inteligencia artificialdisi.unal.edu.co/~lctorress/iartificial/iac007.pdf · inteligencia...
TRANSCRIPT
Inteligencia artificial
Inte
ligen
cia
Art
ifici
al
Sistemas de producción/razonamiento
Rn: SI condiciónENTONCES acción
condición = {afirmaciones simples-identidad objeto}
acción = {conclusión identificación del objeto}
Inte
ligen
cia
Art
ifici
al
Pares de condición-acciónSI condición (o premisa o antecedente) ocurre;ENTONCES acción (resultado, conclusión oconsecuente) deberá (o debería) ocurrir.
Pueden ser vistas como una simulación delcomportamiento cognitivo de especialistas humanos.
Cada regla representa un “pedazo” de conocimientoindependiente.
Representan el conocimiento de forma modular.
Inte
ligen
cia
Art
ifici
al
Sistemas de razonamiento
Utilizan:Lenguaje de representación de conocimiento (KRL)
Lenguaje lógicoLógica proposicionalLógica de 1er ordenLógica temporal
Lenguaje objetosFrames (marcos)Redes semánticasScripts (guiones) - De clases - De actores
Reglas de producción
Inte
ligen
cia
Art
ifici
al
Deducción: a partir de hechos de conocimientorepresentados adecuadamente, se utilizan reglas deinferencia válidas para generar nuevos hechos.
Ej.: SI hay fuego, habrá humo.
Abducción: inverso de deducción.Ej.: SI hay humo, hay fuego.
Tipos de inferencia
Inte
ligen
cia
Art
ifici
al
Inducción: Se parte de los hechos en reglas generales.Ej.: SI Isabel no canta bien, y también Sheila no cantabien, ENTONCES ninguna alumna canta bien.
Analógico: Resolución basada en experiencias pasadas.Ej.: Demostración automática de teoremas.
Inte
ligen
cia
Art
ifici
al
Probadores de teoremasUtilizan resolución para probar sentencias en lógica de 1erorden.Usados para tareas matemáticas y de razonamiento científico.
Ejemplos: SAM, AURA, OTTER.
Lenguajes de programación lógicaRestringen a la lógica, no permiten el tratamiento completo de lanegación, disyunción y/o igualdad.Generalmente usan encadenamiento regresivo.Pueden poseer algunas características no lógicas de loslenguajes de programación.
Ejemplos: Prolog, MRS, Life.
Sistemas de razonamiento
Inte
ligen
cia
Art
ifici
al
Sistemas de redes semánticasConsisten en nodos conectados por arcos, donde los nodosrepresentan usualmente objetos del mundo y los arcos unarelación binaria entre ellos.
Ejemplos: SNEPS, NETL, Conceptual Graphs.
Sistemas framesConsisten en una jerarquía de frames (marcos) conectados poratributos, donde los frames representan objetos del mundo y losatributos muestran usualmente la relación entre ellos.
Ejemplos: OWL, FRAIL, KODIAK.
Sistemas de razonamiento
Inte
ligen
cia
Art
ifici
al
Sistemas de lógica descriptivaExpresan y razonan con definiciones complejas de objetos yclases y, relaciones entre ellas, utilizando redes semánticascomo principio de organización.
Ejemplos: KL-ONE, CLASSIC, LOOM.
Sistemas de producción
Son representaciones de patrones de sistemas que usanimplicaciones.Las acciones son consecuencias de las implicaciones.Las acciones pueden ser insertadas y removidas de las basesde conocimiento.Utilizan encadenamiento progresivo.Usualmente poseen mecanismos de resolución de conflictos.
Ejemplos: OPS-5, CLIPS, SOLAR.
Sistemas de razonamiento
Inte
ligen
cia
Art
ifici
al
Arquitectura: sistema de razonamiento
Agentesensores
efectores
a m
b i
e n
t e Base de conocimientoMáquina de inferencia
Mecanismo de aprendizaje
Inte
ligen
cia
Art
ifici
al
Operaciones básicas en los sistemas derazonamiento
Adicionar un hecho nuevo a la base de conocimiento.
Adicionar nuevas reglas (Un hecho nuevo, genera nuevasconclusiones).
Decidir si una base de conocimiento atiende a una consultarealizada.
Decidir si una consulta está explícitamente almacenada enla base de conocimiento.
Remover hechos y reglas de la base de conocimiento.
Inte
ligen
cia
Art
ifici
al
Mantenimiento: base de conocimiento
Técnicas para mantener una base de conocimientocon recuperación eficiente:
UnificaciónRecuperaciónIndexación
Basada en tablasBasada en árboles
Inte
ligen
cia
Art
ifici
al
Encadenamiento progresivo y regresivo
A través del encadenamiento, poder adicionar un nuevohecho p a una base de conocimiento.
A través de inferencia, encontrar respuestas para lascuestiones hechas a la base de conocimiento.
Usar denominación.
Ex.: Practica (x, Natación) y Practica (y, Natación) - son
denominaciones Practica (x, x) e Practica (x,y) - no son denominaciones
Usar composición de sustituciones.
Inte
ligen
cia
Art
ifici
al
Modos de razonamiento
Encadenamiento progresivo (Forward Chaining):Se parte de sentencias (reglas de inferencia) de la base deconocimiento para producir conclusiones (afirmaciones);También se llama procedimiento dirigido a datos (Data Driven),pues el proceso de inferencia no es direccionado para resolverun problema particular.
Encadenamiento regresivo (Backward Chaining):Se parte de una hipótesis a probar, procurando reglas en labase de conocimiento retroactivamente para analizar lasasertivas que soportan la hipótesis en cuestión;SI la premisa (antecedente) es una conjunción, sus términos sonprocesados uno a uno para que sea obtenido o sea unificador.
Inte
ligen
cia
Art
ifici
al
Conocimiento• hechos• reglas de producción• Redes semánticas• Frames• estrategias de resolución deproblemas• estrategias de recuperación...
Conocimiento del problema* aserciones relevantes• reglas relevantes...
Metaconocimiento• como activar unconocimiento relevante
Base de conocimiento
Datos simbólicos• hipótesis actuales• objetivos actuales• estado actual delproblema...
Agenda• conjunto de posiblesreglas a ser aplicadas
Memoria de trabajo
Mecanismode
Inferencia
Arquitectura
Inte
ligen
cia
Art
ifici
al
ComponentesMemoria de trabajo de un sistema consiste en unacolección de asertivas verdaderas.
Base de reglas es el conjunto de sentencias (reglas deinferencia) que determinan las acciones que deben tomarsede acuerdo con las percepciones.
Motor de inferencia es la parte del sistema que determinael método de razonamiento, utiliza estrategias de búsqueday resuelve conflictos.
Sistemas de producción
Inte
ligen
cia
Art
ifici
al
Funcionamiento de los sistemas deproducción
Tres fases: casamiento, resolución de conflictos yejecución.
CasamientoEl sistema, en cada ciclo computa un subconjunto de reglascuya izquierda es satisfecha por los contenidos actuales dela memoria de trabajo.
La forma más simple de realizar unificación y eficiencia,entonces como solución tenemos el algoritmo Rete (rede).
Ventajas del algoritmo Rete: elimina duplicación entre reglas; elimina duplicación a lo largo del tiempo.
Inte
ligen
cia
Art
ifici
al
Resolución de conflictosEl sistema decide cuáles reglas deben ser activadas.
En esta fase podemos utilizar algunas estrategias de control:No duplicación: no ejecutar la misma regla ni los mismosargumentos dos veces.Regencia: preferir reglas que se refieren a elementos de lamemoria de trabajo creados recientemente.Especificidad: preferir reglas que son mas específicas.Prioridad de operación: preferir acciones con prioridadmayor, especificada por alguna categoría.
Ejecución de acciones
Funcionamiento de los sistemas deproducción
Inte
ligen
cia
Art
ifici
al
Un sistema deductivo que identifica animales:ZOOKEEPER
Características de ZOOKEEPER:
Utiliza reglas con antecedentes;Genera asertivas intermedias a partir de las reglas;Combina estas asertivas con las originales paraproducir una conclusión;Observa hábitos y características físicas paraidentificar los animales;
Inte
ligen
cia
Art
ifici
al
Reglas:
R1: SI x es carnívoro, x es color leonado, x tienemanchas oscuras ENTONCES x es una ONZAR2: SI x da leche ENTONCES x es mamíferoR3: SI x tiene plumas ENTONCES x es aveR4: SI x vuela, x pone huevos ENTONCES x es ave
Inte
ligen
cia
Art
ifici
al
R5: SI x es ave, x no vuela, x tiene cuello largo ENTONCES x es AVESTRUZR6: SI x es mamífero, x tiene garras, x tienedientes agudos. ENTONCES x es carnívoro.R7: SI x es mamífero, x tiene pezuñas ENTONCES x es ungulado.R8: SI x es mamífero, x rumia. ENTONCES x es ungulado.
Inte
ligen
cia
Art
ifici
al
R9: SI x tiene pelo ENTONCES x es mamíferoR10: SI x es carnívoro, x es color leonado, x tienefranjas negras ENTONCES x es TIGRER11: SI x es ungulado, x tiene patas largas, x tienecuello largo, x es color leonado, x tiene manchasoscurasENTONCES x es JIRAFA
Inte
ligen
cia
Art
ifici
al
R12: SI x es mamífero, x come carne ENTONCES x es carnívoroR13: SI x es ungulado, x es color blanco, x tiene franjas negras ENTONCES x es CEBRAR14: SI x es ave, x no vuela, x nada ENTONCES x es PINGUINO
Inte
ligen
cia
Art
ifici
al
R15: SI x es ave, x vuela, x vive en rocasENTONCES x es ALBATROSR16: SI x es ave, x vuela, x tiene garrasENTONCES x es AGUILAR17: SI x es ave, x vuela, x vive hogarENTONCES x es GALLINA
Inte
ligen
cia
Art
ifici
al
Rk: SI xx1, xx2, xx3, ENTONCES yyy
Rn: SI zz1, zz2, zz3, ENTONCES cxs
Inte
ligen
cia
Art
ifici
al
Encadenamiento progresivo en ZOOKEEPER
Para identificar un animal con ZOOKEEPER:
Hasta que las reglas no produzcan nuevas asertivas;Hasta que el animal sea identificado.Para cada regla
Concordar cada uno de los antecedentes de las reglas con loshechos conocidos.
SI todos los antecedentes de reglas están confrontados,ejecute el consecuente, a menos que ya exista una asertiva
idéntica.Repetir las alternativas que deben ser consultadas.
Inte
ligen
cia
Art
ifici
al
Encadenamiento hacia delante(Progresivo)
HechosH1: z tiene peloH2: z tiene patas largasH3: z rumiaH4: z tiene cuello largoH5: z es color leonadoH6: z tiene manchas oscuras
Inte
ligen
cia
Art
ifici
al
R9 establece que z es un mamífero
R8 concluye que z es ungulado,porque z rumia y es mamífero.
R11 conduce a que z es una jirafa,
Inte
ligen
cia
Art
ifici
al
El flujo de información se da a través de una serie de reglasantecedente-consecuente, a partir de las asertivas para lasconclusiones.
R9Tienepelo
Rumia R8
R11
es un mamífero
es un ungulado
es una jirafa
Tiene piernas largasTiene cuello largoTiene color leonadoTiene manchas oscuras
Inte
ligen
cia
Art
ifici
al
Algoritmo
Enc_adelante() HQ ninguna regla produzca una afirmación o el objetosea identificado
– Seleccionar regla– Comprobar cada antecedente contra hechos conocidos– Si corroborados los antecedentes de la regla, instancie el valor de
la variable en el consecuente (nuevo hecho)
FHQFinEnc_adelante.
Inte
ligen
cia
Art
ifici
al
Encadenamiento hacia atrás
hipótesis: ¿Z es ONZA?hechos: Y tiene pelo, Y es de color leonado, Y tiene manchas oscuras
Inte
ligen
cia
Art
ifici
al
R1 = necesita: Z sea carnívoro, de colorleonado y tiene manchas oscuras
se busca que Z es carnívoro.Existen 2 reglas
R6 = debe verificar que Z es mamíferode nuevo existen dos alternativas R2 y R9.
Inte
ligen
cia
Art
ifici
al
R9 = Z tiene pelo, luego Z es mamíferopara cumplir que sea carnívoro se requieraque Z coma carne o que tenga garras o.Aunque se tienen los hechos de : Z es decolor leonado y Z tiene manchas oscurasno se cumple carnívorose concluye NO Z es ONZA.
Inte
ligen
cia
Art
ifici
al
Algoritmo
Enc_atrás()HQ todas las hipótesis se hayan intentado y alguna no sepueda comprobar o hasta que los objetos seanidentificados
– Para cada regla cuyo consecuente coincida con la hipótesisconfronte antecedentes con hechos,SI se cumple V: continúeF: considere el antecedente como hipótesis
– SI todos los antecedentes se corroboraron con hechos– V: anuncie ÉXITO (hipótesis es verdadera)– F: anuncie FALLO
FHQFin_alg_enc_atrás.
Inte
ligen
cia
Art
ifici
al
¿Cuál encadenamiento emplear?
Encadenamiento regresivo
Conjunto antecedentes lleve a muchas conclusiones.
Si hechos conducen a conclusiones, pero número dereglas es reducido muchos consecuentes.
Si no tiene hechos, y le interesa saber si unaconclusión es verdadera.
Inte
ligen
cia
Art
ifici
al
Una hipótesis conduce a muchas preguntasSi número de reglas es grande, número deconclusiones es reducido;Si tiene los hechos y desea saber que puedeconcluir.
Encadenamiento progresivo
Inte
ligen
cia
Art
ifici
al
Ventajas y desventajas de los sistemas deproducción
VentajasLas reglas son de fácil comprensión.
Inferencia y explicaciones son fácilmente derivadas.
El mantenimiento es relativamente simple, debido a la modularidad.
La “Incertidumbre” es fácilmente combinada en las reglas.
Cada regla es (normalmente) independiente de las otras.
DesventajasConocimiento complejo requiere muchas (millares de) reglas.
El exceso de reglas crea problemas para utilizar y mantener el sistema.
No es robusto y no aprende.
La adquisición del conocimiento es difícil.
Inte
ligen
cia
Art
ifici
al
Sistemas de inferencia dirigidos a patrones
Programas
IA Convencional
PDIS Otros Orientados a Objetos
Imperativos Funcionales
SBR
PS TS
SBN
Sistemas Lógicos
SistemasGramaticales
Donde:PDIS - Sistemas de inferenciadirigidos a patronesSBR - Sistemas basados en reglasSBN - Sistemas basados en redesPS - Sistemas de producciónTS - Sistemas de transformación
Inte
ligen
cia
Art
ifici
al
Preguntas
¿Se razona de manera natural con reglas?
¿Las reglas son fáciles de construir?
Sistemas de producción versusProgramación lógica.
Inte
ligen
cia
Art
ifici
al
Sistemas de Reacción Basados en Reglas
La parte del SI– especifican condiciones que deben satisfacerse.
La parte ENTONCES– especifica una acción o una operación que debe
realizarse (conclusiones).
Inte
ligen
cia
Art
ifici
al
Necesitan:
Memoria de trabajoAfirmaciones sobre los objetos a manipularCuál es el paso que se esta efectuandoQué objetos ha manipuladoCuáles falta por manipular.
Inte
ligen
cia
Art
ifici
al
BAGGER (pasos)
1. Verificación de la orden: Analiza los productos,detecta cuáles productos lleva y sugiere al clienteproductos que faltan.2. Empaque de productos grandes: Empaca losproductos grandes. Botellas primero.3. Empaque de productos medianos: Empacaproductos de tamaño mediano, productos congeladosen empaque especial.4. Empaque de productos pequeños: Empaca losproductos de tamaño pequeño.
Inte
ligen
cia
Art
ifici
al
P roducto T ipo deem paque
T am año C ongelado
G alletas envase cartón M ediano no
Y ogurt vaso plástico pequeño no
Papas fritas bolsa plástico mediano no
Helado envase cartón mediano si
Pollo bolsa plástico mediano si
G aseosa botella grande no
Bocadillo caja madera grande no
Artículos
Inte
ligen
cia
Art
ifici
al
BAGGER requiere saber
Cuál es el paso que estaefectuando.Cuál bolsa es la que seestá llenando.Qué productos se hanempacado.
Paso = verificar ordenBolsa actual = 1artículos bolsa actual = 0artículos por empacar = 7
GalletasYogurtPapas fritasHeladoPolloGaseosaBocadillo
Inte
ligen
cia
Art
ifici
al
B1: SI Paso = verificar ordenPapas fritas se van a empacarNo existe gaseosa en los productos ENTONCES sugiera llevar gaseosa
B2: SI Paso = verificar orden ENTONCES Paso = no verificar ordenPaso = empacar productos grandes
Inte
ligen
cia
Art
ifici
al
B2: SI Paso = verificar orden ELIMINE Paso = verificar orden ADICIONE Paso = empacar productos grandes
B3: SI Paso = empacar productos grandesEmpacar producto grandeProducto grande es botellaBolsa con menos de 6 productos ELIMINE Empacar producto grande ADICIONE Producto grande en bolsa actual
Inte
ligen
cia
Art
ifici
al
B4: SI Paso = empacar productos grandesEmpacar producto grandeBolsa con menos de 6 productos ELIMINE Empacar producto grande ADICIONE Producto grande en bolsa actual
Inte
ligen
cia
Art
ifici
al
B5: SI Paso = empacar productos grandesEmpacar producto grandeBolsa vacía disponible ELIMINE Bolsa actual ADICIONE Bolsa vacía es bolsa actual
B6: SI Paso = empacar productos grandesELIMINE Paso = empacar productos grandesADICIONE Paso = empacar productos medianos
Inte
ligen
cia
Art
ifici
al
Paso = empacar productosmedianosBolsa actual = 1artículos bolsa actual = 2artículos por empacar = 5 Galletas Yogurt Papas fritas Helado Pollo
Inte
ligen
cia
Art
ifici
al
B7: SI Paso = empacar productos medianosEmpacar producto medianoProducto congelado, no empaque especialELIMINE Producto congelado no empaque especialADICIONE Producto congelado empaque especial.
B8: SI Paso = empacar productos medianos Empacar producto mediano Bolsa actual vacía y sin productos grandes Bolsa con menos de 12 productos ELIMINE Empacar producto mediano ADICIONE Producto mediano en bolsa actual
Inte
ligen
cia
Art
ifici
al
B9: SI Paso = empacar productos medianosEmpacar producto medianoBolsa vacía disponible ELIMINE Bolsa actual ADICIONE Bolsa vacía es bolsa actual
B10: SI Paso = empacar productos medianosELIMINE Paso = empacar productos medianosADICIONE Paso = empacar productos pequeños
Inte
ligen
cia
Art
ifici
al
Paso = empacar productos pequeñosBolsa actual = 2artículos bolsa actual = 4artículos por empacar = 1 Yogurt
Inte
ligen
cia
Art
ifici
al
B11: SI Paso = empacar productos pequeñosEmpacar producto pequeñoBolsa actual sin productos grandesBolsa actual sin productos medianosBolsa con menos de 18 productosELIMINE Empacar producto pequeñoADICIONE Producto pequeño en bolsa actual
Inte
ligen
cia
Art
ifici
al
B12: SI Paso = empacar productos pequeñosEmpacar producto pequeñoBolsa vacía disponibleELIMINE Bolsa actualADICIONE Bolsa vacía es bolsa actual
B13: SI Paso = empacar productos pequeños ELIMINE Paso = empacar productos pequeños ADICIONE Empaque finalizadoTerminar
Inte
ligen
cia
Art
ifici
al
Paso = empaque finalizadoBolsa actual = 3artículos bolsa actual = 1artículos por empacar = 0
Inte
ligen
cia
Art
ifici
al
Sistemas Basados en Casos
Inte
ligen
cia
Art
ifici
al
Sistemas Basados en Casos
El ingeniero observa el mensaje de error queexiste en pantalla, apaga el computador,busca en su maletín algo. Un diskette. Locoloca en la unidad. Prende el computador,contesta rápidamente a un conjunto demensajes y luego dice, listo.
Inte
ligen
cia
Art
ifici
al
El ingeniero nuevo observa el mensaje de error queexiste en pantalla, busca en su maletín un libro, pasacerca de 15 minutos leyendo algunos apartes, pasadoese tiempo, apaga el computador.
Busca un diskette en el maletín, comparando lareferencia o titulo del diskette con el que esta en ellibro.
Al fin coloca uno en la unidad, prende elcomputador, contesta cada uno de los mensajes enpantalla después de leerlos adecuadamente yobservando el libro; al fin dice, listo.
Inte
ligen
cia
Art
ifici
al
En ambos casos la acción tomada fue la misma, sinembargo, los procedimientos usados para llegar ala conclusión fue diferente.El primer ingeniero, se baso en su experiencia.El segundo se remitió a una documentación quecontenía solución de problemas, es decir, conteníamodelos o casos de solución de problemas.
Inte
ligen
cia
Art
ifici
al
Un SRBC
Utiliza una biblioteca, en lugar de un conjunto de principiosiniciales.
Debe saber responder a:
Los casos en la memoria y su organización.
Método a utilizar para recobrar los casos.
Cómo adaptar casos almacenados a los nuevos complejosmecanismos para la creación de índices.
Capacidad de recordar experiencias pasadas.
Tomar el mejor caso y adaptarlo a la situación.
Inte
ligen
cia
Art
ifici
al
Sistemas Basados en Modelos
Dependen del conocimiento de la estructura,del comportamiento del equipo,se razona usando los primeros principios
Los modelos: matemáticos o estructurales,especialmente frames y reglas
Las reglas pueden ser:reglas de simulación o reglas de inferencia.
Inte
ligen
cia
Art
ifici
al
Existen otros tipos de sistemas como
...
Inte
ligen
cia
Art
ifici
al
Jackson Peter. Introduction to Expert Systems. 2a ed.,Addison-Wesley Publishing Company, 1990.
Russel Stuart; Norvig Peter. Artificial Intelligence. AModern Approach. Prentice-Hall Inc., 2004.
Winston Patrick Henry. Artificial Intelligence. Addison-Wesley Publishing Company, 1998.
Inte
ligen
cia
Art
ifici
al