INTELIGENCIA ARTIFICIAL UNIDAD 1.- FUNDAMENTOS 1.1.- EL PROPOSITO DE LA I.A. Y SU EVOLUCION HISTORICA.

El objetivo ltimo de la I.A. es: Comprender y Construir Entidades Inteligentes. Aunque desde luego, existen otros planteamientos como los siguientes: 1. "Desarrollar una mquina inteligente capaz de aprender a travs de la experiencia, reconocer las limitaciones de su conocimiento, exhibir verdadera creatividad, tomar sus propias decisiones e interactuar con el medio que la rod" 2. "Hacer que las computadoras sean capaces de mostrar un comportamiento que sea considerado como inteligente por parte de un observador humano (Turing test)". 3. "Elevar el Coeficiente Intelectual de las mquinas (machine-IQ)" 4. "Desarrollar las capacidades de la computadora ms all de su uso tradicional actual". La Inteligencia Artificial surge definitivamente a partir de algunos trabajos publicados en la dcada de 1940 que no tuvieron gran repercusin, pero a partir del influyente trabajo en 1950 de Alan Turing, matemtico britnico, se abre una nueva disciplina de las ciencias de la informacin. Si bien las ideas fundamentales se remontan a la lgica y algoritmos de los griegos, y a las matemticas de los rabes, varios siglos antes de Cristo, el concepto de obtener razonamiento artificial aparece en el siglo XIV. A finales del siglo XIX se obtienen lgicas formales suficientemente poderosas y a mediados del siglo XX, se obtienen mquinas capaces de hacer uso de tales lgicas y algoritmos de solucin. En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar una mquina? era demasiado filosfica para tener valor y, para hacerlo ms concreto, propuso un juego de imitacin. En la prueba de Turing intervienen dos personas y una computadora. Una persona, el interrogador, se sienta en una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si acta de manera inteligente, segn Turing es inteligente. Turing, seal que una mquina podra fracasar y an ser inteligente. Aun as crea que las mquinas podran superar la prueba a finales del siglo XX. De todas maneras esta prueba no tuvo el valor prctico que se esperaba, aunque sus repercusiones tericas son fundamentales. El enfoque de Turing de ver a la

inteligencia artificial como una imitacin del comportamiento humano no fue tan prctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento racional, de manera similar, en el campo de la aeronutica se dej de lado el enfoque de tratar de imitar a los pjaros y se tom el enfoque de comprender las reglas de aerodinmica. Aunque desde luego, el enfoque del comportamiento humano y el del pensamiento humano siguen siendo estudiados por las ciencias cognitivas y continan aportando interesantes resultados a la Inteligencia Artificial, y viceversa.

1.2.-LAS HABILIDADES COGNOSCITIVAS SEGN LA PSICOLOGIA, TEORIA DE LA INTELIGENCIA. Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la informacin: recogiendo, analizando, comprendiendo, procesando y guardando informacin en la memoria, para, posteriormente, poder recuperarla y utilizarla dnde, cundo y cmo convenga. En general, son las siguientes: 1. Atencin: Exploracin, fragmentacin, seleccin y contra distractoras. 2. Comprensin (tcnicas o habilidades de trabajo intelectual): Captacin de ideas, subrayado, traduccin a lenguaje propio y resumen, grficos, redes, esquemas y mapas conceptuales. A travs del manejo del lenguaje oral y escrito (velocidad, exactitud, comprensin). 3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y mnemotecnias. 4. Memorizacin / Recuperacin (tcnicas o habilidades de estudio): Codificacin y generacin de respuestas. Como ejemplo clsico y bsico, el mtodo 3R: Leer, recitar y revisar (read, recite, review). --Segn Howard Gardner la inteligencia se puede clasificar en ocho tipos. Inteligencia Lgica matemtica: la que utilizamos para resolver problemas de lgica y matemticas. Es la inteligencia que tienen los cientficos. Se corresponde con el modo de pensamiento del hemisferio lgico y con lo que nuestra cultura ha considerado siempre como la nica inteligencia. Inteligencia Lingstica: la que tienen los escritores, los poetas, los buenos redactores. Utiliza ambos hemisferios.

Inteligencia Espacial: consiste en formar un modelo mental del mundo en tres dimensiones, es la inteligencia que tienen los marineros, los ingenieros, los cirujanos, los escultores, los arquitectos, o los decoradores. Inteligencia Musical: es, naturalmente la de los cantantes, compositores, msicos, bailarines. Inteligencia Corporal kinestsica: o la capacidad de utilizar el propio cuerpo para realizar actividades o resolver problemas. Es la inteligencia de los deportistas, los artesanos, los cirujanos y los bailarines. Inteligencia Intrapersonal: es la que nos permite entendernos a nosotros mismos. No est asociada a ninguna actividad concreta. Inteligencia Interpersonal: la que nos permite entender a los dems, y la solemos encontrar en los buenos vendedores, polticos, profesores o terapeutas. Otras clasificaciones sostienen que la inteligencia se puede estudiar desde ocho enfoques diferentes, a saber, las mencionadas a continuacin: 1. Enfoque psicolgico, en el que se consideran los fundamentos biolgicos, los fisiolgicos, los neurolgicos, los bioelctricos y los bioqumicos de la inteligencia. 2. La perspectiva experimental del pensamiento y de la conducta inteligente, la cual tiene diversas tendencias La introspectiva de la intencionalidad y las representaciones mentales. La teora de la Gestalt, que subraya la reorganizacin perceptiva generadora de la comprensin. Los diversos funcionalismos que conciben la inteligencia como adaptacin a situaciones nuevas. Las corrientes conductistas y neo-conductistas que estudian la inteligencia mediante diversos modelos de aprendizaje con sus variantes cognitivas, p.e., las que la entienden como capacidad de inhibicin de respuestas, ensayos y errores mentales. La perspectiva de la psicologa cognitiva, que considera a la inteligencia como un sistema de procesamiento y que estudia las estrategias y los componentes de la recepcin, la codificacin y la elaboracin de la informacin mediante procedimientos experimentales, modelos y programas de iniciacin de la inteligencia. 3. El enfoque gentico el cual ofrece las siguientes reas de estudio:

La indignacin filogentica, que estudia la inteligencia considerando la evolucin del ser humano y que seala la importancia de la diferenciacin y la creciente complejidad del sistema nervioso, as como su progresiva encefalizacin. El estudio endogentico, el cual abarca una serie de teoras que consideran el desarrollo de la inteligencia durante la vida del individuo entre las que se encuentran:

Las teoras madurativas: Que sealan la importancia de la maduracin de las aptitudes innatas. Las teoras empiristas: Que hacen hincapi en el aprendizaje acumulado. Las teoras constructivas: Que subrayan la actividad innovadora del sujeto. 4. La perspectiva diferencial, la cual se refiere a las teoras que estudian las variaciones de la inteligencia a partir de las diferencias entre los individuos y los grupos: 1.- Teoras psicomtricas. 2.- Teoras factoriales. 3.- Teoras sociales. 4.- Teoras culturales. 5.- Teoras ecolgicas. Esta pluralidad de teoras, refleja las numerosas facetas y la multi-lateralidad de la inteligencia, por lo que es indispensable el esfuerzo de coordinacin entre ellas. Sin ser definitivo, se puede considerar a la inteligencia como un sistema jerarquizado de procesos y estrategias cognitivos debidos a la interaccin entre la herencia, la organizacin cerebral, la conducta y el entorno social que le permiten resolver problemas y desarrollar la creatividad.

1.3.-EL PROCESO DE RAZONAMIENTO SEGN LA LOGICA En sentido amplio, se entiende por razonamiento la facultad humana que permite resolver problemas. En un sentido ms restringido, se llama razonamiento al proceso mental de realizar una inferencia de una conclusin a partir de un conjunto de premisas. La

conclusin puede no ser una consecuencia lgica de las premisas y an as dar lugar a un razonamiento, ya que un mal razonamiento an es un razonamiento. El razonamiento en tanto actividad mental se corresponde con la actividad lingstica de argumentar. En otras palabras, un argumento es la expresin lingstica de un razonamiento. El estudio de los argumentos corresponde a la lgica, de modo que a ella tambin le corresponde indirectamente el estudio del razonamiento. El razonamiento es una operacin lgica mediante la cual, partiendo de uno o ms juicios, se deriva la validez, la posibilidad o la falsedad de otro juicio distinto. Por lo general, los juicios en que se basa un razonamiento expresan conocimientos ya adquiridos o, por lo menos, postulados como hiptesis.[1] Es posible distinguir entre varios tipos de razonamiento. Por ejemplo el razonamiento, el razonamiento inductivo y razonamiento abductivo, entre otros. Razonamiento lgico Los razonamientos pueden ser vlidos (correctos) o no vlidos (incorrectos). En general, se considera vlido un razonamiento cuando sus premisas ofrecen soporte suficiente a su conclusin. Puede discutirse el significado de "soporte suficiente", aunque cuando se trata de un razonamiento no deductivo, el razonamiento es vlido si la verdad de las premisas hace probable la verdad de la conclusin. En el caso del razonamiento deductivo, el razonamiento es vlido cuando la verdad de las premisas implica necesariamente la verdad de la conclusin. Los razonamientos no vlidos que, sin embargo, parecen serlo, se denominan falacias. El razonamiento nos permite ampliar nuestros conocimientos sin tener que apelar a la experiencia. Tambin sirve para justificar o aportar razones en favor de lo que conocemos o creemos conocer. En algunos casos, como en las matemticas, el razonamiento nos permite demostrar lo que sabemos; es que aqu hace falta el razonamiento cuantitativo. El termino razonamiento es el punto de separacin entre el instinto y el pensamiento, el instinto es la reaccin de cualquier ser vivo. Por otro lado el razonar nos hace analizar, y desarrollar un criterio propio, el razonar es a su vez la separacin entre un ser vivo y el hombre. Razonamiento no-lgico Existe otro tipo de razonamiento denominado razonamiento no-lgico o informal, el cual no slo se basa en premisas con una nica alternativa correcta (razonamiento lgico-formal, el descrito anteriormente), sino que es ms amplio en cuanto a soluciones, basndose en la experiencia y en el contexto. Los niveles educativos ms altos suelen usar el razonamiento lgico, aunque no es excluyente. Algunos

autores llaman a este tipo de razonamiento argumentacin. Como ejemplo para ilustrar estos dos tipos de razonamiento, podemos situarnos en el caso de una clasificacin de alimentos, el de tipo lgico-formal los ordenar por verduras, carnes, pescados, fruta, etc. en cambio el tipo informal lo har segn lo ordene en el frigorfico, segn lo vaya cogiendo de la tienda, etc. En este razonamiento se generaliza para todos los elementos de un conjunto la propiedad observada en un nmero finito de casos. Ahora bien, la verdad de las premisas (10.000 observaciones favorables) no convierte en verdadera la conclusin, ya que en cualquier momento podra aparecer una excepcin. De ah que la conclusin de un razonamiento inductivo slo pueda considerarse probable y, de hecho, la informacin que obtenemos por medio de esta modalidad de razonamiento es siempre una informacin incierta y discutible. El razonamiento slo es una sntesis incompleta de todas las premisas. En un razonamiento inductivo vlido, por tanto, es posible afirmar las premisas y, simultneamente, negar la conclusin sin contradecirse. Acertar en la conclusin ser una cuestin de probabilidades.

1.4.- EL MODELO DE ADQUISICION DEL CONOCIMIENTO SEGN LA FILOSOFIA La metodologa Common KADS, como cualquier otra ofrece una aproximacin para resolver los problemas inherentes a la ingeniera del conocimiento provenientes de la experiencia y apoyados por los fundamentos de la ingeniera del software. Como se ha mencionado anteriormente, la ingeniera del conocimiento debe hacer frente a la recopilacin de datos, dar forma a la informacin y generar ms conocimiento. Todo ello dentro de un determinado mbito de aplicacin o lnea de negocio empresarial, que debe plasmarse en una realidad.

Cmo? Cmo debe llevarse a la prctica todo lo anterior para que el conocimiento pueda implementarse en una computadora?, cmo debe ser la arquitectura software y el mecanismo computacional? En este caso se est hablando del equipo necesario que ha de desembocar en un mtodo de diseo. Las respuestas a las cuestiones anteriores dan lugar a los distintos modelos Common KADS, encuadrndose y abordando cada uno de ellos un aspecto concreto.

Modelo de organizacin: soporta el anlisis de las caractersticas principales de una organizacin, con el fin de descubrir problemas y oportunidades para sistemas de conocimiento, establecer su viabilidad y ponderar los impactos en la organizacin de las acciones del conocimiento. Modelo de tarea: es la parte relevante de un modelo de negocio. Analiza la tarea global, sus entradas y salidas, precondiciones y criterios de realizacin, as como recursos necesarios y competencias. Modelo de agente: los agentes son los ejecutores de una tarea. Un agente puede ser humano, un sistema de informacin, o cualquier otra entidad capaz de llevar a cabo una tarea.

El modelo de agente describe las caractersticas de los agentes, en particular sus competencias, autoridad para actuar y restricciones en este aspecto. Adems, relaciona los enlaces de comunicacin entre agentes a la hora de llevar a cabo una tarea. Modelo de conocimiento: el propsito de este es explicar los tipos y estructuras de conocimiento utilizados para llevar a cabo una tarea. Proporciona una descripcin independiente de la implementacin del papel que diferentes componentes de conocimiento juegan en la resolucin de problemas, de forma que es comprensible por los humanos. Esto hace que el conocimiento sea un vehculo importante para la comunicacin con los expertos y los usuarios sobre los aspectos relativos a la solucin de problemas de un sistema de conocimiento tanto durante el desarrollo como durante la ejecucin del sistema. Modelo de comunicacin: dado que varios agentes pueden verse involucrados en una tarea, es importante modelar las transacciones entre los agentes implicados, esto se realiza mediante el modelo de comunicacin, como suceda en el modelo de conocimiento. Modelo de diseo: los modelos anteriores juntos pueden verse como constituyendo la especificacin de los requisitos para el sistema de conocimiento, desde diferentes aspectos, Basados en los aspectos, el modelo de diseo proporciona la especificacin tcnica del sistema en trminos de arquitectura, plataforma de implementacin, mdulos de software, construcciones de representacin y mecanismos de computacin requeridos para implementar las funciones propuestas en los modelos de conocimiento y comunicacin. Juntos, los modelos de organizacin, tarea y agente analizan la organizacin del entorno y los factores crticos de xito para un sistema de conocimiento. Los modelos de conocimiento y comunicacin proporcionan la descripcin conceptual de las funciones de resolucin de problemas y los datos que son manejados y entregados por un sistema de conocimiento. El modelo de diseo convierte esto en una especificacin que es la base para la implementacin del sistema software.

No obstante, no siempre es necesario construir todos los modelos, esto depende de los objetivos del proyecto. Esta eleccin corresponde al jefe de proyecto, bajo consenso previo con el cliente. Un proyecto de un SBC utilizando la tecnologa Common KADS produce tres tipos de producto o entrega: Documentos de los modelos. Informacin sobre la gestin del proyecto. Software del Sistema de Conocimiento. El objetivo final de la metodologa Common KADS consiste en estructurar el proceso de desarrollo propio de la ingeniera del conocimiento, que se concreta en un sistema que debe resolver los problemas con una capacidad comparable a la del experto humano como poseedor del conocimiento. Obviamente, esta debe circunscribirse a un dominio especfico de aplicacin. Por ejemplo, si se trata de un sistema para el diagnstico de una cardiopata, el mbito de aplicacin sera justamente el de las cardiopatas y no otro aunque el experto supere con creces este dominio. En aras de la consecucin del objetivo anteriormente propuesto, resulta necesario disear un equipo de desarrollo que lo concrete y materialice, cada uno de los miembros este equipo debe tener encomendados unos roles especficos que son los que se le describen a continuacin.

1.5.- EL MODELO COGNOSCITIVO Modelo Cognoscitivo En toda situacin de aprendizaje espontneo o generado en una experiencia educativa, puede identificarse tres componentes bsicos: El qu se aprende (resultados), el cmo se aprende (los procesos cognitivos) y las condiciones del aprendizaje (la accin educativa) que responde a las preguntas cundo, cunto, donde, con quin etc. Estos tres componentes se pueden mirar ya sea desde un enfoque conductual o social cognoscitivo. Desde el enfoque conductual los resultados de aprendizaje son las conductas, los procedimientos cognoscitivos no son importantes para este enfoque y las condiciones se refieren a la forma de organizar situaciones estimulantes y refuerzos continuos a las conductas adecuadas. Desde el enfoque cognoscitivo los resultados de aprendizaje se refieren a representaciones cognitivas internas o estructuras cognoscitivas que pueden tener un correlato en una representacin simblica externa para comprobar su presencia, los procesos cognitivos se refieren a toda aquella actividad mental que hace posible la constitucin de representaciones y las condiciones se refieren a las acciones educativas de carcter social educativo o interaccional y a los diferentes recursos culturales con que se apoya el aprendizaje. Desde el punto de vista social cognoscitivo los resultados de aprendizaje se refieren a la manera como se construye significado al conjunto de categoras que constituyen un discurso disciplinar. Los resultados de aprendizaje no se refieren en especificidad a un saber sino al significado que un aprendiz le da a ese saber. La construccin de esos significados se hace en especial cuando el conocimiento se presenta estructurado. Los procesos cognoscitivos en trminos de aprendizaje se dan por niveles de complejidad ya sea en relacin con el desarrollo (edad) o con los niveles de complejidad en una tarea. En trminos del desarrollo, las teoras de Piaget o de Vigotsky definen una serie de caractersticas segn ciclos de vida de los individuos y segn la complejidad de las tareas, los enfoques computacionales representacionales, definen una serie de procesos y subprocesos subyacentes a la solucin de problemas y a la toma de decisiones. En relacin con la complejidad como se estructura un conocimiento se pueden definir 4 grandes procesos bsicos: conceptualizacin, interpretacin, transferencia, creatividad. Conceptualizacin se refiere a la manera como se define un concepto en relacin con una experiencia asociada o con otro concepto en una proposicin o estructura conceptual. La interpretacin se refiere a la manera como un concepto o conjunto de conceptos o proposiciones toma significados en relacin con un contexto lingstico o discursivo o en relacin con un fenmeno. Dentro de la interpretacin se juegan procesos cognoscitivos como la deduccin, la inferencia, el anlisis, la sntesis y diferentes modalidades de categorizacin. La transferencia se refiere a

la manera como se aplica un conocimiento a la solucin de problemas surgidos en contextos diferentes a aquellos en donde se dio la situacin de aprendizaje. La creatividad se refiere a la manera como se reestructura o se proponen estructuras diferentes a las aprendidas. Los niveles cognoscitivos del aprendizaje no son totalmente lineales y su recorrido se puede dar en espiral. Lo cierto es que en trminos de organizacin de las experiencias educativas definir niveles de aprendizaje permite organizar una educacin para el desarrollo de habilidades cognitivas.

1.6.- EL MODELO DEL AGENTE INTELIGENTE Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. En este contexto la racionalidad es la caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es ms general y por ello ms adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales. Un agente inteligente puede ser una entidad fsica o virtual. Si bien el trmino agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, tambin puede considerarse agentes racionales a los animales incluido el hombre.

Clasificacin Es posible clasificar los agentes inteligentes en 5 categoras principales: Agentes reactivos Agentes reactivos basados en modelo Agentes basados en objetivos Agentes basados en utilidad Agentes que aprenden La racionalidad es necesaria. En muchos textos se define agente inteligente como todo agente capaz de tener conciencia de su entorno y actuar sobre l. No obstante es necesario exigir que estas decisiones sean racionales en el sentido de que persigan algn fin. Vamos a

mostrarlo con un contraejemplo: cuando un fotn con la suficiente energa incide sobre un tomo, puede arrancar de l un electrn. Podramos considerar al tomo inteligente puesto que percibe su entorno (la incidencia del fotn) y acta sobre su entorno (emite un electrn). La ausencia de relacin entre la emisin del electrn y cualquier hipottico inters del tomo muestra que este no es un agente inteligente pese a verificar la definicin de Bertrand Russell. La conducta de un agente no suele ser la ptima. Paradjicamente, la conducta de un agente rara vez es la optima. La razn es muy sencilla calcular el optimo de un criterio lo suficientemente bueno para ser considerado razonable teniendo en cuenta las mltiples restricciones que concurren es muy difcil. Ejemplos de ello es lo difcil que es calcular la mejor ala para un avin, el mejor perfil para un coche o la mejor hlice para un barco. Para un estudiante es fcil calcular el mximo de un polinomio de segundo grado derivando e igualando a cero. En este caso el criterio es muy sencillo -es un polinomio de segundo grado- y no concurre ninguna restriccin. Cuando el criterio es una funcin real de muchas variables y las restricciones tambin, los clculos son mucho ms complicados. Algunas veces se puede lograr una buena aproximacin; pero, si un agente inteligente debe tomar una decisin en muy poco tiempo, deber conformarse con la mejor aproximacin que pueda calcular en el escaso tiempo de que dispone.

1.7.- EL PAPEL DE HEURISTICA Se denomina heurstica a la capacidad de un sistema para realizar de forma inmediata innovaciones positivas para sus fines. La capacidad heurstica es un rasgo caracterstico de los humanos, desde cuyo punto de vista puede describirse como el arte y la ciencia del descubrimiento y de la invencin o de resolver problemas mediante la creatividad y el pensamiento lateral o pensamiento divergente. En computacin, dos objetivos fundamentales son encontrar algoritmos con buenos tiempos de ejecucin y buenas soluciones, usualmente las ptimas. Una heurstica es un algoritmo que abandona uno o ambos objetivos; por ejemplo, normalmente encuentran buenas soluciones, aunque no hay pruebas de que la solucin no pueda ser arbitrariamente errnea en algunos casos; o se ejecuta razonablemente rpido, aunque no existe tampoco prueba de que siempre ser as. Las heursticas generalmente son usadas cuando no existe una solucin ptima bajo las restricciones dadas (tiempo, espacio, etc.), o cuando no existe del todo. A menudo, pueden encontrarse instancias concretas del problema donde la heurstica producir resultados muy malos o se ejecutar muy lentamente. An

as, estas instancias concretas pueden ser ignoradas porque no deberan ocurrir nunca en la prctica por ser de origen terico. Por tanto, el uso de heursticas es muy comn en el mundo real.

2.1.- MAPAS CONCEPTUALES Los mapas conceptuales son instrumentos de representacin del conocimiento sencillo y prctico, que permiten transmitir con claridad mensajes conceptuales complejos y facilitar tanto el aprendizaje como la enseanza. Para mayor abundamiento, adoptan la forma de grafos. Mapa conceptual es una tcnica usada para la representacin grfica del conocimiento. Un mapa conceptual es una red de conceptos. En la red, los nudos representan los conceptos, y los enlaces las relaciones entre los conceptos en forma de flechas etiquetadas El mapa conceptual pueden tener varios propsitos: Generar ideas (lluvia de ideas, etc.); disear una estructura compleja (textos largos, hipermedia, pginas web grandes, etc.); comunicar ideas complejas; contribuir al aprendizaje integrando explcitamente conocimientos nuevos y antiguos; evaluar la comprensin o diagnosticar la incomprensin; explorar el conocimiento previo y los errores de concepto; fomentar el aprendizaje significativo para mejorar el xito de los estudiantes; medir la comprensin de conceptos. Clasificar de forma similar a las palabras las cuales se encuentran en las diferentes temticas que se puedan utilizar en el tema dado.

2.2.- REDES SEMANTICAS Estos sistemas de organizacin del conocimiento estructuran conceptos, no como jerarqua sino como una red o una web. Los conceptos son como nodos, con varias relaciones que se ramifican hacia fuera de ellas. Pueden incluir relaciones tipo todo-parte, causa-efecto, padre-nio, es un o es parte. Las redes semnticas son grafos orientados que proporcionan una representacin declarativa de objetos, propiedades y relaciones. Existen diversos tipos de relaciones semnticas como la hiponimia, hiperonimia, la meronimia, etc. Dado un conjunto de conceptos, elementos semnticos o trminos relacionados semnticamente mediante alguna relacin semntica, una red semntica representa estas relaciones en forma de grafo. Explcitamente, dado un conjunto

de trminos {t1, t2, , tn} y cierta relacin semntica simtrica entre ellos se construye un grafo G = (V,A) cumpliendo las siguientes condiciones: 1. El conjunto V es el conjunto de vrtices o nodos del grafo. Este conjunto estar formado por n elementos (tantos vrtices como trminos relacionables). A cada uno de los vrtices del grafo representar uno de los trminos, por tanto los vrtices del grafo se llamarn: t1, t2, , tn. 2. El conjunto A es el conjunto de aristas o lneas del grafo. Dados dos vrtices (trminos) del grafo ti y tj existir una lnea aij que une los vrtices ti y tj si y slo si los trminos ti y tj estn relacionados. Si la relacin no es simtrica, entonces se usan grafos dirigidos para representar la relacin.

Historia Los responsables de los primeros esquemas de representacin formalizados fueron Quillian (1968) y Shapiro&Woddmansee (1971). Los esquemas de redes semnticas tienen una fundamentacin psicolgica muy slida, por lo que se han realizado numerosos esfuerzos por llevar a cabo implementaciones importantes basadas en ellas. Las redes semnticas han sido muy utilizadas en Inteligencia Artificial para representar el conocimiento y por tanto ha existido una gran diversificacin de tcnicas. Los elementos bsicos que encontramos en todos los esquemas de redes son: 1. Estructuras de datos en nodos, que representan conceptos, unidas por arcos que representan las relaciones entre los conceptos. 2. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de datos. Bsicamente, podemos distinguir tres categoras de redes semnticas: 1. Redes IS-A, en las que los enlaces entre nodos estn etiquetados. 2. Grafos conceptuales: en los que existen dos tipos de nodos: de conceptos y de relaciones 3. Redes de marcos: en los que los puntos de unin de los enlaces son parte de la etiqueta del nodo.

2.3.- RAZONAMIENTO MONOTONO

La programacin lgica Mquina convencional (von Neumann) algoritmo datos resultados Sistema Basado en Conocimiento especificacin (reglas) datos (hechos) resultados Algoritmo = lgica + control Lgica de predicados de primer orden Un predicado representa una propiedad o relacin de un determinado objeto del universo del discurso Un predicado de primer orden es aquel que se refiere a propiedades de objetos y relaciones entre ellos rubia (Sara). Moreno (Carlos). Noviazgo (sara, carlos). Primos(X, Y):-progenitor(A, X), progenitor (B, Y), hermanos(A, B). La lgica de predicados de primer orden estudia razonamientos de tipo deductivo, exactos true/false) y basados en predicados de primer orden (Clculo de predicados como lenguaje de programacin, Kowalski 1974)

2.4.- LA LOGICA DE PREDICADOS El lenguaje es el instrumento que se usa para la comunicacin entre humanos. El lenguaje est formado por frases, entre ellas podemos distinguir: frases imperativas, frases interrogativas y frases declarativas. La definicin de lgica, disciplina que estudia mtodos de formalizacin del conocimiento humano "de los mtodos de formalizacin de frases declarativas. La lgica se clasifica: Lgica proposicional o lgica de enunciados: Se parte de un elemento simple, las frases declarativas simples, las cuales tienen significado ellas mismas o la unin entre ellas, forman una frase. Esto inicia una unidad de comunicacin de conocimientos, las cuales se les denomina proposiciones, y toman el valor verdadero o falso. Lgica de predicados: Estudia las frases declarativas, teniendo en cuenta la

estructura interna de las proposiciones. Los objetos y las relaciones entre los objetos sern los elementos bsicos. Podemos distinguir: - Qu se afirma: relacin - De quin se afirma: objeto. Con la lgica de predicados intentamos conseguir sistemas de demostracin automtica de teoremas. Partimos de elementos bsicos como las frases declarativas simples o proposiciones que son aquellos elementos de una frase que constituyen por s solos una unidad de comunicacin de conocimientos y pueden ser considerados Verdaderos y Falsos. La lgica de predicados estudia las frases declarativas con mayor grado de detalle, considerando la estructura interna de las proposiciones. Se tomarn como elemento bsico los objetos y las relaciones entre dichos objetos. Se distingue: "Qu se afirma (predicado o relacin) De quin se afirma (objeto)

Definimos a continuacin las reglas sintcticas para construir frmulas: Definicin 1: El alfabeto de la lgica de predicados estar formado por los siguientes conjuntos simblicos: Conjunto de Smbolos de Variables (VAR): Es un conjunto de las ltimas letras del alfabeto en minsculas. Se utilizan subndices, por ejemplo: Conjunto de smbolos de Constantes (CONS): Este conjunto lo forman las primeras letras del alfabeto en minsculas, tambin utilizaremos subndices: Conjunto de letras de funcin (FUNC): Representaremos a este conjunto por las letras f, g, h, L. Incluimos subndices para poder diferenciar las funciones: Conjunto de letras de Predicado (PRED): Se representan mediante letras maysculas,

Smbolos de conectivas: = Negacin

= Conectiva "o" = Conectiva "y" = implicacin = Doble implicacin o equivalencia

Cuantificadores: =existencial =Universal Signos de puntuacin: Parntesis ( ) y coma.

2.5.- LA DEMOSTRACION Y SUS METODOS Qu es una demostracin? Mtodos Deductivos de demostracin. Segn el sistema aristotlico, el mtodo deductivo es un proceso que parte de un conocimiento general, y arriba a uno particular. La aplicacin del mtodo deductivo nos lleva a un conocimiento con grado de certeza absoluta, y esta cimentado en proposiciones llamadas SILOGISMOS. He aqu un ejemplo: Todos las venezolanas son bellas, (Este es el conocimiento general) Marta Colomina es venezolana Luego: Marta Colomina es bella Se puede observar que partiendo de dos premisas, una de las cuales es una hiptesis general se llega a una conclusin particular.

Tambin es de hacer notar que en este ejemplo las premisas pueden ser verdaderas o pueden ser falsas, y por consiguiente la conclusin puede ser igualmente verdadera o falsa. En la lgica formal y sobre todo en el universo matemtico, el proceso deductivo tiene un significado un poco diferente, pues est basado en AXIOMAS, o proposiciones que son verdaderas por definicin. Por ejemplo, un axioma es: EL TODO ES MAYOR QUE LA PARTE, otro axioma es DOS COSAS IGUALES A UNA TERCERA SON IGUALES ENTRE SI. El primer axioma define el concepto de MAYOR, y el segundo el concepto de IGUAL. El mtodo deductivo nos permite partir de un conjunto de hiptesis y llegar a una conclusin, pudiendo ser esta inclusive que el conjunto de hiptesis sea invlido. Generalmente, en matemticas, la deduccin es un proceso concatenado del tipo si A entonces B, si B entonces C, si C entonces D hasta llegar a una conclusin. Al conjunto de HIPOTESIS + DEMOSTRACION + CONCLUSIN se denomina TEOREMA. La prctica de los razonamientos deductivos en el proceso de desarrollo del pensamiento lgico matemtico es muy importante. Constituye una herramienta fundamental para el trabajo en la matemtica y otras ciencias..

2.6.- EL METODO DE RESOLUCION DE ROBINSON El Mtodo de Resolucin [Robinson, 1965], es un intento de mecanizar el proceso de deduccin natural de esa forma eficiente. Las demostraciones se consiguen utilizando el mtodo refutativo (reduccin al absurdo), es decir lo que intentamos es encontrar contradicciones. Para probar una sentencia nos basta con demostrar que su negacin nos lleva a una contradiccin con las sentencias conocidas (es insatisfactible). Si la negacin de una sentencia entra en contradiccin con los hechos de nuestra base de conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y se puede deducir lgicamente de las sentencias que componen dicha base de conocimientos.

2.7.- CONOCIMIENTO NO- MONOTONO Y OTRAS LOGICAS

La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de sentencias S1 del que se puede inferir C, al aadir otro conjunto de sentencias S2, se tiene que seguir infiriendo C a partir de S1 Unin S2. Esto es un inconveniente en gran cantidad de problemas que se presentan en inteligencia artificial y que tienen carcter no montono.

Ejemplo: Razonamiento de sentido comn, el cual establece conclusiones a partir de informacin parcial, que muchas veces se revisan o se desechan cuando se obtiene nueva informacin o evidencia del dominio. Ej. Se nos dice que alguien tiene un pjaro, pensamos que vuela, si luego nos dicen que es un pingino, ya no pensamos que vuela. Las lgicas clsicas parten del carcter no excluyente de los nuevos axiomas aadidos a los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad de detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento.

Formalismos Lgica no-montona: Poder representar leyes como Si x es un ser humano, entonces x puede andar, a menos que haya algo que lo contradiga. Para ello se ampla la lgica de primer orden introduciendo el operador modal M (es modal ya que indica una modalidad de verdad). Es necesario establecer un mecanismo de mantenimiento de coherencia generalmente traducido como mantenimiento de verdad - que permita eliminar el supuesto en cuanto se presente un hecho que lo invalide. Lgica por-defecto: Muy parecido al anterior, pero el operador M ya no hace la funcin de un operador modal capaz de formar sentencias Mp supuestamente vlidas en el sistema; en su lugar dicho operador slo aparece en las reglas de inferencia denominadas reglas por defecto definidas al efecto. Los enfoques presentados sobre el razonamiento no montono se pueden tildar de permisivos en el sentido de que posibilitan la obtencin de suposiciones cuando no existen evidencias que las contradigan. Es decir, El razonamiento montono, utiliza contradicciones para procesar. Elimina un hecho (factor de conocimiento) obteniendo la contradiccin hasta que llega a una conclusin final.

Tambin puede realizarse un enfoque restrictivo del problema donde slo se considera vlido lo que se ha comprobado como cierto. Un ejemplo de este tipo es la consideracin de la circunscripcin de un predicado.

2.8.- RAZONAMIENTO PROBABILISTICO

El razonamiento probabilstico es un caso dentro del razonamiento no montono. Cuando la probabilidad que la verdad de una oracin haya cambiado con respecto a su valor inicial (por ejemplo 1), otras oraciones que anteriormente tenan alta probabilidad pueden decaer hasta tener probabilidad pequea o nula. Cuando se configuran los modelos probabilsticos, esto es, cuando se define el espacio para una muestra de eventos susceptibles de recibir diferentes valores de probabilidad, se est apelando a un razonamiento no-montono ms general, pero la convencin es que esto no lo hace la computadora sino una persona que razona informalmente. Resulta aparente que en una situacin informtica abierta de sentido comn, no existe espacio general alguno para una muestra de eventos. Apenas se le ponen lmites a dicho espacio general de eventos considerados y se le aplica alguna distribucin, se est procediendo a generar teoras probabilsticas. Las tcnicas de razonamiento no-montono consisten en tcnicas desarrolladas para limitar los fenmenos tenidos en cuenta. Si queremos limitar los fenmenos considerados, debemos recurrir a tcnicas no-montonas. (Estoy confesando que no s cules seran esas tcnicas). Al formar distribuciones, habra que introducir una regla por defecto por la cual dos eventos e1 y e2 se deben considerar independientes entre s salvo que haya alguna razn para el otro caso. No es posible que e1 y e2 sean eventos cualesquiera: tienen que ser dos eventos bsicos por lo menos en algn sentido.

2.9.- TEOREMA DE BAYES El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el resultado que da la distribucin de probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A. El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades

que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam, que se adaptan con el uso.

UNIDAD 3.- SISTEMAS DE RAZONAMIENTO LOGICO 3.1.- REGLAS DE PRODUCCION Regla se entiende como una proposicin lgica que relaciona 2 o ms objetos e incluye 2 partes, la premisa y la conclusin. Cada una de estas partes consiste en una expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante los operadores lgicos y, o no. Reglas de produccin. Es un mtodo procedimental de representacin del conocimiento, pone nfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposicin a los mtodos declarativos (hechos). La estructura de una regla es: SI <antecedentes> ENTONCES <consecuentes> Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hiptesis. Cada regla por si misma constituye un grnulo completo de conocimiento. La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay dos tipos, segn el sentido:

Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema. Sistemas de encadenamiento hacia atrs: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.

Arquitectura de los Sistemas Basados en Reglas:

Base de Conocimientos: rene todo el conocimiento del sistema (Hechos + Reglas). Memoria Activa: contiene los hechos que representan el estado actual del problema (iniciales + inferidos a posteriori) y las reglas activadas (en condiciones de ser ejecutadas). Motor de Inferencias: decide que reglas activadas se ejecutarn.

3.2.- SINTAXIS DE LAS REGLAS DE PRODUCCION

Mtodo procedimental de representacin del conocimiento Estructura SI <condiciones> ENTONCES <conclusiones, acciones, hiptesis> Cada regla SI-ENTONCES establece un granulo completo de conocimiento Regla_ Operador valido en un espacio de estados CONDICIONES (tb. premisas, precondiciones, antecedentes,...) Formadas por clausulas y conectivas (AND, OR, NOT) Representacin causal debe corresponderse con conocimiento del dominio Formato tpico: <parmetro/relacin/valor> PARMETRO: caracterstica relevante del dominio RELACIN: entre parmetro y valor VALOR: numrico, simblico o literal Tambin en forma de predicados lgicos CONCLUSIONES, ACCIONES, HIPTESIS (tb. consecuentes,...) Conclusiones, Hiptesis: conocimiento declarativo Acciones: cq. Accin procedimental (actualiza. conocimiento, interaccin con Exterior REGLAS ESPECIALES etc...)

Reglas IF ALL: equivalen a reglas con las clausulas de las condiciones conectadas con AND Reglas IF ANY/ IF SOME: equivalen a reglas con las clausulas de las condiciones conectadas con OR EJEMPLO

IF: temperatura AND sudoracin AND dolor_muscular THEN: diagnostico_preliminar IF: diagnostico_preliminar AND descompos_organos_internos THEN: diagnostico_preliminar = _abola

= = = = = =

alta presente presente gripe gripe presente

SISTEMAS BASADOS EN REGLAS DE Reglas_ Operadores en bsquedas en espacio Inferencia similar al MODUS PONENS (con restricciones)

PRODUCCIN de estados

Sintaxis relajada Se permiten acciones en los consecuentes Mecanismo de control determina que inferencias se pueden realizar TIPOS de SISTEMAS En funcin de sintaxis de reglas y de mecanismos de control (_bsqueda) SISTEMA ENCADENAMIENTO HACIA ADELANTE (dirigidos por los datos) Regla ACTIVADA si antecedentes emparejan con algunos hechos del sistema En IF ALL, todos. En IF ANY, al menos uno. Se parte de los hechos ya confirmados en el sistema Se razona hacia adelante buscando antecedentes que emparejen SISTEMA ENCADENAMIENTO HACIA ATRS (dirigido por los objetivos) Regla ACTIVADA si consecuentes emparejan con algunos hechos del sistema Se comienza con una hiptesis Se razona hacia atrs buscando consecuentes que emparejen MOTOR DE INFERENCIAS elige que reglas ACTIVADAS ejecutar (resolucin de conflictos) Consecuentes y antecedentes pueden verse como submetas a verificar a partir de los hechos o hiptesis, respectivamente.

CARACTERSTICAS Modularidad: reglas = pequeas cantidades de conocimiento (relativamente) independiente Incrementalidad/Modificabilidad: posible aadir/cambiar reglas con relativa independencia Naturalidad y Transparencia: representacin del conocimiento prxima y comprensible por personas

Capacidad de generar explicaciones

GENERACIN de EXPLICACIONES Posibilidad de \explicar" el porqu de un resultado Devolver a usuario la cadena de reglas empleadas Combinar reglas y hechos del rbol de bsqueda segn las conectivas Incrementan la \aceptacin" del resultado ofrecido (dominios crticos) 3.3.- SEMANTICA DE LA REGLA DE PRODUCCIONES

Es una representacin formal de una relacin, una informacin semntica o una accin condicional. Una regla de produccin tiene, generalmente, la siguiente forma: SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creacin y la modificacin de la base de conocimiento. Permite introducir coeficientes de verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento mediante unas frmulas de clculo establecidas) y, en teora, el mtodo asegura que cuantas ms reglas posea ms potente es. Sin embargo, aunque es la forma de representacin ms intuitiva y rpida, cuando el nmero de reglas es grande aumenta la dificultad de verificacin de todas las posibilidades con el consiguiente riesgo de perder la coherencia lgica en la base de conocimiento. Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y tambin sobre el campo de validez de algunas de las reglas. Para el manejo de la incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres ms conocidos son los Factores de Certeza (utilizados en MYCIN), la lgica de DempsterShafer, y la Lgica Difusa (FuzzyLogic). El mtodo de tratar la incertidumbre es una de las caractersticas ms importantes de las herramientas de desarrollo, y actualmente se encuentra en discusin la validez de estas lgicas para tratar con la incertidumbre. En sustitucin se han propuesto las Redes Bayesianas que tienen una base matemtica ms firme. De todas formas es un campo actual de investigacin que permanece abierto.

3.3.1.- CONOCIMIENTO CASUAL

Relacin que vincula dos ideas a travs de una conexin supuestamente necesaria. Es uno de los tres principios de asociacin. La causalidad no tiene carcter necesario cuando se aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repeticin (o conjuncin constante) no es ms que una creencia; es algo que esperamos que suceda, no algo que deba suceder necesariamente sino algo que debe ser evaluado en trminos de posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a hechos que todava no han sucedido, porque no tenemos evidencia lo todava no acaecido, la falta de un concepto de causalidad nos conduce necesariamente al escepticismo. 3.3.2.- CONOCIMIENTO DE DIAGNOSTICO

El problema del diagnostico ha sido, desde los comienzos de la IA, uno de los ms estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos. El diagnostico en el campo de la medicina es sin duda, una de las reas de la IA que supone todava una gran desafi. Una de las caractersticas ms frecuentes en resolucin del problema del diagnostico en dominios reales es la necesidad de trata con la dimensin temporal. As, una vez propuesto un modelo terico, una tendencia cada vez ms habitual a la hora de desarrollar sistemas de diagnostico temporal es necesario abordar el problema del diagnostico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximacin ms adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.

3.4.- ARQUITECTURA DE UN SISTEMA DE PRODUCCION

Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones diversas, pero fundamentalmente son usados para: Modelado de sistemas Usado para representar escenarios de actuacin con variables complejas, en los cules no basta con usar realidades absolutas como lo sera un cierto o falso.

En aplicaciones de control, ya que suelen estar basadas en el punto descrito anteriormente. Pueden ser usadas para la categorizacin de elementos, detectar patrones. Como agentes de usuario, los cules van a proporcionar una serie de ayudas a los expertos en una determinada materia para que tomen las decisiones que ellos consideren oportunas, en este caso estos sistemas van a ofrecer una ayuda, pero la decisin final la va a tomar el experto en cuestin. Como ejemplo cabe destacar el mbito financiero. <<Minera de datos y descubrimiento de informacin, consistente en hallar el conocimiento intrnseco dentro de una base de datos, los cules pueden no estar presentes a simple vista, pero aplicando sistemas de este tipo pueden llegar a averiguarse>>.

Reglas Los sistemas basados en reglas (SBR) se rigen por una serie de reglas que los configuran. Una regla es definida como un modo de representacin estratgica o tcnica, la cul es apropiada cuando el conocimiento con el que deseamos trabajar proviene de la experiencia o de la intuicin, y por tanto carece de una demostracin fsica o matemtica. Tipos de reglas y proposiciones Las proposiciones se pueden clasificar en los siguientes grupos:

Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la proposicin que forma una regla. El atributo corresponde al grado que determina la regla. Grado de Suceso: Probable, poco probable...

Proposiciones CUANTI FICADAS: Indican cantidades difusas en las reglas.

SI muchos alumnos suspenden ENTONCES la explicacin fue bastante mala Respecto a esta clasificacin, podremos decir que las proposiciones que no poseen cuantificadores ni cualificadores son proposiciones categricas, mientras que las proposiciones no categricas no tienen por qu ser verdad siempre. Las reglas pueden tener variantes, entre ellas se encuentran las siguientes: Con excepciones: Son el tipo: SI la temperatura es alta ENTONCES tendr calor EXCEPTO que tenga aire acondicionado. Graduales: Cuantos ms partidos ganemos, ms fcil ser ganar la liga.

Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen informacin contradictoria, lo cual puede acarrear muchos problemas, tales como malos resultados o generar problemas.

Este tipo de reglas son aquellas que para un mismo antecedente, tienen Consecuentes distintos, por ejemplo:

R1: SI tengo hambre ENTONCES como.

R2: SI tengo hambre ENTONCES no como.

Otro ejemplo de reglas contradictorias son aquellas que estando encadenadas En ambos sentidos, niegan un consecuente: R1: SI he metido un gol ENTONCES estoy feliz. R2: SI estoy feliz ENTONCES no he metido un gol.

3.4.1.- HECHOS

Base de hechos, que alberga los datos propios correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria de trabajo, la base de hechos puede desempear el papel de memoria auxiliar. La memoria de trabajo memoriza todos los resultados intermedios, permitiendo conservar el rastro de los razonamientos llevados a cabo. Puede, por eso, emplearse para explicar el origen de las informaciones deducidas por el sistema en el transcurso de una sesin de trabajo o para llevar a cabo la descripcin del comportamiento del propio sistema experto. Al principio del perodo de trabajo, la base de hechos dispone nicamente de los datos que le ha introducido el usuario del sistema, pero, a medida que va actuando el motor de inferencias, contiene las cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas para obtener las conclusiones buscadas. Las reglas de produccin son de tipo: SI ENTONCES (SI A ENTONCES B). Donde tanto las premisas como la conclusin, no son ms que una cadena de hechos conectados por Y o por O, de forma general seria: SI Y/O Y/O..ENTONCES Y/O Los hechos son afirmaciones que sirven para presentar conceptos, datos, objetos, etc. Y el conjunto de hechos que describen el problema es la base de hechos. Ejemplo de hechos: Juan es un estudiante Juan tiene 8 aos El perro es blanco A Mara le gusta el cine Pedro prefiere la pelcula La edad de Luis es de 25 aos Pedro tiene un salario de 200 pesos Una regla es una combinante de hechos que permite representar conocimientos y sacar inferencia de los mismos. Ejemplo de reglas R1: si y entonces R2: SI Y ENTONCES R3: SI Y ENTONCES Observe como partiendo de hechos conocidos que describen algn conocimiento se pueden inferir nuevos hechos (nuevos conocimientos).

3.4.2.- BASE DE CONOCIMIENTOS A base de conocimiento (o knowledgebase; abreviado KB, es una clase especial de base de datos para gerencia del conocimiento. Proporciona los medios para la coleccin automatizada, organizacin, y recuperacin de conocimiento. Apenas pues tiene costumbre convertido de escribir base de datos pues una palabra l es cada vez ms comn en informtica escribir knowledgebase como una palabra (un acercamiento del interino era escribir el trmino con un guin). Las bases de conocimiento se categorizan en dos tipos importantes:

Bases de conocimiento legibles por la mquina almacene el conocimiento en una forma legible por computador, generalmente con el fin automatizando razonamiento deductivo aplicado a ellos. Contienen un sistema de datos, a menudo bajo la forma de reglas que describan el conocimiento en a lgicamente constante manera. Operadores lgicos, por ejemplo Y (conjuncin), O (separacin), implicacin material y negacin puede ser utilizado construirlo para arriba del conocimiento atmico. Por lo tanto, la deduccin clsica se puede utilizar para razonar sobre el conocimiento en la base de conocimiento.

Bases de conocimiento Human-readable se disean permitir que la gente recupere y que utilice el conocimiento que ella contiene, sobre todo para los propsitos del entrenamiento. Son de uso general capturar el conocimiento explcito de la organizacin, incluyendo localizacin de averas, artculos, papeles blancos, manuales de usuario y otros. Una ventaja primaria de tal base de conocimiento es que puede ayudar a un usuario a encontrar una solucin existente a su problema actual (as evitando tuvieron que reinventan la rueda).

3.4.3.- MECANISMO DE CONTROL El aspecto ms importante de una base de conocimiento es la calidad de la informacin que contiene. Las mejores bases de conocimiento han escrito cuidadosamente los artculos que se guardan actualizado, un sistema excelente de la recuperacin de datos (tal como a SearchEngine), y un formato contento cuidadosamente diseado y clasificacin estructura. Una base de conocimiento puede utilizar ontologa especificar su estructura (los tipos y las relaciones de la entidad) y la clasificacin proyecte. Una ontologa, junto con un sistema de casos de sus clases, constituye una base de conocimiento. La determinacin de qu tipo de informacin se captura, y donde esa informacin reside en una base de conocimiento, es algo que es determinado por los procesos

que apoyan el sistema. Una estructura de proceso robusta es la espina dorsal de cualquier base de conocimiento acertada. Algunas bases de conocimiento tienen inteligencia artificial componente. Estas clases de bases de conocimiento pueden sugerir soluciones a los problemas basados a veces en la regeneracin proporcionada por el usuario, y son capaces de aprender por experiencia (vase sistema experto). La representacin del conocimiento, el razonamiento automatizado y la argumentacin son campos de investigacin activos en la vanguardia de la inteligencia artificial

3.5.- CICLO DE VIDA DE UN SISTEMA DE PRODUCCION El concepto de sistema de produccin se basa en la Teora General de Sistemas que fue desarrollada por el bilogo alemn Von Bertalanffy y que en esencia es una perspectiva integradora y holstica (referida al todo).Una de las definiciones de la teora general de sistemas dice que los sistemas son conjuntos de componentes que interaccionan unos con otros, de tal forma que cada conjunto se comporta como una unidad completa. Otra definicin dice que los sistemas se identifican como conjuntos de elementos o entidades que guardan estrechas relaciones entre s y que mantienen al sistema directo o indirectamente unido de modo ms o menos estable y cuyo comportamiento global persigue, normalmente, algn tipo de objetivo. Par describir y en general para entender un sistema, es comn el uso de diagramas, los que si bien no dan una visin completa, facilitan la visualizacin de las interrelaciones, como se indica en la figura siguiente.

UNIDAD 4.- BUSQUEDA Y SATISFACCION DE RESTRICCIONES 4.1.-PROBLEMAS Y ESPACIOS DE ESTADOS Definicin de Problema y Espacio de Estados Un problema se define por: -Estado inicial, conjunto de operadores, predicado meta, funcin de coste del camino -Solucin -Camino del estado inicial a un estado que satisface el predicado meta -Espacio de Estados -Conjunto de todos los estados alcanzables desde el estado inicial por cualquier secuencia de operadores

4.2.-ESPACIOS DE ESTADOS DETERMINISTICOS Y NO DETERMINISTICOS Un ambiente determinstico es aquel en el cual cualquier accin tiene un solo efecto garantizado, no hay incertidumbre acerca del estado que resultar de la realizacin de la accin. El mundo fsico puede ante todos los intentos y propsitos, ser considerado como no determinstico. Un ambiente no determinstico presente problemas ms grandes para el agente diseador. Un sistema es determinstico si, para un estado dado, al menos aplica una regla a l y de solo una manera. Si ms de una regla aplica a cualquier estado particular del sistema, o si una regla aplica a un estado particular del sistema en ms de una manera, entonces el sistema es no determinstico.

4.3.-BUSQUEDA SISTEMATICA Los problemas de bsquedas, que generalmente encontramos en Ciencias Computacionales, son de un estado determinstico. Por ejemplo, en los algoritmos de bsqueda de anchura y de bsqueda de profundidad, uno sabe la secuencia de los nodos visitados en un rbol.

Sin embargo, los problemas de bsqueda, los cuales siempre tendremos que tratar en Inteligencia artificial, son no determinsticos y el orden de elementos visitados en el espacio de bsqueda depende completamente en el conjunto de datos.

Dependiendo de la metodologa de expansin de un espacio de estado y consecuentemente el orden de los estados visitados los problemas de bsqueda se nombran diferentes:

-Bsqueda de Metas en Anchura. -Bsqueda de Metas a Profundidad. -Bsqueda ptima. 4.3.1.-BUSQUEDA DE METAS A PROFUNDIDAD El algoritmo de ms utilizado es el de bsqueda de metas por profundidad. Es llamado as porque sigue cada camino hasta su mayor profundidad antes de moverse al siguiente camino. Asumiendo que iniciamos desde el izquierdo y trabajamos hacia la derecha, la bsqueda de metas por profundidad involucra trabajar todos los caminos debajo del camino de rbol ms a la izquierda hasta que un nodo hoja es alcanzado. Si esta es una meta de estado, la bsqueda es completada y reportada de exitosa. Si el nodo hoja no representa la meta de estado, la bsqueda se dirige atrs y arriba al siguiente La bsqueda de profundidad es usada por computadoras a menudo para los problemas de bsqueda como ubicar archivos en un disco, o por buscadores para spidering en Internet.

4.3.2.-BUSQUEDA DE METAS EN ANCHURA

Una alternativa para la bsqueda de profundidad es la bsqueda de metas de anchura (o amplitud). Como su nombre indica, este enfoque supone atravesar un rbol por anchura ms que por profundidad. Como puede ser visto en la figura ms adelante, el algoritmo de anchura empieza examinando todos los nodos de un nivel (a veces llamado hebra uno) abajo del nodo raz. Si una meta de estado es alcanzada aqu, el xito es reportado. De otra forma, la bsqueda contina ampliando caminos de todos los nodos del nivel en curso, para posteriormente bajar al prximo nivel. De este modo, la bsqueda contina revisar nodos en un nivel especial, e informar sobre el xito cuando un nodo meta es encontrado, y reportar una falla si todos los nodos han sido revisados y ningn nodo meta ha sido encontrado.

4.3.3.- BUSQUEDA PTIMA

La bsqueda heurstica trata de resolver los problemas mediante una nueva tcnica. Podemos expandir nodos por seleccin juiciosa, seleccionado el nodo ms prometedor, donde estos nodos estarn identificados por el valor de su fuerza comparada con sus competidores homlogos con la ayuda de funciones intuitivas especializadas, llamadas funciones heursticas. La bsqueda heurstica generalmente trabaja para dos tipos distintos de problemas:

-Backwardreasoning (razonamiento hacia atrs). -Forward reasoning (razonamiento hacia delante).

En un problema de razonamiento hacia delante, nos movemos hacia la meta de estado desde un estado inicial predefinido, mientras en un problema de razonamiento hacia atrs, nos movemos hacia un estado inicial a partir de una meta de estado final.

4.4.- SATISFACCION DE RESTRICCIONES Los problemas pueden resolverse buscando en un espacio de estados, estos estados pueden evaluarse por heursticas especficas para el dominio y probados para verificar si son estados meta. Los componentes del estado, son equivalentes a un grafo de restricciones, los cuales estn compuestos de: Variables. Dominios (valores posibles para las variables). Restricciones (binarias) entre las variables. Objetivo: encontrar un estado (una asignacin completa de valores a las variables) Que satisface las restricciones.

En los Problemas de Satisfaccin de Restricciones (PSR), los estados y la prueba de meta siguen a una representacin estndar, estructurada y muy simple. Ejemplos: --Crucigramas --Colorear mapas

4.5.-RESOLUCION DE PROBLEMAS DE JUEGOS Siendo una de las principales capacidades de la inteligencia humana su capacidad para resolver problemas, as como la habilidad para analizar los elementos esenciales de cada problema, abstrayndolos, el identificar las acciones que son necesarias para resolverlos y el determinar cul es la estrategia ms acertada para atacarlos, son rasgos fundamentales. Podemos definir la resolucin de problemas como el proceso que partiendo de unos datos inciales y utilizando un conjunto de procedimientos escogidos, es capaz de determinar el conjunto de pasos o elementos que nos llevan a lo que denominaremos una solucin ptima o semi-ptima de un problema de planificacin, descubrir una estrategia ganadora de un juego, demostrar un teorema, reconocer Una imagen, comprender una oracin o un texto son algunas de las tareas que pueden concebirse como de resolucin.

Una gran ventaja que nos proporciona la utilizacin de los juegos es que a travs de ellos es muy fcil medir el xito o el fracaso, por lo que podemos comprobar si las tcnicas y algoritmos empleados son los ptimos. En comparacin con otras aplicaciones de inteligencia artificial, por ejemplo comprensin del lenguaje, los juegos no necesitan grandes cantidades de algoritmos. Los juegos ms utilizados son las damas y el ajedrez.