path: root/si/n5.lyx

#LyX 2.3 created this file. For more info see http://www.lyx.org/
\lyxformat 544
\begin_document
\begin_header
\save_transient_properties true
\origin unavailable
\textclass book
\begin_preamble
\usepackage{amssymb}
\end_preamble
\use_default_options true
\begin_modules
algorithm2e
\end_modules
\maintain_unincluded_children false
\language spanish
\language_package default
\inputencoding auto
\fontencoding global
\font_roman "default" "default"
\font_sans "default" "default"
\font_typewriter "default" "default"
\font_math "auto" "auto"
\font_default_family default
\use_non_tex_fonts false
\font_sc false
\font_osf false
\font_sf_scale 100 100
\font_tt_scale 100 100
\use_microtype false
\use_dash_ligatures true
\graphics default
\default_output_format default
\output_sync 0
\bibtex_command default
\index_command default
\paperfontsize default
\spacing single
\use_hyperref false
\papersize default
\use_geometry false
\use_package amsmath 1
\use_package amssymb 1
\use_package cancel 1
\use_package esint 1
\use_package mathdots 1
\use_package mathtools 1
\use_package mhchem 1
\use_package stackrel 1
\use_package stmaryrd 1
\use_package undertilde 1
\cite_engine basic
\cite_engine_type default
\biblio_style plain
\use_bibtopic false
\use_indices false
\paperorientation portrait
\suppress_date false
\justification true
\use_refstyle 1
\use_minted 0
\index Index
\shortcut idx
\color #008000
\end_index
\secnumdepth 3
\tocdepth 3
\paragraph_separation indent
\paragraph_indentation default
\is_math_indent 0
\math_numbering_side default
\quotes_style french
\dynamic_quotes 0
\papercolumns 1
\papersides 1
\paperpagestyle default
\tracking_changes false
\output_changes false
\html_math_output 0
\html_css_as_file 0
\html_be_strict false
\end_header

\begin_body

\begin_layout Standard
El 
\series bold
conocimiento
\series default
 consiste en descripciones declarativas explícitas, formadas por conceptos
 y relaciones entre los conceptos específicos a un dominio de aplicación,
 junto con métodos genéricos de resolución de problemas, formados por 
\series bold
técnicas de razonamiento
\series default
, que usan las relaciones entre conceptos para inferir conclusiones, y una
 estructura de control para aplicar las técnicas.
 Por ejemplo, se puede representar el conocimiento por cláusulas de lógica
 de predicados de primer orden, y entonces una técnica de razonamiento es
 el principio de resolución.
\end_layout

\begin_layout Standard
Algunos tipos de conocimiento:
\end_layout

\begin_layout Itemize

\series bold
De entidades
\series default
: Propiedades y estructura física de entes del mundo real.
\end_layout

\begin_layout Itemize

\series bold
De conducta
\series default
: Comportamiento o forma de proceder de los entes.
\end_layout

\begin_layout Itemize

\series bold
De eventos
\series default
: Secuencias de eventos, distribución temporal y relaciones causales.
\end_layout

\begin_layout Itemize

\series bold
Procedimental
\series default
: Cómo realizar determinados procesos.
\end_layout

\begin_layout Itemize

\series bold
Sobre incertidumbre
\series default
: Nivel de certeza asociada a hechos.
\end_layout

\begin_layout Itemize

\series bold
Meta-conocimiento
\series default
: Conocimiento sobre el propio conocimiento, sus propiedades y cómo usarlo.
\end_layout

\begin_layout Standard
Los sistemas inteligentes son 
\series bold
intensivos en datos
\series default
 si minan grandes cantidades de datos para obtener conclusiones e 
\series bold
intensivos en conocimiento
\series default
 (
\series bold
sistemas basados en conocimiento
\series default
) si aplican gran cantidad de conocimiento a los datos.
\end_layout

\begin_layout Standard

\series bold
Diagnosticar
\series default
 es encontrar una causa para un comportamiento observado distinto a lo normal,
 partiendo de hallazgos normales y anormales y dando uno o más diagnósticos,
 puede que ordenados por grado de certeza, que explican los hallazgos anormales
 sin contradecir los normales.
 Con sistemas basados en conocimiento, esto requiere de las siguientes fases:
\end_layout

\begin_layout Enumerate

\series bold
Adquisición
\series default
 de conocimiento de alguna fuente, sea un experto o un proceso de prueba
 y error mediante técnicas de aprendizaje.
\end_layout

\begin_layout Enumerate

\series bold
Conceptualización
\series default
 o 
\series bold
modelado
\series default
, fase central en la ingeniería del conocimiento, consistente en definir
 y organizar los componentes de conocimiento.
\end_layout

\begin_layout Enumerate

\series bold
Representación
\series default
 o 
\series bold
formalización
\series default
 del conocimiento en estructuras como cláusulas lógicas o reglas, normalmente
 agrupadas en módulos para facilitar su recuperación y poder añadir, modificar
 y borrar estructuras de forma independiente del resto.
 Puede ser necesario que las estructuras de datos sean comprensibles por
 humanos.
\end_layout

\begin_layout Enumerate

\series bold
Implementación
\series default
 del software con el conocimiento y las técnicas de inferencia.
 Las técnicas se suelen implementar de forma imperativa.
\end_layout

\begin_layout Enumerate

\series bold
Acceso
\series default
 al conocimiento desde la recuperación.
 La velocidad de acceso es muy importante cuando hay mucho conocimiento,
 es complejo o se requiere funcionamiento en tiempo real.
\end_layout

\begin_layout Enumerate

\series bold
Selección
\series default
 o 
\series bold
recuperación
\series default
 de un elemento concreto de conocimiento, adecuado al problema y el estado
 del proceso de resolución.
 Muchas veces se selecciona un módulo completo, y se usa meta-conocimiento
 para elegir el siguiente módulo a cargar.
 Si hay varios métodos de resolución, se puede usar meta-conocimiento para
 elegir el más apropiado.
\end_layout

\begin_layout Standard
El 
\series bold
ámbito
\series default
 de una representación de conocimiento es el dominio en que se va a aplicar.
 Definir conocimiento genérico es muy costoso, por lo que son más adecuadas
 representaciones para contextos restringidos.
\end_layout

\begin_layout Standard
La 
\series bold
granularidad
\series default
 es el tamaño de la unidad mínima de representación, 
\series bold
gránulo
\series default
 o 
\series bold
grano
\series default
.
 Con un grano grueso, los contenidos de alto nivel se representan de forma
 sencilla pero el tratamiento es difícil, mientras que uno fino permite
 representar procesos de bajo nivel y construir estructuras jerárquicas
 fácilmente pero da problemas para representar conceptos de alto nivel.
\end_layout

\begin_layout Standard
El conocimiento es 
\series bold
redundante
\series default
 si se representa el mismo de varias formas, lo que permite una aplicación
 más efectiva porque algunas formas de conocimiento son más adecuadas para
 ciertos casos que otras, pero aumenta el volumen de datos.
\end_layout

\begin_layout Section
Sistemas basados en reglas
\end_layout

\begin_layout Standard
Un 
\series bold
sistema basado en reglas
\series default
 o 
\series bold
sistema experto
\series default
 es un sistema basado en conocimiento que usa reglas de la forma 
\begin_inset Quotes cld
\end_inset

si 
\emph on
condición
\emph default
 entonces 
\emph on
acción
\emph default

\begin_inset Quotes crd
\end_inset

, dadas por un 
\series bold
antecedente
\series default
 o 
\series bold
condición
\series default
 formado por una lista de cláusulas a verificar y un 
\series bold
consecuente
\series default
 o 
\series bold
acción
\series default
 formado por una lista de acciones a ejecutar cuando se cumplen las condiciones.
 Consta de:
\end_layout

\begin_layout Itemize
Una 
\series bold
base de hechos
\series default
 o 
\series bold
memoria de trabajo
\series default
 con hechos conocidos de una situación particular.
 Los hechos son:
\end_layout

\begin_deeper
\begin_layout Itemize
De entrada, introducidos por el usuario u obtenidos de fuentes como sensores
 o bases de datos, iniciales o introducidos durante el proceso conforme
 se obtienen.
\end_layout

\begin_layout Itemize
Inferidos por el sistema durante el proceso.
\end_layout

\begin_layout Itemize
Los objetivos y subobjetivos a alcanzar.
\end_layout

\end_deeper
\begin_layout Itemize
Una 
\series bold
base de conocimiento
\series default
 con las reglas del dominio.
 La ejecución de una acción puede modificar la base de hechos, normalmente
 añadiendo hechos inferidos.
\end_layout

\begin_deeper
\begin_layout Standard
Una 
\series bold
red de inferencia
\series default
 es una representación gráfica de una red de conocimiento de forma similar
 a un grafo.
 Las reglas se dibujan como puertas lógicas en función de cómo tengan que
 combinarse los antecedentes para que la regla sea aplicable.
 
\end_layout

\begin_layout Standard
Un hecho se representa como una flecha que va hacia la entrada de las reglas
 que lo tengan como antecedente, posiblemente dividiéndose en el camino.
 Si el hecho es resultado del consecuente de una única regla, la flecha
 parte del consecuente; si lo es de varias reglas, parte de un rectángulo
 y se dibujan flechas de dichas reglas al rectángulo, y si no lo es de ninguna
 regla, parte de la nada.
 
\end_layout

\begin_layout Standard
Generalmente las flechas se dibujan de izquierda a derecha, con los hechos
 de partida a la izquierda y las metas a la derecha.
 Los hechos y las reglas pueden etiquetarse.
\end_layout

\end_deeper
\begin_layout Itemize
Un 
\series bold
mecanismo
\series default
 o 
\series bold
motor de inferencias
\series default
 que selecciona reglas aplicables para obtener alguna conclusión.
\end_layout

\begin_layout Standard
Los sistemas expertos son importantes en escenarios gobernados por reglas
 deterministas, y sobre todo en los que escasean expertos humanos, porque
 permiten capturar la experiencia humana de forma natural.
 Las reglas indican implicación causal, pero se les aplica razonamiento
 deductivo basado en 
\emph on
\lang latin
modus ponens
\emph default
\lang spanish
.
\end_layout

\begin_layout Standard

\series bold
Equiparar
\series default
 es buscar un conjunto, el 
\series bold
conjunto conflicto
\series default
, de reglas de la base de conocimiento, las reglas 
\series bold
aplicables
\series default
 o 
\series bold
activadas
\series default
, cuyas condiciones o acciones sean compatibles con los datos almacenados.
 
\series bold
Resolver
\series default
 es seleccionar una regla del conjunto conflicto.
 Así, mientras la base de hechos no haya alcanzado una condición de finalización
, normalmente alcanzar un hecho meta, y no se haya ejecutado una acción
 de parada, el motor de inferencias equipara, resuelve y ejecuta la regla
 elegida, actualizando la base de hechos con los hechos resultantes de aplicar
 la regla.
\end_layout

\begin_layout Standard
El motor de inferencias usa 
\series bold
encadenamiento hacia delante
\series default
 o 
\series bold
dirigido por datos
\series default
 si parte de los hechos conocidos y busca qué metas se verifican a partir
 de estos, equiparando hechos con antecedentes de reglas, y usa 
\series bold
encadenamiento hacia atrás
\series default
 o 
\series bold
dirigido por metas
\series default
 si parte de la meta dada y comprueba si se deduce de los hechos creando
 subobjetivos, equiparando metas con consecuentes de reglas.
 
\end_layout

\begin_layout Standard
Equiparar no siempre es trivial, pues las reglas pueden ser generales y
 por ejemplo contener variables.
 Además, examinar todas las reglas en cada ciclo es costoso si la base de
 conocimiento es grande, por lo que se indizan las reglas y se usan técnicas
 que evitan examinar todo el conocimiento.
 El 
\series bold
algoritmo RETE
\series default
, usado en las herramientas Jess y DROOLS, busca patrones en reglas y construye
 un grafo para acelerar la equiparación de reglas al usar encadenamiento
 hacia delante.
\end_layout

\begin_layout Standard
Un 
\series bold
método de resolución de conflictos
\series default
 elige qué regla aplicar del conjunto conflicto, y de este depende el tiempo
 de respuesta del sistema ante cambios del entorno y la posibilidad de ejecutar
 secuencias de acciones relativamente largas.
 Estos métodos pueden ser:
\end_layout

\begin_layout Itemize

\series bold
Estáticos
\series default
, basados solo en la base de conocimiento, como seleccionar las reglas ordenadas
 por un criterio como su número de antecedentes.
\end_layout

\begin_layout Itemize

\series bold
Dinámicos
\series default
, como elegir las reglas que usan elementos más recientes de la base de
 hechos o reglas no usadas previamente.
\end_layout

\begin_layout Standard
Los sistemas expertos son de grano fino, modulares, uniformes, simples y
 aplicables a muchos ámbitos.
 Separan estrictamente la representación del conocimiento, declarativa,
 de la técnica de razonamiento, y los razonamientos son relativamente comprensib
les por humanos, aunque su baja granularidad dificulta entender posibles
 superestructuras cuando hay muchas reglas.
 Es fácil extenderlos para que incluyan meta-conocimiento mediante meta-reglas,
 y conocimiento sobre incertidumbre.
\end_layout

\begin_layout Section
Lógicas no clásicas
\end_layout

\begin_layout Standard
Una 
\series bold
lógica
\series default
 es un lenguaje de 
\series bold
proposiciones
\series default
 junto con un conjunto de 
\series bold
reglas de inferencia
\series default
 que transforman unas proposiciones en otras.
 Una 
\series bold
teoría
\series default
 es un conjunto de proposiciones o 
\series bold
axiomas
\series default
 en el contexto de una lógica, y todas las proposiciones que se puedan obtener
 de esta por aplicación de reglas de inferencia de la lógica, incluyendo
 los propios axiomas, son sus 
\series bold
teoremas
\series default
.
 Escribimos 
\begin_inset Formula ${\cal T}\vdash P$
\end_inset

 si 
\begin_inset Formula $P$
\end_inset

 es un teorema de la teoría 
\begin_inset Formula ${\cal T}$
\end_inset

.
 Las lógicas suelen incluir una semántica 
\begin_inset Quotes cld
\end_inset

genérica
\begin_inset Quotes crd
\end_inset

 para las proposiciones que las teorías completan.
\end_layout

\begin_layout Standard
Una lógica es 
\series bold
monótona
\series default
 si siempre que 
\begin_inset Formula ${\cal T}\vdash P$
\end_inset

 y 
\begin_inset Formula ${\cal T}'$
\end_inset

 sea una teoría cuyos axiomas incluyan los de 
\begin_inset Formula ${\cal T}$
\end_inset

, se tiene 
\begin_inset Formula ${\cal T}'\vdash P$
\end_inset

.
 Las lógicas clásicas son monótonas, pero la monotonía no es apropiada cuando
 el conocimiento es incompleto o el mundo es cambiante, pues puede que haya
 que hacer suposiciones por defecto que puedan invalidarse cuando se tenga
 más conocimiento.
\end_layout

\begin_layout Standard
Las lógicas clásicas no son apropiadas para tratar conocimiento incompleto,
 incierto, impreciso o inconsistente, y los algoritmos para manipular conocimien
to lógico son ineficientes, por lo que se crean otras lógicas más apropiadas.
\end_layout

\begin_layout Subsection
Lógica de situaciones
\end_layout

\begin_layout Standard
Introducida por McCarthy en 1969.
 Como la lógica de predicados de primer orden pero todos los predicados
 tienen un argumento extra que indica en qué situación la fórmula es cierta,
 pues una fórmula puede pasar a ser falsa tras un cambio.
 Existe una función 
\begin_inset Formula $R/2$
\end_inset

 de modo que 
\begin_inset Formula $R(e,s)$
\end_inset

 es la situación resultante de que ocurra el evento 
\begin_inset Formula $e$
\end_inset

 en la situación 
\begin_inset Formula $s$
\end_inset

.
\end_layout

\begin_layout Standard
Al crear el modelo, hay que indicar qué proposiciones simples se siguen
 cumpliendo al aplicar un cambio a la situación.
\end_layout

\begin_layout Subsection
Lógica difusa
\end_layout

\begin_layout Standard
En lógica de predicados, a todo predicado 
\begin_inset Formula $P$
\end_inset

 sobre un dominio 
\begin_inset Formula $U$
\end_inset

 le corresponde un conjunto 
\begin_inset Formula $\{x\in U\mid P(x)\}$
\end_inset

 y una 
\series bold
función de pertenencia
\series default
 
\begin_inset Formula $f:U\to\{0,1\}$
\end_inset

 dada por
\begin_inset Formula 
\[
f(x):=\begin{cases}
1, & P(x);\\
0, & \neg P(x);
\end{cases}
\]

\end_inset

distinguiendo entre predicados ciertos y falsos.
 En lógica difusa usamos 
\series bold
predicados vagos
\series default
, de modo que a un predicado 
\begin_inset Formula $P$
\end_inset

 sobre un dominio 
\begin_inset Formula $U$
\end_inset

 le corresponde un 
\series bold
conjunto difuso
\series default
 y una función de pertenencia 
\begin_inset Formula $f:U\to[0,1]$
\end_inset

.
 La lógica clásica y la teoría de conjuntos difusos nos permiten razonar
 con afirmaciones vagas con palabras como 
\begin_inset Quotes cld
\end_inset

joven
\begin_inset Quotes crd
\end_inset

, 
\begin_inset Quotes cld
\end_inset

alto
\begin_inset Quotes crd
\end_inset

, 
\begin_inset Quotes cld
\end_inset

muy
\begin_inset Quotes crd
\end_inset

, 
\begin_inset Quotes cld
\end_inset

muchos
\begin_inset Quotes crd
\end_inset

, 
\begin_inset Quotes cld
\end_inset

bastantes
\begin_inset Quotes crd
\end_inset

, 
\begin_inset Quotes cld
\end_inset

pocos
\begin_inset Quotes crd
\end_inset

, etc., pues de otra forma tendríamos inconsistencias.
\end_layout

\begin_layout Subsection
Factores de certeza
\end_layout

\begin_layout Standard
Para razonar con hechos con fiabilidad o precisión limitada o sobre los
 que no estamos seguros, se suele incorporar la incertidumbre a una lógica
 que no la incluye.
 Esto se suele hacer con probabilidades y redes bayesianas, basadas en probabili
dad condicionada e independencia de sucesos.
\end_layout

\begin_layout Standard
A finales de los 70 se crea Mycin, un sistema basado en reglas usado para
 identificar la bacteria causante de una infección y seleccionar un tratamiento
 basándose en datos clínicos y encadenamiento hacia atrás.
 Por entonces no se habían inventado las redes bayesianas y era difícil
 obtener valores objetivos para las probabilidades, por lo que se usaron
 factores de certeza obtenidos de estimaciones subjetivas.
\end_layout

\begin_layout Standard
El 
\series bold
factor de certeza
\series default
 de una 
\series bold
hipótesis
\series default
 
\begin_inset Formula $h$
\end_inset

 según una 
\series bold
evidencia
\series default
 
\begin_inset Formula $e$
\end_inset

, 
\begin_inset Formula $\text{FC}(h,e)$
\end_inset

 es la diferencia de una 
\series bold
medida de creencia
\series default
, un número en 
\begin_inset Formula $[0,1]$
\end_inset

 que indica en qué grado 
\begin_inset Formula $e$
\end_inset

 apoya 
\begin_inset Formula $h$
\end_inset

, y una 
\series bold
medida de incredulidad
\series default
, un número en 
\begin_inset Formula $[0,1]$
\end_inset

 que indica en qué grado 
\begin_inset Formula $e$
\end_inset

 apoya 
\begin_inset Formula $\neg h$
\end_inset

.
 Las medidas de creencia e incredulidad no pueden ser positivas a la vez,
 por lo que 
\begin_inset Formula $\text{FC}(h,e)\in[-1,1]$
\end_inset

 es suficiente para despejar ambas.
\end_layout

\begin_layout Standard
El antecedente de una regla es una conjunción o disyunción de proposiciones
 atómicas en lógica preposicional y el consecuente es una proposición atómica.
 Las funciones de combinación deben ser conmutativas y asociativas, pues
 el orden en que se obtienen las evidencias es arbitrario; el resultado
 de encadenar inferencias debe tener menor certeza que cada inferencia individua
l, y si una evidencia adicional confirma una hipótesis, su factor de creencia
 debe aumentar.
 
\end_layout

\begin_layout Standard
Con esto, cada regla 
\begin_inset Formula $h\to e$
\end_inset

 lleva asociado un factor de certeza 
\begin_inset Formula $\text{FC}(h,e)$
\end_inset

, cada hipótesis 
\begin_inset Formula $h$
\end_inset

 en la base de hechos lleva asociado un factor de certeza 
\begin_inset Formula $\text{FC}(h,\bot)$
\end_inset

, donde 
\begin_inset Formula $\bot$
\end_inset

 es la situación particular, y las reglas son:
\begin_inset Formula 
\begin{align*}
\text{FC}(h_{1}\land h_{2},e) & =\min\{\text{FC}(h_{1},e),\text{FC}(h_{2},e)\},\\
\text{FC}(h_{1}\lor h_{2},e) & =\max\{\text{FC}(h_{1},e),\text{FC}(h_{2},e)\},\\
\text{FC}(h,e) & =\text{FC}(h,s)\max\{0,\text{FC}(s,e)\},\\
\text{FC}(h,e_{1}\land e_{2}) & =\begin{cases}
\text{FC}(h,e_{1})+\text{FC}(h,e_{2})-\text{FC}(h,e_{1})\text{FC}(h,e_{2}), & \text{FC}(h,e_{1}),\text{FC}(h,e_{2})\geq0;\\
\text{FC}(h,e_{1})+\text{FC}(h,e_{2})+\text{FC}(h,e_{1})\text{FC}(h,e_{2}), & \text{FC}(h,e_{1}),\text{FC}(h,e_{2})\leq0;\\
\frac{\text{FC}(h,e_{1})+\text{FC}(h,e_{2})}{1-\min\{|\text{FC}(h,e_{1})|,|\text{FC}(h,e_{2})|\}}, & \text{FC}(h,e_{1})\text{FC}(h,e_{2})\leq0.
\end{cases}
\end{align*}

\end_inset


\end_layout

\begin_layout Standard
\begin_inset ERT
status open

\begin_layout Plain Layout


\backslash
begin{sloppypar}
\end_layout

\end_inset

En las diapositivas, las dos primeras reglas aparecen como 
\begin_inset Formula $\text{FC}(h,e_{1}\land e_{2})=\min\{\text{FC}(h,e_{1}),\text{FC}(h,e_{2})\}$
\end_inset

 y 
\begin_inset Formula $\text{FC}(h,e_{1}\lor e_{2})=\max\{\text{FC}(h,e_{1}),\text{FC}(h,e_{2})\}$
\end_inset

, lo que tiene aún menos sentido que las reglas que realmente usamos, que
 son las que se muestran.
 Las dos primeras reglas se usan para evaluar el factor de certeza de antecedent
es de reglas; la tercera para obtener el factor de certeza del consecuente
 de una regla sabiendo el de su antecedente, y la cuarta para combinar factores
 de certeza obtenidos por distintas reglas.
\begin_inset ERT
status open

\begin_layout Plain Layout


\backslash
end{sloppypar}
\end_layout

\end_inset


\end_layout

\begin_layout Section
Representaciones estructuradas del conocimiento
\end_layout

\begin_layout Standard
Las 
\series bold
redes semánticas
\series default
, inventadas por Quillian en 1961, se basan en grafos para modelar la capacidad
 de la memoria humana de recuperar conceptos a través de las relaciones
 que los enlazan.
 Los 
\series bold
marcos
\series default
 o 
\series bold
\emph on
\lang english
frames
\series default
\emph default
\lang spanish
, inventados por Minsky en 1975, se basan en estructuras parecidas a formularios
 y permiten hacer inferencias basadas en herencia.
\end_layout

\begin_layout Standard
En los años 90, en ingeniería del conocimiento se adoptan las 
\series bold
ontologías
\series default
, especificaciones formales explícitas de conceptos organizados en forma
 jerárquica para servir de soporte a aplicaciones que requieren conocimiento
 específico sobre una materia concreta.
 En la segunda mitad de los 90, estas se aplican a la web para añadir descripcio
nes semánticas a los contenidos, creándose la 
\series bold
web semántica
\series default
.
\end_layout

\end_body
\end_document