Conocimiento de control.

El objetivo principal en cuanto al conocimiento de control se centra más en los programas

inteligentes que requieren búsquedas con efectos de programación, en las grandes bases de
conocimiento que contiene cientos de reglas se convierte en un verdadero problema.

Para poder alcanzar rápidamente un objetivo esta se denomina conocimiento de control de

búsqueda, y esta puede presentar de diferentes formas:

1. Conocimiento acerca de que estados son preferibles a otros.

2. Conocimiento acerca de que reglas se pueden aplicar en una situación dada.

3. Conocimiento acerca del suborden en que se deben tratar los subojetivos.

4. Conocimiento acerca de las secuencias de reglas más útiles para aplicar.

Existen varias formas de representar los otros tipos de conocimiento de control. Por ejemplo,
las reglas pueden ser divididas y etiquetadas. Un sistema de diagnósticos médicos puede tener
un conjunto de reglas de razonamiento en relación con enfermedades de tipo bacteriológico,
así como otro conjunto para enfermedades inmunológicas. Si el sistema intenta comprobar
un hecho en particular a través de un encadenamiento hacia atrás, probablemente eliminara
uno de los dos conjuntos de reglas, dependiendo del tipo de hecho del que se trate. Por esta
razón, algunas veces el conocimiento de control de búsqueda se llama metaconocimiento.

Davis (1980) fue el primero que subrayo la necesidad del metaconocimiento, y sugirió que
fuera representado de un modo declarativo, utilizando reglas. En la Figura 1 se muestra la
sintaxis de un tipo de regla de control.
 Dadas las condiciones A y B
Las reglas donde {no} aparece X
{en absoluto,
en el lado izquierdo,
en el lado derecho}
serán
{definitivamente inútiles,
probablemente inútiles
…
probablemente de mucha utilidad
definitivamente de mucha utilidad}
Figura 1

Existen un gran número de sistemas de IA que representan su conocimiento de control a

través de reglas. Tales como SOAR y PRODIGY.

SOAR (Laird et al., 1987) consiste en una arquitectura general para construir sistemas
inteligentes, está basado en un conjunto de hipótesis específicas, cognoscitivas y motivadas,
similares a la estructura de la resolución de problemas por los humanos. Estas hipótesis se
derivan de lo que ya conocemos acerca de la memoria a corto plazo, efectos prácticos, etc.
En SOAR:

1. La memoria a largo plazo esta almacenada como un conjunto de producciones (o

reglas).
2. La memoria a corto plazo, también llamada memoria de trabajo, actua como un buffer
al que afectan las percepciones, y que sirve como zona de almacenamiento para
hechos que han sido deducidos por reglas de la memoria a largo plazo. La memoria
de trabajo es análoga a la descripción de estado en la resolución de problemas.
3. Toda la actividad de resolución de problemas tiene lugar como un espacio estado
transversal. Existen diferentes clases de actividades resolutoras de problemas,
 incluyendo el razonamiento acerca de qué estados son los que se deben explorar, qué
reglas se deben aplicar en una situación dad y que efectos producirán dichas reglas.
4. Todos los resultados intermedios y finales de la resolución de problemas, son
recordados (o troceados) para una referencia futura.

PRODIGY (Minton, 1989) es un sistema de resolutor de problemas de propósito general

que incorpora diferentes mecanismos de aprendizaje. Una de las principales
características del aprendizaje de PRODIGY consiste en la construcción automática de
un conjunto de reglas de control para mejorar la búsqueda en un dominio determinado.