Upload
shieldder
View
26
Download
0
Embed Size (px)
DESCRIPTION
Invetigacion del temario ISC IA
Citation preview
DOCENTE:
MTI. LILI ALEJANDRA MEDRANO MENDOZA
ALUMNO:
ORLANDO LEON BALLONA
SAN ANDRÉS TUXTLA, VER., 10-10-2014
INTELIGENCIA ARTIFICIAL UNIDAD 3
INSTITUTO TECNOLÓGICO SUPERIOR DE SAN ANDRÉS TUXTLA
1
ÍNDICE
INTRODUCCIÓN .................................................................................................................................. 2
ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS ......................................... 2
CLASE DE MÉTODO: RESOLUCIÓN Y UNIFICACIÓN .................................................................. 5
CONCEPTOS DE APRENDIZAJE, RAZONAMIENTO PROBABILÍSTICO, LÓGICAS,
MULTIEVALUADAS, LÓGICA DIFUSA ............................................................................................ 10
Aprendizaje ...................................................................................................................................... 10
Razonamiento Probabilístico.......................................................................................................... 12
Razonamiento Lógico ..................................................................................................................... 12
Lógica difusa .................................................................................................................................... 13
CONCLUSIÓN .................................................................................................................................... 14
BIBLIOGRAFÍA ................................................................................................................................... 15
2
INTRODUCCIÓN
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. Esta clase de aplicaciones
descansan en las contribuciones de la inteligencia artificial en lo general y en la
ingeniería del conocimiento en lo particular. Su orientación es la automatización del
análisis de problemas, la búsqueda de soluciones, la toma de decisiones y el empleo de
conocimiento especializado en un campo específico de aplicación.
Entre los productos más significativos de los sistemas basados en conocimiento
se encuentran los sistemas expertos, los cuales están encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento
para tareas de diagnóstico, enseñanza y control.
La composición de los sistemas basados en conocimiento consta de un
mecanismo de aprendizaje, una base de conocimientos, un motor de razonamiento, y
medios de comunicación hombre-máquina.
ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS
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.
Contener “conocimiento técnico”.
Reducir a un grado mínimo el error humano.
Automatizar las operaciones repetitivas.
Transmitir información dentro de la organización.
Reducir el tiempo de realización de las operaciones.
3
Bajar costos.
Facilitar la tarea del usuario.
Ofrecer información: completa, eficiente, veraz, oportuna.
Manipular grandes volúmenes de información.
Satisfacer las necesidades del usuario.
EXTENSIÓN A LOS SISTEMAS BASADOS EN CONOCIMIENTO
Los sistemas basados en conocimiento se consideran una extensión - un paso
tecnológico - de los sistemas de información cuyos alcances y complejidad son
mayores. Entre sus propósitos destacan:
Aprender.
Evolucionar.
Adaptar.
Razonar.
Tomar decisiones.
Contener conocimiento empírico, mundano y del lenguaje.
Analizar problemas.
Generar alternativas de solución.
Emular al experto humano.
Generar conocimiento a partir del que ya se posee.
PROPIEDADES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO
Entre las características más relevantes de los sistemas basados en
conocimiento están:
Procedimientos no algorítmicos.
Manejo de incertidumbre.
0 , 1 ó múltiples soluciones.
Conocimiento técnico y científico.
Busca generar la solución “óptima”.
Manipulación de conocimiento no monofónico.
4
Procesos interactivos.
Aprendizaje de los fracasos.
Empleo de métodos para la representación del conocimiento.
Capacidad para explicar su propio razonamiento, cuestionamiento y emisión de
conclusiones.
Uso de búsquedas heurísticas.
Representación de conocimiento especializado del campo de aplicación.
Pueden utilizar razonamiento con base en probabilidades, creencias, pertenencias y
suposiciones.
Procesamiento simbólico.
Utilizan sistema de mantenimiento de la verdad
para afirmaciones y negaciones cambiantes.
Datos cualitativos más que cuantitativos.
TIPOS DE APLICACIONES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO
El ámbito de aplicación de los sistemas basados en conocimiento incluye:
Lenguaje natural.
Realidad virtual.
Redes neuronales.
Juegos.
Sistemas expertos.
Robótica.
Sistemas de planeación.
Reconocimiento de imágenes.
Traductores.
Solución de problemas.
Sistemas evolutivos.
CAM Manufactura. Llevado a máquinas de control numérico.
Aprendizaje.
Sistemas Tutoriales.
5
CLASE DE MÉTODO: RESOLUCIÓN Y UNIFICACIÓN
La Deducción Natural consiste en un sistema de reglas de inferencia que permite
construir deducciones, es decir, a partir de "algo" podemos deducir o "llegar a" "otra
cosa", hasta que encontramos una conclusión. Se trata de un método puramente
sintáctico donde sólo nos ocupamos de la manipulación de símbolos. Es un método
interesante para construir demostraciones, sin embargo es difícilmente mecanizable.
Por otro lado, como hemos visto, es fácil representar hechos del mundo real
mediante la lógica proposicional y mediante la lógica de predicados. Además mediante
la lógica de predicados podemos representar el conocimiento que tenemos sobre un
cierto mundo finito poniéndolo en forma de sentencias y disponemos de un mecanismo
para razonar con ese conocimiento. Sin embargo, lo que para el ser humano resulta
trivial, deducir una sentencia a partir de otra, para la máquina puede llegar a ser
computacionalmente muy costoso e, incluso, inviable. Los estudios, por tanto, se han
centrado en conseguir un método de demostración que se puede ejecutar en un tiempo
finito, y que en dicho tiempo, de forma eficiente, nos proporcione una solución acertada.
El Método de Resolución [Robinson, 1965], es un intento de mecanizar el
proceso de deducción natural de esa forma eficiente. Las demostraciones se consiguen
utilizando el método refutativo (reducción 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.
Existen distintas Estrategias de Resolución: sistemática, con conjunto soporte,
unitaria, primaria y lineal.
6
En este apartado formularemos detalladamente el método de Resolución por
Refutación Lineal. Para ello, es necesario conocer el proceso de conversión a forma
clausal, ya que las cláusulas con las que se trabaja en esta técnica deben tener una
forma específica. Por otro lado, hemos de definir también el proceso o algoritmo de
Unificación, paso imprescindible en este método de Resolución.
Conversión a forma clausal.
El proceso de conversión a forma casuall consiste en transformar las sentencias
y fórmulas en cláusulas, cuya principal característica, al nivel de representación, es la
ausencia casi total de símbolos de relación. En una cláusula sólo aparecerán
disyunciones "Ú”.
De esta manera, el primer paso será transformar todas las sentencias a una
forma canónica llamada forma normal conjuntiva [Davis y Putnam, 1960], a partir de la
cual obtendremos el conjunto de cláusulas. Así, podemos definir una cláusula, más
formalmente, como una fórmula en forma normalizada conjuntiva que no tiene ninguna
conectiva. Esta transformación la vamos a realizar en varios pasos:
1. Primero pasaremos las sentencias a Forma Normal Prenexa.
2. En el siguiente paso las transformaremos a Funciones de Skolem.
3. Finalmente llegaremos a una representación en Forma de Cláusulas.
Forma Prenexa
Una fórmula está en Forma Normal Prenexa si es de la forma: Q1x1...QnxnY
donde Y es una fórmula desprovista de cuantificadores y escrita como conjunción de
disyunciones, Q1,...,Qn Î {" , $ } y x1,..., xn son variables.
Funciones de Skolem
El siguiente paso es convertir las fórmulas de Forma Normal Prenexa a Fórmulas
de Skolem, que se caracterizan por no estar cuantificadas existencialmente. Por tanto,
7
el algoritmo de transformación a forma de Skolem elimina los cuantificadores
existenciales.
Partimos de una fórmula: Q1x1...QnxnY. Se recorre la fórmula en forma prenexa
de izquierda a derecha y se eliminan los cuantificadores existenciales según los dos
casos siguientes:
Sea Qr un cuantificador existencial:
Si no hay ningún cuantificador universal antes de Qrxr, elegir una
nueva constante c distinta de todas las que aparecen en Y, y reemplazar cada
ocurrencia de xr en Y por c. Borrar Qrxr del prefijo de la fórmula.
Si Qs1, Qs2,…, Qsk son los cuantificadores universales que aparecen
antes de Qrxr, tomar un nuevo símbolo de función f distinto a todos los que
aparecen en Y y reemplazar cada ocurrencia de xr por f(xs1,xs2,...,xsk). Borrar Qrxr
del prefijo de la fórmula.
Representación en forma de cláusulas: El último paso será convertir las
funciones de Skolem a cláusulas. Tenemos las fórmulas cuantificadas universalmente,
entonces podemos eliminar todos los prefijos, de tal manera que la fórmula resultante
está en forma de conjunción de disyunciones (forma normal conjuntiva): (a Ú b Ú c) Ù
(d Ú e) Ù (j Ú l Ú m). Finalmente, por cada conjunción obtenemos una cláusula: (a Ú b
Ú c), (d Ú e) y (j Ú l Ú m).
Algoritmo de Unificación.
Podemos definir la Unificación como un procedimiento de emparejamiento que
compara dos literales y descubre si existe un conjunto de sustituciones que los haga
idénticos. La idea básica de la unificación es muy sencilla. Para unificar dos literales
vamos recorriéndolos de izquierda a derecha. En primer lugar se comprueba si los
predicados coinciden. Si es así, seguimos adelante; si no es que no son unificables. Si
el predicado concuerda, comenzamos a comparar los argumentos. Si el primero de
ellos coincide en ambos literales, continuamos con el siguiente... y así hasta completar
8
todos los argumentos. Como resulta obvio, ambos literales deben tener el mismo
número de argumentos.
Para conseguir que cada argumento de un literal sea coincidente con su
homólogo en el otro literal, debemos buscar una sustitución que nos permita
emparejarlos. La única condición que debe reunir esta sustitución es que ha de
aplicarse a todo el literal, es decir, que la sustitución afecta a todo el literal, y no sólo al
argumento en cuestión. Por decirlo de una manera sencilla, las sustituciones se van
arrastrando a lo largo del proceso de unificación.
Ejemplo:
Vamos a unificar P(x, x) con P(y, z):
Primera sustitución: (y/x)
Resultado: P(y, y) P(y, z)
Segunda sustitución: (z/y)
Resultado: P(z, z) P (z, z)
La sustitución resultante es la composición de las sustituciones: s = { z/y , y/x}
Algoritmo de Resolución
El procedimiento de resolución consiste en un proceso iterativo en el cual
comparamos (resolvemos), dos cláusulas llamadas cláusulas padres y producimos una
nueva cláusula que se ha inferido (deducido), de ellas. Por tanto, lo que hacemos es
combinar las cláusulas padres para dar lugar a una nueva cláusula, en la que podemos
simplificar alguno de sus términos.
Por ejemplo, supongamos que tenemos las cláusulas siguientes (ambas
verdaderas):
9
invierno Ú verano (es invierno o es verano).
Ø invierno Ú frío (hace frío o no es invierno).
Aplicando resolución, podemos combinar ambas cláusulas y obtener:
invierno Ú verano Ú Ø invierno Ú frío.
Ahora podemos hacer una simplificación, ya que (invierno Ù Ø invierno) es una
tautología, con lo que nos queda:
verano Ú frío (es verano o hace frío).
Que también deberá ser verdadera, pues hemos seguido puntualmente todas las
propiedades de la lógica de primer orden.
La resolución opera tomando dos cláusulas tales que cada una contenga un
mismo literal, en una cláusula en forma positiva y en la otra en forma negativa. El
resolvente se obtiene combinando todos los literales de las cláusulas padres y
eliminando aquellos que se cancelan.
Si la cláusula resultante es la cláusula vacía (€), entonces es que hemos llegado
a una contradicción.
El algoritmo que acabamos de ver está definido de una forma muy general. Sin
embargo, para su uso cotidiano se pueden hacer una serie de sugerencias que, si bien
en la mayoría de los casos no están basadas en aserciones infalibles, pueden facilitar el
proceso general de resolución:
Aunque no sea un criterio estricto, suele dar buenos resultados comenzar
a resolver por las cláusulas de mayor tamaño, es decir, las que poseen mayor número
de literales.
La cláusula resolvente se añade al conjunto de cláusulas disponible y, en
teoría, se puede continuar el proceso tomando dos cláusulas padre cualesquiera. Sin
10
embargo, al igual que en el caso anterior, suele dar buen resultado continuar el proceso
de resolución a partir de la nueva cláusula resultante.
De igual forma, aunque no existe ninguna limitación en cuanto al número
de veces que se puede usar una cláusula para resolver, se recomienda probar primero
a no usar dos veces la misma cláusula antes de usar todas las cláusulas disponibles.
Si es posible llegar a la cláusula vacía resolviendo únicamente con las
cláusulas del conjunto inicial sin usar en ningún momento la o las cláusulas
provenientes de la hipótesis, es porque existe una inconsistencia dentro del conjunto
inicial de cláusulas. Ésta puede ser una forma de detectar errores en el diseño de la
base de conocimiento.
Si en la cláusula resolvente existen dos literales iguales, ésta se puede
simplificar eliminando uno de los dos literales. Puede ser necesaria una sustitución
previa a fin de que esos literales sean unificables y, por tanto, completamente iguales.
No es necesario usar todas las cláusulas en el proceso de resolución. En
la mayoría de los casos basta con usar algunas de las cláusulas de la base de
conocimiento y alguna o algunas de las cláusulas proveniente de la hipótesis.
CONCEPTOS DE APRENDIZAJE, RAZONAMIENTO PROBABILÍSTICO,
LÓGICAS, MULTIEVALUADAS, LÓGICA DIFUSA
Aprendizaje
Máquina que Aprende: Sistema Organizado que transforma un mensaje de
Entrada en una Salida, de acuerdo con un Principio de Transformación. Si tal Principio
está sujeto a cierto Criterio de validez, y 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.
11
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 en un cierto Contexto
pueden No ser Efectivos para Producir una Conducta de Aprendizaje en otros Contexto.
Tipos de Aprendizaje
Habituación. Una Respuesta que decae ante un Conjunto de Estímulos
Repetidos (o Continuos) No Asociados a Ningún Tipo de Recompensa o Refuerzo.
Implica Tendencia a Borrar todo Tipo de Respuesta ante un Estímulo que No tiene
Importancia para la Supervivencia. Sirve como Filtro a un Conjunto de Estímulos No
Relevantes.
Asociativo. Un Evento permite Predecir, con cierta confianza, la Ocurrencia (o
no) de otro. Un Animal que Conoce estas Relaciones pueden sacar provecho
Anticipándose a esos Eventos y Comportarse apropiadamente.
Condicionamiento. Un Animal adquiere la Capacidad de Responder a un
Estímulo Determinado con la misma Acción Refleja con que Responderí a otro Estímulo
Condicionante (Refuerzo o Recompensa) cuando ambos Estímulos se presentan
Concurrentemente (o sobre puestos en una Secuencia) un cierto número de veces.
Prueba y Error. Los Animales permanecen siempre Activos y su Atención se fija
Primero aquí y luego allá probando todas las Posibilidades inimaginables hasta que de
manera mas o menos Accidental resuelve con Éxito la Tarea y Obtiene Recompensa.
Requiere la Existencia del Refuerzo (o Recompensa) para animar la Selección de la
Respuesta Deseada.
Latente. Tiene lugar en Ausencia de Recompensa. Se aprende algo que
permanece Latente hasta que es Necesario.
Imitación. Implica Copiar una Conducta, Acción o Expresión Nueva o que resulta
Imprescindible de Aprender si no es Copiada de otro Individuo.
12
Impronta. La Manera en que un Rango Específico de Estímulos es Capaz de
Elicitar una Respuesta pudiendo ser Limitado y Refinado mediante la Experiencia. Su
Duración se Restringe a Periodos Sensitivos.
Razonamiento Probabilístico
El razonamiento probabilístico es cuando la probabilidad que la verdad de una
oración hay cambiado su valor inicial. Su principal ventaja frente al razonamiento lógico
reside en que el agente puede tomar decisiones relacionadas aun sin disponer de
suficiente información para probar que una acción dada funcionara. Y este
razonamiento es la base para algunos teoremas muy importantes como son el modelo
Bayesiano en los años 60 y 70 por Edwards y la teoría de heurísticos estadísticos por
Nissbett en 1983.
Razonamiento Lógico
Los razonamientos pueden ser válidos (correctos) o no válidos (incorrectos). En
general, se considera válido un razonamiento cuando sus premisas ofrecen soporte
suficiente a su conclusión. Puede discutirse el significado de "soporte suficiente",
aunque cuando se trata de un razonamiento no deductivo, el razonamiento es válido si
la verdad de las premisas hace probable la verdad de la conclusión. En el caso del
razonamiento deductivo, el razonamiento es válido cuando la verdad de las premisas
implica necesariamente la verdad de la conclusión.
Los razonamientos no válidos que, sin embargo, parecen serlo, se denominan
falacias.
El razonamiento nos permite ampliar nuestros conocimientos sin tener que apelar
a la experiencia. También sirve para justificar o aportar razones en favor de lo que
conocemos o creemos conocer. En algunos casos, como en las matemáticas, el
13
razonamiento nos permite demostrar lo que sabemos; es que aquí hace falta el
razonamiento cuantitativo
El termino razonamiento es el punto de separación entre el instinto y el
pensamiento, el instinto es la reacción de cualquier ser vivo. Por otro lado el razonar
nos hace analizar,y desarrollar un criterio propio, el razonar es a su vez la separación
entre un ser vivo y el hombre.
Lógica difusa
La lógica difusa (también llamada lógica borrosa o lógica 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. Así, por ejemplo, una
persona que mida 2 metros es claramente una persona alta, si previamente se ha
tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores están
contextualizados a personas y referidos a una medida métrica lineal.
14
CONCLUSIÓN
El crecimiento acelerado de la actividad humana en los ámbitos comerciales,
educativos, sociales, culturales y financieros, requiere la participación de los recursos
tecnológicos que faciliten la concentración y diseminación del conocimiento, como lo
constituyen los sistemas de información, las bases de datos y las redes de
computadoras. El empleo de tales aplicaciones aunado a infraestructuras de
comunicación de medios masivos y de transmisión de datos como internet, provocan
una explosión de conocimientos puestos al alcance del usuario en forma inmediata y sin
importar el lugar en que se encuentren, barreras de idioma, nivel cultural ni posición
social.
Ante esta situación, el usuario es rebasado en su capacidad de buscar,
seleccionar y asimilar la información y conocimiento realmente útil a partir del universo
a su alcance; haciéndose necesario la ayuda de herramientas que puedan interpretar
sus requerimientos, hacer la investigación necesaria y filtrar el acervo disponible,
presentando únicamente aquello que es relevante.
Orlando Leon Ballona
15
BIBLIOGRAFÍA
http://ccc.inaoep.mx/~emorales/Cursos/Representa/node14.html
http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimie
nto.pdf
http://www.uhu.es/nieves.pavon/pprogramacion/temario/anexo/anexo.html
http://inteligenciaartificialudb.blogspot.mx/2008/01/concepto-caractersticas-y-
metodologas.html
http://inteligencia-artificial802-a.blogspot.mx/2013/04/sistemas-de-razonamiento-
probabilistico.html
http://ingenieriacusa.blogspot.mx/2010/07/inteligencia-artificial-razonamiento.html
http://sindominio.net/~apm/articulos/ia/index.html