Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

El objetivo del Tema 5 es explicar el tratamiento de la incertidumbre en los sistemas de

razonamiento software.

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

El razonamiento humano se caracteriza por incluir en numerosas ocasiones componentes

de incertidumbre: informacin ausente, ambigua, imprecisa, etc.

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

En este tema se describen los conceptos de incertidumbre e imprecisin y se presentan

diferentes modelos terico-prcticos propuestos para su tratamiento computacional.

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

El principio de incompatibilidad de Zadeh (Lofti Zadeh, padre de la lgica borrosa

fuzzy logic) indica que precisin y pertinencia de un sistema software son
caractersticas excluyentes (inversamente proporcionales).

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Esta diapositiva presenta los conceptos fundamentales de incertidumbre e imprecisin.

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Ejemplo de proposicin incierta (e imprecisa para algunas variables: tose BASTANTE,

fiebre MUCHA).

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Ejemplo de proposicin imprecisa (tose MUCHO), pero no incierta (s tose).

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Los conceptos de incertidumbre e imprecisin se plasmas en grados de creencia y grados

de verdad subjetivos.

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La informacin imperfecta se puede modelar computacionalmente extendiendo el

modelo tpico de objeto-atributo-valor aadiendo un factor de confianza en el tem de
informacin (su fiabilidad).

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Adems de la extensin de las triplas OAV, se han utilizado otros modelos tanto tericos
como heursticos para representar la incertidumbre e imprecisin.

10

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La lgica de predicados de orden superior permite expresar propiedades de relaciones

(este objeto es ms X que este otro objeto) y relaciones entre propiedades (sacar un
sobresaliente en mejor que sacar un notable).

11

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

El modelo de la lgica multivalorada extiende la lgica booleana con un nmero que

indica el grado de satisfaccin (entre 0 y 1) de cada sentencia.

12

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Las reglas de Lukasiewicz sirven para calcular el grado de satisfaccin de una sentencia
en funcin del grado de satisfaccin de cada una de sus componentes: operadores AND y
OR, implicacin lgica, etc.

13

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

En la lgica no montona se permite que nuevos razonamientos puedan invalidar

razonamientos anteriores, que resulten inconsistentes segn avanza el proceso
inferencial. As se puede modelar la incertidumbre en entornos cambiantes.

14

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

El razonamiento de sentido comn es un ejemplo de lgica no montona y consiste en

que esto es vlido mientras no se demuestre lo contrario.

15

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La lgica modal es otra extensin de la lgica y se basa en incluir unos tipos especiales
de predicados sobre predicados, llamados modalidades u operadores modales: creo que
X, es necesario que X Estas modalidades introducen la incertidumbre y la
imprecisin en los razonamientos lgicos.

La lgica modal es la base de la arquitectura de agentes BDI, que se estudian en el tema

de agentes.

16

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Ejemplos de proposiciones lgicas muy humanas que se podran representar con la lgica
borrosa.

17

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La lgica borrosa o lgica difusa (fuzzy logic) es otra extensin de la lgica, en la que
se incluyen matices del lenguaje imprecisos.

18

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La lgica borrosa se basa en el concepto de conjunto borroso. Alguien no es nio

al llegar a los 5 aos y deja de serlo a los 12 de forma abrupta, sino que deja de
ser beb y pasa a ser nio progresivamente, y luego va dejando de ser nio para
convertirse en joven tambin de forma progresiva.

19

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La teora de la evidencia de Dempster y Shafer es una extensin a la teora de la

probabilidad, y se basa en incluir factor para poder establecer una distincin entre la
ignorancia sobre algo (no saber sobre algo) y una creencia no asignada (no estar seguro
de cmo de cierto o incierto es).

20

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

La teora de la evidencia intenta sacar beneficio de la utilizacin de hiptesis en conjunto

ms que cada hiptesis por separado.

21

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Los factores de incertidumbre es un modelo heurstico (de ingeniera) que se utiliz en el

sistema experto MYCIN para la representacin de la incertidumbre en hecho y reglas del
sistema.

22

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

MYCIN defina una serie de funciones de clculo para evaluar la incertidumbre de una
conclusin a partir del grado de confianza en cada uno de los hechos y las reglas de la
base de conocimientos: las funciones de propagacin (para llevar la incertidumbre de
izquierda a derecha en una regla individual), las funciones de composicin de hiptesis
(combinar la incertidumbre de reglas con AND y/u OR) y funciones de reglas con igual
conclusin (en el caso de que evidencias diferentes lleven a la misma hiptesis).

23

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Ilustracin del clculo de la incertidumbre de un diagnstico de MYCIN a partir de una

frmula de clculo y los valores de confianza en cada uno de los hechos y reglas de la
base de conocimientos.

24

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Otro modelo es la inferencia bayesiana, basada obviamente en el teorema de Bayes para

modelar las probabilidades condicionadas de que un suceso dado sea debido a una causa
(hiptesis) determinada.

25

Inteligencia en Redes de Comunicaciones 05 Razonamiento bajo incertidumbre

Las redes bayesianas se forman combinando una serie de pasos de inferencia bayesiana, a
modo de una red de causas red causal.

26