ingenieria del conocimientolaboratorios.fi.uba.ar/lsi/rgm/cd-ic/cd-ic-1.pdf · que definen a cada...
TRANSCRIPT
INGENIERIA DEL CONOCIMIENTO
UBICACION HISTORICA
Dr. Ramón GARCIA MARTINEZ
INTELIGENCIA ARTIFICIALEs la disciplina que estudia la forma de
diseñar procesos que exhiban características que comunmente se
asocian con el comportamiento humano inteligente.
PUNTOS DE INFLEXION TECNOLOGICOS
Primer Punto: Aparición de la Máquina de Vapor (siglo pasado). El hombre se vió liberado de las pesadas tareas físicas. Fueron considerados proyectos que hasta el momento eran imposibles por la fuerza-hombre disponible.
Segundo Punto: Invención de la Primera Computadora (en este siglo). El hombre se vió liberado de las pesadas tareas de cálculo. Fueron considerados proyectos que hasta el momento eran imposibles por la fuerza de cálculo disponible. Se resuelven problemas pendientes de Física Teórica, Astronomía y Geofísica.
Tercer Punto: Aparición de la Inteligencia Artificial (en este siglo. El hombre se vió liberado de las tareas intelectuales informatizables como la inferencia. Se construyen modelos sobre los procesos de deducción (razonamiento) y adquisición de conocimiento (aprendizaje automático).
LA DÉCADA DE LOS '50
Podemos enunciar el objetivo de este período como sigue :
Estudio de estrategias como una formade acercamiento a los procesos inteligentes
Se postula el estudio de las estrategias humanas para llevar adelante juegos como un acercamiento a los procesos inteligentes. Se estudiaron muchos juegos como las damas,el ajedrez el 'go' y los rompecabezas.
Se observa que todos los juegos presentan :
- Representación arbórea de los estados futuros posibles
- Se descubre un problema asociado a los espacios de búsqueda quese denomina explosión combinatoria.
Como una forma de recortar los efectos nocivos de la explosión combinatoria se aplican heurísticas a los procesos de búsqueda. Se puede definir una heurística de la siguiente manera :
Es una estrategia para reducir el espacio de búsqueda
Se enlaza la I.A. con la :
> Teoría de grafos> Teoría de probabilidades
Se redefinen conceptos para el uso de la I.A. como :
> Esperanza de un estado> Arbol de búsqueda de estados posibles> Ponderación probabilística de una sucesión de
estados
LA DÉCADA DE LOS '60
Se puede enunciar el objetivo de este período como sigue :
Estudio de formasde mecanizar el razonamiento
Se postula el estudio de sistemas formales de deducción, extensiones de la Lógica Clásica:
> Lógica modal> Lógicas temporales > Lógicas de significado
Se describen :
> Mecanismos de inferencia (Principio de Resolución de Robinson)
> Se desarrolla una Teoría sobre la completitud de los sistemas formales (se revalorizan los trabajos de Church y Gödel)
Surge:
El concepto de motor de inferencia (Colmenauer : Universidad de Marsella), mecanismo que automatiza el modus ponensde la lógica clásica.
Todos los trabajos de investigación de ese período conducen a la siguiente conclusión :
La semántica de los resultados de la inferencia, es incorrecta si la teoría a la cual se aplica no modeliza adecuadamente la realidad que
representa.
La década de los '70
La rama científica
Se puede enunciar el objetivo de este período como sigue :
Estudio de algoritmos y mecanismos asociadosal reconocimiento de patrones
Se postula el estudio de sistemas de representación discreta del mundo real, haciendo investigación básica en áreas como :
> Reconocimiento de sonidos, en particular la voz humana.
> Reconocimiento de imágenes, lo cual se hace a base de procesos de digitalización.
> Algoritmos de predicción de movimiento en tres dimensiones (sobre un plano) y sobre 4 dimensiones (el espacio).
La mayoría de los algoritmos desarrollados presentan dos dificultades:
> Una alta complejidad algorítmica ( polinomial y exponencial )
> No manejan adecuadamente el problema de la ambiguedad.
Surgen como derivación tecnológica en este período los conceptos y algoritmos relacionados con el tratamiento automático de sonidos, figuras y sólidos, como :
> Aproximación polinomial a figuras y sólidos.> Heurísticas de resolución de conflictos.
> Digitalización de : sonido, imagen y percepciones en general.
En este período se enlaza la I.A. con teorías matemáticas y físicas sobre :
> Sistemas polinómicos de aproximación a sólidos.
> Procesos estadísticos asociados a digitalización.
> Procesos numéricos asociados a digitalización.
SISTEMAS EXPERTOS FAMOSOS
La década de los '80
Se puede enunciar el objetivo de este período :
Estudio del Aprendizaje Artificial y los procesos de Planificación
En 1986 se realiza el primer congreso mundial sobre Sistemas Inteligentes Autónomos.
Acciones:> Estudio de modelos de aprendizaje artificial y
procesos de planificación. > Se definen modelos matemáticos de
aprendizaje> Se postula al aprendizaje como una
característica esencial de los sistemas inteligentes.
> Se produce un acercamiento entre la Inteligencia Artificial y la Psicología Cognitiva tratándose de atacar los problemas interdisciplinariamente.
INGENIERIA DEL CONOCIMIENTO
ARQUITECTURA DE SISTEMAS EXPERTOS
Dr. Ramón GARCIA MARTINEZ
Se pueden definir los Sistemas Expertos (SE) como
una clase de programas que son capaces de :
aconsejar, categorizar, analizar, comunicar,
consultar, diseñar, diagnosticar, explicar, explorar,
formar conceptos, interpretar, justificar, planificar ;
son en suma, programas capaces de manejar problemas que normalmente requieren para su
resolución la intervención humana especializada.
Son desarrollados con la ayuda de Expertos de Campo, los cuales revelan información acerca de
aquellos procesos mentales, que le permiten
solucionar los distintos problemas.
El otro profesional interviniente es el Ingeniero de Conocimiento, cuya función específica es la de dar
forma simbólica y automáticamente manipulable al
conocimiento proporcionado por el Experto de
Campo.
CARACTERISTICAS DE LOS SISTEMAS EXPERTOS
> Aplican su experiencia de una manera eficiente
para solucionar problemas, pudiendo realizar
inferencias a partir de datos incompletos o
inciertos.
> Explican y justifican lo que estan haciendo.
> Se comunican con otros expertos y adquieren
nuevos conocimientos.
> Reestructuran y reorganizan el conocimiento.
> Pueden quebrantar reglas, es decir, interpretan
simultáneamente el espíritu y la letra de de las
mismas.
> Determinan cuando un problema está en el
dominio de su experiencia, conocido como
determinación de la relevancia del problema.
Los sistemas expertos existentes modelan a lo sumo las tres primeras características.
ARQUITECTURA DE UN SISTEMA EXPERTO
COMPONENTES: > Base de Conocimientos (BC)
> Reglas
> Aserciones
> Base de datos (BD)
> Motor de Inferencia (MI)
> Trazador de Explicaciones (TE)
> Trazador de Consultas (TC)
> Memoria de Trabajo (MT)
> Manejador Comunicación (MC)
La Base de Conocimiento puede definirse como la
unión del conjunto de aserciones y el conjunto de
reglas. La Base de Conocimiento contiene el
conocimiento que el sistema experto maneja, es decir,
una formulación simbólica, automáticamente
manipulable, del área de conocimiento sobre el cual el
sistema es experto. La función de la Base de
Conocimiento es suministrar al Motor de Inferencia,
información sobre la naturaleza del problema a
manejar.
La Base de Datos esta formada por distintos datos
sobre el problema particular que el sistema experto
esta intentando resolver, su función es suministrar
información al Motor de Inferencia.
La Memoria de Trabajo es una base de datos
temporal, en la cual el motor de inferencia deja
información deducida apartir de :
* La Base de Conocimiento
* La Base de Datos
* La Memoria de Trabajo
El Motor de Inferencia activa las reglas en función de la
información contenida en la Base de Datos y la Memoria
de Trabajo, la nueva información es puesta en la Memoria
de Trabajo. También se encarga de proporcionar al
Trazador de Explicaciones, las reglas que motivaron una
determinada consulta al usuario. El Motor de Inferencia
puede trabajar bajo dos principios : Universo cerrado o
Universo abierto.
El Motor de Inferencia activa las reglas en función de la
información contenida en la Base de Datos y la Memoria
de Trabajo, la nueva información es puesta en la Memoria
de Trabajo. También se encarga de proporcionar al
Trazador de Explicaciones, las reglas que motivaron una
determinada consulta al usuario. El Motor de Inferencia
puede trabajar bajo dos principios : Universo cerrado o
Universo abierto.
El principio de Universo Cerrado establece que toda
información necesaria está contenida en el sistema y en
consecuencia lo que no puede demostrar como
verdadero lo supone falso. Bajo este principio la Base de
Datos no puede ser vacía.
El principio de Universo Abierto establece que la
información necesaria que no esta contenida en el
sistema, esta fuera de el y en consecuencia se comunica
con el usuario. Bajo este principio la Base de Datos
puede ser vacía.
El Trazador de Consultas organiza y presenta en una
forma semántica y sintácticamente aceptable para el
usuario, los requerimientos de información del sistema, las
respuestas suministradas por el usuario serán asentadas
en la Memoria de Trabajo.
El Trazador de Explicaciones interpreta requerimientos
del usuario sobre el porqué de determinadas preguntas
por parte del sistema, trazando la justificación de las
mismas, esta traza se realiza utilizando información que
le suministra el Motor de Inferencia.
El Manejador de Comunicaciones tiene las siguientes
funciones :
> Derivar la información inicial que suministra el
usuario hacia la Base de Datos.
> Interpretar los mensajes del usuario que pueden
ser:
• Respuestas del usuario a una pregunta
formulada por el sistema.
• Solicitud de una explicación a partir de
consulta del sistema.
MOTORES DE INFERENCIA
Estrategias puras del motor de inferencia:
Orientada por el objetivo: Conocida como búsqueda
hacia atrás (backward
chaining)
Orientada por los datos: Conocida como búsqueda
hacia adelante (forward
chaining)
En ambos casos se tienen datos iniciales y un objetivo a verificar.
La estrategia orientada por el objetivo toma como
origen de la inferencia al objetivo y a partir de este
intenta construir un árbol hacia los datos conocidos,
estando las distintas reglas, asociadas a las ramas del
mismo.
La estrategia orientada por los datos toma como origen
de la inducción a los datos y a partir de estos intenta
construir un conjunto que contenga como elemento al
objetivo, para hacer esto usa las reglas como operadores
de pertenencia al conjunto Memoria de Trabajo.
INGENIERIA DEL CONOCIMIENTO
MODELADO DE CONOCIMIENTO
Dr. Ramón GARCIA MARTINEZ
El Modelado del Conocimiento tiene como propósito dar forma automáticamente manipulable a los distintos tipos de conocimientos del dominio que maneja el experto.
MODELADO DEL CONOCIMIENTO
En esencia la mayoría de los dominios admiten que el conocimiento asociado se modele en términos de tres tipos de Conocimiento:
(a) Fácticos(b) Tácticos(c) Estrátégicos.
La descripción de cada tipo de conocimiento y la herramienta con la que puede ser modelado se presentará a partir del siguiente ejemplo de cuerpo de conocimiento:
CONOCIMIENTOS FÁCTICOS
Este tipo de conocimiento se modela principalmente mediante 2 técnicas: Tabla CAV (Concepto-Atributo-Valor) y Diccionario.
Proporciona una lista de los conceptos que se manipulan en el dominio de conocimiento relacionados con la familia de problemas que resolverá el Sistema Experto a desarrollar. Cada concepto quedará descrito en términos de los atributos que definen a cada concepto y de los valores que cada atributo puede tomar.
Tabla CAV:
Diccionario:
Este tipo conocimiento es el relacionado con la descripción de los objetos conceptuales del universo de discurso del dominio de conocimiento sobre el que se pretende hacer un SE.
Debe dar una descripción de cada uno de los conceptos, atributos y valores que forman parte de la tabla CAV. Queda articulado mediante la cita del término y su definición ordenado lexicográficamente.
EJEMPLO DE TABLA CAV
EJERCICIO DE TABLA CAV
Desarrolle la Tabla CAV para el concepto “SOLDADURA”
RESOLUCION EJERCICIO DE TABLA CAVPARA EL CONCEPTO “SOLDADURA”
EJEMPLO DE DICCIONARIO
EJERCICIO DE DICCIONARIOIdentifique todos los términos que deben ser definidos en el diccionario.
RESOLUCION EJERCICIO DE DICCIONARIO
CONOCIMIENTOS TACTICOSEste tipo conocimiento es el que se refiera a las relaciones que vinculan los objetos conceptuales del universo de discurso del dominio de conocimiento sobre el que se pretende hacer un sistema experto. La relación de más interés es la de causalidad entre conceptos, en particular, de que modo se pueden inferir los valores de determinados atributos de determinados conceptos a partir de los valores que tienen otros atributos de otros conceptos (eventualmente los mismos). Este tipo de conocimiento se modela principalmente mediante el uso de reglas y se documenta mediante el uso de Tablas PER (Palabras del Experto-Regla).
En una tabla PER se plantea el cuerpo del conocimiento (que contiene las relaciones de causalidad explícitas ó implícitas identificadas) y la regla o reglas que lo modelan.
EJEMPLO DE TABLA PER
EJERCICIO DE TABLA PER
Desarrolle la Tabla PER para la “DETERMINACION DE ELECTRODOS RUTILCELULÓSICOS”
RESOLUCION EJERCICIO DE TABLA PER PARA LA “DETERMINACION DE ELECTRODOS RUTILCELULÓSICOS”
El conjunto de tablas PER para el caso en el que las relaciones de causalidad estan implicitamente definidas en las palabras delexperto, quedaría:
Están relacionados con la manera en que las distintas partes del dominio de conocimiento sobre el que se pretende hacer un sistema experto, son aplicadas para la resolución de una tarea.
Con distintos niveles de granularidad, describe:
CONOCIMIENTOS ESTRATÉGICOS
Este tipo de conocimiento se modela principalmente mediante la técnica Diagrama Jerárquico de Tareas. En el quedan especificados:
(a) que es lo que hay que hacer(b) bajo que condiciones puede hacerse(c) que post-condiciones resultaran de lo que se haga.
(a) que sub-tarea compone cada tarea
(b) que información recibe y entrega cada tarea/subtarea.
EJERCICIO DE DIAGRAMA JERARQUICO DE TAREAS (DJT)Desarrolle la DJT para “SELECCIONAR ELECTRODO”
RESOLUCION EJERCICIO DE DIAGRAMA JERARQUICO DE TAREAS PARA “SELECCIONAR ELECTRODO”
GRAFOS ARQUETÍPICOS
En muchos dominios de conocimiento, puede reconocerse una estructura de representación de la causalidad que es isomorfa con la estructura del dominio. En los problemas de diagnóstico o de clasificación, esta estructura recibe el nombre de grafo arquetípico.
El grafo arquetípico de un dominio será el grafo compuesto por los subgrafos asociados a cada problema de ese dominio.
Una vez producida la licitación de conocimiento, los componentes de esa estructura son rotulados y la estructura se transforma en un grafo casual. El grafo casual es una representación automáticamente manipulable del conocimiento asociado a los procesos deductivos del experto de campo.
El grafo arquetípico tiene tres clases de nodos:Nodos problemas
Nodos precondiciónNodos solución
GRAFOS ARQUETÍPICOS (cont.)
EJEMPLO DE GRAFO ARQUETÍPICO “RECOMENDACIÓN ELECTRODO RUTILCELULOSICO”
EJERCICIO DE GRAFO CAUSAL (GC)Desarrolle la GC para ““RECOMENDACIÓN ELECTRODO RUTILICOS”
RESOLUCION EJERCICIO DE GRAFO CAUSAL PARA “RECOMENDACIÓN ELECTRODO RUTILICOS”
MAPA DE CONOCIMIENTO
Para su construc-ción se realiza una generalización sobre el grafo causal del dominio que constituye un detalle de los mecanismos de razonamiento del experto.
El mapa de conoci-miento encapsula la estructura general de razonamiento del experto.