Inteligencia Artificial Unidad 3

Unidad 3
Representacin del conocimiento y

razonamiento
Inteligencia Artificial
domingo 11 de mayo de 14
3.1. Sistemas basados en conocimiento.
3.1.1. Concepto de conocimiento.

3.1.2. Lenguajes utilizados en la
representacin de conocimiento.
3.2. Mapas conceptuales.

3.3. Redes semnticas.
3.4. Lgica de predicados.
3.4.1. Sintaxis.
3.4.2. Semntica.
3.4.3.Validez.
3.4.4. Inferencia.
3.5. Razonamiento con incertidumbre.
3.5.1. Aprendizaje.
3.5.2. Razonamiento probabilstico.
3.5.3. Lgicas multivaluadas.
3.5.4. Lgica difusa.
3.6. Demostracin y mtodos.
Sistemas Basados en el
Conocimiento
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.
Sistemas Basados en el
Conocimiento
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 hombremquina.
Sistemas Expertos
INTELIGENCIA ARTIFICIAL
SISTEMAS BASADOS EN EL CONOCIMIENTO
SISTEMAS EXPERTOS
Estructura de un SBC
Usuario
Hechos
Preguntas
Interface de
Usuario
Resultados
Sistema de
Inferencia
Ingenierio
del Conocimiento
Y experto
Interface
Experta
Conocimiento
Base de
Conocimientos
Sistema Basado En el Conocimiento
Conocimiento: Datos No Estructurados

Todos sabemos que la ciencia e ingeniera son
dominados por principios.
Es decir reglas generales, las cuales si se aplican de manera
uniforme resuelven todos los problemas de una misma
clase
Esto es visible principalmente en las matemticas, donde
una de sus principales tareas es reducir problemas
aparentemente complejos, mediante un conjunto de
principios mnimos para su solucin mas fcil
Las computadoras fueron
creadas por matemticos

(Cont..)
Es por eso que son maquinas que se adaptan muy bien a
implementar los principios matemticos
Las nociones algortmicas base reflejan siempre el concepto de
maquinas de calculo
Por lo contrario el comportamiento humano se rige por otro
tipo de principios (en teora muy pocos). Dice un viejo
proverbio que no hay regla sin excepcin, de tal forma que las
excepciones hacen mal funcionar a los principios en dominios
donde se aplican un poco de principios conocidos.

(Cont..)
En trminos computacionales, es posible distinguir entre un
tratamiento de datos estructurados y no estructurados. La
Computacin clsica se adapta al tratamiento de datos
estructurados por ejemplo :
Cifras, Cdigos y otros
contenidos de bases de datos
Por lo contrario, el comportamiento humano se basa sobre
una inmensidad de datos no estructurados: reglas de normas
sociales as como tambin informacin con incertidumbre.
Este ultimo tipo de datos son difcilmente formalizables bajo
un formato estructurado. Ya que de manera general son
incompletos, ambiguos y muchas veces inconsistentes.

(Cont..)
Para la Inteligencia Artificial a estos datos les llama
CONOCIMIENTO
Lenguajes utilizados para la

Representacin del Conocimiento
Se han diseado a lo largo de los aos diversos formalismos y

lenguajes que permiten modelar de un modo formal el conocimiento.
Existen diversos formalismos para la representacin del

conocimiento, cada uno con sus propios lenguajes y cada uno con sus
ventajas e inconvenientes.
En esto, al igual que en la Ingeniera del Software, no existe la tcnica

ideal que nos permita resolver cualquier problema de la mejor
manera.
Depender del tipo de problema, del conocimiento que se quiera

representar, de la expresividad que se necesite, y del uso que se le
quiera dar, el que un formalismo y un lenguaje sea ms conveniente
que otro.

Lenguajes Basados en Lgica Formal
La lgica formal aporta un buen nmero de ventajas

para la representacin del conocimiento y su
manejo, partiendo de una sintaxis y semntica bien
definidas que detallan perfectamente la forma de
construir sentencias y razonamientos sobre ellas.
Muchos de los sistemas de representacin del

conocimiento de la actualidad se basan en algn
tipo de lgica formal.

Ejemplos:
Lgica Proposicional
Lgica de Primer Orden
KIF
Lgicas Descriptivas

Lenguajes Basados en Frames o Marcos
Uno de los posibles lenguajes basados en frames

es KM.
Estos lenguajes son similares a los lenguajes de

programacin orientados a objetos, en el sentido
de que modelan el conocimiento utilizando clases
(frames), atributos, objetos y relaciones, y utilizan
relaciones de generalizacin y especializacin
para representar la organizacin jerrquica de los
conceptos.

Lenguajes Basados en Reglas
Estos lenguajes son fciles de entender debido a su

sencillez conceptual y a su paralelismo con las
estructuras de control ms simples utilizadas en
programacin.
Estos lenguajes han sido durante mucho tiempo

posiblemente los ms usados de todos,
principalmente debido a su estrecha relacin con
los Sistemas Expertos utilizados en Inteligencia
Artificial.

Este tipo de lenguajes han recibido tambin un fuerte

impulso a partir de la aparicin de la web semntica, ya
que que se piensa en ellos como herramientas para
definir servicios web, y como herramienta base que
permita definir la forma en la que pueden interactuar
las aplicaciones de comercio electrnico.
Para ello se ha creado una iniciativa Rule Markup

Initiative que ha diseado el lenguaje RuleML, basado
en XML y que por lo tanto est pensado desde su
concepcin para garantizar la interoperabilidad
necesaria en el web.
Mapa Conceptual
Organizacin del Conocimiento
Redes Semnticas
Redes Semnticas
Redes Semnticas
y podramos incluir otra frase, Garfield es un Gato
Garfield
es un
gato
es un
animal
De donde es posible inferir la respuesta a

Garfield es un animal ?
Extraccin de frases del modelo
Construir la red semntica
Los Hobbits son personas pequeas

Frodo es un Hobbit
Los Hobbits tienen dedos gordos
Frodo posee un anillo mgico
El anillo fue encontrado en una cueva
Los Hobbits son personas mticas
Lgica de Predicados
Sintaxis
Lgica de Predicados
Semntica
Todos los informaticos son listos, Juan es
informatico, luego juan es listo
Lgica de Predicados
Un predicado con variables libres no es verdadero ni

falso, hasta que se asignen valores para dichas variables.
Algunos de ellos sern siempre verdaderos

independientemente de los valores que se escojan:
estos son predicados vlidos.
Un predicado que es verdadero o falso dependiendo

de los valores elegidos se dice que es satisfacible.
Un predicado que es siempre falso se dice que es no

satisfacible.
Razonamiento con
Incertidumbre
Los principales formalismos que permiten el tratamiento
de informacin
Factores de Certeza y su generalizacin en lgica

difusa, fciles de aplicar pero sin bases tericas solidas.
Los Clculos probabilisticos mediante las teorias de

Dempster y Schafer, muy bien fundamentadas en la
teora de la probabilidad, pero difciles de aplicar.
Las Redes Bayesianas, las cuales estn bien

fundamentadas, pero necesitan un modelo de la
realidad que no siempre esta presente.
Manipulacin del
Conocimiento Incierto
Supongamos que hacemos uso de la lgica de

predicados para hacer una aplicacin de
diagnstico dental.
x Sintoma(x,dolor-de-muelas)
Enfermedad(x,Caries)
El problema que la regla es errnea. No todos

los pacientes con dolores de muelas tienen
caries, algunos tienen dolencias de encias. Un
absceso, u otro problema disntinto.
Manipulacin del
x Sintoma(x,dolor-de-muelas)
Enfermedad(x,Caries)
Enfermedad(x,Problema-Encias )
Enfermedad(x,Absceso )
Desafortunadamente para hacer la regla

cierta, tendramos que aadir una lista casi
ilimitada de causas posibles.
Manipulacin del
Una solucin podra ser convertir la regla a

formula clausal.
x Enfermedad(x,Caries)
de-muelas)
Pero esta regla tambin es errnea porque no

todas las caries causan dolencias.
Inclusive existe la posibilidad de que el
paciente podra tener un dolor de muelas y
una caries que no estn relacionados.
Sintoma(x,dolor-
Manipulacin del
La conexin entre dolor de muelas y caries

no es exactamente una consecuencia lgica
en ninguna direccin.
Nuestra principal herramienta para tratar
este caso sera la teora de la probabilidad,

que asigna a cada hecho un grado numrico
de creencia entre 0 y 1.
Manipulacin del
No podramos saber con seguridad lo que
aqueja a un paciente en particular, pero

podramos creer que hay, digamos un 80
por ciento de posibilidades (esto es, una
probabilidad de 0.8) de que el paciente que
tiene una caries si tiene un dolor de
muelas.
Notacin Bsica con

probabilidades
Proposiciones
Los grados de creencias se aplican siempre a las
proposiciones (afirmaciones de que tal o cual es
el caso)
Recordemos la lgica proposicional y la lgica de

predicados.
Pero en la teora de la probabilidad tpicamente

usa un lenguaje que es ligeramente mas expresivo
que la lgica proposicional.
Notacin Bsica con

probabilidades
El elemento bsico del lenguaje es la variable aleatoria,
que puede pensarse como algo que se refiere a una
parte del mundo cuyo estatus es desconocido
inicialmente.
Por ejemplo: Caries podra referirse a si mi muela del

juicio inferior izquierda tiene una caries.
Se recomienda escribir en maysculas.
Cada variable aleatoria tiene un dominio de posibles

valores que puede tomar. Por ejemplo el dominio de la
variable Caries podra ser cierto, falso
Notacin Bsica con

probabilidades
Variables Aleatorias Booleanas
Caries = cierto
Variables Aleatorias Discretas. Sea el dominio

Tiempo
soleado,lluvioso,nublado,nevado
Variables Aleatorias Continuas. Toman sus valores

de los nmeros reales.
X=4.02
Que son las

probabilidades?
Los valores numricos

de las probabilidades
Consecuencias de los
axiomas de probabilidad
Variables Aleatorias
Variables Aleatorias
Distribucin de
Probabilidad
Proposiciones mas
Complejas
Ejemplo de distribucin conjunta
La importancia de la
distribucin conjunta
Probabilidad Condicional
Distribucin Condicional
Razonamiento con probabilidades:

La regla de Bayes
Regla de Bayes: Forma General
Regla de Bayes: Forma General

Forma general de la Regla de Bayes
Si se tiene un conjunto de proposiciones {A1, A2,..., Am}

completas y mutuamente excluyente se tiene:
P(Ai|B)=
P(B|Ai) P(Ai)
P(B|A1) P(A1)+... P(B|An) P(Am)
O lo que es lo mismo, si tiene una variable aleatoria A con

valores a1, a2,..., am
P(ai|B)=
P(B|ai) P(ai)
P(B|a1) P(a1)+... P(B|an) P(am)
La
de de
Bayes:
Ejemplo
LaRegla
Regla
Bayes:
Ejemplo
Intentemos resolver un caso real con
probabilidades:
Se pretende determinar si un alumno conoce un concepto en
base a la resolucin de un ejercicio.
En este caso:
Hiptesis (SC): Sabe_Concepto (variable aleatoria con dos valores verdadero y
falso)
Evidencia (RE): Resuelve_Ejercicio (variable aleatoria con dos valores positivo y
negativo)
Aplicando la Regla de Bayes:

P(sc|re)= P(re|sc) P(sc) /(P(re|sc)
P(sc)
+ P(re|
sc)
P( sc))=0.95
P( sc |re)=0.05
Al elegir la hiptesis ms probable debemos concluir que si resuelve el

ejercicio sabe el concepto
Calculo
P(sc|re)= [(0.76)*(0.80)]/[(0.76)*(0.80)+(0.18)*(0.20)]= 0.95

0.76
re
0.8
re
0.04
sc
sc
0.2
0.18
re
re
0.02
La Regla
de Bayes:
Ejemplo
La Regla
de Bayes:
Ejemplo
Continuamos con el ejemplo:
Y si hay varios ejercicios E1,..., Em?
Supondremos que cada ejercicio RE1, RE2,..., REm es una variable aleatoria
que indica si se resuelve con dos valores: verdadero y falso.
Entonces si queremos calcular la probabilidad de que el alumno

sepa el concepto necesitamos calcular:
P(SC| E1,RE2,...,REm)=P(RE1,,...,REm|SC)P(SC)/P(RE1,RE2,...,REm)
Si al alumno se le hace un conjunto de 7 ejercicios:
do Prez Nava
Entonces para almacenar la tabla de probabilidad conjunta

P(RE1,RE2,...,REm| SC) se necesitan guardar unos 27 nmeros reales (un
DVD por alumno).
De donde sacamos los nmeros ?
Cmo hacemos los clculos computacionalmente eficientes?
Independencia:
Solucin?
IndependenciaUna
Una
Solucin
Independencia
Decimos que dos proposiciones A1 y A2 son independientes si el
conocimiento de una no cambia la probabilidad de la otra
Por ejemplo si
A1=Es rubio , A2=Tiene la piel clara ,A3=Llover maana
A1 y A3 son independientes A1 y A2 no.
Formalmente A1,A2 son independientes si P(A1|A2)=P(A1)

o de forma equivalente: P(A2|A1)=P(A2)
o utilizando la regla del producto P(A1A2)= P(A1) P(A2)
Dos variables aleatorias son independientes si el conocimento

del valor que toma una no cambia la probabilidad de los valores
de la otra: P(A1=c|A2 =d) = P(A1=c)
Programa de Doctorado de Fsica e Informtica. Bienio 04-06. Dept. Estadstica, I.O. y Computacin. Universidad de la Laguna
Fernando Prez Nava
Entonces P(A1 A2 ... An)= P(A1) P(A2)... P(An)

Para especificar la distribucin conjunta de n variables se
necesitan o(n) nmeros en lugar de o(2n)
Redes Bayesianas:
Introduccin
En una RB, la informacin proporcionada por una

o ms variables que se observan (evidencia) se
propaga por la red y actualiza nuestra creencia
acerca de las variables no observadas. A este
proceso se le llama inferencia.
Es posible aprender las probabilidades
condicionales que describen las relaciones entre
las variables a partir de los datos. Incluso es
posible aprender la estructura completa de la red
a partir de datos completos o con algunos de sus
valores desconocidos.
Las RB pueden utilizarse para tomar decisiones
ptimas introduciendo posibles acciones y la
utilidad de sus resultados
Fernando Prez Nava
Redes bayesianas: Inferencia,

Redes
Bayesianas:
Inferencia,
Decisin
y
Aprendizaje
1
Decisin y Aprendizaje
Redes Bayesianas:
Redes Bayesianas: Utilizacin
Utilizacin
Algunas aplicaciones de RB en empresas

Microsoft
Answer Wizard (Office)
Diagnstico de problemas de usuario (Aladdin)
Home Health en la red de Microsoft (MSN)
Intel
Diagnstico de fallos de procesadores
HP
Diagnstico de problemas de impresora
Nokia
Diagnstico de redes celulares
Nasa
Sistema de ayuda a la decisin en misiones espaciales
Red
Bayesiana: Ejemplo
Red Bayesiana:Ejemplo
Diagnstico de Problemas de Impresin (Heckerman)

Fernando Prez Nava
Red Bayesiana:Ejemplo
Red Bayesiana: Ejemplo
Diagnstico de Problemas en redes celulares para Nokia (Barco y otros)

Redes Bayesianas:
Redes Bayesianas: Algunas
Algunas Herramientas
Herramientas
Norsys
Programa: Netica
Descarga de: http://www.norsys.com/netica.html
Microsoft
Fernando Prez Nava
MSBNx
Descarga de: http://research.microsoft.com/adapt/MSBNx/
1 Que
es
una
red
bayesiana
?
Qu es un Red Bayesiana (RB)?
Una RB es un grafo dirigido en el que
cada nodo contiene informacin
probabilstica.
Para determinar una RB hace falta:
Un conjunto de variables aleatorias que forman los nodos de la
red. Las variables pueden ser discretas o continuas
Un conjunto de enlaces dirigidos (arcos) que conectan parejas
de nodos. Si hay un arco del nodo X al Y se dice que X es el
padre de Y.
Cada nodo Xi tiene una distribucin de probabilidad condicional:
P(Xi|Padres (Xi)) que mide el efecto de los padres de ese nodo.
El grafo no tiene ciclos dirigidos (y por tanto es un grafo dirigido
acclico o DAG)
Fernando Prez Nava
El significado intuitivo de un arco desde el nodo X al Y es que X tiene una

influencia directa en Y

Inteligencia Artificial Unidad 3

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inteligencia Artificial Unidad 3

Cargado por

Copyright:

Formatos disponibles

Unidad 3

Representacin del conocimiento y

3.1. Sistemas basados en conocimiento.

3.1.1. Concepto de conocimiento.

3.2. Mapas conceptuales.

3.5. Razonamiento con incertidumbre.

3.6. Demostracin y mtodos.

Los Sistemas basados en Conocimiento representan un

Esta clase de aplicaciones descansan en las contribuciones

Su orientacin es la automatizacin del anlisis de

Entre los productos ms significativos de los Sistemas

La composicin de los Sistemas basados en

Sistema Basado En el Conocimiento

Conocimiento: Datos No Estructurados

Conocimiento: Datos No Estructurados

Conocimiento: Datos No Estructurados

Conocimiento: Datos No Estructurados

Lenguajes utilizados para la

Se han diseado a lo largo de los aos diversos formalismos y

Existen diversos formalismos para la representacin del

En esto, al igual que en la Ingeniera del Software, no existe la tcnica

Depender del tipo de problema, del conocimiento que se quiera

Lenguajes utilizados para la

Lenguajes Basados en Lgica Formal

La lgica formal aporta un buen nmero de ventajas

Muchos de los sistemas de representacin del

Lenguajes utilizados para la

Lenguajes utilizados para la

Lenguajes Basados en Frames o Marcos

Uno de los posibles lenguajes basados en frames

Estos lenguajes son similares a los lenguajes de

Lenguajes utilizados para la

Lenguajes Basados en Reglas

Estos lenguajes son fciles de entender debido a su

Estos lenguajes han sido durante mucho tiempo

Lenguajes utilizados para la

Este tipo de lenguajes han recibido tambin un fuerte

Para ello se ha creado una iniciativa Rule Markup

De donde es posible inferir la respuesta a

Extraccin de frases del modelo

Construir la red semntica

Los Hobbits son personas pequeas

Un predicado con variables libres no es verdadero ni

Algunos de ellos sern siempre verdaderos

Un predicado que es verdadero o falso dependiendo

Un predicado que es siempre falso se dice que es no

Factores de Certeza y su generalizacin en lgica

Los Clculos probabilisticos mediante las teorias de

Las Redes Bayesianas, las cuales estn bien

Supongamos que hacemos uso de la lgica de

El problema que la regla es errnea. No todos

Desafortunadamente para hacer la regla

Una solucin podra ser convertir la regla a

Pero esta regla tambin es errnea porque no

La conexin entre dolor de muelas y caries

Nuestra principal herramienta para tratar

este caso sera la teora de la probabilidad,

aqueja a un paciente en particular, pero

Notacin Bsica con

Recordemos la lgica proposicional y la lgica de

Pero en la teora de la probabilidad tpicamente

Notacin Bsica con

P(sc|re)= [(0.76)(0.80)]/[(0.76)(0.80)+(0.18)*(0.20)]= 0.95