Está en la página 1de 47

22/09/2016

TRABAJO INVESTIGATIVO
SEGUNDO CORTE
INTELIGENCIA ARTIFICIAL

JORGE HERNANDEZ, ERICK


BARCASNEGRAS

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Contenido
INTRODUCCIN ........................................................................................................... 5
Conocimiento y tipos de conocimiento en la IA............................................................. 6
Conocimiento declarativo ........................................................................................... 6
Conocimiento relacional........................................................................................... 6
Conocimiento heredable .......................................................................................... 6
Conocimiento Inferible ............................................................................................ 7
Conocimiento procedimental ..................................................................................... 7
Lgica de primer orden .................................................................................................. 8
Sistemas formales ....................................................................................................... 9
El lenguaje de la lgica de primer orden .................................................................... 9
La semntica de la lgica de primer orden ............................................................... 10
Inferencia en la lgica de primer orden .................................................................... 11
Lgica clsica y de conjunto .......................................................................................... 11
Lgica de conjuntos ...................................................................................................12
Subconjuntos ...........................................................................................................12
Unin de conjuntos .................................................................................................12
Interseccin ente conjuntos ....................................................................................12
Redes semnticas ...........................................................................................................12
Redes IS-A ..................................................................................................................13
Grafos conceptuales ...................................................................................................13
Esquema de marcos ...................................................................................................14
Ontologas ...................................................................................................................... 15
Tipos ...........................................................................................................................16
Segn cantidad y tipo de estructura de la conceptualizacin .................................16
Segn su dependencia y relacin con una tarea .....................................................16
Uso.............................................................................................................................. 17
La integracin entre mapas conceptuales y ontologas ............................................. 17
1

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Tripleta objeto, atributo y valor.................................................................................... 18
Generacin de inferencia. ..........................................................................................19
Generacin de Reglas. ................................................................................................19
Generacin de la Base de conocimientos a partir de la solucin (CLIPS). ...............19
Marcos, Guiones y Listas ...............................................................................................19
Marcos ........................................................................................................................19
Guiones ..................................................................................................................... 20
Listas ..........................................................................................................................21
Listas en LISP ......................................................................................................... 22
Listas y arboles ....................................................................................................... 22
Produccin de reglas..................................................................................................... 23
Herramientas de desarrollo ...................................................................................... 24
Lenguaje se representacion del conocimiento ............................................................. 25
Lenguajes basados en lgica formal ......................................................................... 25
Lgica proporcional ................................................................................................ 25
Logica de primer orden .......................................................................................... 25
Lenguajes basados en marcos ................................................................................... 25
Lenguajes basados en reglas ..................................................................................... 25
Lenguajes para ontologias ........................................................................................ 26
Hechos ciertos e inciertos ............................................................................................. 27
Generacin de inferencia. ......................................................................................... 28
Generacin de Reglas. ............................................................................................... 28
Generacin de la Base de conocimientos a partir de la solucin (Prolog). .............. 28
Hechos imprecisos o hechos inciertos ...................................................................... 28
Arboles de decisin ....................................................................................................... 29
rboles en sistemas expertos .................................................................................... 30
Arboles de anlisis gramatical o sintctico ...................................................................31
2

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Formas de procesar la cadena de entrada ................................................................ 32
Formas de construir un rbol ................................................................................... 32
Mtodo ascendente ................................................................................................. 32
Mtodo descendente............................................................................................... 33
Diagrama causa-efecto ................................................................................................. 33
Mapas conceptuales y cuadros sinpticos .................................................................... 34
Cuadros sinpticos .................................................................................................... 34
Mapas conceptuales .................................................................................................. 34
Uso del mapa conceptual para el desarrollo de un sistema experto ..................... 35
Autmatas finitos.......................................................................................................... 36
Representacin ......................................................................................................... 36
Diagrama de estado ................................................................................................ 36
Tabla de transiciones .............................................................................................. 37
Clasificacin de AF .................................................................................................... 37
Deterministas ......................................................................................................... 37
No deterministas .................................................................................................... 37
Razonamiento probabilstico ....................................................................................... 38
Representacin del conocimiento en un dominio incierto ...................................... 38
Razonamiento con incertidumbre ................................................................................ 39
Estados de creencia ................................................................................................... 39
Factores de certeza .................................................................................................... 39
Probabilidad .............................................................................................................. 39
Razonamiento hacia adelante ...................................................................................... 39
Razonamiento hacia atrs ............................................................................................ 40
Metodologa para el diseo de sistemas basado en reglas de encadenamiento hacia
atrs ........................................................................................................................... 40
Funcionamiento ........................................................................................................ 40
Lgica difusa ..................................................................................................................41
3

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Sistemas basados en lgica difusa .............................................................................41
Metodologa CommonKads .......................................................................................... 42
Ciclo de vida .............................................................................................................. 42
Modelos ..................................................................................................................... 43
Bibliografa ................................................................................................................... 46

JORGE HERNANDEZ, ERICK BARCASNEGRAS

INTRODUCCIN
La representacin del conocimiento tiene como objetivo organizar este de manera que sea mucho ms fcil el proceso de inferencia al apropiarse de l. Cuando
diseamos una representacin del conocimiento tenemos que hacer elecciones a lo
largo de un nmero de mbitos de diseo sin embargo ha de tenerse siempre en
cuenta la expresividad de este debido a que cuanto ms expresivo es un lenguaje, ms
difcil es derivar inferencias automticamente de l. Por estas y dems razones el objetivo principal del presente trabajo es estudiar a fondo algunas de las tcnicas de representacin ms importantes.

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Conocimiento y tipos de conocimiento en la IA

s el conjunto de datos de primer orden, que modelan de forma estructurada la experiencia que se tiene sobre un cierto dominio o que surgen
de interpretar los datos bsicos. Incluye y requiere del uso de datos e
informacin. Adems, combina relaciones, dependencias, y la nocin del saber con
datos e informacin
Se divide en dos tipos:

Conocimiento Declarativo
Conocimiento Procedimental

Conocimiento declarativo
Se representa de manera independiente a su uso, es decir, no impone un mecanismo especfico de razonamiento, por lo tanto podemos decidir cmo usarlo dependiendo del problema que vayamos a resolver con l.
Tipos de Conocimiento Declarativo:

Conocimiento Relacional
Conocimiento Heredable
Conocimiento Inferible

Conocimiento relacional
La forma ms simple de representar hechos declarativos es mediante un conjunto de relaciones expresables mediante tablas (como en una base de datos). La definicin de cada tabla establece la descripcin de un concepto y la tabla contiene todas sus instanciaciones. Por ejemplo, podemos tener la coleccin de informacin sobre los clientes de una empresa.
Cliente
A. Prez
J. Lpez
J. Garca

Direccin
Av. Diagonal
c/ Industria
c/ Villarroel

Vol. compras
5643382
430955
12734

Tabla 1. Coleccin de informacin de los clientes de X empresa.

Conocimiento heredable
De entre el conocimiento que podemos expresar en un dominio suele ser muy
habitual hacer una estructuracin jerrquica del conocimiento (taxonoma jerrquica), de manera que se puedan establecer relaciones entre los diferentes conceptos. En
este caso estamos representando mediante un rbol o grafo las relaciones entre conceptos que se basan en el principio de generalizacin y/o especializacin (clase/subclase, clase/instancia, todo/parte, unin/interseccin). Este conocimiento pre6

JORGE HERNANDEZ, ERICK BARCASNEGRAS


tende representar definiciones de conceptos
aprovechando las relaciones estructurales entre
ellos.
Conocimiento Inferible
Es conocimiento descrito mediante el
lenguaje de la lgica. En este caso las expresiones describen hechos que son ciertos en el dominio. La riqueza del lenguaje de la lgica nos
permite representar multitud de hechos, estableciendo por ejemplo propiedades universales
sobre los predicados del dominio, la existencia
de elementos que cumplan unas propiedades o
establecer relaciones de inferencia entre predicados.

Fig. 1. Jerarqua de conceptos para


representar el conocimiento heredable.

Este conocimiento esta descrito mediante


lgica. Se puede utilizar la semntica de los operadores y el Modus Ponens para inferir nuevo conocimiento.

En lgica proposicional, modus ponendo ponens (en latn significa "la forma
en que se afirma afirmando", generalmente abreviado MP o modus ponens) o eliminacin del implica es una forma simple de argumento vlido y regla de inferencia. Se
puede resumir como "Si P implica Q y P es verdad, Q es tambin verdad."

Fig. 2. El conocimiento Inferible se puede describir mediante el lenguaje de la lgica.

Conocimiento procedimental
Es la segunda de las dos maneras en que se almacena la informacin en la
memoria a largo plazo. El conocimiento procedimental es el conocimiento relacionado con cosas que sabemos hacer, como por ejemplo montar en bicicleta, preparar una
receta de cocina o hablar el lenguaje.
En este tipo se incluyen los procedimientos que permiten obtener conocimiento a
partir de informacin o nuevo conocimiento que ya se tiene. Por ejemplo, si se tiene
la informacin Fecha_nacimiento = DD-MM-AAAA, se puede calcular la edad como
una funcin que combine esta informacin con la fecha actual.
Tambin se incluyen en este conocimiento las denominadas reglas de produccin.
Estas son expresiones condicionales que indican las condiciones en las que se deben
realizar ciertas acciones al estilo SI condicin ENTONCES accin.
7

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Lgica de primer orden

n trminos generales, la Programacin Lgica atae al uso de la lgica


para representar y resolver problemas. Para expresar conocimiento
sobre situaciones que son de nuestro inters, solemos hacer uso de
enunciados declarativos. Decimos que estos enunciados son declarativos en el sentido
lingstico del trmino, esto es, se trata de expresiones del lenguaje natural que son o
bien verdaderas, o bien falsas; en contraposicin a los enunciados imperativos e interrogativos. La Lgica Proposicional es declarativa en este sentido, las proposiciones
representan hechos que se dan o no en la realidad. La Lgica de Primer Orden tiene
un compromiso ontolgico ms fuerte, donde la realidad implica adems, objetos y
relaciones entre ellos. Consideren los siguientes ejemplos de enunciado declarativo:
1. Julia es madre y Luis es hijo de Julia.
2. Toda madre ama a sus hijos.
Donde el enunciado N 1 se refiere a los objetos de discurso Julia y Luis, usando propiedades de estos objetos, como ser madre; as como relaciones entre stos,
como hijo. El enunciado 2 se refiere a relaciones que aplican a todas las madres, en
tanto que objetos de discurso. A esto nos referimos cuando hablamos de representacin de un problema en el contexto de la Programacin Lgica, a describir una situacin en trminos de objetos y relaciones entre ellos. Si se aplican ciertas reglas de razonamiento a tales representaciones, es posible obtener nuevas conclusiones. Esto
concierne a la resolucin de problemas en Programacin Lgica. Por ejemplo, conociendo 1 y 2 es posible inferir (va Modus Ponens) que:
3. Julia ama a Luis.
La idea central de la programacin lgica es describir los objetos que conforman un universo de discurso, personas en el ejemplo; as como las relaciones entre
ellos, siguiendo con el ejemplo hijo y madre; y computar tales descripciones para obtener conclusiones como 3. Al describir el problema que queremos resolver, tambin
podemos hacer uso de funciones, relaciones en
las cuales slo hay un valor dada una entrada.
Por ejemplo, madre de puede representarse
como una funcin (todo hijo tiene una sola
madre), pero hijo de no. Como se vea en la
figura 3.

Fig. 3. La relacin madre de es una


funcin; mientras que hijo de no lo es

Como en todo sistema formal, es necesario especificar cuidadosamente la sintaxis de


tales enunciados declarativos, es decir, que
expresiones pertenecen al lenguaje de la Lgica de Primer Orden, y cuales no; la semntica
de estas expresiones, es decir qu hace que una

JORGE HERNANDEZ, ERICK BARCASNEGRAS


expresin sea verdadera o falsa; as como las reglas de razonamiento que permiten
concluir 3 a partir de 1 y 2. Tales cuestiones son el tema de estudio de la lgica matemtica.

Sistemas formales
La especificacin cuidadosa de la sintaxis y semntica de la lgica de primer
orden, se consigue definiendo a sta ltima como un sistema formal. Para ello, es necesario considerar tres aspectos:

Languaje. Este elemento est asociado a la sintaxis de la Lgica de Primer


Orden y de los programas lgicos. El lenguaje de un sistema formal est dado
por un conjunto de smbolos conocido como alfabeto y una serie de reglas de
construccin o sintcticas. Una expresin es cualquier secuencia de smbolos
pertenecientes al alfabeto (primarios). Cualquier expresin es, o no es, una
frmula bien formada (fbf).
Teora de modelo. Este elemento est asociado a la semntica de la Lgica
de Primer Orden. La teora del modelo establece la interpretacin de las fbfs
en un sistema formal. Su funcin es relacionar las fbfs con alguna representacin simplificada de la realidad que nos interesa, para establecer cuando una
fbf es falsa y cuando verdadera. Esta versin de realidad corresponde a lo que
informalmente llamamos modelo.
Teora de prueba. Este elemento est asociado con el razonamiento deductivo. La teora de la prueba tiene como objetivo hacer de cada enunciado matemtico una frmula demostrable y rigurosamente deducible. Para ello, la actividad matemtica debera quedar reducida a la manipulacin de smbolos y
sucesiones de smbolos regulados por un conjunto de instrucciones dadas al
respecto.

El lenguaje de la lgica de primer orden


Este lenguaje introduce un conjunto de smbolos que nos permiten expresarnos acerca de los objetos en un dominio de discurso dado. El conjunto de todos estos
objetos se conoce como universo de discurso (U). Los miembros del universo de discurso pueden ser objetos concretos. Una funcin es un tipo especial de relacin entre los objetos del dominio de discurso. Este tipo de relaciones mapea un conjunto de
objetos de entrada a un objeto nico de salida. El conjunto de todas las funciones
consideradas en la conceptualizacin del mundo se conoce como base funcional.
Un segundo tipo de relacin sobre los objetos del dominio de discurso son los
predicados. Diferentes predicados pueden definirse en el mundo de los bloques, por
ejemplo, el predicado sobre que se cumple para dos bloques, si y slo si el primero
est inmediatamente encima del segundo. El conjunto de todos los predicados usados
en la conceptuacin se conoce como base relacional.

JORGE HERNANDEZ, ERICK BARCASNEGRAS

La semntica de la lgica de primer orden


Una interpretacin es un par <D,I>, donde D es un conjunto no vaco llamado
el dominio de discurso e I es una funcin llamada la funcin de interpretacin definida como sigue:
1.
2.

3.

Si a es un nombre, entonces I le asigna un elemento del dominio.


Si f es un functor de aridad n, entonces I le asigna una funcin de n argumentos que toma elementos del dominio y devuelve elementos del dominio.
Si P es un predicado de aridad n, entonces I le asigna un conjunto de ntuplas construidas a partir del dominio.

Luego es posible definir la nocin de verdad para una interpretacin (para las
oraciones de Q):
1.

2.
3.
4.
5.
6.

P (t1,...,tn) es verdadera para la interpretacin M si y slo si la n-tupla formada por las interpretaciones de t1,...,tn es un elemento de la interpretacin de P.
A es verdadera para la interpretacin M si y slo si A es falsa bajo esa interpretacin.
(A B) es verdadera para la interpretacin M si y slo si A es verdadera y B
es verdadera bajo esa interpretacin.
(A B) es verdadera para la interpretacin M si y slo si A es verdadera o B
es verdadera bajo esa interpretacin.
(A B) es verdadera para la interpretacin M si y slo si A es falsa o B es
verdadera bajo esa interpretacin.
(A B) es verdadera para la interpretacin M si y slo si A y B son ambas
verdaderas o ambas falsas bajo esa interpretacin.

Para dar las definiciones de verdad para frmulas con la forma x A o x A,


primero son necesarias algunas definiciones preliminares: Sea A(x/a) el resultado de
reemplazar toda aparicin de x en A por un nombre a (que no haya sido utilizado en
la frmula). Adems, si M y M' son interpretaciones y a un nombre, entonces M' es
una a-variante de M si y slo si M' es idntica a M o difiere slo en el elemento del
dominio que le asigna al nombre a.
7.
8.

x A es verdadera para M si y slo si A(x/a) es verdadera para toda avariante de M.


x A es verdadera para M si y slo si A(x/a) es verdadera para al menos una
a-variante de M.

Una frmula es falsa bajo una interpretacin si y slo si no es verdadera bajo


esa interpretacin.
A partir de esto pueden definirse varias otras nociones semnticas:
10

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Una frmula es una verdad lgica si y slo si es verdadera para toda interpretacin.
Una frmula es una contradiccin si y slo si es falsa para toda interpretacin.
Una frmula es consistente si y slo si existe al menos una interpretacin
que la haga verdadera.

Inferencia en la lgica de primer orden


Es un sistema formal diseado para estudiar la inferencia en los lenguajes de
primer orden. Los lenguajes de primer orden son, a su vez, lenguajes formales con
cuantificadores que alcanzan slo a variables de individuo, y con predicados y funciones cuyos argumentos son slo constantes o variables de individuo.
La lgica de primer orden tiene el poder expresivo suficiente para definir a
prcticamente todas las matemticas.

Lgica clsica y de conjunto

a lgica clsica es un sistema lgico que admite solo dos valores de verdad para sus enunciados (premisas y conclusin). En la lgica bivalente,
una proposicin solo puede ser verdadera o falsa, no existen valores
intermedios de verdad. Tambin llamada lgica Aristotlica. Ejemplo:
1.
2.
3.

Todos los mamferos son de sangre caliente.


Todos los humanos son mamferos.
Por lo tanto, todos los humanos son de sangre caliente.

Aristteles fue el primero que se dio a la tarea de compilar, sistematizar y


analizar lo que sus predecesores haban dicho sobre el lenguaje natural para razonar
los problemas cotidianos. La lgica aristotlica se sustenta en tres principios bsicos:

Principio de identidad: es un principio clsico de la lgica y la filosofa, segn el cual toda entidad es idntica a s misma. Se expresa de la siguiente manera: Es decir: para toda entidad x, x es idntica a s misma. Ejemplo:
Julio Csar es idntico a s mismo (a Julio Csar).
El Sol es idntico a s mismo.
Esta manzana es idntica a s misma.
Principio de no contradiccin: es un principio clsico de la lgica y la filosofa, segn el cual una proposicin y su negacin no pueden ser ambas verdaderas al mismo tiempo y en el mismo sentido. Nada puede ser y no ser al mismo tiempo y en el mismo sentido. Se representa: (A^A).
Principio del tercero excluido: es un principio de lgica clsica segn el
cual la disyuncin de una proposicin y de su negacin es siempre verdadera.
Se representa (AvA)
11

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Lgica de conjuntos
Coleccin de distintos objetos, en el cual el orden carece de importancia, as
como su frecuencia de ocurrencia.
Conectores lgicos:

Conjuncin
Disyuncin
Implicacin
Bicondicional
Negacin

Subconjuntos
Si A y B son dos conjuntos. Se dice
que A es subconjunto de B si todos los elementos de A tambin son elementos de B.

Fig. 4. Tabla de conectores lgicos con


su respectivo signo

Unin de conjuntos
La unin de dos conjuntos es un conjunto que contiene todos los elementos de
ambos conjuntos y se define como:
R U S = {x | x a R o x a S}
Interseccin ente conjuntos
La interseccin de dos conjuntos es un conjunto que contiene los elementos en
comn de ambos conjuntos y se define como:
R S = {x | x a R y x a S}

Redes semnticas

na red semntica o esquema de representacin en Red es una forma


de representacin de conocimiento lingstico en la que los conceptos
y sus interrelaciones se representan mediante un grafo. En caso de que no
existan ciclos, estas redes pueden ser visualizadas como rboles. Las redes semnticas
son usadas, entre otras cosas, para representar mapas conceptuales y mentales.
En un grafo o red semntica los elementos semnticos se representan por nodos.
Dos elementos semnticos entre los que se
admite se da la relacin semntica que repre12

Fig. 5. Red semntica de atributos de


algunos animales.

JORGE HERNANDEZ, ERICK BARCASNEGRAS


senta la red, estarn unidos mediante una lnea, flecha o enlace o arista. Cierto tipo
de relaciones no simtricas requieren grafos dirigidos que usan flechas en lugar de
lneas.
Se puede distinguir tres categoras:

Redes IS-A
Grficos conceptuales
Redes de marcos

Redes IS-A
Una red IS-A es una jerarqua taxonmica cuya espina dorsal est constituida
por un sistema de enlaces de herencia entre los objetos o conceptos de representacin, conocidos como nodos. Estos enlaces o arcos pueden estar etiquetados "IS-A",
tambin "SUPERC", "AKO", "SUBSET", etc. Los restantes tipos de redes semnticas
son en realidad especializaciones de redes IS-A.
Las redes IS-A son el resultado de la
observacin de que gran parte del conocimiento humano se basa en la adscripcin de
un subconjunto de elementos como parte de
otro ms general. Las taxonomas clsicas
naturales son un buen ejemplo: un perro es
un canino, un canino es un mamfero, un
mamfero es un animal. Obteniendo un nmero de proposiciones:
x (perro (x)) cnido (x);

Fig. 6. Ejemplo de red IS-A.

x (cnido (x)) mamfero (x);


x (mamfero (x)) animal (x);

Grafos conceptuales
Los grafos conceptuales, propuestos por Sowa (1984), se diferencian de las redes IS-A en que los arcos no estn etiquetados, y los nodos son de dos tipos:
1. Nodos de concepto, que pueden representar tanto una entidad como un estado
o proceso.
2. Nodos de relacin, que indican cmo se relacionan los nodos de concepto.
Por tanto, son los nodos de relacin los que hacen el papel de enlaces entre las
entidades.
Existen dos notaciones para los grafos conceptuales, la forma lineal (textual) y
los diagramas o display form, que presentan tres tipos de elementos notacionales:
13

JORGE HERNANDEZ, ERICK BARCASNEGRAS


1. rectngulos, que marcan los nodos de concepto,
2. crculos, que marcan los nodos de
relacin,
3. flechas direccionadas, que marcan
los arcos.
La intencin del uso de los grafos
conceptuales para la representacin del
lenguaje natural es mencionada por el
propio Sowa, quien dedica un captulo Fig. 7. Ejemplo de red conceptual.
completo de su obra a la aplicacin de su esquema al anlisis del lenguaje.

Esquema de marcos
Informalmente, un marco es una estructura de datos compleja que representa
una situacin estereotipada, por ejemplo hacer una visita a un enfermo o acudir a una
fiesta de cumpleaos. Cada marco posee un nmero de casillas (slots) donde se almacena la informacin respecto a su uso y a lo que se espera que ocurra a continuacin.
Al igual que las redes semnticas, podemos concebir un marco como una red de nodos y relaciones entre nodos (arcos). Una base de conocimiento basada en marcos es
una coleccin de marcos jerarquizados, segn un nmero de criterios estrictos y otros
principios ms o menos imprecisos tales como el de similitud entre marcos. A nivel
prctico, podemos considerar los marcos como una red semntica con un nmero de
posibilidades mucho mayor, entre las que destacan especialmente, la capacidad de
activacin de procesos y de herencia no-monotnica mediante sobrecontrol.
Formalmente, un marco M es una lista de atributos (slots) y valores (S, V). El
valor V de un slot S puede ser:

Un valor simple, cuyo tipo se


halla determinado por el slot
mismo, por una funcin que
devuelve un valor de ese tipo, o
por un puntero al valor de otro
slot de la jerarqua
Una lista de atributos: valores,
donde los atributos son funciones booleanas y los valores
pueden ser funciones que devuelven valores del tipo del valor del slot, o constantes del tipo del valor del slot.
Fig. 8. Jerarqua de marcos.

14

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Ontologas

a palabra ontologa proviene del griego ontos (estudio del ser) y logos
(palabra). Filosficamente ontologa es la ciencia de qu es, es una explicacin sistemtica de la existencia. En la inteligencia artificial, una
ontologa es una especificacin explicita de una conceptualizacin, es decir, proporciona una estructura y contenidos de forma explcita, que codifica las reglas implcitas
de una parte de la realidad, independientemente del fin y del dominio de la aplicacin
en el que se usarn.
Formalmente, una ontologa podra definirse como una tupla o = <C, R, CH,
rel, OA> donde:

C y R son dos conjuntos disjuntos, que representan los conceptos las relaciones respectivamente.
CH -> CxC es un concepto de jerarqua o taxonoma, donde CH (C1, C2) indica
que C1 es un subconcepto de C2.
rel: R -> CxC es una funcin que relaciona los conceptos no taxonmicamente.
OA es el conjunto de axiomas, expresado en un lenguaje lgico apropiado
En trminos prcticos, desarrollar una ontologa incluye:

Definir conceptos en la ontologa,


Organizar los conceptos en una taxonoma,
Definir las relaciones entre los conceptos,
Definir el conjunto de axiomas.

Partes

Clases, descripcin formal explicita de los conceptos de un dominio.


Propiedades, indican caractersticas, atributos y relaciones entre clases
Restricciones
Instancias, individuos concretos que representan la ontologa
Axiomas, teoremas que se declaran sobre relaciones que deben cumplir los
elementos de una ontologa.

Caractersticas

Organizacin jerrquica de clases


Multiplicidad de la representacin
Ontologas mltiples

Propiedades

Claridad
Coherencia
15

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Extensibilidad
Mnimo compromiso ontolgico

Relaciones entre ontologas

Instancia-de
Parte-de, indica relacin de composicin
Es-un, muestra la propiedad de inclusin, utilizada en las ontologas para encontrar la similitud a la hora de comparar.

Fases para el desarrollo de una ontologa


1.
2.
3.
4.
5.
6.
7.

Determinar el dominio y la cobertura de la ontologa


Considerar la reutilizacin de ontologas existentes
Enumerar los trminos importantes de una ontologa
Definir las clases y su jerarqua
Definir las propiedades de las clases
Definir las caractersticas de las clases
Crear instancias

Tipos
Segn cantidad y tipo de estructura de la conceptualizacin
Segn Van Heist las ontologas pueden clasificarse de acuerdo a la cantidad y
tipo de estructura de la conceptualizacin en:

Ontologas terminolgicas, especifican los trminos que son usados para representar conocimiento
Ontologas de informacin, detallan la estructura de almacenamiento de la base de datos.
Ontologas del modelado del conocimiento, especifican conceptualizaciones
del conocimiento.

Segn su dependencia y relacin con una tarea


Segn su dependencia y relacin con una tarea especfica desde un punto de
vista, Guarino clasifica las ontologas en:

16

Ontologas de alto nivel, detallan conceptos ms generales.


Ontologas de dominio, describen un vocabulario relacionado con un dominio
especfico.
Ontologa de tareas, describen una tarea, actividad o artefacto.
Ontologas de aplicacin, representan conceptos que dependen tanto de un
dominio especfico como de una tarea especfica.

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Uso
En los campos de la Inteligencia Artificial, la Teora de Decisiones y la Teora
de Sistemas Distribuidos, sucede que los investigadores de un campo no pueden leer
fcilmente los resultados de los investigadores de los otros, pues se usan diferentes
perspectivas y trminos para las mismas ideas y conceptos. Construyendo una ontologa comn para los tres campos, las investigaciones de un campo seran inmediatamente aplicables a los otros.
Las ontologas favorecen tambin la comunicacin entre aplicaciones y la
comprensin comn de la informacin entre ellas. Las ontologas sern imprescindibles en la Web semntica y en los futuros sistemas de gestin empresarial porque
permitirn que las aplicaciones estn de acuerdo en los trminos que usan cuando se
comunican. Mediante ellas, ser mucho ms fcil recuperar informacin relacionada
temticamente, aun cuando no existan enlaces directos entre las pginas web.
Las ontologas resultan muy tiles para facilitar el razonamiento automtico,
es decir, sin intervencin humana. Partiendo de unas reglas de inferencia, un motor
de razonamiento puede usar los datos de las ontologas para inferir conclusiones de
ellos.

La integracin entre mapas conceptuales y ontologas


Desde el punto de vista estructural, existe una gran similitud entre mapas conceptuales, redes semnticas y ontologas basadas en RDF, siendo estas ltimas ms
formalizadas. El lenguaje RDF (lenguaje para construir ontologas basadas en la declaracin de jerarquas) est formalizado mediante triples (sujeto, predicado, objeto)
mientras los mapas conceptuales usan la estructura de proposiciones (nodo, palabraenlace, nodo).
Para una integracin entre mapas conceptuales y ontologas es necesaria una
mayor formalizacin de las palabras-enlace (p-e), ya que son el elemento sintctico
que define el tipo de relacin existente entre los conceptos, elemento imprescindible
para la obtencin del cdigo OWL (lenguaje de representacin del conocimiento
orientado a anlisis semntico por parte de mquinas).
Los resultados alcanzados en el anlisis de las diferentes formas de representacin del conocimiento permitieron definir que hay una correspondencia directa entre las clases y propiedades en las ontologas, y los conceptos y relaciones en los mapas conceptuales.
Conjuntamente, se han agrupado las relaciones de los MC por categoras de pe, que deben satisfacer las necesidades semnticas requeridas para la obtencin del
cdigo OWLLa integracin entre el MC (lenguaje visual) y OWL (lenguaje formal) se
puede formular como un proceso de transformacin bidireccional; mecanismos complementarios de PLN para el anlisis del MC contribuyen a que este no pierda una de
sus principales bondades para el hombre que es su flexibilidad.
17

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Tripleta objeto, atributo y valor

sta tcnica se usa para representar hechos acerca de objetos, sus atributos y el valor de estos. Tambin es conocida como Modelo OAV. Un objeto podra ser definido como todo aquello que puede ser conocido o
sentido por una persona, estos pueden ser fsico o conceptual. Un atributo es una caracterstica relacionada a un objeto. Y un valor es la medida o estimacin de un atributo en una situacin especfica.
Caractersticas.
Para representar la relacin entre estos elementos se usan grafos, en
los que objetos y valores son representados como nodos en forma de elipse y Fig. 9. Ejemplo de OAV con grafo.
los atributos se muestran como caminos (arcos) entre ellos. El enlace de Objeto a Atributo hace referencia a tiene un y el
de Valor a Atributo a es un. La informacin de la tripleta tambin puede mostrarse
por medio de tablas por lo que puede ser usada en bases de datos. En la tabla 1 se
muestra explcitamente cmo.
Objeto

Atributo

Valor

Casa

Color

Blanco

Cuenta-Bancaria

Saldo

100.000

Jorge

Edad

65

Juan

Padre-de

Mara

Tabla 2. Ejemplos de representaciones del modelo OAV.

Ventajas:

Muestran orden e interrelacin.


Permite modelar de una mejor forma espacial a entidades cuyo nmero de
atributos es potencialmente grande.
Permite una asociacin de la informacin para desarrollar sistemas expertos
desde la POO.
Puede ser usada por otras tcnicas de representacin del conocimiento para
resolver problemas o mostrar la informacin.

Desventajas

18

No muestran herencias, slo relaciones causales o partes.

JORGE HERNANDEZ, ERICK BARCASNEGRAS

La asociacin que permite con la POO no es la ms completa debido a lio mencionado en el tem anterior.

Generacin de inferencia.
La inferencia, siendo la habilidad de deducir algo o sacarlo como conclusin de
otra cosa, es algo nativo de la mente humana. Se puede emular usando programas
como Prolog o CLIPS bajo la lgica de predicados teniendo en cuenta que lo explcito
o certero son los Hechos, que, en los sistemas expertos diseados en CLIPS, son ms
fcilmente agrupados siguiendo la tcnica de la tripleta OAV. Adems, en estos la inferencia se hace con la ayuda de un motor de inferencia programable.

Generacin de Reglas.
Si Persona(X) y Valida(X, Juan) e Id(X, Y) entonces Participante_Rifa(Y)

Generacin de la Base de conocimientos a partir de la solucin (CLIPS).


(deftemplate persona (slot nombre) (slot edad) (slot id))
(deftemplate encontrar-nombre (slot nombre))
(deftemplate participantes (slot id))
(assert (persona (nombre Juan) (edad 15) (id 101010)))
(assert (persona (nombre Adriana) (edad 25) (id 292929)))
(assert (persona (nombre Manuel) (edad 30) (id 383838)))
(assert (encontrar-nombre (nombre Juan)))
(defrule seleccionar (encontrar-nombre (nombre ?nombre)) (persona (nombre ?nombre) (id ?id))
=> (assert (participantes (id ?id)))) (run)

Marcos, Guiones y Listas


Marcos
Un Marco es una estructura de datos compleja que contiene un agregado de
informacin usado para representar conceptos, clases de objetos o instancias individuales con caractersticas y experiencias bien conocidas.

El marco describe el objeto en gran detalle.


El detalle est dado en forma de Ranuras las cuales describen los varios atributos y caractersticas del objeto y situacin.
La informacin almacenada en una armadura se distribuye en diferentes campos, llamados aspectos o ranuras.
19

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Cada aspecto tiene la informacin sobre un atributo del objeto que se modela,
los cuales representan las propiedades del marco.

Ejemplo:
Marco: Empleado
Nombre
Edad (entre 16 y 65)
Piernas (2 por defecto)
Ocupacin

Marco: Hombre de Familia


Nombre
Edad (entre 16 y 120)
Estado civil (genrico: casado)
Cnyuge (Apuntador al marco Mujer de Familia)

Instancias de marcos:
Marco: Empleado
Nombre: Alfonso de vila.
Edad: 58.
Piernas: 2
Ocupacin: Instructor

Marco: Hombre de Familia


Nombre: Alfonso de vila.
Edad 58.
Estado civil: Casado.
Cnyuge: (Apuntador a la instancia Mujer de
Familia con Nombre: Luisa Hernndez).

Tabla 3. Ejemplos e instancias de marcos.

Los marcos son bsicamente principios de Programacin Orientada a Objetos


(POO) pero aplicados en IA, porque su desarrollo se soporta con la idea bsica que la
conducta humana se caracteriza por tomar estndares y proceder en situaciones familiares para generar conocimiento a partir de inferencias.
Ventajas

Habilidad para documentar informacin acerca de un modelo; por ejemplo,


maquinaria de una planta y atributos asociados.
Habilidad para restringir posibles valores que un atributo puede tomar.
Modular la informacin, permitiendo facilidad de expandir y mantener el sistema.
Sintaxis consistente y fcil de leer, para identificar objetos del rea.
Restringir la secuencia de hechos considerados durante encadenamientos.
Posibilitar acceso a mecanismos que soportan la herencia de informacin.

Guiones
Un guion es una representacin del conocimiento de secuencia que describe
una secuencia de eventos en un contexto. Los guiones son estructuras de datos complejas, designadas para almacenar el conocimiento sobre una secuencia estereotipada
de acciones. Este tipo de conocimiento informa a los sujetos que intervienen en una
secuencia de eventos lo que puede suceder en una situacin determinada, cul evento
sigue y qu papel debe jugar cada quin en la actividad que se describe.

20

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Este tipo de conocimiento informa a los sujetos que intervienen en una secuencia de eventos lo que puede suceder en una situacin determinada, cul evento
sigue y qu papel debe jugar cada quin en la actividad que se describe.
Aplicaciones de los guiones
Entre las aplicaciones que usan guiones se encuentran:

Procesamiento del lenguaje natural.


Representacin, procesamiento y generacin de historietas.
En los sistemas de EAC, para dar explicaciones y realizar modelos de conocimiento del estudiante.

Contenido en un guion
La informacin en los guiones puede referirse a:

Entry Conditions. Condiciones bajo las cuales el evento a que se refiere el


guion debe efectuarse (describen situaciones que deben estar satisfechas antes
de que el evento se realice).
Roles. Sujetos que actan en el evento descrito.
Props. Objetos utilizados por los sujetos.
Tracks. Lugar donde ocurre el evento.
Results. Condiciones que existen despus de ocurrir el evento.

Sitio: Restaurante de autoservicio y su


entorno.
Sujetos: Cliente (C). Dependiente
(D). Cajero (J).
Objetos: Contadora, bandeja, comida,
dinero.
Condicin: C tiene hambre, C tiene dinero.
El episodio C entra al restaurante puede estar formado por los eventos Abrir
la puerta y Dirigirse a la lnea de servicio.
Resultados: C no tiene hambre, C tiene
menos dinero, C est satisfecho o no, C
est demasiado lleno.

Escena 1: Entrada al Restaurante.


C entra al restaurante.
C se pone en fila ante la contadora.
C lee el men en la pared y decide qu
pedir.
Escena 2: Tomar los alimentos
C toma la bandeja vaca.
C le pide a D los alimentos.
D coloca los alimentos en la bandeja.
C le paga a J.
Escena 3: Comer los alimentos
C toma la bandeja con los alimentos.
C coloca la bandeja en una mesa vaca.
C ingiere los alimentos.
Escena 4: Salida del restaurante
C se levanta de la mesa.
C abandona el restaurante.

Tabla 4. Modelo: guion de un restaurante

Listas
Una lista es una serie de nodos (datos) relacionados entre s. Las listas se usan
normalmente para representar conocimiento jerrquico, cuando los objetos estn
21

JORGE HERNANDEZ, ERICK BARCASNEGRAS


agrupados o clasificados segn un orden o relaciones. Los objetos se dividen en grupos o clases de elementos similares. Sus relaciones se presentan por enlaces. La forma ms simple de representar conocimiento es una lista, pero debe existir una jerarqua cuando dos o ms listas relacionadas se combinan.
Listas en LISP
Una lista es una secuencia de tomos o listas separados por espacios en blanco
y encerrados entre parntesis.
() (9) (Nacional) (+ 12 76) (colores (rojo azul verde))
Las listas son herramientas muy flexibles para la construccin de expresiones
y estructuras.
Listas y arboles
Las Listas y los rboles son estructuras simples usadas para representar de
forma jerrquica el conocimiento. Una Lista es un conjunto de tems relacionados.
Los tems se dividen grupos o clases. Los grupos se relacionan entre s, dando lugar a
una jerarqua. Los rboles son una representacin grfica de las listas.

Fig. 10. Estructura de un rbol de listas.

22

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Produccin de reglas

ormalmente las reglas de produccin se ven como un formalismo en el


cual representar el conocimiento y es el formalismo ms usado en los
sistemas expertos. Originalmente las producciones eran reglas
gramaticales para manipular cadenas de smbolos. Las reglas de produccin
manipulan estructuras de smbolos, como listas o vectores.
Se tiene:

Un conjunto N de nombres de objetos en el dominio


Un conjunto P de propiedades que representan atributos de los objetos
Un conjunto V de valores que los atributos pueden tener

Estructura de una regla


P1,, Pn -> Q1,, Qm
Indica que:

Si las condiciones P1,,Pn se cumplen


Then realiza las acciones Q1,,Qm

Las premisas (Pi) y las conclusiones (Qi) son una cadena de hechos conectadas
por los operadores Y u O. Los hechos son afirmaciones que sirven para representar
conceptos, dato, objetos. La forma general ser:
SI (hecho1) Y/O (hecho2) Y/O Y/O (hechon) ENTONCES (hecho1) Y/O Y/O
(hechon)
Propiedades de una regla

Modular: cada regla define un pequeo pedazo de conocimiento


Incremental: nuevas reglas pueden ser aadidas a la base de conocimientos de
manera independiente
Modificable
Transparencia

Veamos el siguiente ejemplo:


1.

Primero que todo definimos los 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 25 aos
23

JORGE HERNANDEZ, ERICK BARCASNEGRAS

2.

Pedro tiene un salario de $200


Ahora veamos las reglas

R1. SI Juan es un estudiante Y Juan tiene 8 aos ENTONCES Juan estudia en


la primaria.
R2. SI el perro es blanco Y el perro se llama Dinky ENTONCES el perro es de
Juan
Ventajas de las reglas

Permiten representar el conocimiento en forma adecuada para las


computadoras
Modularizan pedazos de conocimiento
Permiten el desarrollo incremental
Las decisiones son entendibles y explicables
Abren nuevas posibilidades computacionales
(paralelismo)
Representacin homognea de conocimiento
Permiten interacciones no planeadas y tiles

Desventajas de reglas

No hay fundamento para decidir qu problemas tiene solucin


Problemas de verificacin / consistencia / completez de conocimiento
Escalamiento sin perder entendimiento /eficiencia
Permiten interacciones no planeadas y no deseadas
No saben cundo romper sus propias reglas
No tienen acceso al razonamiento que hay detrs de las reglas
Inadecuadas para describir un conocimiento declarativo
Tienen un fuerte sabor operacional, por lo que las reglas deben de pensarse
tomando en cuenta esto
Bases de reglas grandes son difciles de mantener y desarrollar (requiere una
particin de las reglas, pero el formalismo no lo permite hacer directamente)
No son adecuadas cuando existe incertidumbre ya que se pierde la
modularidad

Herramientas de desarrollo
Existen herramientas de desarrollo para construir sistemas basados en reglas.
stas las podemos clasificar en 3 niveles:
1. Shells: Exsys, Nexpert, ...
2. Lenguajes de reglas: OPS, Clips, ...
3. Lenguajes simblicos: Lisp, Prolog
24

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Lenguaje se representacion del conocimiento


Lenguajes basados en lgica formal
Lgica proporcional
Una proposicin es una sentencia que puede decirse que es falsa o verdadera.
En la lgica proposicional se asigna smbolos a cada sentencia y se utilizan operadores lgicos sobre ellos para crear proposiciones ms complejas.
Los smbolos utilizados son AND (), OR (), NOT (), IMPLIES ( o ), y
EQUIVALENCE ().
Por ejemplo la sentencia si El libro est en casa (A) y Juan est en el trabajo
(B), Juan no puede leer el libro (C), podra representarse como: A B C
Logica de primer orden
Es una ampliacin de la lgica proposicional a partir de dos operadores ms, el
cuantificador universal y el existencial . Utiliza tambin smbolos para representar
conocimiento y operadores lgicos para construir sentencias ms complejas, pero a
diferencia de la lgica proposicional, los smbolos pueden representar constantes,
variables, predicados y funciones.
Los predicados representan afirmaciones sobre objetos, por ejemplo, la afirmacin El libro est en casa se representara como un predicado de nombre in: in
(libro, casa)
En cuanto a los dos nuevos operadores, y , permiten delimitar el alcance de
las variables en las sentencias, de forma que X se leera como para toda x y X
como existe un x tal que.
X puedeLeer(X, libro): alguien puede leer el libro
X puedeLeer(X, libro): todo el mundo puede leer el libro
En este apartado aparecen los lenguajes KIF y Prolog.

Lenguajes basados en marcos


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. Uno de los posibles lenguajes basados en frames es KM.

Lenguajes basados en reglas


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.
25

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Este nuevo lenguaje incluye las siguientes caractersticas:

Reglas de produccin: reglas del tipo IF-THEN habituales en los sistemas expertos.
Reglas de integridad: afirmaciones que se deben cumplir en cualquier estado
del sistema
Reglas reactivas: reglas que realizan acciones cuando se cumple un evento o se
dan unas determinadas circunstancias
Reglas de derivacin: reglas para definir conceptos derivados a partir de otros
Reglas de transformacin: permiten crear reglas a partir de un llamador, una
condicin, y una transformacin.

Podemos representar en RuleML la sentencia Si a alguien le gusta la lectura,


entonces a Juan le gusta esa persona de la siguiente forma:

Fig. 11. Sentencia en RuleML : Si a alguien le gusta la lectura, entonces a Juan le gusta esa
persona

Lenguajes para ontologias


OWL (Web Ontology Language) es un lenguaje de ontologas para la web basado en una lgica de descripciones (en realidad, son tres sublenguajes). Procede de
la fusin de otros dos elaborados independientemente alrededor del ao 2000:
DAML (DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio
de Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el
marco de los programas de la U.E.).
En 2001 se form un comit conjunto que hizo una propuesta al Consorcio
Web (W3C), y ste public el estndar (Proposed Recommendation en la terminologa del W3C) en 2003, modificado el 10 de febrero de 2004. Existen numerosas
propuestas de mejoras y modificaciones.
26

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Hechos ciertos e inciertos

firmacin que describe la realidad, generalmente son los datos iniciales


del problema. Tambin podemos decir que es un acontecimiento que
puede ser descrito de manera verificable y objetiva. Pueden ser: Definiciones, tipos, restricciones, valores por defecto, etc.
Caractersticas
2 tipos de Hechos:

Sin etiqueta:
o (<objeto> <atributo> <valor>) Ej: (juan persona s)
Con etiqueta, registros o template:
o (deftemplate Persona (field Nombre) (field Edad) (field Sexo) (field EstadoCivil))

Ventajas

Pueden representar fcilmente la realidad.


Son fciles de crear en cualquier lenguaje.

Desventajas:

El sentido semntico se puede confundir

Ejemplo prctico con problema a representar.


Crear un conjunto de reglas que nos permitan saber cundo se puede servir
una bebida a una persona en un bar. Podramos describir el problema de la siguiente
manera:
UPC (2009/2010) dice Toda persona mayor de 18 aos es mayor de edad.
Toda bebida que contenga alcohol es una bebida restringida a mayores de edad. Se
puede servir a una persona una bebida restringida a mayores de edad si es mayor de
edad (p. 74).
Solucin del problema.
Podramos entonces plantear el problema con un conjunto de hechos:

Persona(juan)
Edad(juan,25)
Bebida(cubata)
Contiene(cubata,alcohol)

Y entonces preguntarnos si le podemos servir un cubata a juan Servir (juan,


cubata) = (juan servir cubata).
27

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Generacin de inferencia.
La inferencia puede ser la capacidad de obtener informacin o establecer conclusiones que no estn expresadas de forma explcita. Esas premisas que se saben que
son verdaderas son los Hechos, entonces a partir de los hechos se sacan conclusiones.

Fig. 12. Inferencia del ejemplo de Hechos.

Generacin de Reglas.
Y lo podramos describir mediante reglas de como la siguiente base de reglas:

si Persona(X) y Edad(X,Y) y Mayor(Y,18) entonces Mayor_de_edad(X)


si Bebida(X) y Contiene(X,alcohol) entonces Restringida_a_mayores(X)
si Mayor_de_edad(X) y Restringida_a_mayores(Y) entonces Servir(X,Y)

Generacin de la Base de conocimientos a partir de la solucin (Prolog).

Persona(juan)
Edad(juan,25)
Bebida(cubata)
Contiene(cubata,alcohol)
Mayor(Y,18):-Y>18.
Mayor_de_edad(X):-Persona(X),Edad(X,Y),Mayor(Y,18).
Restringida_a_mayores(X):-Bebida(X),Contiene(X,alcohol).
Servir(X,Y):-Mayor_de_edad(X),Restringida_a_mayores(Y)

Hechos imprecisos o hechos inciertos


Para asociar una medida de imprecisin o de incertidumbre a un hecho se
puede manejar valores numricos como los siguientes: entre 0 y 1 (medida de posibilidad de lgica difusa), entre 1 y 1 (factor de certeza), etc. Dicha medida se asocia al
valor:

28

fiebre(paciente) = {normal[0.0], baja[0.3], alta[0.7]}


enfermedad(paciente) = {hepatitis[0.8], colestasis[-1.0]}

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Arboles de decisin

cnica que permite analizar decisiones secuenciales basada en el uso de


resultados y probabilidades asociadas. Son normalmente construidos a
partir de la descripcin de la narrativa de un problema.

Los rboles de decisin se utilizan en cualquier proceso que implique toma de


decisiones, ejemplos de estos procesos son:

Bsqueda binaria.
Sistemas expertos.
rboles de juego

Caractersticas

Un rbol de decisin es una forma grfica y analtica de representar todos los


eventos (Sucesos) que pueden surgir a partir de una decisin asumida en cierto momento.
Nos ayuda a tomar la decisin ms acertada desde un punto de vista probabilstico, ante un abanico de posibles soluciones.
Permite desplegar visualmente un problema y organizarlo de la mejor manera
posible.

Ventajas

Las reglas de asignacin son simples y legibles, por tanto la interpretacin de


resultados es directa e intuitiva.
Es valida sea cual fuera la naturaleza de las variables explicativas: continuas,
binarias, nominales u ordinales.
Es una tcnica no paramtrica que tienen en cuenta las interacciones que pueden existir entre los datos.

Desventajas

Las reglas de asignacin son bastante sensibles a pequeas perturbaciones en


los datos.
Dificultad para elegir el rbol ptimo.
Los arboles de decisin requieren un gran nmero de datos para asegurarse
que la cantidad de las observaciones de los nodos (hojas) es significativo.

Terminologa

Nodo de decisin: Indica que una decisin necesita tomarse en ese punto
del proceso.
29

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Nodo de probabilidad: Indica que en ese punto del proceso ocurre un


evento aleatorio.

Nodo de probabilidad: Indica que en ese punto del proceso ocurre un evento aleatorio.
Nodo de probabilidad: Indica que en ese punto del proceso ocurre un evento aleatorio.

Fig. 13. Ejemplo de rbol de decisin.

rboles en sistemas expertos


Los AD se usan en los sistemas expertos porque son ms precisos que el hombre para poder desarrollar un diagnostico con respecto a algo, ya que el hombre puede dejar pasar sin querer algn detalle, en cambio la mquina mediante un sistema
experto con un AD puede
dar un resultado exacto.
Los rboles de decisin proveen un mtodo
efectivo para la toma de
decisiones Una deficiencia
de esto es que se puede llegar a ser ms lento pues
analiza todas las posibilidades pero esto a su vez es lo
que lo vuelve ms preciso
que al hombre.

30

Fig. 14. Ejemplo de un sistema experto de cmo llegar a


diagnosticar el empleo de un frmaco X en una persona
con presin arterial
.

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Arboles de anlisis gramatical o sintctico

n rbol de anlisis sintctico indica cmo a partir del axioma de la


gramtica se deriva una frase (cadena) del lenguaje. La estructura sintctica de los lenguajes de programacin se especifica mediante Gramticas Libres de Contexto (GLC). Analizar sintcticamente una cadena de tokens es
encontrar para ella un rbol sintctico, que tenga como raz el smbolo inicial de la
GLC y mediante la aplicacin sucesiva de sus reglas de derivacin se puede alcanzar
dicha cadena como hojas del rbol sintctico.
Es un rbol tal que:

La raz est etiquetada con un smbolo


inicial.
Cada hoja est etiquetada con un componente lxico (token).
Las hojas de izquierda a derecha forman
la frase.
Cada nodo interior
est etiquetado con
un no-terminal.

Fig. 15. Ejemplo de rbol gramatical.

Analizador lxico
Es la primera fase de un compilador consistente en un programa que recibe
como entrada el cdigo fuente de otro programa (secuencia de caracteres) y produce
una salida compuesta de tokens (componentes lxicos) o smbolos. Los tokens son la
entrada para el analizador sintctico.
Anlisis sintctico
Es el anlisis de las funciones sintcticas o relaciones de concordancia y jerarqua que tienen las palabras cuando se agrupan entre s y forman oraciones. Se puede
considerar como una funcin que toma como entrada la secuencia de componentes
lxicos producida por el anlisis lxico.
Analizador sintctico
Es una de las partes de un compilador que transforma su entrada en un rbol
de derivacin. Convierte el texto de entrada en otras estructuras (comnmente rboles), que son ms tiles para el posterior anlisis y capturan la jerarqua implcita de
la entrada. El analizador sintctico hace una peticin al anlisis lxico del token si31

JORGE HERNANDEZ, ERICK BARCASNEGRAS


guiente en la entrada conforme lo va necesitando en el proceso de anlisis, conforme
se mueve a lo largo de la gramtica.

Fig. 16. Ejemplo de rbol gramatical.

Formas de procesar la cadena de entrada


Mtodos direccionales
Procesan la cadena de entrada smbolo a smbolo de izquierda a derecha.
Mtodos no direccionales
Acceden a cualquier lugar de la cadena de entrada para construir el rbol. Necesitan tener toda la cadena de componentes lxicos en memoria para que el anlisis
pueda comenzar.

Formas de construir un rbol


El analizador sintctico plantea dos formas de anlisis sintctico:

Mtodo ascendente.
Mtodo descendente.

Mtodo ascendente
Se construye el rbol de anlisis sintctico desde las hojas hasta la
raz. En las hojas est la cadena a
analizar y se intenta reducirla al smbolo de inicio de la gramtica que
est en la raz.
El anlisis sintctico ascendente corresponde con un recorrido
postorden del rbol (primero reconoce los hijos y luego mediante una
reduccin se reconoce el padre).
32

Fig. 17. Construccin de un rbol gramatical por


el mtodo ascendente.

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Mtodo descendente
Parte del smbolo de inicio de
la gramtica que se coloca en la raz y
se va construyendo el rbol desde
arriba hacia abajo hasta las hojas,
eligiendo la derivacin que da lugar a
una concordancia con la cadena de
entrada. Corresponde con un recorrido prefijo del rbol de anlisis sintc- Fig. 18. Construccin de un rbol gramatical por
el mtodo descendente.
tico (primero expandimos el nodo
que visitamos y luego procesamos los hijos).

Diagrama causa-efecto

n diagrama de Causa y Efecto es la representacin de varios elementos


(causas) de un sistema que pueden contribuir a un problema (efecto).

Las causas en un diagrama de Causa y Efecto se organizan con frecuencia en seis categoras principales para usos en el proceso de fabricacin: Personal, mquinas, materiales, mtodos, mediciones y medio ambiente.
Es recomendable hacer uso de este cuando se requiera conocer todas las posibles a un problema.
Estructura
Est compuesto por un recuadro (cabeza), una lnea principal (columna vertebral) y 4 o ms lneas que apuntan a la lnea principal, formando ngulo de 70. Estas
lneas a su vez pueden tener 2 o 3 lneas horizontales y as sucesivamente.

Fig. 19. Estructura de un diagrama causa-efecto.

33

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Elaboracin

Identificacin del problema: se procede a definir con exactitud la problemtica


y se sita en la cabeza.
Identificar las categoras dentro de las cuales puede clasificarse las causas del
problema, estas se ubican en las lneas perpendiculares a la lnea principal.
Identificar las causas, estas se ubican en las lneas horizontales que se hallan
en las lneas anteriores

El diagrama C&E se denomina algunas veces diagrama de espina de pescado,


porque se asemeja al esqueleto de un pescado, o diagrama de Ishikawa, el cual debe
su nombre a su creador, Kaoru Ishikawa.

Mapas conceptuales y cuadros sinpticos


Cuadros sinpticos
El cuadro sinptico es una tcnica o herramienta de aprendizaje en forma grfica de un texto, que permite visualizar las ideas principales e importantes de una
manera organizada y clasificada con la ayuda de diagramas.
Usos

Explica de manera grfica la estructura de la informacin


Ordena los conceptos y resalta lo
importante

Caractersticas

Relacin entre las ideas


Orden de principio a fin
Contiene de 3 a 4 ideas principales

Fig. 20. Estructura de un cuadro sinptico.

Mapas conceptuales
El mapa conceptual es una tcnica usada para la representacin grfica del conocimiento. Un mapa conceptual es una red de conceptos. En la red, los nodos representan los conceptos, y los enlaces representan las relaciones entre los conceptos. Los
mapas conceptuales se estructuran en forma ordenada y jerrquica. Los conceptos
ms generales estn en la raz del rbol. La representacin del conocimiento es una
de las reas fundamentales de la inteligencia artificial.
Elementos del mapa conceptual

34

Los conceptos: Desde el punto de vista gramatical los conceptos se identifican


como nombres, adjetivos y pronombres, los que representan hechos, objetos,
ideas, etc.

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Palabras de enlace: Que se


utilizan para unir los conceptos y para indicar el tipo de relacin que se establece entre ellos.
Las proposiciones: Dos o
ms trminos conceptuales
unidos por palabras para
formar una unidad semntica.

Desarrollados por Novak


(1977), se usan como un lenguaje
para la descripcin y comunicacin de conceptos dentro de la
Fig. 21. Ejemplo de mapa conceptual sobre inteligenteora de asimilacin. La teora cia artificial.
est basada en un modelo constructivista de los procesos cognitivos humanos. Quillian desarroll una forma de mapa conceptual que se denomin redes semnticas y que se usa ampliamente para la
representar el conocimiento formal.
Uso del mapa conceptual para el desarrollo de un sistema experto
Los mapas conceptuales han sido usados por personas de los ms variados niveles, desde nios en educacin primaria hasta gerentes de compaas y profesionales. Por lo tanto los mapas pueden ser muy sencillos, pero tambin pueden llegar a
ser muy complejos. Por ejemplo se muestra el mapa conceptual usado durante el
desarrollo de un sistema experto para diagnstico de enfermedades del corazn hecho
por Ford en 1996, fig. 22.
Los mapas conceptuales
son una de las herramientas
usadas comnmente en el proceso de adquisicin de conocimiento en el desarrollo de
sistemas expertos.

Fig. 22. Mapa conceptual para el desarrollo de un sistema experto para diagnosticar enfermedades de corazn.

35

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Autmatas finitos

a teora de autmatas es el estudio de dispositivos de clculo abstractos,


es decir, de las mquinas. Este modelo est conformado por
un alfabeto, un conjunto de estados finito, una funcin de transicin, un
estado inicial y un conjunto de estados finales. Su funcionamiento se basa en
una funcin de transicin, que recibe a partir de un estado inicial una cadena de caracteres pertenecientes al alfabeto (la entrada), y que va leyendo dicha cadena a medida que el autmata se desplaza de un estado a otro, para finalmente detenerse en
un estado final o de aceptacin, que representa la salida.
Definicin formal
Formalmente, un autmata finito es una 5-tupla (Q, , q0, , F) donde:

Q es un conjunto finito de estados;


es un alfabeto finito;
q0 es el estado inicial;
es una funcin de transicin;
F es un conjunto de estados finales o de aceptacin.

Elementos de un AF
Los estados se representan como vrtices, etiquetados con su nombre al interior.
Una transicin desde un estado a otro, dependiente de un smbolo del alfabeto,
se representa mediante una arista dirigida que une a estos vrtices, y que est
etiquetada con dicho smbolo.
El estado inicial se caracteriza por tener una arista que llega a l, proveniente
de ningn otro vrtice.
El o los estados finales se representan mediante vrtices que estn encerrados
a su vez por otra circunferencia.

Representacin
Los autmatas finitos (AF) pueden ser representados de dos maneras que son:

Fig. 23. Esquema de un diagrama


de estado

36

Diagramas de estado
Tabla de transiciones

Diagrama de estado
Este autmata finito est definido sobre el
alfabeto = {0,1}, posee dos estados s1 y s2, y sus
transiciones son (s1, 0)=s2, (s1,1)=s1,
(s2,0)=s1 y (s2,1)=s2. Su estado inicial ess1,
que es tambin su nico estado final.

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Tabla de transiciones
La
primera
representa
explcitamente los parmetros y el valor
que toma cada ocurrencia de la funcin
de transicin. La segunda es ms
compacta, y marca con una flecha el
estado inicial, y con un asterisco los
estados finales.

Clasificacin de AF

Fig. 24. Tabla de transiciones de los estados de


un autmata finito.

Deterministas
El trmino determinista hace referencia al hecho de que para cada entrada
slo existe uno y slo un estado al que el autmata puede hacer la transicin a partir
de su estado actual.
Est formado por:

Un conjunto finito de estados


Un conjunto finito de smbolos de entrada
Una funcin de transicin que toma un estado y un smbolo de entrada y devuelve un estado.
Un estado inicial
Un conjunto de estados finales

Fig. 25. Diagrama de estado determinista

No deterministas
Es el autmata finito que tiene transiciones vacas o que por cada smbolo desde un estado de origen se llega a ms de un estado destino.

Fig. 26. Diagrama de estado no


determinista

37

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Razonamiento probabilstico

on sistemas de razonamiento basados en modelos de redes y, con base


en las leyes de la teora de la probabilidad, se emplean para razonar en
situaciones de incertidumbre

Representacin del conocimiento en un dominio incierto


Si bien la distribucin de probabilidad conjunta puede dar respuesta a cualquier pregunta relacionada con un dominio determinado, conforme aumenta la cantidad de variables, su magnitud se convierte intratablemente extensa.
Adems, no resulta muy natural la especificacin de probabilidades de eventos
atmicos y puede volverse bastante complicada, a menos de contar con una gran cantidad de datos que permita recopilar estimaciones estadsticas.
Tambin, las relaciones de independencia condicional que existen entre las variables permiten simplificar el clculo de los resultados de una consulta y reducir
tambin la cantidad de probabilidades condicionales que es necesario especificar.
Para representar la dependencia que existe entre determinadas variables, se
usa una estructura de datos conocida como red bayesiana (red de creencia, red probabilstica, red causa, mapa de conocimiento).
La red bayesiana es una grfica en la que se cumple lo siguiente:

Los nodos de la red estn formados por un conjunto de variables aleatorias.


Cada par de nodos se conecta entre s mediante un conjunto de enlaces o flechas. El significado implcito de una flecha que vaya del nodo X al nodo Y es el
de que X ejerce una influencia directa sobre Y.
Por cada nodo hay una tabla de probabilidad condicional que sirve para cuantificar los efectos de los padres sobre el nodo. Los padres de un nodos son
aquellos cuyas flechas apuntan hacia ste.
La grfica no tiene ciclos dirigidos (es acclica).

Fig. 27. Diagrama de estado determinista

38

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Razonamiento con incertidumbre

n situaciones reales la informacin disponible puede ser incorrecta,


incompleta o cambiar muy rpidamente. Todo esto de lugar a diferentes formas de inconsistencias e incertidumbre.

Incertidumbre
Falta de informacin adecuada para tomar una decisin o realizar un razonamiento. Aparece cuando el entorno es:

Parcialmente Observable.
No Determinstico.
No se Conoce al completo.

Tratamientos de incertidumbre

Estados de Creencia.
Factores de Certeza.
Probabilidad.

Estados de creencia
Conjunto de todos los posibles estados en los que se puede encontrar el mundo. Los agentes tienen en cuenta todos los posibles estados lgicos que se pueden dar,
sin importar lo improbables que sean. Los planes que tienen en cuenta todas las posibilidades crecen de forma exponencial, hacindose intratables de forma muy rpida

Factores de certeza
Un experto determina de forma externa las posibilidades de que se produzca
un estado u otro. Tiene un alto grado de subjetividad. No existen mtodos efectivos
para combinarlos

Probabilidad
Se calcula de forma matemtica las posibilidades de que ocurra un evento, obtencin estadstica de informacin, mtodo totalmente objetivo, tratamiento natural
del azar. Permite centrarse en los estados que sean ms probables, lo que reduce mucho el nmero de estados con los que tratar cuando se hacen planes.

Razonamiento hacia adelante

na cadena que realiza una bsqueda o camino desde el problema a la


solucin se llama una cadena hacia adelante. Una cadena es un un
grupo de mltiples reglas de inferencia que contiene un problema con
su solucin se llama cadena
39

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Los encadenamientos hacia adelante y
hacia atrs son en realidad caminos a travs
de un espacio de estados de un problema. En
este espacio de estados del problema los estados intermedios se corresponden con hiptesis intermedias bajo el encadenamiento
hacia atrs o conclusiones intermedias bajo
el encadenamiento hacia adelante. El encadenamiento hacia adelante va, desde los hechos hasta la conclusin.

Fig. 28. Estructura del razonamiento


hacia adelante en un sistema experto.

Razonamiento hacia atrs

n grupo de mltiples reglas de inferencia que contiene un problema


con su solucin se llama cadena. Una cadena que transita hacia atrs
desde una hiptesis hacia los hechos que soportan tal hiptesis se llama una cadena hacia atrs. Otra forma de definirla es en trminos de una meta que
puede estar formada por submetas que se han cumplido

Metodologa para el diseo de sistemas basado en reglas de encadenamiento hacia atrs


El sistema de encadenamiento hacia atrs empieza con algn objetivo o hiptesis inicial y dispara reglas que demuestren el objetivo, un sistema de encadenamiento hacia adelante, empieza con los datos del problema y dispara reglas para inferir la nueva informacin.
El sistema de razonamiento hacia atrs est basado en el mtodo inductivo: va
guiado por un objetivo que es la conclusin (o hiptesis) que se trata de validar reconstruyendo la cadena de razonamiento en orden inverso.
Cada paso implica nuevos sub-objetivos: hiptesis que deben de validarse a
partir de un objetivo intenta verificar los hechos que le sostienen.

Funcionamiento

40

Se inicializa la base de hechos con un conjunto inicial de hechos


Se inicializa el conjunto de hiptesis con los objetivos a verificar
Mientras exista una hiptesis a validad en el conjunto de hiptesis se escoge
una de ellas y se valida:
Se comparan los hechos de la base de hechos y la parte derecha de las reglas
con las hiptesis
Si una hiptesis est en base de hechos eliminarla del conjunto de hiptesis
Si no: buscar reglas que tengan como conclusin la hiptesis, seleccionar una y
aadir las premisas no satisfechas al conjunto de hiptesis como sub-objetivos

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Lgica difusa

s la lgica que utiliza expresiones que no son totalmente ciertas ni totalmente falsas, es decir, es una lgica aplicada a conceptos que pueden
tomar un valor indeterminado de veracidad dentro de un conjunto de
valores cuyos extremos son la verdad absoluta o la falsedad absoluta. Por as decirlo
es una lgica que expresa la falta de definicin del objeto al que se aplica.
La clave de esta adaptacin al lenguaje se basa en comprender los cuantificadores de cualidad para nuestras inferencias (mucho, muy y un poco).
Terminologa

Variables lingsticas: son trminos que describen algn concepto que usualmente tiene asociado valore vagos (Temperatura, Altura, Velocidad).
Valor tpico: es la asignacin otorgada a las variables.

Variable lingstica
Temperatura
Altura
Velocidad

Valores tpicos
Caliente, frio
Baja, media, alta
Lenta, normal, rpida

Tabla 5. Ejemplo de variables lingsticas y valores tpicos


en lgica difusa.

Universo de discurso: Rango de valores que pueden tomar los elementos que
poseen la propiedad expresada por la variable lingstica.
Funcin de pertenencia: Aplicacin que se asocia a cada elemento del universo
de discurso el grado con que pertenece al conjunto difuso. Las funciones ms
comunes son: Gamma, Lambda (triangular) y Pi (trapezoidal).
Conjunto difuso: Valor lingstico junto con una funcin de pertenencia.

Sistemas basados en lgica difusa

Miniaturizacin
Sistemas heterogneos
Redes Mviles
Sistemas inteligentes

Aplicaciones

Lavadoras inteligentes que regulan el uso del agua y el detergente en funcin


del nivel de suciedad de la ropa.
El metro Senday en Japn.
Medidores de presin sangunea.
Aspiradoras, Ascensores, neveras, microondas y mltiples electrodomsticos.
Cmaras de video y fotogrficas con auto foco.
41

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Aire acondicionado inteligente, al cual se le indica si uno tiene calor o mucho


calor y ya ajusta la temperatura en funcin de la actual.
Bases de datos difusas: Almacenar y consultar informacin imprecisa

Donde puede aplicar la lgica difusa


La lgica difusa se puede aplicar en procesos demasiados complejos, cuando
no existe un modelo matemtico preciso. Es til tambin cuando se necesite usar el
conocimiento de un experto que utiliza conceptos ambiguos o imprecisos.
No es recomendable utilizarla cuando algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen
solucin.

Metodologa CommonKads

ommonKADS es una metodologa diseada para el anlisis y la


construccin de SBC de forma similar a los mtodos empleados en ingeniera de software.

Ciclo de vida
Esta metodologa est basada en el modelo de ciclo de vida en espiral y se
compone de las siguientes etapas:
Anlisis
Esta etapa comprende el problema desde el punto de vista de la solucin que
se piensa desarrollar. Contiene la especificacin de los requerimientos externos del
sistema basado en el conocimiento y un anlisis del problema especfico. Algunos
productos que se obtienen son: documento del proyecto, documento de requerimientos y documento del modelo.
Diseo
Se hace una descripcin fsica donde se plantean detalladamente cada uno de
sus componentes y una descripcin conceptual del comportamiento del sistema. De
esta etapa debe salir la descripcin del sistema desde el punto de vista computarizado
y la especificacin modular del sistema.
Implantacin del sistema
Se considera la integracin del software realizado como su adaptacin a la organizacin.

42

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Uso
Se elaboran actividades en relacin con el manejo del sistema y de los resultados que este proporcione.

Modelos
Los modelos de esta metodologa permiten describir el conocimiento de la solucin de problemas en un dominio especfico, usando niveles de abstraccin que le
permiten al ingeniero del conocimiento detallar el proceso de solucin en una forma
independiente del dominio.

Fig. 29. Modelos de la metodologa CommonKads.

Modelo de organizacin
Este modelo refleja el anlisis de las caractersticas principales de una organizacin
con el objetivo de descubrir problemas que puedan ser solucionados por sistemas de
conocimiento, establecer su viabilidad y evaluar el impacto que tendra en el entorno
donde se despliegue. Est
formado por una serie de
conceptos que reflejan la
informacin y el conocimiento de la organizacin, como son los problemas y oportunidades,
la tarea, la estructura y
organizacin, el problema
actual, entre otros.

Fig. 30. Modelo de organizacin.

43

JORGE HERNANDEZ, ERICK BARCASNEGRAS


Modelo de tareas
Una tarea es una parte de un
proceso de negocios que representa
actividades orientadas a alcanzar un
objetivo, la cual es ejecutada por
unos agentes que siguen unos criterios de calidad y rendimiento. Esta
tarea recibe entradas y provee salidas deseables en una forma estructurada y controlada, consume recursos y requiere conocimientos y otras
habilidades.
Modelo de agentes
Fig. 31. Modelo de tareas.

Un agente es quien ejecuta


una tarea, el cual puede ser una persona o un sistema de informacin. La idea de
agente que maneja esta metodologa es la de actor, la cual no es exactamente la misma que se trabaja en Agentes Inteligentes. La utilidad de este modelo es que sirve
como enlace entre el modelo de tareas, el de comunicacin y el de conocimiento, haciendo posible modelar las capacidades y limitaciones que los agentes tienen y que
estn involucradas en la solucin de la tarea.
Modelo de conocimientos
Explica en detalle los tipos y estructuras del conocimiento usado en la realizacin de una tarea. En esta metodologa el conocimiento est diferenciado, dependiendo del tipo de conocimiento que se trate.

Fig. 32. Modelo de conocimiento.

Modelo de comunicacin
Su propsito es especificar los procedimientos de intercambio de informacin
para realizar la transferencia de conocimiento entre los agentes que participan en la
44

JORGE HERNANDEZ, ERICK BARCASNEGRAS


ejecucin de una tarea, realizados de una forma conceptual e independiente de su
implementacin.

Fig. 33. Modelo de comunicacin.

Modelo de diseo
Proporciona la especificacin tcnica del sistema en cuanto a la arquitectura,
la plataforma de implementacin, los mdulos de software, los mtodos y mecanismos computables necesarios para implementar las funciones ofrecidas en los dems
modelos.

45

JORGE HERNANDEZ, ERICK BARCASNEGRAS

Bibliografa
Annimo. (2009). Apuntes de Inteligencia Artificial. Palo Alto: Creattive Commons.
Ayala Pea, A. (2006). Sistemas basados en Conocimiento: Una Base para su Concepcin y Desarrollo. Mexico, D.F.: INSTITUTO POLITCNICO NACIONAL.
Gonzlez Molina, M. (2006). Mtodos de resolucin de problemas: Aplicacion al diseo de sistemas inteligentes. Madrid: Fundacin General de la U.P.M.
Harmon, P., & King, D. (1988). Sistemas Expertos: Aplicaciones de la inteligencia
artificial en la actividad empresarial. Madrid: Daz de Santos, S.A.
Pacheco, A. (10 de Marzo de 1999). Representacin del Conocimiento. Obtenido de
http://www.depi.itch.edu.mx/apacheco/ai/repconoc.htm
Universidad Politcnica de Valencia. (s.f.). Representacin del Conocimiento en IA:
Sistemas
basados
en
reglas.
Obtenido
de
http://personales.upv.es/ccarrasc/extdoc/Tema2_2.pdf

46