Formas de representación del conocimiento en IA

La IA es el conjunto de técnicas, métodos, herramientas y

metodologías que nos ayudan a construir sistemas que se comportan
de manera similar a un humano en la resolución de problemas
concretos. En la creación de máquinas inteligentes es un deseo que
ha existido en el hombre desde las primeras civilizaciones, aunque ha
sido a partir del siglo XX, con la llegada d ellos computadores, cuando
ha dejado d ser algo mitológico y se ha convertido en un asunto
científico y, en parte, una realidad. A pesar de las distintas
interpretaciones de IA, todas las técnicas y las metodologías que han
sido desarrolladas y explotadas a lo largo de la historia de esta
diciplina tienen en común un mismo problema y es la representación
del conocimiento, como, por ejemplo, podemos representar
formalmente el conocimiento.

Las características de la representación del conocimiento en la

inteligencia artificial seria, cobertura, en donde su significado seria la
representación del conocimiento cubre la información en anchura y
profundidad; comprensible por humanos en donde la representación
del conocimiento es vista como un lenguaje natural, así que la lógica
debería fluir libremente; la consistencia el cual siendo consistente, la
representación del conocimiento puede eliminar conocimiento
redundante o conflictivo; la eficiencia; la facilidad de modificación y
actualización y por último el soporte de la actividad inteligente que
usa la base de conocimiento.

Los tipos de conocimiento en inteligencia artificial son:

Conocimiento declarativo: Son hechos sobre objetos o situaciones lo

cual poseen mayor capacidad expresiva, menor capacidad creativa o
computacional. Es conocimiento pasivo, expresado como sentencias
acerca de los hechos del mundo que nos rodea (el saber que hacer).
Puede ser representado con modelos relacionales y esquemas
basados en lógica. Los modelos relacionales pueden representar el
conocimiento en forma de árboles, grafos o redes semánticas. Los
esquemas de representación lógica incluyen el uso de lógica
proposicional y lógica de predicados.
Los tipos de conocimiento declarativo son:

Conocimiento relacional: Conjunto de relaciones expresables

mediante tablas. Hemos de aportar procedimientos que lo
enriquezcan motor de inferencia genera conocimiento a partir de
información.

Conocimiento heredable: Estructuración jerárquica del conocimiento

(taxonomía jerárquica). Se trata de construir un árbol o grafo de
conceptos basado en la generalización y/o especialización.

Conocimiento inferirle: Conocimiento descrito mediante lógica. Se

puede utilizar semántica los operadores y el Modus Ponens para
inferir nuevo conocimiento.

Conocimiento procedimental: Es aquel conocimiento compilado que

se refiere a la forma de realizar una cierta tarea (el saber cómo
hacerlo). Por ejemplo, los pasos necesarios para resolver una
ecuación algebraica son expresados como conocimiento
procedimental. Los modelos procedimentales y sus esquemas de
representación almacena conocimiento en la forma de cómo hacer las
cosas. pueden estar caracterizados por gramáticas formales,
usualmente implantadas por sistemas o lenguajes procedimentales y
sistemas basados en reglas (sistema de producción). Por ejemplo, los
pasos necesarios para resolver una ecuación algebraica son
expresados como conocimiento procedimental.

Conocimiento Heurístico: Es un tipo especial de conocimiento usado

por los humanos para resolver problemas complejos. El adjetivo
heurístico significa medio para descubrir. Está relacionado con la
palabra griega heuriskein que significa descubrir, encontrar. Se
entiende por heurístico a un criterio, estrategia, método o truco
utilizado para simplificar la solución de problemas.

La representación del conocimiento en inteligencia artificial es de ser

capaz de captar generalizaciones, ser comprensible, fácilmente
modificables, incrementable, ser usado en diversas situaciones y
propósitos, permitir diversos grados de detalle, captar la
incertidumbre, imprecisión, representar distinciones importantes,
focalizar el conocimiento relevante.
Todo problema es más sencillo de resolver si disponemos del
conocimiento específico sobre él. Este conocimiento dependiente del
dominio se combina con el conocimiento general sobre cómo resolver
problemas. Este conocimiento ha de permitir guiar los mecanismos de
inteligencia artificial para obtener soluciones de manera más
eficientes.

Aprendizaje profundo

Para explicar el aprendizaje profundo “Deep Learning” y entender la

diferencia entre AP y otros enfoques del AA, primero necesitamos
alguna idea de lo que hacen y cómo funcionan los algoritmos de AA.
Donde las AA descubre reglas para ejecutar tareas de procesamiento
de datos, dados los ejemplos de lo que se espera como respuesta o
salida de dichos datos. Por lo tanto, para realizar AA necesitaremos
de tres ingredientes fundamentales:

 Datos de entrada: Por ejemplo, si la tarea es reconocimiento

de voz, estos datos de entrada serían archivos de sonido o
grabaciones de gente hablando. Si la tarea es etiquetada de
imágenes, estos datos podrían ser fotos o imágenes.

 Ejemplos de lo que se espera como salida: En la tarea de

reconocimiento de voz, estos podrían ser transcripciones
generadas por humanos de los archivos de audio. En la tarea
de etiquetado de imágenes, las salidas esperadas pueden ser
etiquetas tales como “perro”, “gato”, “persona”, etc.

 Una forma de medir si el algoritmo está realizando un

buen trabajo: Este paso es necesario para determinar la
distancia o desvío entre la salida actual generada por el
algoritmo y la salida esperada. Esta medida es usada como
señal de realimentación para ajustar la forma en la que el
algoritmo trabaja y se actualiza. Este paso del ajustamiento es
lo que llamamos “Aprendizaje”.

Estos ingredientes por si mismos son los fundamentales para todo

tipo de algoritmo de AA y AP. Con estos ingredientes exploraremos
ahora que es lo que realmente hace un algoritmo de AA y de AP con
ellos para producir resultados que parecen salidos de historias de
ficción.

Aprendizaje automático

el Machine Learning o Aprendizaje Automático, los humanos pasamos

los datos como entrada al igual que las respuestas esperadas de
dichos datos con el fin de obtener a la salida las reglas que nos
permiten hacer el mapeo efectivo entre entradas y sus
correspondientes salidas. Estas reglas pueden ser luego aplicadas a
nuevos datos para producir respuestas originales, es decir, generadas
automáticamente por las reglas que el sistema “aprendió” y no por
reglas explícitamente codificadas por programadores.

Un sistema de Aprendizaje Automático es “entrenado” en vez de ser

explícitamente “programado”. A este sistema se le presentan muchos
ejemplos relevantes para la tarea en cuestión y este encuentra la
estructura estadística o patrones en dichos ejemplos que
eventualmente permiten al sistema aprender las reglas para
automatizar dicha tarea. Por ejemplo, si deseamos automatizar la
tarea del etiquetado de nuestras fotos de vacaciones, lo que haríamos
es pasar al sistema de AA muchos ejemplos de fotos ya etiquetadas
por humanos y el sistema aprendería las reglas estadísticas que le
permitirían asociar fotos específicas con sus respectivas etiquetas.
Sin embargo, aunque el AA empezó a ser tenido en cuenta desde los
años 90, este se ha convertido en el más popular y exitoso de los
subcampos de la IA, una tendencia guiada por la disponibilidad de
mejor hardware y gigantes conjuntos de datos. El AA está
fuertemente relacionado a la estadística matemática, sin embargo,
difiere de la estadística en varias formas. A diferencia de la
estadística, el AA tiende a lidiar con grandes y complejos conjuntos
de datos (los cuales pueden contener millones de imágenes cada una
de ellas con miles de pixeles) para lo cual el clásico análisis
estadístico (como el análisis bayesiano) sería totalmente impráctico.
Como resultado, el AA, y en especial el Aprendizaje Profundo,
muestra poca teoría matemática, comparada con el campo de la
estadística, y son considerados más como campos orientados hacia la
ingeniería. Es decir, el AA es una disciplina aplicada, en la cual las
ideas son probadas mucho más a menudo de forma empírica que de
forma teórica.
 Referencias Bibliográficas

 Palma Méndez, J. T., & Marín Morales, R. (2008). Inteligencia

artificial: Métodos, técnicas y aplicaciones. España: McGraw-
Hill. Pag.33-56. Obtenido de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/50116

 Rodríguez Lora, V. (2016) Taxonomías de técnicas y

herramientas para la ingeniería del Conocimiento. Chile:
Revista de Ingeniería. Recuperado de https://www-proquest-
com.bibliotecavirtual.unad.edu.co/docview/1321927237/
fulltextPDF/36C677A0ABD148D1PQ/1?accountid=48784

 J. Escalona. (2015, 23 noviembre). Representación del

Conocimiento Inteligencia Artificial. slideshare.
https://es.slideshare.net/jorgeescalona2387/representacion-
del-conocimiento-inteligencia-artificial

 Cajamarca, M. (2019, 20 noviembre). Inteligencia Artificial,

Aprendizaje Automático y Aprendizaje Profundo. Medium.
https://planetachatbot.com/inteligencia-artificial-aprendizaje-
autom%C3%A1tico-y-aprendizaje-profundo-862ca9790bb9

 Benítez, R., Escudero, G., & Kanaan, S. (2013). Inteligencia

Artificial Avanzada. UOC. Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/57582