Está en la página 1de 50
Curso “SISTEMAS EXPERTOS” Mg. Ing. Wilfredo Carranza B. Nov, 2013 1

Curso

“SISTEMAS EXPERTOS”

Mg. Ing. Wilfredo Carranza B.

Nov, 2013

Curso “SISTEMAS EXPERTOS” Mg. Ing. Wilfredo Carranza B. Nov, 2013 1
SISTEMAS EXPERTOS SIMULACION DE Arquitectura- Motor de Inferencia SISTEMAS 2

SISTEMAS EXPERTOS

SIMULACION DE

Arquitectura- Motor de Inferencia

SISTEMAS

SISTEMAS EXPERTOS SIMULACION DE Arquitectura- Motor de Inferencia SISTEMAS 2
SISTEMAS EXPERTOS SIMULACION DE Arquitectura- Motor de Inferencia SISTEMAS 2
SISTEMAS EXPERTOS SIMULACION DE Arquitectura- Motor de Inferencia SISTEMAS 2
Antes El conocimiento es poder Ahora Compartir el conocimiento es poder 3

Antes

El conocimiento es poder
El conocimiento es poder
Antes El conocimiento es poder Ahora Compartir el conocimiento es poder 3

Ahora

Compartir el conocimiento es poder
Compartir el conocimiento es
poder
Contenido 1. Objetivos 2. Técnicas y Tecnologías de la GC 3. Gestión del Conocimiento 4.

Contenido

1.

Objetivos

2.

Técnicas y Tecnologías de la GC

3.

Gestión del Conocimiento

4.

Tipos de Conocimiento

5.

Transmisión del Conocimiento

1. OBJETIVOS Exponer las técnicas y tecnologías disponibles para el KM Presentar los conceptos acerca

1. OBJETIVOS

Exponer las técnicas y tecnologías disponibles para el KM1. OBJETIVOS Presentar los conceptos acerca de la administración del conocimiento. Exponer los tipos de conocimiento.

Presentar los conceptos acerca de laExponer las técnicas y tecnologías disponibles para el KM administración del conocimiento. Exponer los tipos de

administración del conocimiento.

Exponer los tipos de conocimiento.los conceptos acerca de la administración del conocimiento. Exponer los mecanismos para la transmisión del

Exponer los mecanismos para la transmisión del conocimiento.para el KM Presentar los conceptos acerca de la administración del conocimiento. Exponer los tipos de

2. TECNICAS Y TECNOLOGIAS DE LA GESTION DEL CONOCIMIENTO 6

2. TECNICAS Y TECNOLOGIAS DE

LA GESTION DEL CONOCIMIENTO

Sistemas Expertos Introducción Arquitectura - Motor de Inferencias Ingeniería Electrónica Ingeniería del Conocimiento 7

Sistemas Expertos

Introducción Arquitectura - Motor de Inferencias

Ingeniería Electrónica

Ingeniería del Conocimiento

Inicio de los Sistemas Expertos 60´s Se buscaban soluciones generales Los sistemas son más eficientes

Inicio de los Sistemas Expertos

60´s Se buscaban soluciones generales Los sistemas son más eficientes en dominios acotados 70´s La
60´s
Se buscaban soluciones generales
Los sistemas son más eficientes en dominios acotados
70´s
La calidad y cantidad de conocimiento son esenciales para una
buena performance
Es importante independizar el conocimiento del dominio, del
mecanismo de inferencia.
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas
Sistemas basados en conocimiento (SBC-KBS) Definiciones.  Sistemas que resuelven problemas aplicando una

Sistemas basados en conocimiento (SBC-KBS) Definiciones.

Sistemas que resuelven problemas aplicando

una representación simbólica de la experiencia

humana.

Jackson.

Sistemas que representan el conocimiento

sobre el dominio en forma explícita y separada

del resto del sistema.

Waterman.

Sistemas basados en conocimiento (SBC-KBS) Definiciones.  Sistemas de software capaz de soportar la representación

Sistemas basados en conocimiento (SBC-KBS) Definiciones.

Sistemas de software capaz de soportar la

representación explícita del conocimiento de

un dominio específico y de explotarlo a través de mecanismos apropiados de razonamiento

para proporcionar un comportamiento de alto

nivel en la resolución de problemas.

Guida y Taso

Sistemas Expertos: Definición. Es un sistema de cómputo capaz de simular la conducta inteligente de

Sistemas Expertos:

Definición.

Es un sistema de cómputo capaz de simular la conducta inteligente de un

experto humano en un dominio específico y especializado, con el objeto

de resolver problemas.

y especializado, con el objeto de resolver problemas. Sistema de computación Simulación Hardware + software
y especializado, con el objeto de resolver problemas. Sistema de computación Simulación Hardware + software
y especializado, con el objeto de resolver problemas. Sistema de computación Simulación Hardware + software
y especializado, con el objeto de resolver problemas. Sistema de computación Simulación Hardware + software
y especializado, con el objeto de resolver problemas. Sistema de computación Simulación Hardware + software

Sistema de computación

Simulación

de resolver problemas. Sistema de computación Simulación Hardware + software Conducta inteligente Experto Dominio

Hardware +

software

Conducta inteligente

Experto

Simulación Hardware + software Conducta inteligente Experto Dominio limitado Fuente de pericia humana en el dominio

Dominio limitado

Fuente de pericia humana en el dominio

Conducta inteligente Experto Dominio limitado Fuente de pericia humana en el dominio Específico y especializado 11

Específico y

especializado

Experiencia humana vs. SE. PERICIA ARTIFICIAL PERICIA HUMANA Permanente Siempre accesible Fácil de documentar

Experiencia humana vs. SE.

PERICIA ARTIFICIAL

PERICIA HUMANA

Permanente

Siempre accesible

Fácil de documentar

Estable, confiable

Costo manejable

Fragilidad de las máquinas

Sin inspiración

Conocimiento técnico

Estática - Dinámica

Dominios estrechos

Perecedera

No siempre accesible

No documentable

Variable, flexible

Costosa

Fragilidad humana

Creativa

Sentido común

Dinámica (aprendizaje)

Dominios más extensos

Los humanos son aún imprescindibles.

    Tareas   abordadas SE/SBC: Tareas Síntesis: Clasificación, diagnóstico Análisis:
 
 
 

Tareas

 

abordadas

abordadas
    Tareas   abordadas SE/SBC: Tareas Síntesis: Clasificación, diagnóstico Análisis:

SE/SBC:

Tareas

Síntesis: Clasificación, diagnóstico

Análisis: Planificación, diseño o modelado

Las áreas de aplicación son muy variadas !!!

Los SBC abordan problemas complejos en dominios específicos en los que

el peso de las heurísticas para acotar el espacio de búsqueda es importante.

Primeros Sistemas Expertos

Stanford (Buchanan - Shortliffe 1976): MYCIN Diagnóstico y tratamiento de enfermedades infecciosas (aprox. 500
Stanford (Buchanan - Shortliffe 1976):
MYCIN
Diagnóstico y tratamiento de enfermedades
infecciosas (aprox. 500 reglas). Introduce
factores de certeza.
Conocimiento
Stanford-US Geological Survey (Duda-
inexacto
PROSPECTO
Gashning-Hart, 1979): Evaluación de
yacimientos minerales y petrolíferos. (aprox
R
1600 reglas). Probabilidades condicionales y
Teorema de Bayes.
Pittsburg (Pople-Myers, 1977): Diagnóstico
INTERNIST
en Medicina interna. CADUCEUS: Analiza
relaciones causales.
Rutgens (Kulikowsky-Weiss-Safir, 1977):
Razonamiento experto
Modelos causales
CASNE
T
Oftalmología. Aplica un modelo causal para
el diagnóstico de glaucoma.
R1
Carnegie Mellon (Mc Dermott): Configuración de
ordenadores VAX (aprox 500 reglas).
Descompone el diseño en distintos niveles de
abstracción.
Reducción espacio
de búsqueda
MOLGEN
Stanford (Stefik): Diseño de experimentos
genéticos. Utiliza abstracción.
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas
Habilidades que se esperan de un SE  Manipular con fluidez descripciones simbólicas.  Buena

Habilidades que se esperan de un SE

Manipular con fluidez descripciones simbólicas.

Buena performance, comparable al menos a la de los especialistas.

Interfaz amigable, adecuada a las necesidades de la aplicación.

Habilidad para manipular conocimiento incompleto e impreciso.

Capacidad de explicar sus decisiones a los usuarios.

Posibilidad de justificar sus conclusiones.

Ingeniero del conocimiento Experto del dominio FIIS - UNHEVAL Facultad de Ingeniería Industrial y de
Ingeniero del conocimiento Experto del dominio FIIS - UNHEVAL Facultad de Ingeniería Industrial y de
Ingeniero del
conocimiento
Experto
del
dominio
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas

Estructura básica de un SE.

In te K A Base de Conocimientos rf a T c e Motor de Inferencias
In
te
K
A
Base de
Conocimientos
rf
a
T
c
e
Motor de
Inferencias
básica de un SE. In te K A Base de Conocimientos rf a T c e
U s u a r i o
U
s
u
a
r
i
o
Estructura básica de un Sistema Experto Base de Conocimientos Motor de Inferencias FIIS - UNHEVAL

Estructura básica de un Sistema Experto

Base de Conocimientos Motor de Inferencias FIIS - UNHEVAL Facultad de Ingeniería Industrial y de
Base de
Conocimientos
Motor de
Inferencias
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas

Su estructura de datos queda definida en términos

del esquema de representación elegido para

incorporar el conocimiento del dominio de trabajo.

Separados entre sí
Separados entre sí

Es la estructura de control de un SE, contiene el

programa que gestiona la BC y otros mecanismos

necesarios para administrar un sistema de naturaleza

interactiva.

Periodo industrial de la IA Década de los 80 Importante apoyo económico a los esfuerzos

Periodo industrial de la IA

Década de los 80
Década de
los 80

Importante apoyo económico a los esfuerzos de I+D.

Gran cantidad de SE en distintos dominios.

esfuerzos de I+D. Gran cantidad de SE en distintos dominios. Problemas con la metodología de desarrollo
esfuerzos de I+D. Gran cantidad de SE en distintos dominios. Problemas con la metodología de desarrollo

Problemas con la metodología de desarrollo

Limitaciones propias del tipo de sistema.

Comparable a la Crisis de los SI

pero posterior

de desarrollo Limitaciones propias del tipo de sistema. Comparable a la Crisis de los SI pero
de desarrollo Limitaciones propias del tipo de sistema. Comparable a la Crisis de los SI pero
CRISIS
CRISIS
Ingeniería del Conocimiento (IC) Crisis SI Desarrollo de la Ingeniería del Software Desarrollo de la

Ingeniería del Conocimiento (IC)

Crisis SI Desarrollo de la Ingeniería del Software Desarrollo de la Ingeniería del Conocimiento Crisis
Crisis SI
Desarrollo de la Ingeniería del Software
Desarrollo de la Ingeniería del Conocimiento
Crisis SBC
La Ingeniería del Software consiste en la aplicación de una aproximación
sistemática, disciplinada y cuantificable al desarrollo, funcionamiento y
mantenimiento del software. (IEEE, 1999)
 La IC tiene los mismos objetivos respecto de los SBC
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas
 El conocimiento no se pierde. SBC: Ventajas  Reducción del espacio de búsqueda con

El conocimiento no se pierde.

SBC:

Ventajas

 El conocimiento no se pierde. SBC: Ventajas  Reducción del espacio de búsqueda con heurísticas

Reducción del espacio de búsqueda con heurísticas para que el

problema sea tratable en un tiempo razonable.

Manejo de conocimiento incierto e incompleto.

Posibilidad de justificar el razonamiento seguido.

Hacer el conocimiento disponible en ambientes hostiles o con

carencia de especialistas.

Aumento de fiabilidad, evitando que prevalezcan las últimas

experiencias.

Modificación sencilla de la BC por su característica modular.

SBC: Inconvenientes  La adquisición del conocimiento es difícil y cara.  La reutilización del

SBC: Inconvenientes

La adquisición del conocimiento es difícil y cara.

La reutilización del conocimiento en contextos diferentes no es simple.

Falta de creatividad y sentido común.

Obstáculos para el aprendizaje y la adaptación.

 Obstáculos para el aprendizaje y la adaptación. Quedan inmersos en el campo de los Sistemas
 Obstáculos para el aprendizaje y la adaptación. Quedan inmersos en el campo de los Sistemas

Quedan inmersos en el campo de los Sistemas Inteligentes.

Quedan inmersos en el campo de los Sistemas Inteligentes. Se trabaja sobre metodología de desarrollo Se

Se trabaja sobre metodología de desarrollo

Se los combina con otras tecnologías

SE basados en reglas de producción Sistemas de producción Newell y Simon (1972): Al resolver

SE basados en reglas de producción

Sistemas de

producción

SE basados en reglas de producción Sistemas de producción Newell y Simon (1972): Al resolver problemas,

Newell y Simon (1972): Al resolver problemas, las

personas utilizan su memoria a largo plazo

(permanente) que aplican a situaciones actuales

contenidas en su memoria a corto plazo

(transitoria). Esto puede generar modificaciones en

la última.

BC (Reglas
BC
(Reglas

)

Memoria de trabajo (Hechos)
Memoria de
trabajo
(Hechos)
Motor de Inferencias
Motor de Inferencias
generar modificaciones en la última. BC (Reglas ) Memoria de trabajo (Hechos) Motor de Inferencias Mundo
Mundo Exterior
Mundo Exterior
SE basados en reglas de producción Reglas de p r o d u c c

SE basados en reglas de producción

Reglas de

producción

de producción Reglas de p r o d u c c i ó n < CONDICION
de producción Reglas de p r o d u c c i ó n < CONDICION

< CONDICION >

< ACCION>

Son “gránulos” de conocimiento.

Reúnen información relativa a las condiciones de disparo y a los efectos resultantes del disparo.

Son estructuras bidireccionales.

SI ?X ES MAMIFERO Y ?X COME CARNE

ENTONCES ?X ES CARNIVORO.

SE basados en reglas de producción Ventajas:  Naturaleza modular: El conocimiento es fácil de

SE basados en reglas de producción

Ventajas:

Naturaleza modular: El conocimiento es fácil de encapsular y expandir.

Explicaciones sencillas: El registro de reglas disparadas permite presentar la cadena de razonamiento asociada.

Semejanza

razonamiento humano.

del

con

el

proceso

cognitivo

humano:

modelo

natural

Dificultades:

Completitud desarrollador.

Se necesitan otras estructuras para lograr una visión global

del conocimiento del dominio.

del

y

consistencia

como

responsabilidad

dominio. del y consistencia como responsabilidad  Se las combina con otros formalismos de

Se las combina con otros

formalismos de representación.

FIIS - UNHEVAL

FIIS - UNHEVAL SE basados en reglas de producción MOTOR DE INFERENCIAS Dos formas de funcionamiento.
FIIS - UNHEVAL SE basados en reglas de producción MOTOR DE INFERENCIAS Dos formas de funcionamiento.
FIIS - UNHEVAL SE basados en reglas de producción MOTOR DE INFERENCIAS Dos formas de funcionamiento.

SE basados en reglas de producción

MOTOR DE INFERENCIAS
MOTOR DE
INFERENCIAS

Dos formas de funcionamiento.

Inductivo: A partir de un objetivo intenta

verificar los hechos que los sostienen

un objetivo intenta verificar los hechos que los sostienen BACKWARD CHAINING Deductivo: A partir de los

BACKWARD

CHAINING

Deductivo: A partir de los hechos disponibles

infiere todas las conclusiones posibles

CHAINING Deductivo: A partir de los hechos disponibles infiere todas las conclusiones posibles FORWARD CHAINING 25

FORWARD

CHAINING

SE basados en reglas de producción Encadenamiento hacia atrás - Backward Chaining. BH := CONOCIMIENTO

SE basados en reglas de producción

Encadenamiento hacia atrás - Backward Chaining.

BH := CONOCIMIENTO INICIAL (HECHOS).

HASTA

DISPARAR.

REPITA

(1) ENCONTRAR K CONJUNTO DE REGLAS,

CUYAS CONCLUSIONES PUEDEN

UNIFICARSE CON LA HIPÓTESIS

(CONJUNTO DE CONFLICTO).

(2) ELEGIR R DE K SEGÚN ESTRATEGIA DE

SOLUCIÓN DE CONFLICTOS (POSIBLE

BACKTRACKING).

(3) SI LA PREMISA DE R NO ESTÁ EN BH, TOMARLA COMO SUBOBJETIVO.

OBJETIVO

O

SIN

REGLAS

PARA

Hechos

iniciales

Hechos iniciales Objetivo

Objetivo

SE basados en reglas de producción Backward Chaining: Ciclo base de un motor inductivo. DETECCIÓN:

SE basados en reglas de producción

Backward Chaining: Ciclo base de un motor inductivo.

DETECCIÓN: SI EL OBJETIVO ES CONOCIDO ÉXITO.  SINO, TOMAR LAS REGLAS QUE LO CONCLUYEN
DETECCIÓN:
SI EL OBJETIVO ES CONOCIDO ÉXITO.
 SINO, TOMAR LAS REGLAS QUE LO CONCLUYEN
(CC).
ELECCIÓN:
DECIDIR QUE REGLA APLICAR (RC)
APLICACIÓN:
REEMPLAZAR EL OBJETIVO POR LA CONJUNCIÓN DE
LAS CONDICIONES DE LA PREMISA ELEGIDA.
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas
SE basados en reglas de producción Ejemplo Backward Chaining: 1er. Paso BASE DE REGLAS R1:

SE basados en reglas de producción

Ejemplo Backward Chaining: 1er. Paso

BASE DE REGLAS

R1: p

q

s

r

R3: s t

R2:

t

u

R4: s r

v

 t R2: t  u R4: s  r  v BH: p q r

BH:

p

q

r

t  u R4: s  r  v BH: p q r  OBJETIVO: v

OBJETIVO: v

v BH ?

v BH

SIGUE

SE basados en reglas de producción Ejemplo Backward Chaining: 2do. paso BASE DE REGLAS R1:

SE basados en reglas de producción

Ejemplo Backward Chaining: 2do. paso

BASE DE REGLAS

R1: p q

R2:

r

s

R3: s t

t

u

R4: s r

v

s  t t  u R4: s  r  v BH: p q r

BH:

p

q

r

t  u R4: s  r  v BH: p q r  MATCHING CON

MATCHING CON v CC = { R4 }

s BH?

s BH

s SUBOBJETIVO

SIGUE

SE basados en reglas de producción Ejemplo Backward Chaining: 3er. paso BASE DE REGLAS R1:

SE basados en reglas de producción

Ejemplo Backward Chaining:

3er. paso

BASE DE REGLAS

R1: p q

R2:

r

s

R3: s t

t

u

R4: s r

v

s  t t  u R4: s  r  v BH: p q r

BH:

p

q

r

t  u R4: s  r  v BH: p q r  MATCHING CON

MATCHING CON s

CC = { R1 }

p BH?

SI.

q BH?

SI.

DISPARA R1.

BH

s

SE basados en reglas de producción Ejemplo Backward Chaining: 4to. paso   BASE DE REGLAS

SE basados en reglas de producción

Ejemplo Backward Chaining: 4to. paso

 

BASE DE REGLAS

   

R1: p q

s

R2:

r

t

R3: s t

u

R4: s r

v

 
   
 
   

BH:

p

q

r

s

v         BH: p q r s  CC = { R4 }

CC = { R4 }

r BH?

DISPARA R4.

BH

SI.

v

SE basados en reglas de producción Ejemplo Backward Chaining: 5to. paso BASE DE REGLAS R1:

SE basados en reglas de producción

Ejemplo Backward Chaining:

5to. paso

BASE DE REGLAS

R1: p q

R2:

r

s

R3: s t

t

u

R4: s r

v

 R3: s  t t  u R4: s  r  v BH: p
 R3: s  t t  u R4: s  r  v BH: p

BH:

p

q

r

s

v

OBJETIVO OK. FIN

SE basados en reglas de producción Encadenamiento hacia adelante - Forward Chaining. BH := CONOCIMIENTO

SE basados en reglas de producción

Encadenamiento hacia adelante - Forward Chaining.

BH := CONOCIMIENTO INICIAL (HECHOS).

HASTA

DISPARAR.

OBJETIVO

O

SIN

REGLAS

PARA

REPITA:

(1) ENCONTRAR K CONJUNTO DE REGLAS

CUYAS PREMISAS CUMPLEN CON BH

(CONJUNTO DE CONFLICTO-CC).

(2) ELEGIR R DE K SEGÚN ESTRATEGIA DE

SOLUCIÓN DE CONFLICTOS (RC).

(3)

(RECORDAR R).

Y ACTUALIZAR BH.

DISPARAR

R

Hechos iniciales

Hechos iniciales Objetivo

Objetivo

SE basados en reglas de producción Forward Chaining: Ciclo base de un motor deductivo. DETECCIÓN:

SE basados en reglas de producción

Forward Chaining: Ciclo base de un motor deductivo. DETECCIÓN: DETERMINAR EL CONJUNTO DE REGLAS APLICABLES
Forward Chaining: Ciclo base de un motor deductivo.
DETECCIÓN:
DETERMINAR EL CONJUNTO DE REGLAS
APLICABLES
ELECCIÓN:
DECIDIR QUE REGLA APLICAR (RC)
APLICACIÓN
DISPARAR LA REGLA ELEGIDA Y ACTUALIZAR BH.
FIIS - UNHEVAL
Facultad de Ingeniería Industrial y de Sistemas
SE basados en reglas de producción Ejemplo Forward Chaining: Primer paso   BASE DE REGLAS

SE basados en reglas de producción

Ejemplo Forward Chaining: Primer paso

 

BASE DE REGLAS

R1: p q R3: s t R4: s r

R2:

r

s

t

u

v

 
   
 
 

BH:

p

q

r

u  v       BH: p q r  CC = { R1, R2

CC = { R1, R2 }

R1 RC

DISPARA R1

BH

R1 APLICADA

s

SE basados en reglas de producción Ejemplo Forward Chaining: 2º paso BASE DE REGLAS R1:

SE basados en reglas de producción

Ejemplo Forward Chaining: 2º paso

BASE DE REGLAS

R1: p q

R2:

r

t

s

R3: s t

u

R4: s r

v

R3: s  t  u R4: s  r  v BH: p q r
R3: s  t  u R4: s  r  v BH: p q r

BH:

p

q

r

s

CC = { R2, R4 }

R2 RC

DISPARA R2

BH

R2 APLICADA

t

SE basados en reglas de producción Ejemplo Forward Chaining: 3 e r paso   BASE

SE basados en reglas de producción

Ejemplo Forward Chaining: 3 er paso

 

BASE DE REGLAS

R1:

(p

q

s)

R2: (r

t)

R3: s t

u

R4: s r

v

 
 

BH:

p

q

r

s t

s  r  v   BH: p q r s t  CC = {

CC = { R3, R4 }

R3 RC

DISPARA R3

BH

R3 APLICADA

u

SE basados en reglas de producción Ejemplo Forward Chaining: 4º paso BASE DE REGLAS (R1:

SE basados en reglas de producción

Ejemplo Forward Chaining: 4º paso

BASE DE REGLAS

(R1:

p q

s)

(R2: r

t)

(R3:

s t

u)

R4: s r

v

 s  t  u) R4: s  r  v BH: p q r
 s  t  u) R4: s  r  v BH: p q r

BH:

p

q

r

s

t

u

CC = {R4 }

R4 RC

DISPARA R4

BH

R4 APLICADA

v

SE basados en reglas de producción Ejemplo Forward Chaining: 5º paso BASE DE REGLAS p

SE basados en reglas de producción

Ejemplo Forward Chaining: 5º paso

BASE DE REGLAS p  q  s) (R1: (R2: r (R3:  s 
BASE DE REGLAS
p  q
s)
(R1:
(R2: r
(R3:
s  t
s  r
t)
u)
v)
(R4:
(R2: r (R3:  s  t s  r t)  u)  v) (R4:
(R2: r (R3:  s  t s  r t)  u)  v) (R4:

CC = { }

FIN

BH:

p

q

r

s

t

u

v

Sistemas expertos: Metaconocimiento  Es el conocimiento estratégico vinculado a la utilización del conocimiento del

Sistemas expertos: Metaconocimiento

Es el conocimiento estratégico vinculado a la utilización del conocimiento

del dominio del Sistema Experto.

Es conocimiento que predica sobre el conocimiento involucrado en el

sistema.

Métodos de implementación:

Meta-

reglas

Activación o no de grupos de reglas específicas.

Ordenación de las reglas dentro de los grupos.

Funciones

Orden de las reglas

Definición de la búsqueda o no de conceptos

asociados.

PC-PLUS FINDOUT - NOFINDOUT

Posibilidad de asignarles “pesos” numéricos.

PC-PLUS UTILITY.

KAPPA-PC PRIORITY

40

Sistemas expertos: Metaconocimiento Enriquece y aporta a la performance de un Sistema Experto y por

Sistemas expertos: Metaconocimiento

Enriquece y aporta a la performance de un Sistema Experto y por sus

características, incluye:

Elementos en el Motor de Inferencias: Demonios.

Elementos en la Base de Conocimientos: Metareglas, PRIORITY, etc.

Ejemplos de Metareglas en SEXP-1

IF

reglas asociadas.

Litología_Principal = Arenisca THEN

Tratar sólo el grupo de

IF

Litología_Principal = Roca_Ignea

valores)

THEN

NoAsk (Lista de

Motor de Inferencias: Estructuras de control Funcionamiento sistemático Demonios Ruptura Tipo de búsqueda implementada

Motor de Inferencias:

Estructuras de control

Funcionamiento

sistemático

Estructuras de control Funcionamiento sistemático Demonios Ruptura Tipo de búsqueda implementada Son

Demonios

Estructuras de control Funcionamiento sistemático Demonios Ruptura Tipo de búsqueda implementada Son procedimientos
Estructuras de control Funcionamiento sistemático Demonios Ruptura Tipo de búsqueda implementada Son procedimientos

Ruptura

de control Funcionamiento sistemático Demonios Ruptura Tipo de búsqueda implementada Son procedimientos
de control Funcionamiento sistemático Demonios Ruptura Tipo de búsqueda implementada Son procedimientos
Tipo de búsqueda implementada
Tipo de búsqueda
implementada
Son procedimientos especiales
Son procedimientos
especiales
Elementos de metaconocimiento
Elementos de
metaconocimiento

Se invocan a partir de cierto conocimiento deducido durante

la ejecución de la aplicación.

FIIS - UNHEVAL

FIIS - UNHEVAL Estructuras de control: Demonios BC El demonio es una estructura de control que

Estructuras de control: Demonios

BC
BC

El demonio es una estructura de control que vigila constantemente el comportamiento del SE y se activa cuando encuentra determinadas

condiciones en la BC.

Disparador

Procedimiento

condiciones en la BC. Disparador Procedimiento  Difieren de los procedimientos tradicionales, en que

Difieren de los procedimientos tradicionales, en que estos últimos responden a un llamado específico que los identifica y pone en acción.

Personal Consultant-xx
Personal
Consultant-xx
los identifica y pone en acción. Personal Consultant-xx Forward Chaining es un demonio, manejado mediante la

Forward Chaining es un demonio, manejado

mediante la propiedad ANTECEDENT de las reglas.

Kappa-PC
Kappa-PC
mediante la propiedad ANTECEDENT de las reglas. Kappa-PC Monitores: Demonios que se activan a partir de

Monitores: Demonios que se activan a partir de

cómo maneja el sistema los objetos con los que

se los asocia.

SE: Herramientas Una herramienta para la construcción de sistemas expertos (expert system building tools-shell) es

SE:

Herramientas

Una herramienta para la construcción de sistemas expertos (expert system building tools-shell) es

un software para el desarrollo de sistemas expertos,sistemas expertos (expert system building tools-shell) es un motor de inferencias, forma/s de representar el

un motor de inferencias,es un software para el desarrollo de sistemas expertos, forma/s de representar el conocimiento (BC vacía)

forma/s de representar el conocimiento (BC vacía) yel desarrollo de sistemas expertos, un motor de inferencias, una interfaz para el usuario final, permite

una interfaz para el usuario final,forma/s de representar el conocimiento (BC vacía) y permite construir sistemas expertos agregando el

permite construir sistemas expertos agregando

el conocimiento específico sobre el dominio particular

que se quiere resolver.

SE: Herramientas • KAPPA-PC • CLIPS (C – NASA, software libre) • JESS (Java -

SE: Herramientas

KAPPA-PC

CLIPS (C NASA, software libre)

JESS (Java - Lic. académica)

(C - Intellicorp, software liberado)

-----------

M1

Personal Consultant-Easy / PC-Pluss

INSIGHT 2 +.

VP-Expert

FIIS - UNHEVAL

FIIS - UNHEVAL Herramientas: Kappa-PC KAPPA-PC Es un shell, cáscara o Sistema Experto vacío Formalismos de
FIIS - UNHEVAL Herramientas: Kappa-PC KAPPA-PC Es un shell, cáscara o Sistema Experto vacío Formalismos de
FIIS - UNHEVAL Herramientas: Kappa-PC KAPPA-PC Es un shell, cáscara o Sistema Experto vacío Formalismos de
FIIS - UNHEVAL Herramientas: Kappa-PC KAPPA-PC Es un shell, cáscara o Sistema Experto vacío Formalismos de

Herramientas: Kappa-PC

KAPPA-PC

FIIS - UNHEVAL Herramientas: Kappa-PC KAPPA-PC Es un shell, cáscara o Sistema Experto vacío Formalismos de

Es un shell, cáscara o Sistema Experto vacío

Formalismos de representación

Funcionamiento del Motor de Inferencias

de representación Funcionamiento del Motor de Inferencias Posee herramientas de trace y debug. Reglas y Objetos

Posee herramientas de trace y debug.

Motor de Inferencias Posee herramientas de trace y debug. Reglas y Objetos El funcionamiento sistemático está

Reglas y Objetos

El funcionamiento sistemático está definido, pueden personalizarse

características

(Forward-Backward)

¿ Qué es Jess ? • JESS (Java Expert System Shell). http://herzber g .ca.sandia. g

¿ Qué es Jess ?

JESS (Java Expert System Shell).

http://herzberg.ca.sandia.gov/jess/

Diseñado para integrar fácilmente Clips y Java.

Originalmente (1995) era un clon de Clips,

programado en Java.

Hoy es mucho más. (versión actual: 7.1)

Objetivo: Aplicaciones Java + razonamiento de un sistema experto (reglas+motor de inferencias).

Integración Ontología + inferencia

Características • Utiliza el algoritmo de Rete para procesar las reglas. • Puede obtener mayor

Características

Utiliza el algoritmo de Rete para procesar las reglas.

Puede obtener mayor rapidez que CLIPS.

Incluye encadenamiento hacia atrás (5.0)

Permite manipulación directa de objetos Java (objetos definidos en Protege)

Incluye lógica difusa en la 5.0

(FuzzyJess): http://ai.iit.nrc.ca/IR_public/fuzzyJToolKit.html

FIIS - UNHEVAL

Facultad de Ingeniería Industrial y de Sistemas

PREGUNTAS

FIIS - UNHEVAL

Facultad de Ingeniería Industrial y de Sistemas

FIN

DE SESION