REPRESENTACIONES DEL CONOCIMEINTO Y RAZONAMIENTO

EL PROCESO DE RAZONAMIENTO
El proceso de razonamiento en un sistema basado en reglas es una progresión desde un conjunto inicial de afirmaciones y reglas hacia una solución, respuesta o conclusión.
Como se llega a obtener el resultado, sin embargo, puede variar significativamente:
· Se puede partir considerando todos los datos conocidos y luego ir progresivamente avanzando hacia la solución. Este proceso se lo denomina guiado por los datos o de encadenamiento progresivo (forward chainning).
· Se puede seleccionar una posible solución y tratar de probar su validez buscando evidencia que la apoye. Este proceso se denomina guiado por el objetivo o de encadenamiento regresivo (backward chainning).
Razonamiento Progresivo
En el caso del razonamiento progresivo, se empieza a partir de un conjunto de datos colectados a través de observación y se evoluciona hacia una conclusión. Se chequea cada una de las reglas para ver si los datos observados satisfacen las premisas de alguna de las reglas. Si una regla es satisfecha, es ejecutada derivando nuevos hechos que pueden ser utilizados por otras reglas para derivar hechos adicionales. Este proceso de chequear reglas para ver si pueden ser satisfechas se denomina interpretación de reglas.
La interpretación de reglas es realizada por una máquina de inferencia en un sistema basado en conocimiento. La interpretación de reglas, o inferencia, en el razonamiento progresivo involucra la repetición de los pasos que se indican en la siguiente figura.

Cálculo de predicados
El cálculo de predicados añade al cálculo proposicional la capacidad de especificar las relaciones y establecer generalizaciones. El conjunto de proposiciones contenidas en la base pueden establecer generalizaciones y relaciones. Supóngase que se posee las siguientes proposiciones:
Garfield es un Gato.
Todos los Gatos son más grandes que los Ratones.
Si estas dos proposiciones son verdaderas el cálculo de predicados nos permite obtener la siguiente conclusión:
Garfield es más grande que todos los Ratones.



Cálculo de Predicados de Primer Orden
El cálculo de predicados de primer orden surge al añadir funciones y otras características analíticas al cálculo de predicados. Una función es una construcción lógica que devuelve un valor. Para generar una función hay que establecer una relación, por ejemplo, sabemos que "el dueño de Garfield es John". Esto se representa de la siguiente forma:
Dueño de(Garfield, John).
Utilizando el cálculo de predicados de primer orden, se puede generar un programa en IA, al cual se puede hacer preguntas en base al conocimiento representado a través de estas funciones.
http://www.comenius.usach.cl/gvillarr/cursoia/prolog/introia.htm
Base de Conocimiento. Sistemas Basados en Conocimiento.
Los procedimientos generales desarrollados para la resolución de dificultades y técnicas de búsqueda al inicio de la era de la Inteligencia Artificial demostraron no ser bastantes para resolver los problemas encaminados a las aplicaciones, ni fueron capaces de satisfacer los difíciles exigencias de la investigación.
A este conjunto de métodos, procedimientos y técnicas, se lo presenta como Inteligencia Artificial Débil. La principal conclusión que se procedió de este trabajo inicial fue que los problemas difíciles sólo lograrían ser resueltos con el auxilio del conocimiento específico acerca del dominio del problema.
leandroto@hotmail.com


Representación del Sentido común

ResumenEn el diseño de sistemas de computación que simulen un comportamiento inteligente o en el estudio de la inteligencia empleando principios y métodos de la computación (Estudio computacional de la inteligencia) ambos objetivos fundamentales de la inteligencia artificial; un tema central es el de la representación del conocimiento de la vida diaria, del sentido común, así como el de la estrategia heurística para su manejo; de tal manera que con estos, pueda programarse un computador o dirigir un robot para que resuelvan problemas del quehacer cotidiano. A tal tipo de programas se les llama resolvedores generales del problemas y , también, programas con Sentido Común. Como instrumento de representación el Cálculo de predicados ha tenido un extensivo uso en el diseño de sistemas para Programa con Sentido Común; y, el Principio de Resolución, basado en teoremas de Herbrand por refutación, así como algoritmos de reducción de diferencias entre situaciones iniciales de un problema con las situaciones objetos en un espacio muy amplio de estas, han sido utilizados como heurística para los programas de este tipo. Uno de ellos, ampliamente tratado en la literatura técnica y que ha formado la “inteligencia” de un robot construido en el Instituto de Investigaciones de la Universidad de Stanford, llamado STRIP por “Stanford Research Institute Problem Solver”, ha sido pionero de la investigación en este campo y prototipo para nuevos y mejores sistemas, fundamentados en los principios arriba mencionados. Como tesis para la Maestría en Ciencias de la Computación (1978) sometimos al Jurado examinador de la Universidad Simón Bolívar de Venezuela, un sistema que denominamos TRESPO, por Transformaciones Relaciones para Expresar un Sistema de Producciones Tipo Q, o más corto por 3PQ, con el cual esperábamos superar algunas de las principales críticas hechas al STRIPS, en particular; más general, al Cálculo de Predicados como medio de representación y al Principio de Resolución como heurística. Eran estas, básicamente, el que el Cálculo de Predicados es monotonito, siempre hay que agregar nuevos teoremas al sistema formalizado. No pueden eliminarse una vez probados, a menos que el sistema resulte incompleto o sustituir teoremas por sus opuestos. Pero la vida cotidiana debemos rechazar información considerada antes como cierta y que dejó de serlo, como consecuencias de nuestras acciones, las de otros o de las leyes de la naturaleza. Por otra parte, que en el Principio de Resolución no puede evitarse una explosión combinatoria por la comparación de cláusulas y a pesar de que numerosas técnicas para suprimirla han sido ensayadas, el sistema sólo es aplicable a casos simplísimos, a pequeños micromundos de la vida cotidiana, y finalmente, que en el Cálculo de Predicados solo es posible manejar dos tipos de valores, cierto o falso, mientras que en la vida diaria, en el mundo real, los valores son difusos, vagos, probabilísticos, a veces plausibles, de creencias, de tal manera que los conjuntos usuales a los que hacen referencias corresponden a dominios vagos de muchos valores. Para resolver estas fallas observadas en el STRIPS propusimos el sistema 3PQ que integraba tres técnicas: Una formalización en lógicas no-monotónicas, lógicas en que se pueden agregar o eliminar teoremas de manera formal sin que por ello resulte inconsistente la formalización empleada; en particular seleccionamos un Sistema desarrollado por Veré (77) como medio de representación; el cual se asemeja a una Gramática Transformacional Tipo Cero. Con ella representamos veinticinco primitivos con los Reiger (76,77) esperaba formar cualquier algoritmo de sentido común, a fin de suprimir la explosión combinatoria de los sistemas de inteligencia artificial; y, modificamos a la formalización para que se refiriera a conjuntos vagos en lugar de literales de predicados. Completado este diseño, el segundo paso hacia la instrumentación de 3PQ (prueba de programación a la que se debe someter cualquier tesis en inteligencia artificial), consiste en desarrollar una heurística para que dentro de la representación empleada, el sistema consiga la selección de producciones que generan las transformaciones entre una situación inicial y un objeto, lo cual constituye una solución a un problema en esta clase de sistemas. Como trabajo de ascenso, aquí presentamos tal heurística para 3PQ, fundamentada en la formalización en que este se presenta. Consiste esta en una búsqueda dentro de un espacio de situaciones, construido por la aplicación de producciones a una situación inicial y las generadas por los primitivos de Rieger formalizados en 3PQ, seleccionados estos por su capacidad de reducir la diferencia entre estas situaciones y las que generaría la composición de producciones; hasta que por este doble proceso “hacia adelante” (Reasoning forward”, “Bottonup”) “hacia atrás” (Reasoning backward”, “TOP-Down”) se reduzca en algún punto a cero la diferencia entre la secuencia de situaciones generadas, si hay una solución, o deba aumentarse el espacio de situaciones si se quiere orientar el sistema a que continúe buscándola. La solución es la composición de una lista de producciones de las seleccionadas hacia delante y una lista invertida de las seleccionadas hacia atrás. El algoritmo prevé participación externa como una especie de “Toma Consejo” en la búsqueda de la solución, en algunos puntos de la heurística por interrelación hombre-máquina. El trabajo comienza con una introducción al tema y una actualización bibliográfica a la tesis que acumula 52 nuevos títulos y justifica de nuevo el “status quaestionis” de la tesis misma. Luego se presenta TRESPO en el Capítulo II. En el III se diseña la heurística y se discute sus fundamentos matemáticos y algorítmicos, y, finalmente, en el Capítulo IV, se señalan conclusiones sobre lo alcanzado en el presente trabajo y lo propuesto como investigación futura.
Alberto Castillo Vicci

Razonamiento con incertidumbre
El método más antiguo para el tratamiento de la incertidumbre es la probabilidad. Dentro del campo de la inteligencia artificial, surgieron críticas contra el uso de métodos probabilistas en sistemas expertos, especialmente porque las hipótesis necesarias para hacer tratable el método bayesiano clásico eran incorrectas en la mayor parte de los problemas del mundo real. Esto motivó el desarrollo de otros métodos, como los factores de certeza o la lógica difusa, en que se introducen implícitamente hipótesis y aproximaciones aún más exigentes. Afortunadamente, el desarrollo de las redes bayesianas en la década de los 80 permitió refutar las objeciones anteriores contra el uso de la probabilidad, construyendo un modelo de razonamiento causal con un sólido fundamento teórico. Por otro lado, los diagramas de influencia, que aparecen también en la década de los 80, pueden considerarse como una extensión de las redes bayesianas, que por tener nodos de decisión y nodos de utilidad, permiten resolver problemas de toma de decisiones. En la década de los 90 ha crecido exponencialmente el número de investigadores, universidades y empresas dedicados a este tema; actualmente existen sistemas expertos bayesianos en las especialidades más diversas. Dado que nuestra investigación aplicada se ha centrado sobre todo en la medicina, la mayor parte de los ejemplos que ofrecemos en este curso corresponden a sistemas expertos médicos, aunque mencionaremos también las aplicaciones en ingeniería, visión artificial, comercio electrónico, informática educativa, interfaces inteligentes, etc.
UNED
members.fortunecity.es/rednovohcop/ayuda1111.html