Está en la página 1de 7

Primer Taller Inteligencia artificial Universidad de Cartagena Hector Posada Ypez 1.

Sistemas basados en conocimientos


Ejemplo 1 Categora: Redes neuronales Una red neuronal para anlisis contable
Pasos para disear una red neuronal para analizar la solvencia de una empresa. 1) Qu necesitamos? En este caso, lo que solicitaramos a nuestro experto no son reglas de decisin sino una base de datos con ejemplos de empresas que anteriormente han solicitado prstamos a nuestro banco. Tambin precisaramos un programa de redes neuronales 2) Los datos De la base de datos deberamos extraer un conjunto de ratios e indicadores para cada empresa, que formarn la base de patrones de aprendizaje. Ntese que en este problema en concreto disponemos tambin del output a aprender, que consiste en que para cada empresa sabemos si devolvi o no el prstamo. Podemos asignar un 1 a las empresas que devolvieron el prstamo y un 0 a las que no. 3) Seleccin del modelo Por este motivo, podemos aplicar cualquier modelo de red neuronal con aprendizaje supervisado, el ms utilizado es el llamado perceptrn multicapa. La arquitectura neuronal consiste en seleccionar el nmero de neuronas, capas y su configuracin. Esto es algo delicado, puesto que la red aprende depende de ello, pero hay buenos libros que nos ensean algunos trucos y su explicacin matemtica. Seleccionaremos tantas neuronas en la primera capa como ratios o variables tengamos y una neurona en la capa de salida, que es la que tiene que distinguir a las empresas que devolvieron el prstamo de las que no. Despus empieza la fase de aprendizaje, en la que la red neuronal no hace magia, sino que ajusta una funcin matemtica que trata de minimizar los errores, mediante un proceso de clculo numrico iterativo. Al cabo de un rato, el error baja y ya tenemos la red neuronal lista.

Debemos hacer un test con datos de empresas que nos hemos guardado y no hemos utilizado para entrenar. La red neuronal nos dir para esta nueva empresa la puntuacin obtenida: 1 0 y eso significa que sus ratios se parecen a los de las empresas buenas que devuelven sus prstamos o al revs.

Tratamiento de fobias con realidad virtual Categora: realidad virtual


Qu es una fobia? Las fobias son un trastorno psicolgico que tiene una amplia incidencia en la poblacin mundial. Una de cada veinte personas, aproximadamente, padece una fobia a lo largo de su vida. Las fobias son miedos irracionales, intensos e incontrolables que algunas personas manifiestan ante determinada situacin o ante algn elemento en particular, aunque lleguen a darse cuenta de que no representa para ellos una amenaza real. El temor intenso y excesivo se puede producir ante: Animales (araas, ratas, perros, cucarachas, serpientes, etc.) Espacios cerrados (ascensores, el metro, el TAC, etc.) y espacios abiertos (calle,) Las alturas La sangre o heridas, las inyecciones La oscuridad, las tormentas A conducir A hablar en pblico Incluso puede sentir ese miedo intenso cuando simplemente piensa que puede estar presente el objeto o situacin que teme. La reaccin ante las fobias suele ser la evitacin de la situacin tan temida. Esto puede llevar a que las personas vean deteriorada su vida social, laboral y afectiva. Como solucin a esto se vienen desarrollando y aplicando con gran xito procedimientos basados en la Realidad Virtual. Un ejemplo de estos sistemas es el software diseado por la empresa vasca Virtualware, capaz de recrear 90 situaciones de estrs.

A travs de la realidad virtual se simulan de manera bastante realista escenarios temidos (desde viajar en metro, recorrer un aeropuerto, pasear por supermercados, pasar por un tnel hasta subir en un ascensor o ir en avin). Estas herramientas dan la oportunidad a la persona de interactuar con la situacin temida (ej. Escuchar conversaciones, pedir la parada, subir o bajar del medio de transporte), y su gran potencialidad es la versatilidad (permite generar las ms

diversas situaciones, a las cuales difcilmente se podra acceder de otro modo) y el grado de control que permiten (las exposiciones se hacen de manera segura y directamente a la situacin temida).

VirtualRET

Este es un producto ejemplo para el tratamiento de fobias, a continuacin una descripcin extrada de su pgina web

Esta tecnologa ofrece un nuevo paradigma de interaccin persona-ordenador, en la que el paciente deja de ser un espectador pasivo de imgenes y datos en la pantalla, y pasa a ser un agente activo que puede moverse e interactuar con un mundo tridimensional generado a travs del ordenador. Este nuevo modelo conduce a que la Realidad Virtual sea capaz de provocar en el paciente emociones, reacciones y pensamientos muy semejantes a los que se daran en una situacin real.
Web del producto http://www.virtualret.com/producto/

2. rboles de Decisin aplicados a tcnicas o mecanismos del conocimiento

Analiza como pensar formalmente, como usar un sistema de smbolos para representar un dominio del discurso (aquello de lo que se puede hablar), junto con funciones que permitan inferir (realizar un razonamiento formal) sobre los objetos. Existen diferentes tcnicas de representacin del conocimiento que se ha utilizado, y sobre las que se han sustentado los lenguajes de representacin del conocimiento. Una tcnica no es mejor que las dems; sino que cada una es aplicada con ms xito que

otras en algunos aspectos, lo cual hace que tengan caractersticas ms apropiadas para determinados problemas. Tripletas Objeto-Atributo-Valor: representan hechos acerca de objetos y sus atributos, especificando el valor de un atributo para un objeto determinado. Por ejemplo, para representar que el coche es rojo, tenemos una tripleta Coche-Color-Rojo. Estas tripletas se representan en forma de grafos, utilizando una elipse para el objeto, un cuadrado para el valor y una flecha dirigida entre ambos elementos representando el atributo. Hechos Inciertos o Uncertain Facts: las tripletas indican que un objeto tiene un valor asociado a un atributo de forma completa con toda la certeza, es decir, un coche es rojo o no lo es. No permiten asignar graduaciones de certeza en estas asignaciones. Ejemplo, existen situaciones en las que se puede necesitar representar que un determinado objeto que posee un atributo con una determinada certeza, lo que se suele denominar certainty factor. Mediante esta tcnica sera posible representar sentencias como el coche es bastante potente, asignando un factor de certeza de 0.7 al atributo potente. Hechos Difusos o Fuzzy Facts: representa conocimiento impreciso o ambiguo. Ejemplo, la expresin Juan es viejo, en comparacin con Juan es joven o Juan es de mediana edad, puede no ser sencilla de representar con otras tcnicas, ya que la edad es algo gradual, no se pasa de ser joven un da a ser de mediana edad al siguiente. Esta tcnica lo que permite es definir funciones de membresa que asignan un valor entre 0 y 1 a cada valor. As por ejemplo, la funcin de membresa de edad, asignara un 1 a joven si la persona tiene 10 aos, pero este valor ira decreciendo conforme aumentase la edad hasta llegar a 0, pero teniendo en cuenta que antes de eso se habra ido incrementando el valor de membresa de mediana edad e incluso de viejo, pudiendo haber edades como los 45, en los q ue se podra decir que con una persona joven con un 0.2, vieja con un 0.2 y de mediana edad con un 0.6. Rules: representa el conocimiento presentando unas premisas o condiciones y las conclusiones o acciones que de ellas se derivan. Se suelen representar de la forma IF-THEN. Las premisas se colocan a continuacin del IF en forma normalmente de tripletas y utilizando operadores booleanos, mientras que las conclusiones definiran nuevos hechos o realizaran acciones. Por ejemplo, podramos tener la siguiente regla para representar que si hay que ir a trabajar y est lloviendo hay que coger el paraguas: IF es hora de ir a trabajar AND est lloviendo THEN tengo que coger el paraguas. Redes Semnticas o Mapas Conceptuales: se basa en la utilizacin de grafos que representan conceptos, objetos y relaciones entre ellos. Estas relaciones

pueden ser de cualquier tipo, pero predominan las relaciones de tipo kind of, party-of y is-a, que permiten representar estructuras jerrquicas de conocimiento. Estn relacionadas tambin con las tripletas, ya que en las redes semnticas se suelen incluir tambin estas estructuras para dar informacin sobre los atributos de los diferentes objetos. Frames o Marcos: es una tcnica de representacin muy similar a la utilizada en la programacin orientada a objetos. Consta de class frames, similares a las clases, que representan conjuntos de objetos con caractersticas similares. A partir de ellas se crean las instance frames que representan elementos concretos de esa clase. Por ejemplo, podramos tener el marco de clase Persona y la instancia Juan. Cada frame dispone por otra parte de una serie de slots equivalentes a los atributos y propiedades en orientacin a objetos. Existe tambin la posibilidad, a diferencia de en las redes semnticas, de definir lo que se llaman facets sobre estos slots, de forma que se les aporte comportamiento procedural. Por ejemplo, sobre un slot edad podramos aadir el facet if-changed, para comprobar el valor introducido.

3. Tcnicas de inferencia Inferir es concluir o decidir a partir de algo conocido o asumido; llegar a una conclusin. A su vez, razonar es pensar coherente y lgicamente; establecer inferencias o conclusiones a partir de hechos conocidos o asumidos. El proceso de razonamiento, por lo tanto, involucra la realizacin de inferencias, a partir de hechos conocidos. Realizar inferencias significa derivar nuevos hechos a partir de un conjunto de hechos conocidos como verdaderos. La lgica de predicados proporciona un grupo de reglas slidas, con las cuales se pueden realizar inferencias. Las principales Reglas de Inferencia son: Modus ponens.- Es la ms importante, en los sistemas basados en conocimiento. Establece que: Si las sentencias p y (p q) se conocen que son verdaderas, entonces se

puede inferir que q tambin es verdadera.

Modus tolens.- Esta regla establece que: Si la sentencia (p q) es verdadera y q es falsa, entonces se puede inferir

que p tambin es falsa.

Resolucin.- Utiliza refutacin para comprobar una determinada sentencia. La


refutacin intenta crear una contradiccin con la negacin de la sentencia original, demostrando, por lo tanto, que la sentencia original es verdadera. La resolucin es una tcnica poderosa para probar teoremas en lgica y constituye la tcnica bsica de inferencia en PROLOG, un lenguaje que manipula en forma computacional la lgica de predicados. La regla de resolucin, establece que: Si (A B) es verdadero y (~B C) es verdadero, entonces (A C) tambin es

verdadero

En lgica de predicados, existen tres mtodos bsicos de razonamiento: deductivo, abductivo e inductivo. Deduccin.- Es el razonamiento a partir de un principio conocido hacia un desconocido; de lo general, a lo especfico, o de la premisa a la conclusin lgica. La deduccin realiza inferencias lgicamente correctas. Esto significa que la deduccin a partir de premisas verdaderas, garantiza el resultado de conclusiones tambin verdaderas. La deduccin es el mtodo ms ampliamente comprendido, aceptado y reconocido de los tres indicados. Es la base tanto de la lgica proposicional, como de la lgica de predicados. A manera de ejemplo, el mtodo deductivo, se puede expresar, utilizando lgica de predicados, como sigue: A, B, C,

[mayor (A, B) mayor (B, C) mayor (A, C)] Abduccin.- Es un mtodo de razonamiento comnmente utilizado para
generar explicaciones. A diferencia de la induccin, la abduccin no garantiza que se puedan lograr conclusiones verdaderas, por lo tanto no es un mtodo slido de inferencia. La forma que tiene la abduccin es la siguiente:

Si la sentencia (A B) es verdadera y B es verdadera, entonces A es posiblemente verdadera. En abduccin, se empieza por una conclusin y se
procede a derivar las condiciones que podran hacer a esta conclusin vlida. En otras palabras, se trata de encontrar una explicacin para la conclusin.

Induccin.- Se define como el razonamiento a partir de hechos particulares o


casos individuales, para llegar a una conclusin general. El mtodo inductivo es la base de la investigacin cientfica. La forma ms comn del mtodo inductivo es la siguiente:

Si se conoce que P(a), P(b), ......, P(n) son verdaderos, entonces se puede concluir que X, P(X) es tambin verdadero. La induccin es una forma de inferencia
muy importante ya que el aprendizaje, la adquisicin de conocimiento y el descubrimiento estn basados en ella. Al igual que la abduccin, la induccin no es un mtodo slido de inferencia.

El razonamiento deductivo es una forma monotnica de razonar que produce argumentos que preservan la verdad. En un sistema monotnico todos los axiomas utilizados se conocen como verdaderos por sus propios mritos, o pueden ser derivados de otros hechos conocidos como verdaderos. Los axiomas no pueden cambiar, ya que una vez que se los conoce como verdaderos, siempre permanecen as y no pueden ser modificados o retractados. Esto significa que en el razonamiento monotnico el conjunto de axiomas continuamente crece en tamao. Otro aspecto del razonamiento monotnico es que si ms de una inferencia lgica puede ser hecha a un tiempo especfico y una de ellas se realiza, las inferencias que quedan sern todava aplicables despus que dicha inferencia haya sido hecha.