Sistemas Expertos - UNR · 2016-09-26 · Es un formalismo bien establecido con una sintaxis y semántica bien definida y que maneja fácilmente aspectos cuantificación. Automatización

Sistemas ExpertosIntroducción

Arquitectura - Motor de Inferencias

Ingeniería del Conocimiento

Ingeniería Electrónica

IC - MODULOS

• INTRODUCCION

• SISTEMAS BASADOS EN CONOCIMIENTO

• RAZONAMIENTO APROXIMADO

• FUZZY SYSTEMS

• APRENDIZAJE

• AGENTES INTELIGENTES

Conjunto de Conocimientos y Técnicas que permiten aplicar el saber científico a la utilización del conocimiento.

ADQUISICIONADQUISICION

QUE SE OCUPA DE LA REPRESENTACIONREPRESENTACION

INFERENCIAINFERENCIA

MANTENIMIENTO

INGENIERIA DEL CONOCIMIENTO

•• Es la disciplina tecnológica que se centra en el Es la disciplina tecnológica que se centra en el desarrollo, funcionamiento y mantenimientodesarrollo, funcionamiento y mantenimiento de de Sistemas Basados en ConocimientoSistemas Basados en Conocimiento (SBC (SBC –– KBS) de KBS) de una forma sistemática, disciplinada y cuantificable una forma sistemática, disciplinada y cuantificable (utilizando Ingeniería de Software)(utilizando Ingeniería de Software)

•• SBC: sistema de software capaz de soportar la SBC: sistema de software capaz de soportar la representación explícitarepresentación explícita de conocimiento.de conocimiento.

INGENIERIA DEL CONOCIMIENTO

60´s

Inicio de los Sistemas Expertos

Se buscaban soluciones generales

70´s Los sistemas son más eficientes en dominios acotados

La calidad y cantidad de conocimiento son esenciales para una buena performance

Es importante independizar el conocimiento del dominio, del mecanismo de inferencia.

Sistemas basados en conocimiento (SBC-KBS)Definiciones.

� Sistemas que representan el conocimiento sobre el dominio en forma explícita y separada del resto del sistema.

Waterman.

� Sistemas que resuelven problemas aplicando una representación simbólica de la experiencia humana.

Jackson.

Sistemas basados en conocimiento (SBC-KBS)Definiciones.

� Sistemas de software capaz de soportar la representación explícita del conocimientode un dominio específicoy de explotarlo a través de mecanismos apropiados de razonamientopara proporcionar un comportamiento de alto nivel en la resolución de problemas.

Guida y Taso

Sistemas Expertos: Definición.

Es un sistema de cómputo capaz de simular la conducta inteligente de un experto humano en un dominio específico y especializado, con el objeto de resolver problemas.

Hardware + software

Fuente de pericia humana en el dominio

Sistema de computación

Simulación

Conducta inteligente

Experto

Dominio limitado Específico y especializado

Experiencia humana vs. SE.

PERICIA ARTIFICIAL PERICIA HUMANA

Permanente Perecedera Siempre accesible No siempre accesible

Fácil de documentar No documentable Estable, confiable Variable, flexible � Costo manejable Costosa

Fragilidad de las máquinas Fragilidad humana Sin inspiración Creativa �

Conocimiento técnico Sentido común � Estática - Dinámica Dinámica (aprendizaje) � Dominios estrechos Dominios más extensos

� Los humanos son imprescindibles!!!

SE/SBC: Tareas

Tareas abordadas

Síntesis:Clasificación, diagnóstico

Análisis: Planificación, diseño o modelado

Las áreas de aplicación son muy variadas !!!

� Los SBC abordan problemas complejos en dominios específicos en los que el peso de las heurísticas para acotar el espacio de búsqueda es importante.

Primeros Sistemas Expertos

MYCINStanford (Buchanan - Shortliffe 1976): Diagnóstico y tratamiento de enfermedades infecciosas (aprox. 500 reglas). Introduce factores de certeza.

PROSPECTOR

Stanford-US Geological Survey (Duda-Gashning-Hart, 1979): Evaluación de yacimientos minerales y petrolíferos. (aprox 1600 reglas). Probabilidades condicionales y Teorema de Bayes.

Conocimiento inexacto

INTERNISTPittsburg (Pople-Myers, 1977): Diagnóstico en Medicina interna. CADUCEUS: Analiza relaciones causales.

CASNETRutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma.

Razonamiento expertoModelos causales

R1

MOLGEN

Carnegie Mellon (Mc Dermott): Configuración de ordenadores VAX (aprox 500 reglas). Descompone el diseño en distintos niveles de abstracción. Reducción espacio

de búsquedaStanford (Stefik): Diseño de experimentos genéticos. Utiliza abstracción.

Estructura básica de un SE/SBC.

Base de Conocimientos

Motor de Inferencias

Interface

Usuario

Ingeniero del conocimiento

Experto del dominio

KAT

Estructura básica de un SE/SBC

Base de Conocimientos

Su estructura de datos queda definida en términos del esquema de representación elegido para incorporar el conocimiento del dominio de trabajo.


Es la estructura de control de un SE, contiene el programa que gestiona la BC y otros mecanismos necesarios para administrar un sistema de naturaleza interactiva.

Separados entre sí

Habilidades que se esperan de un SE

� Buena perfomance, comparable al menos a la de los especialistas.

� Manipular con fluidez descripciones simbólicas.

� Interfaz amigable, adecuada a las necesidades de la aplicación.

� Habilidad para manipular conocimiento incompleto e impreciso.

� Capacidad de explicar sus decisiones a los usuarios.

� Posibilidad de justificar sus conclusiones.

SBC: Ventajas� El conocimiento no se pierde.

� Reducción del espacio de búsqueda con heurísticas para que el problema sea tratable en un tiempo razonable.

� Manejo de conocimiento incierto e incompleto.

� Posibilidad de justificar el razonamiento seguido.

� Hacer el conocimiento disponible en ambientes hostiles o con carencia de especialistas.

� Aumento de fiabilidad, evitando que prevalezcan las últimas experiencias.

� Modificación sencilla de la BC por su característica modular.

SBC: Inconvenientes

� La adquisición del conocimiento es difícil y cara.� La reutilización del conocimiento en contextos diferentes

no es simple.� Falta de creatividad y sentido común.� Obstáculos para el aprendizaje y la adaptación.

Quedan inmersos en el campo de los Sistemas Inteligentes.

Se trabaja sobre metodología de desarrollo

Se los combina con otras tecnologías

REPRESENTACION DEL CONOCIMIENTO

PREMISA FUNDAMENTAL DE IA:

Para que un sistema informático demuestre un comportamiento inteligente en la solución de problemas, debe poseer

gran cantidad de conocimientosy

un potente mecanismo de razonamiento.

IMPORTANCIA DE UNA ADECUADA REPRESENTACION DEL CONOCIMIENTO

•CONOCIMIENTO DEL MUNDO (en IA) Es la habilidad para construir un modelo de los objetos, sus vinculaciones y de las acciones que pueden realizar.

•REPRESENTACION DEL CONOCIMIENTO

Es la expresión mediante algún lenguaje, de un modelo que exprese el conocimiento sobre el mundo.

:

Conocimiento – Definición

El conocimientoes una mezcla de experiencia, información y “saber hacer” que actúa como marco para la incorporación de nuevas experiencias y guia la acción.

Se utiliza para alcanzar una meta

Genera nuevo conocimiento

Resulta en gran medida dependiente de la tarea y del dominio de aplicación.

Representación:Modelado de un sistemaAdquisición del conocimiento

Conceptos y relaciones

Métodos deinferencia

Modelo Conceptual

Modelo Formal

No computable

Semicomputable

�Representa simbólicamente y organiza el conocimiento.

�Determina el mecanismo de inferencia adecuado.

Representación: Modelado de un sistema

Modelo Computable

Operacional

� Bases de Conocimiento� Mecanismos de inferencia� Mecanismos de control

Las tareas de adquisición y modelado son difíciles y costosas.

Existen esquemas de representación útiles en dominios variados.

Los Sistemas Basados en Conocimiento los combinan.

ELEMENTOS BASICOS QUE INTERVIENEN EN EL DISEÑO DE UN SISTEMA BASADO EN EL CONOCIMIENTO (KBS)� Lenguaje formal para expresar conocimiento� Forma de efectuar razonamientos

COMPONENTE MEDULAR DE UN KBS (Agente)

BASE DE CONOCIMIENTOS (KB)

Es un conjunto de representaciones de hechos acerca del mundo

Conjunto de sentencias del lenguaje para la representación del conocimiento

AÑADIR YMODIFICAR SENTENCIAS

BC

PREGUNTAS RESPUESTAS

MECANISMO DE INFERENCIAS

UNA KB DEBE PERMITIR CON EFICIENCIA:

DISTINTOS FORMALISMOS

�FORMALISMOS LOGICOS

�SISTEMAS DE PRODUCCION

�FORMALISMOS ESTRUCTURADOS:• REDES SEMANTICAS

• FRAMES

• OBJETOS

• ONTOLOGÍAS

FORMALISMOS LOGICOSConstituyen sistemas formales en los cuales:

♦ SINTAXIS Y SEMANTICA ESTA BIEN DEFINIDA

♦ HAY UNA TEORIA DE LA DEMOSTRACION

•Completa y Consistente

LA LOGICA DE 1er ORDEN

Es la base de la mayoría de los esquemas de representación

FORMALISMOS LOGICOS

• Conocimiento es representado mediante un conjunto de fórmulas bien formadas (fbfs)en algún sistema lógico (proposicional -predicados - multivaluada...)

• Los mecanismos de inferencia son los métodos deductivos del sistema lógico (Resolución en predicados)

DISTINTOS SISTEMAS LOGICOS:

�LOGICA PROPOSICIONAL

�LOGICA DE PREDICADOS

�LOGICAS NO-CLASICAS– MULTIVALUADAS (Fuzzy Logic)

OBJETIVO: ESTABLECER LA VALIDEZ DE DISTINTOS RAZONAMIENTOS -OBTENER CONCLUSIONES DE UN CONJUNTO DE FORMULAS

Sintaxis

Lenguaje PROPOSICIONAL

i) variables proposicionales p0, p1,p2,...

ii) conectivos ¬, ∧, ∨, →,↔iii) símbolos auxiliares: (, )

Introducción Informal• Proposición: Una oración afirmativa de la

cual podemos decir que es verdaderaofalsa (pero no ambas!!)

• Ejemplos de Proposiciones:

– Ayer llovió en Rosario.

– El sol gira alrededor de la tierra.

– 2 . 3 = 3 + 3

– El auto no arranca.

Traducción al lenguaje Lógico

• Las oraciones compuestas se traducen usando los

conectivos

– Ejemplos:

• El auto no arranca y las luces encienden �

(p0 ∧ p1).

• Si las luces encienden, entonces la batería está ok � (p1 → p2) .

• La corrección de este razonamiento depende dela relación entre los sujetos de las proposiciones.

• Lógica proposicional NO es suficientemente expresiva para captar esta relación

∀x (Perro(x)→ Mamífero (x)Perro (Rex)

Mamífero (Rex)

∀x. P(x)P(Rex)

Todo perro es un mamífero y Rex es un perro,luegoRex es un mamífero..

Por qué lógica de predicados ?

• Lógica proposicional : bajo poder expresivo

• Muchas expresiones usuales no son representables

• « Rex es un perro »

En proposicional:

p (una prop. atómica)

En predicados:

Sujeto: Rex

Propiedad: Ser Perro

Perro(Rex)

Lenguaje de lógica de predicados• símbolos para denotar objetos

- sb. de constante (ej. Rex, 2, π)- sb. de variable(ej. x, y, z)- sb. de función(ej. +, *, Padre) etc que permiten crear nuevos nombres de objetos

• símbolos de propiedades y de relaciones (Es-perro)

• conectivos• cuantificadores

Ejemplos de traducción• Si algunos perros son mamíferos, luego todos

son mamíferos (∃ x) (P(x) ∧ M(x)) → ∀x (P(x) → m(x))

• Todo número es par o impar (∀x) (N(x) → P(x) ∨ I(x))

• Ningún número es a la vez par e impar

¬(∃x) (P(x) ∧ I(x))

PROLOG: Una implementación de

programación lógica

LOGICA DE PREDICADOS + DEDUCCIÓN AUTOMÁTICA

(RESOLUCION )

• Dada la BC y una fórmula α podemos probar que

» BC - αPodemos contestar perro (Rex) ?

preguntas como X / perro (X)?

LOGICA DE PREDICADOS COMO FORMALISMO DE REPRESENTACION� VENTAJAS:

�Es un formalismo bien establecido con una sintaxis y semántica bien definida y que maneja fácilmente aspectos cuantificación.

�Automatización de la deducción

� LIMITACIONES:�Existen límites en el poder expresivo:

• posibilidades, incertidumbre,�Problemas en la implementación de otros tipos de

razonamientos (aproximados, no-monótonos).

Representación del Conocimiento Otros formalismos

DISTINTOS FORMALISMOS

FORMALISMOS LOGICOS

�SISTEMAS DE PRODUCCION

FORMALISMOS ESTRUCTURADOS:• REDES SEMANTICAS

• FRAMES

• OBJETOS

OTROS FORMALISMOS Sistemas de producción

�Utilizan elementos de la lógica

�Salen del marco estrictamente formal� más flexibles� más eficientes

�Pierden propiedades fundamentales como la consistencia y completitud.

Newell & Simon - 1973

SE basados en reglas de producción

Sistemas de producción

Newell y Simon (1972): Al resolver problemas, las personas utilizan su memoria a largo plazo(permanente) que aplican a situaciones actuales contenidas en su memoria a corto plazo (transitoria). Esto puede generar modificaciones en la última.

BC (Reglas)

Memoria de trabajo (Hechos)


Mundo Exterior

Sistemas de producción�Los procesos del dominio se representan como acciones independientes que son integradas por el mecanismo de

inferencias para resolver una tarea más general.

Motor deInferencias

BASE DE CONOCIMIENTO

Base deHechos

Base deReglas

ARQUITECTURA

SE basados en reglas de producción

Reglas de producción

IF < CONDICION > THEN < ACCION>

� Son “gránulos” de conocimiento.

�Reúnen información relativa a las condiciones de disparo y a los efectos resultantes del disparo.

� Son estructuras bidireccionales.

SI ?X ES MAMIFERO Y ?X COME CARNE

ENTONCES ?X ES CARNIVORO.

SE basados en reglas de producciónVentajas:�Naturaleza modular: El conocimiento es fácil de

encapsular y expandir.

� Explicaciones sencillas:El registro de reglas disparadas permite presentar la cadena de razonamiento asociada.

� Semejanza con el proceso cognitivo humano:modelo natural del razonamiento humano.

Dificultades:� Completitud y consistencia como responsabilidad del desarrollador.

� Se necesitan otras estructuras para lograr una visión global del conocimiento del dominio.

�Se las combina con otros formalismos de representación.

Sistemas de producción�Se utilizanReglas de Producciónpara

representar el conocimientoIF <premisa> THEN <conclusión y/o acción>

�Son los elementos de deducción básicos

�El proceso de inferencia se basa fundamentalmente en la Regla de Inferencia de la lógica denominada MP A →B, A / ∴B

Reglas de producción�Es el modelo formal para representar un elemento

mínimo de conocimientoIF <premisa> THEN <conclusión y/o acción>

Conclusión

Puede especificar Acción

Estrategia

� La premisa puede tener conectivos lógicos

<premisa> = <cláusula1 AND/OR...AND/OR cláusulak>

Reglas de producción- Ejemplos

� Si un animal come carne entonces es carnívoro.

� Si un animal tiene dientes agudos y garras entonces es carnívoro.

� Si un animal es carnívoro y es de color marrón-claro y tiene el pelaje franjas negras, entonces es un tigre.


�Cada regla es independientedel resto de las reglas en la BC.

�Las reglas no tienen porque estar ordenadas en la BC.

�Las reglas se pueden agrupar por nociones semánticas en “módulos” o “grupos”.

�El metaconocimiento puede ser expresadomediante reglas: metareglas

Sistemas de producción.Un ejemplo de regla

Un especialista que participa en el desarrollo de un sistema basado en conocimiento relativo al diagnóstico de una falla en un auto, podráexpresar:

“ si el motor no arranca y las luces no encienden, entonces la falla está en la batería ”.

A partir de esta expresión, se puede definir la regla de producción asociada a las proposiciones como:

If el motor no arranca

And las luces no encienden,

Then la falla está en la batería .

Sistemas de producción.Un ejemplo de regla

Sistemas de producción.Un ejemplo

If el motor no arranca And las luces no enciendenThen falla la batería.

If el motor no arranca And las luces enciendenAnd llega combustibleThen falla el sistema de ignición.

If el motor no arranca And las luces enciendenAnd no llega combustibleThen falla el sistema de combustible.

Sistemas de producción.Un conjunto de reglas

El desarrollo de las reglas de producción para construir la KB.

• Debe observarse que las reglas no están identificadas, por ejemplo: con una numeración correlativa.


• Cada una de estas reglas aparece como un gránulo de conocimiento que es independiente de las res-tantes reglas

– la ampliación de la KB puede realizarse sin mayor problema.


• Sin embargo, desde el punto de vista del motor de inferencia, estas reglas deben estar relacionadas para que puedan ser interpretadas adecuadamente durante el proceso de inferencia.

• Por ejemplo; la premisa “el motor no arranca”


• El matching será exacto (string to string)

• Hay que tenerlo en cuenta para el agre-gado de nuevas re-glas.

Sistemas de producción Como razonamos???

� Utilizando un

MECANISMO DE INFERENCIA (MOTOR DE INFERENCIA)

El cual determina de que forma utilizar las reglas para alcanzar el objetivo planteado

La ejecución del proceso de inferencia en los KBS

Supóngase que se observa una falla en motor del auto y se constata que: “no arranca el motor, ni encienden las luces, y llega combustible”.

� es necesario ingresar esta información en la memoria de trabajo (KBS), para obtener una solución o respuesta al problema.

� la interfaz de este KBS, deberá proveer los medios (ej. unos cuadros de diálogo), que permita ingresar las observaciones del caso.



• La respuesta seleccionada en el primer cuadro de diálogo, origina el hecho “el motor no arranca”, que ingresará a la memoria de trabajo del KBS.


• ingresarán otros dos hechos a la memoria de trabajo: “las luces no encienden” y “llega combustible”.


• El proceso de ejecución que realiza el motor de inferencia, consiste en tomar cada una de estos hechos y explorar la KB buscando coincidencias en las premisas de cada una de las reglas.

• Con “el motor no arranca”, encuentra que hay una con-cordancia en las tres reglas.


• Con “las luces no encienden”solo hay concordancia en la primera regla, la segunda y tercera reglas quedan descartadas.

• La primera regla se desen-cadena, y produce entonces la conclusión: “falla la batería”y el problema queda resuelto.


� este proceso de comparación que explora cada una de las reglas, es prácticamente independiente del orden en que se encuentren las mismas en la KB.

� Este proceso de inferencia en los KBS, es denominado: sistema de inferencia por filtrado (pattern maching inference system), o simplemente, filtrado.

Sistemas de producción Motor de Inferencia

Direcciones de búsqueda:

� Hacia delante, Forward Chainingo guiada por los hechos.

� Hacia atrás, Backward Chainingo guiada por los objetivos.

Para seleccionar las reglas candidatas en cada estado utiliza elFILTRADO o MATCHING.


� Flexibles.

� Sencillos de modificar y extender.

� A los expertos les resulta simple “pensar en reglas”.

� Completitud y consistencia.

� El conocimiento se separa en pequeños “gránulos”.

VENTAJAS

PROBLEMAS Es común que se los combine con otros

formalismos.

Sistemas estructurados

� ESTRUCTURAS DE RANURA Y RELLENO (slot and filler)�REDES SEMANTICAS (Quillan 67/68)

� FRAMES (Minsky, 75)

� OBJETOS ( Década 80)

Redes semánticas� Idea: el significado de un concepto

depende del modo en que se encuentre conectado a otros conceptos

� Representación:mediante un grafo dirigido donde

� los nodos representan objetos y � los arcos relaciones entre los conceptos

REX PERRO MAMIFERO

INSTANCIA ES-UN

Redes semánticas - Ejemplo

ES-UN

ES-UNES-UN

TIENEEstudiante -FCEIA

Estudiante -UNR

Estudiante -LCC Estudiante -IEca

Juan PerezPedro García Legajo P-1233/5

Legajo

Prom1 Prom2

Promedio

TIENE

INSTANCIA

INSTANCIAINSTANCIA

TIENETIENE

INSTANCIAINSTANCIA

Redes semánticas - Arcos

Etiquetas de los arcos

� “es-un” relación subclase-clase�“instancia” relación objeto-clase� “parte-de” relación componente-objeto

� definidas por el usuario

Dominio de aplicación

Generalización

Instanciación

Agregación

Descripción

Sistemas basados en Redes semánticas

Base de conocimiento

� En esta representación una BC es una colección de estos grafos

� Las modificaciones se refieren a inserción o eliminación de nodos y sus relaciones.

Redes semánticas Como razonamos???

�Búsqueda de intersecciónEncontrando relaciones entre objetos�Cual es la conexión entre Rex y mamífero?�Es Juan Pérez un estudiante de la UNR?�Cuál es el promedio de Pedro García?

� Utiliza fundamentalmente la estructura jerárquica

Marcos (frames)�Una red semántica representa conexiones entre

entidadesProblemas más complejos

�Asignar más estructura a los nodos y a las conexiones

Marcos �No existe una distinción clara entre una Red

semántica y un sistema de Marcos

Marcos (frames)

� Idea: Estructura para atender la representación del conocimiento asociado a situaciones estereotipadas (Minsky)

� Representación: Es una colección de atributos (ranuras - slots) con valores asociados (y posibles restricciones entre valores, llamados facetas)

Marcos - Estructura

NOMBREENCABEZADO ES-UN

INSTANCIA

ATRIBUTO1 VALOR1

ATRIBUTOn VALORn

•valores pordefecto•procedimientos•relación con otros marcos

(slots)

Marcos - EjemploEstudiante FCEIA

ES-UN Estudiante UNR TIENE Legajo (letra/numerodigito)TIENE Promedio (procedimiento)

Estudiante Ing.Eca.ES-UN ESTUDIANTE FCEIA

Juan PerezINSTANCIA Estudiante Ing.Eca.TIENE Promedio = 6,80DIRECCION ...... (Defecto Rosario)TEL .....TRABAJA NO (Defecto No)

Sistemas de MarcosMC ActoresInterpreta: Si(*)Nombre: Conj Caracteres(*)Peliculas: (0..100)(*)Fecha1aPelicula:

MC Fecha(*)Dia: (1..31)(*)Mes: (0..120)(*)Año: 1900..2009

MC ActorSexo: M(*)ParejaMiticaCon:

MC ActrizSexo: F(*)ParejaMiticaCon:

MI - 7543Nombre: H.BogartFecha1aPelicula:ParejaMiticaCon:

MI - 8832Nombre:L.BacallPeliculas: 42ParejaMiticaCon:

MI - 2232Dia: 27Mes: 3Año: 1944

Instancia

Instancia

Instancia

InstanciaInstancia

Sistemas de Marcos

Marcos Clase

Marcos Instancia

Representan conceptos, o situaciones genéricas descriptos por propiedades comunes

Elementos específicos. Sus propiedades se asocian con información de cada individuo

Propiedades

De Clase:Atributos genéricos de un concepto, con valores comunes a todas sus ocurrencias.

De Instancia:Atributos con valores particulares para cada ocurrencia del concepto (*).

Slots definidos enlos marcos Clase

Sistemas de MarcosConsideraciones al definir los Slots:

Evitar redundancias aprovechando la herencia.

Poseer información suficiente para identificar el marco clase.

En un marco clase se puede definir un slot de instancia en base a otro marco clase.

Los slots de instancia pueden tener uno o varios valores.

En los marcos clase se pueden redefinir slots heredados para representar excepciones a la herencia.

Sistemas de MarcosBASE DE CONOCIMIENTO�Conjunto de marcos relacionados mediante los

valores de los slots (atributos)

INFERENCIA�Utilizar la estructura jerárquica para heredar

propiedades (valores de slots).�Tener procedimientos (reglas) para hallar

valores de los slots.

Sistemas de Marcos

Tienen mucha tradicion en IA y son antecesores de los objetos

Los sistemas de marcos agregan expresividad a las redes semánticas y permiten representar conocimiento declarativo y procedimental.

Marcos se utilizan para estructurar el conocimiento en Kappa-PC

Objetos

Los vemos más como una forma de representar el mundo que como un paradigma de programación

Los encontramos en muchas herramientas dentro del área.

Tienen ciertas características en común con los agentes.

Objetos

Pensados como gran aporte para el Reuso

BALA DE PLATA

Década del 80

Actualmente se apunta a relaciones arquitecturales entre clases para lograr

Evolución y Mantenibilidad

Patrones de diseño

Objetos OBJETO: Es una entidad que tiene un comportamiento.

ESTADO INTERNO MENSAJES que es capaz de responder.

INTERFAZ

Un PROGRAMA OOes una red de objetos cooperantes, que interactúan entre sí, enviándose mensajes.

ENCAPSULAMIENTO

Permite la utilización de clases con implementaciones intercambiables.

Objetos

Una CLASE es una definición de las características comunes de un conjunto de objetos semejantes.

CLASE

� ESTRUCTURA: Conjunto de variables de clase e instancia.

� INTERFAZ: conjunto de métodos. Los objetos concretos buscan en su clase la definición cuando reciben un mensaje.

Objetos

Las CLASES se organizan en jerarquías modelizando el dominio

De Estructura: Más estática.

De Comportamiento: Ocurre en ejecución. HERENCIA

Esquema de colaboración entre objetos (explícito en

el código)

Cuando un objeto recibe un mensaje, busca el código en su clase, y si no lo encuentra recorre la jerarquía.

Cómo elegir la mejor representación???

No hay receta establecida !!!

�Analizar las características del conocimiento involucrado.

�Recurrir a la combinación de formalismos.

Frente a cada problema a resolver:

Documents

Sistemas Expertos - UNR · 2016-09-26 · Es un formalismo bien establecido con una sintaxis y semántica bien definida y que maneja fácilmente aspectos cuantificación. Automatización