Conocimiento No-Monótono y otras Lógicas

El razonamiento no monótono es una forma de razonamiento que contrasta con el

razonamiento deductivo estándar. La mayoría de los sistemas lógicos tienen una relación de
consecuencia monótona, lo que quiere decir que el agregar una fórmula a una teoría nunca se
produce una reducción de su conjunto de consecuencias. Intuitivamente, la monotonicidad
indica que el agregar nuevos conocimientos no se reduce el conjunto de las cosas conocidas.

Simbólicamente:

Donde A es una fórmula cualquiera y à y Ä son conjuntos de fórmulas cualesquiera.

Una lógica monótona no puede manejar varios tipos de razonamiento tales como el
razonamiento por defecto (los hechos pueden ser conocidos únicamente por la carencia de
evidencia de lo contrario), el razonamiento abductivo (los hechos sólo se deducen en calidad
de explicaciones probables), el razonamiento acerca del conocimiento (la ignorancia de un
hecho debe ser retractada cuando el hecho sea conocido), y la revisión de creencias (nuevo
conocimiento puede contradecir creencias anteriores, obligando a revisarlas). Estas
limitaciones son un inconveniente en gran cantidad de problemas que se presentan en
inteligencia artificial, que tienen un carácter no monótono.

Un razonamiento se llama monótono cuando a lo largo del proceso el conjunto de «cosas

sabidas» es siempre creciente. Pero en la realidad suele ocurrir que, a medida que avanza el
proceso de inferencias, nuevas evidencias o acciones del mismo sistema anulan premisas o
conclusiones anteriores, y para formalizar esto se necesita una lógica no monótona. Un
proceso frecuente es el razonamiento por defecto: suponer que algo es verdadero (o falso)
mientras no haya evidencia de lo contrario. El sistema que razona debe tener en cuenta que la
aparición de esa evidencia puede tener un efecto retroactivo sobre las conclusiones obtenidas
anteriormente, para lo que debe incluir un sistema de mantenimiento de la verdad.

Dentro de la IA, el estudio del razonamiento no monótono y sus aplicaciones, son sinónimos
de estudios y técnicas formales de razonamiento por default, esto quiere decir, que para poder
formalizar los procesos de omitir conclusiones que son razonables, al tener ausencia de
información o lo contrario, que los hechos conocidos no son estrictamente garantizables como
ciertos.

Existen sistemas de razonamiento (Monótono y no Monótono), los cuales son utilizados para
inferir conclusiones a partir de una información dada, y son representados por medio de
programas lógicos, pero ellos no se servirían, si no existiera algún método que nos permitiera
inferir lo que es cierto y lo que es falso, dicho de otra forma, su semántica. Dentro del
razonamiento no monótono se encuentra la completitud de Clark.

La inteligencia artificial se interesó desde sus comienzos por desarrollar teorías acerca del
comportamiento de agentes que deben extraer conclusiones a partir de información dada.
Dicho artefacto debe poseer varias formas de conocimiento y creencias acerca de su mundo, y
debe usar esa información ulterior acerca de aquel mundo con el fin de tomar decisiones,
planificar y realizar acciones, responder a otros agentes, etc. El problema técnico para la es
caracterizar los patrones de razonamientos que requiere semejante artefacto inteligente y
realizarlos computacionalmente.

Existen diversos enfoques para analizar estos patrones y entre ellos está el de las lógicas no
monótonas, el campo del razonamiento no monótono es la derivación de conclusiones dignas
(pero no infalibles) a partir de una base de conocimiento considerada como un conjunto de
fórmulas en una lógica conveniente.

Algunos de los enfoques más importantes son (Brewka, 1991): lógica no monótona modal,
lógica autoepistémica, lógicas de condicionales revocables, sistemas basados en reglas. A estos
enfoques deben agregarse otras teorías emparentadas con el razonamiento revocable como la
argumentación rebatible y la teoría de cambio de creencias.