdades por definición.

Ejemplos de axiomas:

“El todo es mayor que la parte”

“Dos cosas iguales a una tercera son iguales entre sí”

Al conjunto de Hipótesis + Demostración + Conclusión se denomina Teorema.

El Método de resolución de Robinson.

Es un intento por mecanizar el proceso de deducción natural de esa forma eficiente.

Las demostraciones se consiguen utilizando de esa forma el método refutativo

(deducción al absurdo), es decir lo que intentamos es encontrar contradicciones.

Para probar una sentencia nos basta con demostrar que su negación nos lleva a

una contradicción con las sentencias conocidas (es insatisfactible). Si la negación

de una sentencia entra en contradicción con los hechos de nuestra base de

conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y

se puede deducir lógicamente de las sentencias que componen dicha base de

conocimientos.

Ejemplo:

• Lloverá O habrá un examen.

• David es Darth Vader O no lloverá.

• David no es Darth Vader.

• Habrá un examen?

Solución:





P á g i n a 24 | 26

• Lluvia = a , Examen = b, David es Vader = c

• Base de Conocimiento (todas son ciertas): a V b, c V ¬ a, ¬ c

• Por Resolución sabemos que b V c es cierta.

• Por Resolución Unidad sabemos que b es cierta.





P á g i n a 25 | 26

Conclusión

En conclusión el conocimiento y razonamiento tienden a estructurarse mutuamente,

para que este se comprobara se realizó investigaciones acerca de cómo es que ese

proceso llega a darse, esto con el fin de que el ser humano o las maquinas tengan

esa forma de tomar una decisión y que esta sea correcta. Este documeto hizo una

muestra del proceso del razonamiento y conocimiento.





Fuentes de consulta

http://www.rvazquez.org/Mision/ia2010_files/unidad3ia

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

http://es.slideshare.net/HumbertoChalate/3-representacin-del-conocimiento-y-

razonamiento-48561067

http://karenjcs.wix.com/artifi-intelk#!unidad-3/c1r9l




http://es.slideshare.net/HumbertoChalate/3-representacin-del-conocimiento-y-razonamiento-48561067










representación del conocimiento y razonamiento- sergio alvarez

Documents