top of page

UNIDAD 4:  Sistemas de razonamiento.

SUBTEMAS

4.1. Reglas de producción.
    4.1.1. Sintaxis de las reglas de producción.
4.2. Semántica de las reglas de producción.
    4.2.1. Conocimiento causal.
    4.2.2. Conocimiento de diagnóstico.
4.3. Arquitectura de un sistema de producción.
    4.3.1. Hechos.
    4.3.2. Base de conocimientos.
    4.3.3. Mecanismos de control.
4.4. Ciclo de vida de un sistema de producción.

4.1 REGLAS DE PRODUCCIÓN



       Regla se entiende como una proposición lógica que relaciona 2 o más objetos e incluye 2 partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o ó no.



          Reglas de producción. Es un método procedimental de representación del conocimiento, pone énfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposición a los métodos declarativos (hechos).


       
La estructura de una regla es:

SI <antecedentes>
ENTONCES <consecuentes>


Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hipótesis.
Cada regla por si misma constituye un gránulo completo de conocimiento.



        La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay dos tipos, según el sentido:

  • Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema.
  • Sistemas de encadenamiento hacia atrás: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.

 

4.1.1 SINTAXIS DE LAS REGLAS DE PRODUCCIÓN



        Método procedimental de representación del conocimiento.

Estructura.


SI <condiciones>
ENTONCES <conclusiones, acciones, hipótesis>


           Cada regla SI-ENTONCES establece un granulo completo de conocimiento Regla_ Operador valido en un espacio de estados CONDICIONES (tb. premisas, precondiciones, antecedentes,...).


           Formadas por clausulas y conectivas (AND, OR, NOT). La representación causal debe corresponderse con conocimiento del dominio.



  • Formato típico: <parámetro/relación/valor>.
  •  PARÁMETRO: característica relevante del dominio.
  •  RELACIÓN: entre parámetro y valor.
  • VALOR: numérico, simbólico o literal.



También en forma de predicados lógicos:



CONCLUSIONES, ACCIONES, HIPÓTESIS (tb. consecuentes,...)


Conclusiones, Hipótesis: conocimiento declarativo
Acciones: cq. Acción procedimental (actualiza. conocimiento, interacción con exterior etc...)



También en forma de predicados lógicos:

CONCLUSIONES, ACCIONES, HIPÓTESIS (tb. consecuentes,...)
Conclusiones, Hipótesis: conocimiento declarativo
Acciones: cq. Acción procedimental (actualiza. conocimiento, interacción con exterior etc...)



REGLAS ESPECIALES



Reglas IF ALL: equivalen a reglas con las cláusulas de las condiciones conectadas con AND.
Reglas IF ANY/ IF SOME: equivalen a reglas con las cláusulas de las condiciones conectadas con OR EJEMPLO.

  • IF: temperatura = alta
  • AND sudoración = presente
  • AND dolor_muscular = presente
  • THEN: diagnostico_preliminar = gripe
  • IF: diagnostico_preliminar = gripe
  • AND descompos_organos_internos = presente
  • THEN: diagnostico_preliminar = _abola



4.2 SEMANTICA DE LAS REGLAS DE PRODUCCION

          Es una representación formal de una relación, una información semántica o una acción condicional. Una regla de producción tiene, generalmente, la siguiente forma: SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creación y la modificación de la base de conocimiento. Permite introducir coeficientes de verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento mediante unas fórmulas de cálculo establecidas) y, en teoría, el método asegura que cuantas más reglas posea más potente es. Sin embargo, aunque es la forma de representación más intuitiva y rápida, cuando el número de reglas es grande aumenta la dificultad de verificación de todas las posibilidades con el consiguiente riesgo de perder la coherencia lógica en la base de conocimiento.



          Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y también sobre el campo de validez de algunas de las reglas. Para el manejo de la incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres más conocidos son los Factores de Certeza (utilizados en MYCIN), la lógica de Dempster Shafer, y la Lógica Difusa (Fuzzy Logic). El método de tratar la incertidumbre es una de las características más importantes de las herramientas de desarrollo, y actualmente se encuentra en discusión la validez de estas lógicas para tratar con la incertidumbre. En sustitución se han propuesto las Redes Bayesianas que tienen una base matemática más firme. De todas formas es un campo actual de investigación que permanece abierto.





4.2.1 CONOCIMIENTO CASUAL


          Relación que vincula dos ideas a través de una conexión supuestamente necesaria. Es uno de los tres principios de asociación.
 

        La causalidad no tiene carácter necesario cuando se aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repetición (o conjunción constante) no es más que una creencia; es algo que esperamos que suceda, no algo que deba suceder necesariamente sino algo que debe ser evaluado en términos de posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a hechos que todavía no han sucedido, porque no tenemos evidencia lo todavía no acaecido, la falta de un concepto de causalidad nos conduce necesariamente al escepticismo.

4.2.2 CONOCIMIENTO DE DIAGNOSTICO



          El problema del diagnóstico ha sido, desde los comienzos de la IA, uno de los más estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos. El diagnostico en el campo de la medicina es sin duda, una de las áreas de la IA que supone todavía una gran desafió. Una de las características más frecuentes en resolución del problema del diagnóstico en dominios reales es la necesidad de trata con la dimensión temporal. Así, una vez propuesto un modelo teórico, una tendencia cada vez más habitual a la hora de desarrollar sistemas de diagnóstico temporal es necesario abordar el problema del diagnóstico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximación más adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.





4.3 ARQUITECTURA DE UN SISTEMA DE PRODUCCIÓN



         Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones diversas, pero fundamentalmente son usados para:


Modelado de sistemas
        Usado para representar escenarios de actuación con variables complejas, en los cuáles no basta con usar realidades absolutas como lo sería un cierto o falso.



       En aplicaciones de control, ya que suelen estar basadas en el punto descrito anteriormente. Pueden ser usadas para la categorización de elementos, detectar patrones. Como agentes de usuario, los cuáles van a proporcionar una serie de ayudas a los expertos en una determinada materia para que tomen las decisiones que ellos consideren oportunas, en este caso estos sistemas van a ofrecer una ayuda, pero la decisión final la va a tomar el experto en cuestión. Como ejemplo cabe destacar el ámbito financiero.



<<Minería de datos y descubrimiento de información, consistente en hallar el conocimiento intrínseco dentro de una base de datos, los cuáles pueden no estar presentes a simple vista, pero aplicando sistemas de este tipo pueden llegar a averiguarse>>.

Reglas
         Los sistemas basados en reglas (SBR) se rigen por una serie de reglas que los configuran. Una regla es definida como un modo de representación estratégica o técnica, la cual es apropiada cuando el conocimiento con el que deseamos trabajar proviene de la experiencia o de la intuición, y por tanto carece de una demostración física o matemática.


Tipos de reglas y proposiciones


Las proposiciones se pueden clasificar en los siguientes grupos:

  • Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la proposición  que forma una regla. El atributo corresponde al grado que determina la regla. Grado de Suceso: Probable, poco probable...
  • Proposiciones CUANTIFICADAS: Indican cantidades difusas en las reglas.



4.3.1 HECHOS



           Base de hechos, que alberga los datos propios correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria de trabajo, la base de hechos puede desempeñar el papel de memoria auxiliar. La memoria de trabajo memoriza todos los resultados intermedios, permitiendo conservar el rastro de los razonamientos llevados a cabo. Puede, por eso, emplearse para explicar el origen de las informaciones deducidas por el sistema en el transcurso de una sesión de trabajo o para llevar a cabo la descripción del comportamiento del propio sistema experto. Al principio del período de trabajo, la base de hechos dispone únicamente de los datos que le ha introducido el usuario del sistema, pero, a medida que va actuando el motor de inferencias, contiene las cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas para obtener las conclusiones buscadas.



        Las reglas de producción son de tipo: SI ENTONCES (SI A ENTONCES B). Donde tanto las premisas como la conclusión, no son más que una cadena de hechos conectados por “Y” o por “O”, de forma general seria: SI Y/O Y/O…..ENTONCES Y/O Los hechos son afirmaciones que sirven para presentar conceptos, datos, objetos, etc. Y el conjunto de hechos que describen el problema es la base de hechos. Ejemplo de hechos: Juan es un estudiante Juan tiene 8 años El perro es blanco A María le gusta el cine Pedro prefiere la película La edad de Luis es de 25 años Pedro tiene un salario de 200 pesos Una regla es una combinante de hechos que permite representar conocimientos y sacar inferencia de los mismos. Ejemplo de reglas R1: si y entonces R2: SI Y ENTONCES R3: SI Y ENTONCES Observe como partiendo de hechos conocidos que describen algún conocimiento se pueden inferir nuevos hechos (nuevos conocimientos).

4.3.2 BASE DE CONOCIMIENTOS



            A base de conocimiento (o knowledgebase; abreviado KB, es una clase especial de base de datos para gerencia del conocimiento. Proporciona los medios para la colección automatizada, organización, y recuperación de conocimiento. Apenas pues tiene costumbre convertido de escribir base de datos pues una palabra él es cada vez más común en informática escribir knowledgebase como una palabra (un acercamiento del interino era escribir el término con un guión).



Las bases de conocimiento se categorizan en dos tipos importantes:



 -Bases de conocimiento legibles por la máquina almacene el conocimiento en una forma legible por computador, generalmente con el fin automatizando razonamiento deductivo aplicado a ellos. Contienen un sistema de datos, a menudo bajo la forma de reglas que describan el conocimiento en a lógicamente constante manera. Operadores lógicos, por ejemplo Y (conjunción), O (separación), implicación material y negación puede ser utilizado construirlo para arriba del conocimiento atómico. Por lo tanto, la deducción clásica se puede utilizar para razonar sobre el conocimiento en la base de conocimiento.



 -Bases de conocimiento Human-readable se diseñan permitir que la gente recupere y que utilice el conocimiento que ella contiene, sobre todo para los propósitos del entrenamiento. Son de uso general capturar el conocimiento explícito del organización, incluyendo localización de averías, artículos, papeles blancos, manuales de usuario y otros. Una ventaja primaria de tal base de conocimiento es que puede ayudar a un usuario a encontrar una solución existente a su problema actual (así evitando tuvieron que “reinventan la rueda”).





4.3.3 MECANISMOS DE CONTROL

 

         El aspecto más importante de una base de conocimiento es la calidad de la información que contiene. Las mejores bases de conocimiento han escrito cuidadosamente los artículos que se guardan actualizado, un sistema excelente de la recuperación de datos (tal como a Search Engine), y un formato contento cuidadosamente diseñado y clasificación estructura.



        Una base de conocimiento puede utilizar ontología especificar su estructura (los tipos y las relaciones de la entidad) y la clasificación proyecte. Una ontología, junto con un sistema de casos de sus clases, constituye una base de conocimiento. La determinación de qué tipo de información se captura, y donde esa información reside en una base de conocimiento, es algo que es determinado por los procesos que apoyan el sistema. Una estructura de proceso robusta es la espina dorsal de cualquier base de conocimiento acertada.



           Algunas bases de conocimiento tienen inteligencia artificial componente. Estas clases de bases de conocimiento pueden sugerir soluciones a los problemas basados a veces en la regeneración proporcionada por el usuario, y son capaces de aprender por experiencia (véase sistema experto). La representación del conocimiento, el razonamiento automatizado y la argumentación son campos de investigación activos en la vanguardia de la inteligencia artificial.





4.4 CICLO DE VIDA DE UN SISTEMA DE PRODUCCIÓN



         El concepto de sistema de producción se basa en la Teoría General de Sistemas que fue desarrollada por el biólogo alemán Von Bertalanffy y que en esencia es una perspectiva integradora y holística (referida al todo).Una de las definiciones de la teoría general de sistemas dice que los sistemas son conjuntos de componentes que interaccionan unos con otros, de tal forma que cada conjunto se comporta como una unidad completa. Otra definición dice que los sistemas se identifican como conjuntos de elementos o entidades que guardan estrechas relaciones entre sí y que mantienen al sistema directo o indirectamente unido de modo más o menos estable y cuyo comportamiento global persigue, normalmente, algún tipo de objetivo. Pará describir y en general para entender un sistema, es común el uso de diagramas, los que si bien no dan una visión completa, facilitan la visualización de las interrelaciones.

© Derechos reservados.

bottom of page