DOCENTE:

MTI. LILI ALEJANDRA MEDRANO MENDOZA

ALUMNO:

ORLANDO LEON BALLONA

SAN ANDRÉS TUXTLA, VER., 10-10-2014

INTELIGENCIA ARTIFICIAL UNIDAD 3

INSTITUTO TECNOLÓGICO SUPERIOR DE SAN ANDRÉS TUXTLA

1

ÍNDICE

INTRODUCCIÓN .................................................................................................................................. 2

ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS ......................................... 2

CLASE DE MÉTODO: RESOLUCIÓN Y UNIFICACIÓN .................................................................. 5

CONCEPTOS DE APRENDIZAJE, RAZONAMIENTO PROBABILÍSTICO, LÓGICAS,

MULTIEVALUADAS, LÓGICA DIFUSA ............................................................................................ 10

Aprendizaje ...................................................................................................................................... 10

Razonamiento Probabilístico.......................................................................................................... 12

Razonamiento Lógico ..................................................................................................................... 12

Lógica difusa .................................................................................................................................... 13

CONCLUSIÓN .................................................................................................................................... 14

BIBLIOGRAFÍA ................................................................................................................................... 15

2

INTRODUCCIÓN

Los Sistemas basados en Conocimiento representan un paso delante de los

sistemas de información convencionales al pretender representar funciones cognitivas

del ser humano como el aprendizaje y el razonamiento. Esta clase de aplicaciones

descansan en las contribuciones de la inteligencia artificial en lo general y en la

ingeniería del conocimiento en lo particular. Su orientación es la automatización del

análisis de problemas, la búsqueda de soluciones, la toma de decisiones y el empleo de

conocimiento especializado en un campo específico de aplicación.

Entre los productos más significativos de los sistemas basados en conocimiento

se encuentran los sistemas expertos, los cuales están encargados de representar el

conocimiento de los especialistas de una rama en la procura de su aprovechamiento

para tareas de diagnóstico, enseñanza y control.

La composición de los sistemas basados en conocimiento consta de un

mecanismo de aprendizaje, una base de conocimientos, un motor de razonamiento, y

medios de comunicación hombre-máquina.

ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS

ALCANCES DE LOS SISTEMAS DE INFORMACIÓN

Los sistemas de información mecanizados son concebidos e implementados

como instrumentos que procesan información con el propósito de:

Apoyar la toma de decisiones.

Contener “conocimiento técnico”.

Reducir a un grado mínimo el error humano.

Automatizar las operaciones repetitivas.

Transmitir información dentro de la organización.

Reducir el tiempo de realización de las operaciones.

3

Bajar costos.

Facilitar la tarea del usuario.

Ofrecer información: completa, eficiente, veraz, oportuna.

Manipular grandes volúmenes de información.

Satisfacer las necesidades del usuario.

EXTENSIÓN A LOS SISTEMAS BASADOS EN CONOCIMIENTO

Los sistemas basados en conocimiento se consideran una extensión - un paso

tecnológico - de los sistemas de información cuyos alcances y complejidad son

mayores. Entre sus propósitos destacan:

Aprender.

Evolucionar.

Adaptar.

Razonar.

Tomar decisiones.

Contener conocimiento empírico, mundano y del lenguaje.

Analizar problemas.

Generar alternativas de solución.

Emular al experto humano.

Generar conocimiento a partir del que ya se posee.

PROPIEDADES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO

Entre las características más relevantes de los sistemas basados en

conocimiento están:

Procedimientos no algorítmicos.

Manejo de incertidumbre.

0 , 1 ó múltiples soluciones.

Conocimiento técnico y científico.

Busca generar la solución “óptima”.

Manipulación de conocimiento no monofónico.

4

Procesos interactivos.

Aprendizaje de los fracasos.

Empleo de métodos para la representación del conocimiento.

Capacidad para explicar su propio razonamiento, cuestionamiento y emisión de

conclusiones.

Uso de búsquedas heurísticas.

Representación de conocimiento especializado del campo de aplicación.

Pueden utilizar razonamiento con base en probabilidades, creencias, pertenencias y

suposiciones.

Procesamiento simbólico.

Utilizan sistema de mantenimiento de la verdad

para afirmaciones y negaciones cambiantes.

Datos cualitativos más que cuantitativos.

TIPOS DE APLICACIONES DE LOS SISTEMAS BASADOS EN CONOCIMIENTO

El ámbito de aplicación de los sistemas basados en conocimiento incluye:

Lenguaje natural.

Realidad virtual.

Redes neuronales.

Juegos.

Sistemas expertos.

Robótica.

Sistemas de planeación.

Reconocimiento de imágenes.

Traductores.

Solución de problemas.

Sistemas evolutivos.

CAM Manufactura. Llevado a máquinas de control numérico.

Aprendizaje.

Sistemas Tutoriales.

5

CLASE DE MÉTODO: RESOLUCIÓN Y UNIFICACIÓN

La Deducción Natural consiste en un sistema de reglas de inferencia que permite

construir deducciones, es decir, a partir de "algo" podemos deducir o "llegar a" "otra

cosa", hasta que encontramos una conclusión. Se trata de un método puramente

sintáctico donde sólo nos ocupamos de la manipulación de símbolos. Es un método

interesante para construir demostraciones, sin embargo es difícilmente mecanizable.

Por otro lado, como hemos visto, es fácil representar hechos del mundo real

mediante la lógica proposicional y mediante la lógica de predicados. Además mediante

la lógica de predicados podemos representar el conocimiento que tenemos sobre un

cierto mundo finito poniéndolo en forma de sentencias y disponemos de un mecanismo

para razonar con ese conocimiento. Sin embargo, lo que para el ser humano resulta

trivial, deducir una sentencia a partir de otra, para la máquina puede llegar a ser

computacionalmente muy costoso e, incluso, inviable. Los estudios, por tanto, se han

centrado en conseguir un método de demostración que se puede ejecutar en un tiempo

finito, y que en dicho tiempo, de forma eficiente, nos proporcione una solución acertada.

El Método de Resolución [Robinson, 1965], es un intento de mecanizar el

proceso de deducción natural de esa forma eficiente. Las demostraciones se consiguen

utilizando el método refutativo (reducción al absurdo), es decir lo que intentamos es

encontrar contradicciones. Para probar una sentencia nos basta con demostrar que su

negación nos lleva a una contradicción con las sentencias conocidas (es insatisfactible).

Si la negación de una sentencia entra en contradicción con los hechos de nuestra base

de conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y

se puede deducir lógicamente de las sentencias que componen dicha base de

conocimientos.

Existen distintas Estrategias de Resolución: sistemática, con conjunto soporte,

unitaria, primaria y lineal.

6

En este apartado formularemos detalladamente el método de Resolución por

Refutación Lineal. Para ello, es necesario conocer el proceso de conversión a forma

clausal, ya que las cláusulas con las que se trabaja en esta técnica deben tener una

forma específica. Por otro lado, hemos de definir también el proceso o algoritmo de

Unificación, paso imprescindible en este método de Resolución.

Conversión a forma clausal.

El proceso de conversión a forma casuall consiste en transformar las sentencias

y fórmulas en cláusulas, cuya principal característica, al nivel de representación, es la

ausencia casi total de símbolos de relación. En una cláusula sólo aparecerán

disyunciones "Ú”.

De esta manera, el primer paso será transformar todas las sentencias a una

forma canónica llamada forma normal conjuntiva [Davis y Putnam, 1960], a partir de la

cual obtendremos el conjunto de cláusulas. Así, podemos definir una cláusula, más

formalmente, como una fórmula en forma normalizada conjuntiva que no tiene ninguna

conectiva. Esta transformación la vamos a realizar en varios pasos:

1. Primero pasaremos las sentencias a Forma Normal Prenexa.

2. En el siguiente paso las transformaremos a Funciones de Skolem.

3. Finalmente llegaremos a una representación en Forma de Cláusulas.

Forma Prenexa

Una fórmula está en Forma Normal Prenexa si es de la forma: Q1x1...QnxnY

donde Y es una fórmula desprovista de cuantificadores y escrita como conjunción de

disyunciones, Q1,...,Qn Î {" , $ } y x1,..., xn son variables.

Funciones de Skolem

El siguiente paso es convertir las fórmulas de Forma Normal Prenexa a Fórmulas

de Skolem, que se caracterizan por no estar cuantificadas existencialmente. Por tanto,

7

el algoritmo de transformación a forma de Skolem elimina los cuantificadores

existenciales.

Partimos de una fórmula: Q1x1...QnxnY. Se recorre la fórmula en forma prenexa

de izquierda a derecha y se eliminan los cuantificadores existenciales según los dos

casos siguientes:

Sea Qr un cuantificador existencial:

Si no hay ningún cuantificador universal antes de Qrxr, elegir una

nueva constante c distinta de todas las que aparecen en Y, y reemplazar cada

ocurrencia de xr en Y por c. Borrar Qrxr del prefijo de la fórmula.

Si Qs1, Qs2,…, Qsk son los cuantificadores universales que aparecen

antes de Qrxr, tomar un nuevo símbolo de función f distinto a todos los que

aparecen en Y y reemplazar cada ocurrencia de xr por f(xs1,xs2,...,xsk). Borrar Qrxr

del prefijo de la fórmula.

Representación en forma de cláusulas: El último paso será convertir las

funciones de Skolem a cláusulas. Tenemos las fórmulas cuantificadas universalmente,

entonces podemos eliminar todos los prefijos, de tal manera que la fórmula resultante

está en forma de conjunción de disyunciones (forma normal conjuntiva): (a Ú b Ú c) Ù

(d Ú e) Ù (j Ú l Ú m). Finalmente, por cada conjunción obtenemos una cláusula: (a Ú b

Ú c), (d Ú e) y (j Ú l Ú m).

Algoritmo de Unificación.

Podemos definir la Unificación como un procedimiento de emparejamiento que

compara dos literales y descubre si existe un conjunto de sustituciones que los haga

idénticos. La idea básica de la unificación es muy sencilla. Para unificar dos literales

vamos recorriéndolos de izquierda a derecha. En primer lugar se comprueba si los

predicados coinciden. Si es así, seguimos adelante; si no es que no son unificables. Si

el predicado concuerda, comenzamos a comparar los argumentos. Si el primero de

ellos coincide en ambos literales, continuamos con el siguiente... y así hasta completar

8

todos los argumentos. Como resulta obvio, ambos literales deben tener el mismo

número de argumentos.

Para conseguir que cada argumento de un literal sea coincidente con su

homólogo en el otro literal, debemos buscar una sustitución que nos permita

emparejarlos. La única condición que debe reunir esta sustitución es que ha de

aplicarse a todo el literal, es decir, que la sustitución afecta a todo el literal, y no sólo al

argumento en cuestión. Por decirlo de una manera sencilla, las sustituciones se van

arrastrando a lo largo del proceso de unificación.

Ejemplo:

Vamos a unificar P(x, x) con P(y, z):

Primera sustitución: (y/x)

Resultado: P(y, y) P(y, z)

Segunda sustitución: (z/y)

Resultado: P(z, z) P (z, z)

La sustitución resultante es la composición de las sustituciones: s = { z/y , y/x}

Algoritmo de Resolución

El procedimiento de resolución consiste en un proceso iterativo en el cual

comparamos (resolvemos), dos cláusulas llamadas cláusulas padres y producimos una

nueva cláusula que se ha inferido (deducido), de ellas. Por tanto, lo que hacemos es

combinar las cláusulas padres para dar lugar a una nueva cláusula, en la que podemos

simplificar alguno de sus términos.

Por ejemplo, supongamos que tenemos las cláusulas siguientes (ambas

verdaderas):

9

invierno Ú verano (es invierno o es verano).

Ø invierno Ú frío (hace frío o no es invierno).

Aplicando resolución, podemos combinar ambas cláusulas y obtener:

invierno Ú verano Ú Ø invierno Ú frío.

Ahora podemos hacer una simplificación, ya que (invierno Ù Ø invierno) es una

tautología, con lo que nos queda:

verano Ú frío (es verano o hace frío).

Que también deberá ser verdadera, pues hemos seguido puntualmente todas las

propiedades de la lógica de primer orden.

La resolución opera tomando dos cláusulas tales que cada una contenga un

mismo literal, en una cláusula en forma positiva y en la otra en forma negativa. El

resolvente se obtiene combinando todos los literales de las cláusulas padres y

eliminando aquellos que se cancelan.

Si la cláusula resultante es la cláusula vacía (€), entonces es que hemos llegado

a una contradicción.

El algoritmo que acabamos de ver está definido de una forma muy general. Sin

embargo, para su uso cotidiano se pueden hacer una serie de sugerencias que, si bien

en la mayoría de los casos no están basadas en aserciones infalibles, pueden facilitar el

proceso general de resolución:

Aunque no sea un criterio estricto, suele dar buenos resultados comenzar

a resolver por las cláusulas de mayor tamaño, es decir, las que poseen mayor número

de literales.

La cláusula resolvente se añade al conjunto de cláusulas disponible y, en

teoría, se puede continuar el proceso tomando dos cláusulas padre cualesquiera. Sin

10

embargo, al igual que en el caso anterior, suele dar buen resultado continuar el proceso

de resolución a partir de la nueva cláusula resultante.

De igual forma, aunque no existe ninguna limitación en cuanto al número

de veces que se puede usar una cláusula para resolver, se recomienda probar primero

a no usar dos veces la misma cláusula antes de usar todas las cláusulas disponibles.

Si es posible llegar a la cláusula vacía resolviendo únicamente con las

cláusulas del conjunto inicial sin usar en ningún momento la o las cláusulas

provenientes de la hipótesis, es porque existe una inconsistencia dentro del conjunto

inicial de cláusulas. Ésta puede ser una forma de detectar errores en el diseño de la

base de conocimiento.

Si en la cláusula resolvente existen dos literales iguales, ésta se puede

simplificar eliminando uno de los dos literales. Puede ser necesaria una sustitución

previa a fin de que esos literales sean unificables y, por tanto, completamente iguales.

No es necesario usar todas las cláusulas en el proceso de resolución. En

la mayoría de los casos basta con usar algunas de las cláusulas de la base de

conocimiento y alguna o algunas de las cláusulas proveniente de la hipótesis.

CONCEPTOS DE APRENDIZAJE, RAZONAMIENTO PROBABILÍSTICO,

LÓGICAS, MULTIEVALUADAS, LÓGICA DIFUSA

Aprendizaje

Máquina que Aprende: Sistema Organizado que transforma un mensaje de

Entrada en una Salida, de acuerdo con un Principio de Transformación. Si tal Principio

está sujeto a cierto Criterio de validez, y el Método de Transformación se ajusta a fin de

que tienda a mejorar el funcionamiento; se dice que el Sistema Aprende.

Aprendizaje Animal: Cuando los Organismos se Ajustan o Adaptan al Conjunto

de Estímulos que provienen del Entorno; Reciben la Información y la Almacena con el

fin de Reutilizarla en Situaciones o Patrones de Estímulos Semejantes.

11

La Organización (o Reorganización) de la propia Conducta (ante una Situación o

un Patrón de Estímulos) como Resultado de una Experiencia Individual.

Todos los Estímulos a los que un Individuo responde en un cierto Contexto

pueden No ser Efectivos para Producir una Conducta de Aprendizaje en otros Contexto.

Tipos de Aprendizaje

Habituación. Una Respuesta que decae ante un Conjunto de Estímulos

Repetidos (o Continuos) No Asociados a Ningún Tipo de Recompensa o Refuerzo.

Implica Tendencia a Borrar todo Tipo de Respuesta ante un Estímulo que No tiene

Importancia para la Supervivencia. Sirve como Filtro a un Conjunto de Estímulos No

Relevantes.

Asociativo. Un Evento permite Predecir, con cierta confianza, la Ocurrencia (o

no) de otro. Un Animal que Conoce estas Relaciones pueden sacar provecho

Anticipándose a esos Eventos y Comportarse apropiadamente.

Condicionamiento. Un Animal adquiere la Capacidad de Responder a un

Estímulo Determinado con la misma Acción Refleja con que Responderí a otro Estímulo

Condicionante (Refuerzo o Recompensa) cuando ambos Estímulos se presentan

Concurrentemente (o sobre puestos en una Secuencia) un cierto número de veces.

Prueba y Error. Los Animales permanecen siempre Activos y su Atención se fija

Primero aquí y luego allá probando todas las Posibilidades inimaginables hasta que de

manera mas o menos Accidental resuelve con Éxito la Tarea y Obtiene Recompensa.

Requiere la Existencia del Refuerzo (o Recompensa) para animar la Selección de la

Respuesta Deseada.

Latente. Tiene lugar en Ausencia de Recompensa. Se aprende algo que

permanece Latente hasta que es Necesario.

Imitación. Implica Copiar una Conducta, Acción o Expresión Nueva o que resulta

Imprescindible de Aprender si no es Copiada de otro Individuo.

12

Impronta. La Manera en que un Rango Específico de Estímulos es Capaz de

Elicitar una Respuesta pudiendo ser Limitado y Refinado mediante la Experiencia. Su

Duración se Restringe a Periodos Sensitivos.

Razonamiento Probabilístico

El razonamiento probabilístico es cuando la probabilidad que la verdad de una

oración hay cambiado su valor inicial. Su principal ventaja frente al razonamiento lógico

reside en que el agente puede tomar decisiones relacionadas aun sin disponer de

suficiente información para probar que una acción dada funcionara. Y este

razonamiento es la base para algunos teoremas muy importantes como son el modelo

Bayesiano en los años 60 y 70 por Edwards y la teoría de heurísticos estadísticos por

Nissbett en 1983.

Razonamiento Lógico

Los razonamientos pueden ser válidos (correctos) o no válidos (incorrectos). En

general, se considera válido un razonamiento cuando sus premisas ofrecen soporte

suficiente a su conclusión. Puede discutirse el significado de "soporte suficiente",

aunque cuando se trata de un razonamiento no deductivo, el razonamiento es válido si

la verdad de las premisas hace probable la verdad de la conclusión. En el caso del

razonamiento deductivo, el razonamiento es válido cuando la verdad de las premisas

implica necesariamente la verdad de la conclusión.

Los razonamientos no válidos que, sin embargo, parecen serlo, se denominan

falacias.

El razonamiento nos permite ampliar nuestros conocimientos sin tener que apelar

a la experiencia. También sirve para justificar o aportar razones en favor de lo que

conocemos o creemos conocer. En algunos casos, como en las matemáticas, el

13

razonamiento nos permite demostrar lo que sabemos; es que aquí hace falta el

razonamiento cuantitativo

El termino razonamiento es el punto de separación entre el instinto y el

pensamiento, el instinto es la reacción de cualquier ser vivo. Por otro lado el razonar

nos hace analizar,y desarrollar un criterio propio, el razonar es a su vez la separación

entre un ser vivo y el hombre.

Lógica difusa

La lógica difusa (también llamada lógica borrosa o lógica heurística) se basa en

lo relativo de lo observado como posición diferencial. Este tipo de lógica toma dos

valores aleatorios, pero contextualizados y referidos entre sí. Así, por ejemplo, una

persona que mida 2 metros es claramente una persona alta, si previamente se ha

tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores están

contextualizados a personas y referidos a una medida métrica lineal.

14

CONCLUSIÓN

El crecimiento acelerado de la actividad humana en los ámbitos comerciales,

educativos, sociales, culturales y financieros, requiere la participación de los recursos

tecnológicos que faciliten la concentración y diseminación del conocimiento, como lo

constituyen los sistemas de información, las bases de datos y las redes de

computadoras. El empleo de tales aplicaciones aunado a infraestructuras de

comunicación de medios masivos y de transmisión de datos como internet, provocan

una explosión de conocimientos puestos al alcance del usuario en forma inmediata y sin

importar el lugar en que se encuentren, barreras de idioma, nivel cultural ni posición

social.

Ante esta situación, el usuario es rebasado en su capacidad de buscar,

seleccionar y asimilar la información y conocimiento realmente útil a partir del universo

a su alcance; haciéndose necesario la ayuda de herramientas que puedan interpretar

sus requerimientos, hacer la investigación necesaria y filtrar el acervo disponible,

presentando únicamente aquello que es relevante.

Orlando Leon Ballona

15

BIBLIOGRAFÍA

http://ccc.inaoep.mx/~emorales/Cursos/Representa/node14.html

http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimie

nto.pdf

http://www.uhu.es/nieves.pavon/pprogramacion/temario/anexo/anexo.html

http://inteligenciaartificialudb.blogspot.mx/2008/01/concepto-caractersticas-y-

metodologas.html

http://inteligencia-artificial802-a.blogspot.mx/2013/04/sistemas-de-razonamiento-

probabilistico.html

http://ingenieriacusa.blogspot.mx/2010/07/inteligencia-artificial-razonamiento.html

http://sindominio.net/~apm/articulos/ia/index.html