INSTITUTO TECNOLGICO SUPERIOR DE SAN ANDRS

TUXTLA

INTELIGENCIA ARTIFICIAL
UNIDAD 3

DOCENTE:

MTI. LILI ALEJANDRA MEDRANO MENDOZA

ALUMNO:

ORLANDO LEON BALLONA

SAN ANDRS TUXTLA, VER., 10-10-2014

NDICE

INTRODUCCIN .................................................................................................................................. 2
ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS ......................................... 2
CLASE DE MTODO: RESOLUCIN Y UNIFICACIN .................................................................. 5
CONCEPTOS DE APRENDIZAJE, RAZONAMIENTO PROBABILSTICO, LGICAS,
MULTIEVALUADAS, LGICA DIFUSA ............................................................................................ 10
Aprendizaje ...................................................................................................................................... 10
Razonamiento Probabilstico.......................................................................................................... 12
Razonamiento Lgico ..................................................................................................................... 12
Lgica difusa.................................................................................................................................... 13
CONCLUSIN .................................................................................................................................... 14
BIBLIOGRAFA ................................................................................................................................... 15

INTRODUCCIN

Los Sistemas basados en Conocimiento representan un paso delante de los

sistemas de informacin convencionales al pretender representar funciones cognitivas
del ser humano como el aprendizaje y el razonamiento. Esta clase de aplicaciones
descansan en las contribuciones de la inteligencia artificial en lo general y en la
ingeniera del conocimiento en lo particular. Su orientacin es la automatizacin del
anlisis de problemas, la bsqueda de soluciones, la toma de decisiones y el empleo de
conocimiento especializado en un campo especfico de aplicacin.
Entre los productos ms significativos de los sistemas basados en conocimiento
se encuentran los sistemas expertos, los cuales estn encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento
para tareas de diagnstico, enseanza y control.
La composicin de los sistemas basados en conocimiento consta de un
mecanismo de aprendizaje, una base de conocimientos, un motor de razonamiento, y
medios de comunicacin hombre-mquina.

ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS

ALCANCES DE LOS SISTEMAS DE INFORMACIN

Los sistemas de informacin mecanizados son concebidos e implementados
como instrumentos que procesan informacin con el propsito de:
Apoyar la toma de decisiones.
Contener conocimiento tcnico.
Reducir a un grado mnimo el error humano.
Automatizar las operaciones repetitivas.
Transmitir informacin dentro de la organizacin.
Reducir el tiempo de realizacin de las operaciones.
2

 Bajar costos.
Facilitar la tarea del usuario.
Ofrecer informacin: completa, eficiente, veraz, oportuna.
Manipular grandes volmenes de informacin.
Satisfacer las necesidades del usuario.
EXTENSIN A LOS SISTEMAS BASADOS EN CONOCIMIENTO
Los sistemas basados en conocimiento se consideran una extensin - un paso
tecnolgico - de los sistemas de informacin cuyos alcances y complejidad son
mayores. Entre sus propsitos destacan:
Aprender.
Evolucionar.
Adaptar.
Razonar.
Tomar decisiones.
Contener conocimiento emprico, mundano y del lenguaje.
Analizar problemas.
Generar alternativas de solucin.
Emular al experto humano.
Generar conocimiento a partir del que ya se posee.
PROPIEDADES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO
Entre las caractersticas ms relevantes de los sistemas basados en
conocimiento estn:
Procedimientos no algortmicos.
Manejo de incertidumbre.
0 , 1 mltiples soluciones.
Conocimiento tcnico y cientfico.
Busca generar la solucin ptima.
Manipulacin de conocimiento no monofnico.
3

 Procesos interactivos.
Aprendizaje de los fracasos.
Empleo de mtodos para la representacin del conocimiento.
Capacidad para explicar su propio razonamiento, cuestionamiento y emisin de
conclusiones.
Uso de bsquedas heursticas.
Representacin de conocimiento especializado del campo de aplicacin.
Pueden utilizar razonamiento con base en probabilidades, creencias, pertenencias y
suposiciones.
Procesamiento simblico.
Utilizan sistema de mantenimiento de la verdad
para afirmaciones y negaciones cambiantes.
Datos cualitativos ms que cuantitativos.
TIPOS DE APLICACIONES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO
El mbito de aplicacin de los sistemas basados en conocimiento incluye:
Lenguaje natural.
Realidad virtual.
Redes neuronales.
Juegos.
Sistemas expertos.
Robtica.
Sistemas de planeacin.
Reconocimiento de imgenes.
Traductores.
Solucin de problemas.
Sistemas evolutivos.
CAM Manufactura. Llevado a mquinas de control numrico.
Aprendizaje.
Sistemas Tutoriales.

CLASE DE MTODO: RESOLUCIN Y UNIFICACIN

La Deduccin Natural consiste en un sistema de reglas de inferencia que permite

construir deducciones, es decir, a partir de "algo" podemos deducir o "llegar a" "otra
cosa", hasta que encontramos una conclusin. Se trata de un mtodo puramente
sintctico donde slo nos ocupamos de la manipulacin de smbolos. Es un mtodo
interesante para construir demostraciones, sin embargo es difcilmente mecanizable.
Por otro lado, como hemos visto, es fcil representar hechos del mundo real
mediante la lgica proposicional y mediante la lgica de predicados. Adems mediante
la lgica de predicados podemos representar el conocimiento que tenemos sobre un
cierto mundo finito ponindolo en forma de sentencias y disponemos de un mecanismo
para razonar con ese conocimiento. Sin embargo, lo que para el ser humano resulta
trivial, deducir una sentencia a partir de otra, para la mquina puede llegar a ser
computacionalmente muy costoso e, incluso, inviable. Los estudios, por tanto, se han
centrado en conseguir un mtodo de demostracin que se puede ejecutar en un tiempo
finito, y que en dicho tiempo, de forma eficiente, nos proporcione una solucin acertada.
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.
Existen distintas Estrategias de Resolucin: sistemtica, con conjunto soporte,
unitaria, primaria y lineal.

En este apartado formularemos detalladamente el mtodo de Resolucin por

Refutacin Lineal. Para ello, es necesario conocer el proceso de conversin a forma
clausal, ya que las clusulas con las que se trabaja en esta tcnica deben tener una
forma especfica. Por otro lado, hemos de definir tambin el proceso o algoritmo de
Unificacin, paso imprescindible en este mtodo de Resolucin.
Conversin a forma clausal.
El proceso de conversin a forma casuall consiste en transformar las sentencias
y frmulas en clusulas, cuya principal caracterstica, al nivel de representacin, es la
ausencia casi total de smbolos de relacin. En una clusula slo aparecern
disyunciones ".
De esta manera, el primer paso ser transformar todas las sentencias a una
forma cannica llamada forma normal conjuntiva [Davis y Putnam, 1960], a partir de la
cual obtendremos el conjunto de clusulas. As, podemos definir una clusula, ms
formalmente, como una frmula en forma normalizada conjuntiva que no tiene ninguna
conectiva. Esta transformacin la vamos a realizar en varios pasos:
1.

Primero pasaremos las sentencias a Forma Normal Prenexa.

2.

En el siguiente paso las transformaremos a Funciones de Skolem.

3.

Finalmente llegaremos a una representacin en Forma de Clusulas.

Forma Prenexa
Una frmula est en Forma Normal Prenexa si es de la forma: Q1x1...QnxnY
donde Y es una frmula desprovista de cuantificadores y escrita como conjuncin de
disyunciones, Q1,...,Qn {" , $ } y x1,..., xn son variables.
Funciones de Skolem
El siguiente paso es convertir las frmulas de Forma Normal Prenexa a Frmulas
de Skolem, que se caracterizan por no estar cuantificadas existencialmente. Por tanto,

el algoritmo de transformacin a forma de Skolem elimina los cuantificadores

existenciales.
Partimos de una frmula: Q1x1...QnxnY. Se recorre la frmula en forma prenexa
de izquierda a derecha y se eliminan los cuantificadores existenciales segn los dos
casos siguientes:

Sea Qr un cuantificador existencial:

Si no hay ningn cuantificador universal antes de Qrxr, elegir una

nueva constante c distinta de todas las que aparecen en Y, y reemplazar cada

ocurrencia de xr en Y por c. Borrar Qrxr del prefijo de la frmula.

Si Qs1, Qs2,, Qsk son los cuantificadores universales que aparecen

antes de Qrxr, tomar un nuevo smbolo de funcin f distinto a todos los que
aparecen en Y y reemplazar cada ocurrencia de xr por f(xs1,xs2,...,xsk). Borrar Qrxr
del prefijo de la frmula.
Representacin en forma de clusulas: El ltimo paso ser convertir las
funciones de Skolem a clusulas. Tenemos las frmulas cuantificadas universalmente,
entonces podemos eliminar todos los prefijos, de tal manera que la frmula resultante
est en forma de conjuncin de disyunciones (forma normal conjuntiva): (a b c)
(d e) (j l m). Finalmente, por cada conjuncin obtenemos una clusula: (a b
c), (d e) y (j l m).
Algoritmo de Unificacin.
Podemos definir la Unificacin como un procedimiento de emparejamiento que
compara dos literales y descubre si existe un conjunto de sustituciones que los haga
idnticos. La idea bsica de la unificacin es muy sencilla. Para unificar dos literales
vamos recorrindolos de izquierda a derecha. En primer lugar se comprueba si los
predicados coinciden. Si es as, seguimos adelante; si no es que no son unificables. Si
el predicado concuerda, comenzamos a comparar los argumentos. Si el primero de
ellos coincide en ambos literales, continuamos con el siguiente... y as hasta completar

todos los argumentos. Como resulta obvio, ambos literales deben tener el mismo
nmero de argumentos.
Para conseguir que cada argumento de un literal sea coincidente con su
homlogo en el otro literal, debemos buscar una sustitucin que nos permita
emparejarlos. La nica condicin que debe reunir esta sustitucin es que ha de
aplicarse a todo el literal, es decir, que la sustitucin afecta a todo el literal, y no slo al
argumento en cuestin. Por decirlo de una manera sencilla, las sustituciones se van
arrastrando a lo largo del proceso de unificacin.
Ejemplo:
Vamos a unificar P(x, x) con P(y, z):

Primera sustitucin: (y/x)

Resultado: P(y, y) P(y, z)

Segunda sustitucin: (z/y)

Resultado: P(z, z) P (z, z)

La sustitucin resultante es la composicin de las sustituciones: s = { z/y , y/x}
Algoritmo de Resolucin
El procedimiento de resolucin consiste en un proceso iterativo en el cual
comparamos (resolvemos), dos clusulas llamadas clusulas padres y producimos una
nueva clusula que se ha inferido (deducido), de ellas. Por tanto, lo que hacemos es
combinar las clusulas padres para dar lugar a una nueva clusula, en la que podemos
simplificar alguno de sus trminos.
Por ejemplo, supongamos que tenemos las clusulas siguientes (ambas
verdaderas):

invierno verano (es invierno o es verano).

invierno fro (hace fro o no es invierno).

Aplicando resolucin, podemos combinar ambas clusulas y obtener:

invierno verano invierno fro.

Ahora podemos hacer una simplificacin, ya que (invierno invierno) es una

tautologa, con lo que nos queda:

verano fro (es verano o hace fro).

Que tambin deber ser verdadera, pues hemos seguido puntualmente todas las
propiedades de la lgica de primer orden.
La resolucin opera tomando dos clusulas tales que cada una contenga un
mismo literal, en una clusula en forma positiva y en la otra en forma negativa. El
resolvente se obtiene combinando todos los literales de las clusulas padres y
eliminando aquellos que se cancelan.
Si la clusula resultante es la clusula vaca (), entonces es que hemos llegado
a una contradiccin.
El algoritmo que acabamos de ver est definido de una forma muy general. Sin
embargo, para su uso cotidiano se pueden hacer una serie de sugerencias que, si bien
en la mayora de los casos no estn basadas en aserciones infalibles, pueden facilitar el
proceso general de resolucin:

Aunque no sea un criterio estricto, suele dar buenos resultados comenzar

a resolver por las clusulas de mayor tamao, es decir, las que poseen mayor nmero
de literales.

La clusula resolvente se aade al conjunto de clusulas disponible y, en

teora, se puede continuar el proceso tomando dos clusulas padre cualesquiera. Sin

embargo, al igual que en el caso anterior, suele dar buen resultado continuar el proceso
de resolucin a partir de la nueva clusula resultante.

De igual forma, aunque no existe ninguna limitacin en cuanto al nmero

de veces que se puede usar una clusula para resolver, se recomienda probar primero
a no usar dos veces la misma clusula antes de usar todas las clusulas disponibles.

Si es posible llegar a la clusula vaca resolviendo nicamente con las

clusulas del conjunto inicial sin usar en ningn momento la o las clusulas
provenientes de la hiptesis, es porque existe una inconsistencia dentro del conjunto
inicial de clusulas. sta puede ser una forma de detectar errores en el diseo de la
base de conocimiento.

Si en la clusula resolvente existen dos literales iguales, sta se puede

simplificar eliminando uno de los dos literales. Puede ser necesaria una sustitucin
previa a fin de que esos literales sean unificables y, por tanto, completamente iguales.

No es necesario usar todas las clusulas en el proceso de resolucin. En

la mayora de los casos basta con usar algunas de las clusulas de la base de
conocimiento y alguna o algunas de las clusulas proveniente de la hiptesis.

CONCEPTOS DE APRENDIZAJE, RAZONAMIENTO PROBABILSTICO,

LGICAS, MULTIEVALUADAS, LGICA DIFUSA

Aprendizaje

Mquina que Aprende: Sistema Organizado que transforma un mensaje de

Entrada en una Salida, de acuerdo con un Principio de Transformacin. Si tal Principio
est sujeto a cierto Criterio de validez, y el Mtodo de Transformacin se ajusta a fin de
que tienda a mejorar el funcionamiento; se dice que el Sistema Aprende.
Aprendizaje Animal: Cuando los Organismos se Ajustan o Adaptan al Conjunto
de Estmulos que provienen del Entorno; Reciben la Informacin y la Almacena con el
fin de Reutilizarla en Situaciones o Patrones de Estmulos Semejantes.

10

La Organizacin (o Reorganizacin) de la propia Conducta (ante una Situacin o

un Patrn de Estmulos) como Resultado de una Experiencia Individual.
Todos los Estmulos a los que un Individuo responde en un cierto Contexto
pueden No ser Efectivos para Producir una Conducta de Aprendizaje en otros Contexto.
Tipos de Aprendizaje
Habituacin. Una Respuesta que decae ante un Conjunto de Estmulos
Repetidos (o Continuos) No Asociados a Ningn Tipo de Recompensa o Refuerzo.
Implica Tendencia a Borrar todo Tipo de Respuesta ante un Estmulo que No tiene
Importancia para la Supervivencia. Sirve como Filtro a un Conjunto de Estmulos No
Relevantes.
Asociativo. Un Evento permite Predecir, con cierta confianza, la Ocurrencia (o
no) de otro. Un Animal que Conoce estas Relaciones pueden sacar provecho
Anticipndose a esos Eventos y Comportarse apropiadamente.
Condicionamiento. Un Animal adquiere la Capacidad de Responder a un
Estmulo Determinado con la misma Accin Refleja con que Responder a otro Estmulo
Condicionante (Refuerzo o Recompensa) cuando ambos Estmulos se presentan
Concurrentemente (o sobre puestos en una Secuencia) un cierto nmero de veces.
Prueba y Error. Los Animales permanecen siempre Activos y su Atencin se fija
Primero aqu y luego all probando todas las Posibilidades inimaginables hasta que de
manera mas o menos Accidental resuelve con xito la Tarea y Obtiene Recompensa.
Requiere la Existencia del Refuerzo (o Recompensa) para animar la Seleccin de la
Respuesta Deseada.
Latente. Tiene lugar en Ausencia de Recompensa. Se aprende algo que
permanece Latente hasta que es Necesario.
Imitacin. Implica Copiar una Conducta, Accin o Expresin Nueva o que resulta
Imprescindible de Aprender si no es Copiada de otro Individuo.

11

Impronta. La Manera en que un Rango Especfico de Estmulos es Capaz de

Elicitar una Respuesta pudiendo ser Limitado y Refinado mediante la Experiencia. Su
Duracin se Restringe a Periodos Sensitivos.

Razonamiento Probabilstico

El razonamiento probabilstico es cuando la probabilidad que la verdad de una

oracin hay cambiado su valor inicial. Su principal ventaja frente al razonamiento lgico
reside en que el agente puede tomar decisiones relacionadas aun sin disponer de
suficiente informacin para probar que una accin dada funcionara. Y este
razonamiento es la base para algunos teoremas muy importantes como son el modelo
Bayesiano en los aos 60 y 70 por Edwards y la teora de heursticos estadsticos por
Nissbett en 1983.

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
12

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.

Lgica difusa
La lgica difusa (tambin llamada lgica borrosa o lgica heurstica) se basa en
lo relativo de lo observado como posicin diferencial. Este tipo de lgica toma dos
valores aleatorios, pero contextualizados y referidos entre s. As, por ejemplo, una
persona que mida 2 metros es claramente una persona alta, si previamente se ha
tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores estn
contextualizados a personas y referidos a una medida mtrica lineal.

13

CONCLUSIN

El crecimiento acelerado de la actividad humana en los mbitos comerciales,

educativos, sociales, culturales y financieros, requiere la participacin de los recursos
tecnolgicos que faciliten la concentracin y diseminacin del conocimiento, como lo
constituyen los sistemas de informacin, las bases de datos y las redes de
computadoras. El empleo de tales aplicaciones aunado a infraestructuras de
comunicacin de medios masivos y de transmisin de datos como internet, provocan
una explosin de conocimientos puestos al alcance del usuario en forma inmediata y sin
importar el lugar en que se encuentren, barreras de idioma, nivel cultural ni posicin
social.
Ante esta situacin, el usuario es rebasado en su capacidad de buscar,
seleccionar y asimilar la informacin y conocimiento realmente til a partir del universo
a su alcance; hacindose necesario la ayuda de herramientas que puedan interpretar
sus requerimientos, hacer la investigacin necesaria y filtrar el acervo disponible,
presentando nicamente aquello que es relevante.

Orlando Leon Ballona

14

BIBLIOGRAFA

http://ccc.inaoep.mx/~emorales/Cursos/Representa/node14.html
http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimie
nto.pdf
http://www.uhu.es/nieves.pavon/pprogramacion/temario/anexo/anexo.html
http://inteligenciaartificialudb.blogspot.mx/2008/01/concepto-caractersticas-ymetodologas.html
http://inteligencia-artificial802-a.blogspot.mx/2013/04/sistemas-de-razonamientoprobabilistico.html
http://ingenieriacusa.blogspot.mx/2010/07/inteligencia-artificial-razonamiento.html
http://sindominio.net/~apm/articulos/ia/index.html

15