Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCION:
El presente trabajo dará respuesta a las preguntas realizadas en las instrucciones de esta actividad
tomando como referencia el articulo y enlaces externos, Al final de las respuestas colocaré las
conclusiones del trabajo.
PREGUNTA 1: Explica cuáles son las diferencias clave entre un proceso deductivo e
inductivo. Indica algunos ejemplos de cada uno de ellos, más allá de los que ya se presentan
en el artículo.
Las principales diferencias entre un procesos inductivo y deductivo son las siguientes:
- Las reglas de la inferencia inductiva son inversas a las deductivas. Esto se debe a que la
inferencia inductiva parte de casos particulares o evidencias para pode encontrar una ley
general que lo pueda explicar con una determinada probabilidad, mientras que la
inferencia deductiva parte de experiencias previas, es decir, de una ley general para poder
explicar casos particulares.
- Los procesos inductivos siempre aportan nueva información debido a las nuevas
observaciones o experimentos que se realicen para poder encontrar una nueva ley
general. En cambio, los procesos deductivos no aportan nueva información debido a que
toma leyes generales para realizar conclusiones de casos particulares y estas conclusiones
no les dan un valor agregado a las leyes generales.
- Procesos inductivos:
Mortal ( X ) ← Humano ( X )
Observaciones:
Ley general:
- Procesos deductivos
Ley general:
Caso particular:
Deducción:
Ley general:
Caso particular:
Deducción:
Las principales motivaciones que se tiene para trabajar con ILP son las ventajas que se tiene
sobre el Machine Learning estadístico, esto se puede ver en la siguiente tabla:
- Ejemplos: ILP requiere de pocos datos de entrenamiento para poder inducir a una
hipótesis, por este motivo, se puede aplicar cuando no es fácil obtener una gran cantidad
de ejemplos como en el diseño de fármacos.
- Data: ILP puede realizar relaciones infinitas debido a que no requiere de tablas de datos
como el ML estadístico, esto permite tener un menor coste computacional.
- Hipótesis: ILP puede razonar sobre hipótesis permitiendo desarrollar algoritmos de alta
complejidad, esto se aplica para las “políticas de seguridad y control de acceso”
(FastLAS: Scalable Inductive Logic Programming Incorporating Domain-Specific
Optimisation Criteria, M. Law, A. Russo, E. Bertino, K. Broda y J. Lobo) en el cual se
aplica un nuevo sistema ILP llamado FastLAS que elimina la limitante de que las reglas
no sean las optimas cuando se tienen datos escasos de entrenamiento.
- Explicabilidad: Como indica el artículo, las reglas generadas por ILP son fácilmente
compresibles para las personas ya que tiene similitud con el lenguaje natural. Su lógica es
más compacta y relacional, y no proposicional como otros algoritmos de aprendizaje. Por
tal motivo aplica en la Inteligencia artificial como en el algoritmo de un “Robot
Científico para el diseño de fármacos” (Inductive Queries for a Drug Designing Robot
Scientist, R. King, A. Schierz, A. Clare, J. Rowland, A. Sparkes, S. Nijssen and J.
Ramon).
PREGUNTA 3: Expón la interacción entre esta disciplina y la probabilidad, así como el rol
que juega el teorema de Bayes y, en general, la inferencia bayesiana.
INCERTIDUMBRE
BORROSIDAD
AMBIGUEDAD (Vaguedad, falta de
Claridad,
indistinguibilidad, etc.)
IMPRESISION DISCORDIA
(No especifididad, (disonancia,
genralidad, diversidad, discrepancia, conflicto,
etc.) etc.)
PREGUNTA 4: Detalla la conexión que existe entre esta rama de la lógica y la inteligencia
artificial, en particular el aprendizaje automático y las redes neuronales.
- Autoenconders: Son redes neuronales feedforward que generan nuevos datos a través de
la compresión del dato de entrada, en estos nuevos datos se tienen la información más
relevante de la entrada, la ILP se utiliza para esta generación de datos.
CONCLUSIONES:
- La ILP es fácilmente compresible debido a su semejanza con el lenguaje natural.
- La ILP permite realizar transferencia de conocimiento, algo que el ML tradicional no
puede realizar.
- La inferencia Bayesiana es muy importante a la hora de calcular la incertidumbre en la
ILP.
- Las redes neuronales, aunque son muy eficientes, entregan un modelo que es una caja
negra con millones de variables que son difíciles de analizar. La ILP soluciona este
problema entregando un modelo interpretable y con una precisión cercana a la de una red
neuronal convencional.
REFERENCIAS:
- Inductive Queries for a Drug Designing Robot Scientist, R. King, A. Schierz, A. Clare, J.
Rowland, A. Sparkes, S. Nijssen and J. Ramon.
https://link.springer.com/chapter/10.1007/978-1-4419-7738-0_18