RAZONAMIENTO APROXIMADO

FACTORES DE CERTEZA

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

ndice
Presentacin ................................................................................................................................................. 3 Ejemplo de aplicacin: sistema experto jurdico .......................................................................................... 4 Definicin de reglas ...................................................................................................................................... 5 Valores de entrada ....................................................................................................................................... 7 Encadenamiento........................................................................................................................................... 8 Ejemplo de aplicacin: sistema experto de alarmas .................................................................................... 9 Definicin de reglas .................................................................................................................................... 10 Valores de entrada y encadenamiento I .................................................................................................... 11 Valores de entrada y encadenamiento II ................................................................................................... 12 Consideraciones generales ......................................................................................................................... 13 Resumen ..................................................................................................................................................... 14

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Presentacin
El formalismo de los factores de certeza (CF), como hemos visto en el tema anterior, permite representar en las reglas de un sistema experto el nivel de confianza o probabilidad asociado a ella. La regla de encadenamiento permite calcular el valor del CF resultante de la aplicacin de las reglas, y de las conclusiones finales del proceso de razonamiento.

En este tema veremos dos ejemplos de aplicacin de los principales elementos del formalismo de los factores de certeza sobre dos sistemas expertos simplificados: un sistema experto jurdico y uno de control de alarmas. El propsito de trabajar con estos dos ejemplos sencillos es el de tener la oportunidad de ver sobre ellos cmo modelar mediante los CF las reglas, datos de entrada, y cmo se aplica la regla de encadenamiento para llegar a conclusiones.

Al terminar este tema sers capaz de: Poner en prctica los aspectos bsicos del modelado de reglas y datos en el formalismo de factores de certidumbre sobre dos ejemplos concretos. Saber cmo aplicar la regla de encadenamiento para derivar conclusiones de reglas con CF asociados. Tener una visin general de las ventajas del formalismo de los factores de certidumbre y su adecuacin a diversas situaciones.

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Ejemplo de aplicacin: sistema experto jurdico
Para ilustrar la forma de cmo modelar con factores de certidumbre en reglas, y la forma en que se propagan los factores de certidumbre en la inferencia, vamos a centrarnos en un caso motivado en el dominio jurdico. Vamos a considerar un escenario simplificado en el caso de un juicio. En el juicio, al imputado se le acusa de un delito de homicidio. El jurado debe sopesar la evidencia presentada por el fiscal y por la defensa, para decidir si el acusado es culpable o inocente. En este escenario, y de forma simplificada, vamos a considerar tres reglas para modelar cmo podra razonar un sistema experto que trabajase sobre la toma de decisin sobre si es culpable o no el acusado: Regla 1:

IF huellas dactilares del acusado presentes en arma THEN acusado culpable (CF = 0,75)
Regla2:

IF el acusado tiene motivo (mvil) THEN acusado culpable (CF = 0,60)

Regla 3:

IF el acusado tiene coartada THEN acusado culpable (CF = -0,80)

Como resultado de la aplicacin de las reglas a un caso problema, conseguimos como conclusin el valor del CF calculado para culpable. Si como conclusin del razonamiento para un caso se obtiene CF(culpable) = 0,8, por ejemplo, estamos en una situacin en la que el acusado es con mucha probabilidad culpable. Si por el contrario, obtuvisemos como conclusin un CF(culpable) = -0,6, por ejemplo, estaramos en una situacin en la que es significativamente probable que el acusado sea inocente. Obtener un CF(culpable) = 0,0 es incertidumbre absoluta, en el sentido de que es igual la probabilidad de inocencia que la de culpabilidad. A continuacin vamos a comentar cada una de estas reglas, vemos cmo aplicarlas a un caso, y cmo utilizar la frmula de encadenamiento (E1) -que vimos en el tema anterior y reproducimos nuevamente aqu- para llegar a un valor final. Frmula

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Definicin de reglas
Revisamos en este punto cada una de las tres reglas que estamos considerando en este ejemplo.

Regla 1

IF huellas dactilares del acusado presentes en arma THEN acusado culpable (CF = 0,75)
La regla 1 modela la probabilidad de que el acusado sea culpable si existen huellas dactilares suyas en el arma. Se le asigna un CF = 0,75 a la regla, un valor significativamente alto.

Si no hay huellas dactilares

Si no hay huellas dactilares Para ver su comportamiento, podemos considerar una situacin en la que no haya huellas dactilares: supongamos por ejemplo un CF(huellas dactilares) = -0,8. Aplicar la regla para esta situacin supondra obtener CF (culpable) = 0,75 * -0,8 = -0,6. Es decir, una probabilidad significativa de no culpabilidad, o lo que es lo mismo, de inocencia.

Si hay huellas dactilares

Si hay huellas dactilares Otro ejemplo de comportamiento de la regla: un caso en que s haya presencia de huellas en el arma, y para lo que es de esperar que se obtenga un valor de culpabilidad. Por ejemplo, si CF(huellas dactilares) = 0,9, entonces CF(culpable) = 0,75 * 0,9 = 0,675, es decir un valor significativo de probabilidad de culpable.

Regla2

IF el acusado tiene motivo (mvil) THEN acusado culpable (CF = 0,60)

Esta regla modela una relacin entre la posibilidad de que el acusado sea culpable si se ha encontrado un mvil o razn para que realice el asesinato. Ver cmo en este caso se ha asignado un CF a la regla algo menor que en la regla1: interesa ver cmo con esto se estara modelando conocimiento que provenga de un experto o se obtenga estadsticamente.

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Como ejemplo, podramos tener una situacin con un CF(mvil) = 0,50 (es decir, existencia significativa del mvil), y entonces la regla proporcionara un CF(culpable) = 0,60 * 0,50 = 0,30. Esto sera un valor orientado hacia la culpabilidad, pero poco decisivo.

Regla 3

IF el acusado tiene coartada THEN acusado culpable (CF = -0,80)

Se relaciona el hecho de que el acusado pueda presentar una coartada con la probabilidad de que sea culpable. Interesa ver cmo en esta regla, a diferencia de las anteriores, el CF es negativo. Con el valor negativo se est modelando el que en este caso la existencia de la evidencia contribuye opuestamente a la hiptesis, es decir, si alguien puede presentar una buena coartada, es probable que sea inocente.

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Valores de entrada
Dependiendo de los valores que tengan los tres parmetros de entrada de las siguientes reglas, se pueden presentar situaciones muy diversas:

Podemos tener casos muy claros de culpabilidad en los que haya evidencia alta para los tres, por ejemplo: haba huellas en el arma, tena un mvil, y no tiene coartada . Otro caso claro puede ser uno en el que la situacin se oriente hacia a la inocencia, con evidencias por ejemplo de que: no se han encontrado huellas dactilares, no se ha encontrado ningn mvil y el acusado tiene una coartada muy buena. Tambin interesa ver que puede haber diversos casos en los que las evidencias no sean tan concluyentes, por ejemplo:

CF(huellas dactilares) = 0,90 CF(mvil) = 0,50 CF(coartada) = 0,95

Con qu caso se corresponden estos valores? Es una situacin en la que hay presencia de huellas, un mvil significativo, pero el acusado tiene una coartada muy buena. Cul debe ser la decisin en este caso, culpable o inocente? En el punto siguiente vemos cmo aplicar la regla de encadenamiento para conseguir un valor final de CF(culpable) a partir de las tres reglas.

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Encadenamiento
Vemos en este punto la aplicacin de la regla de encadenamiento (E1) al caso concreto de: CF(huellas dactilares) = 0,90 CF(mvil) = 0,50 CF(coartada) = 0,95 Para estos valores, los CF que se obtienen para culpable, en cada una de las reglas son:

Para componer estos valores y llegar a un valor final de CF para culpabilidad aplicamos de forma iterativa la regla de encadenamiento, basndonos en la expresin (E1) vista anteriormente, como sigue: Para componer los CF obtenidos de R1 y R2, como los dos son del mismo signo, de acuerdo con (E1):

CFr1r2 = CFres(CFr1,CFr2) = 0,675 + 0,30 * (1 0,675) = 0,7725

(Interesa interpretar este valor como que el acusado es bastante culpable, por lo que respecta a R1 y R2). Para componer ahora el anterior valor de R1 y R2, con el que se obtena para R3, aplicando (E1) como los dos CF son de signos diferentes:

CFr1r2r3 = CFres(CFr1r2, CFr3) = (0,7725 0,76) / (1,0 0,76) = 0,052

Conclusin

Conclusin Como conclusin para este caso se obtiene un CF(culpable) = 0,052. Interesa interpretar cmo este resultado es de un valor de indefinicin, que se corresponde con lo que era de esperar intuitivamente. Efectivamente, estbamos ante un caso en el que haba evidencias tanto de culpabilidad como de inocencia, y el valor numrico final para CF(culpabilidad) que se ha obtenido es prximo a cero, tan prximo de hecho, que indica que es prcticamente igual la probabilidad de culpabilidad a la de inocencia (otros valores pequeos, pero con un determinado sesgo podran haber sido CF(culpable) = 0,1 CF(culpable = -0,1), pero el CF obtenido es todava menor en valor absoluto).

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Ejemplo de aplicacin: sistema experto de alarmas
Vemos ahora otro ejemplo de sistema experto sencillo con un propsito doble: complementar al anterior ejemplo sobre la forma de modelar con factores de certidumbre en reglas y el mtodo de inferencia, y adems ver un caso en el que se realiza el proceso de inferencia cuando las reglas dependen unas de otras. Consideramos ahora un ejemplo motivado en un sistema de gestin de alarmas en un local. Las cuatro reglas que vamos a considerar son las siguientes: Regla 1:

IF sensor.temperatura THEN alarma (CF = 0.5)

Regla2:

IF sensor.humo THEN alarma (CF = 0.9)

Regla 3:

IF alarma THEN aviso.urgencias (CF = 0,7)

Regla4:

IF horario.diurno THEN aviso.urgencias (CF = -0,3)

Ms adelante comentaremos el significado de cada una de ellas, pero por ahora, formalmente, nos interesa subrayar la diferencia frente al caso anterior (del sistema experto jurdico sencillo). En este caso, las reglas y sus condiciones dependen unas de otras, grficamente, en forma de red de inferencia:

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Definicin de reglas
Revisamos en este punto la posible interpretacin de cada una de las reglas que estamos considerando en este ejemplo.

La regla 1 modela el comportamiento que se desea del sistema Regla 1: IF sensor.temperatura THEN alarma (CF = 0,5) en caso de que se produzca una seal desde un sensor de temperatura. Si el sensor proporciona un valor de la temperatura muy alto, la regla hace que se produzca una seal de alarma, con un CF asignado de 0,5. La regla 2 modela un comportamiento anlogo al de la 1, pero Regla2: IF sensor.humo THEN alarma (CF = 0,9) centrado en la seal que d un detector de humo. El que el CF de la regla 2 sea mayor que el de la regla 1, hay que interpretarlo como que se est asignando mayor confianza a la necesidad de dar la seal de alarma si se detecta humo, que si se detecta temperatura excesiva. Regla 3: IF alarma THEN aviso.urgencias (CF = 0,7) Esta regla viene a modelar el comportamiento de que si se ha producido una seal de alarma, se debe dar a continuacin un aviso al servicio de urgencias (bomberos, por ejemplo). Esta regla viene a modelar un comportamiento complementario al de la anterior, en la medida en que el CF es negativo. Podra Regla 4: IF horario.diurno THEN aviso.urgencias (CF = -0,3) interpretarse como que se desea que si la alarma se produce durante el da, la necesidad de avisar a urgencias es menor que durante la noche (algo as como que durante el da puede haber personal que resuelva el problema sin necesidad de avisar al servicio de urgencia, y que si es por la noche, s es ms propenso el sistema a avisar a urgencias).

10

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Valores de entrada y encadenamiento I
Dependiendo de los valores que tengan los dos parmetros de entrada de las reglas 1 y 2, se pueden presentar situaciones muy diversas dependiendo de los valores de cada uno de ellos:

R1. IF sensor.temperatura R2. IF sensor.humo

Vamos a suponer para este ejemplo que tenemos los valores concretos:

CF(sensor.temperatura) = 0,10 CF(sensor.humo) = 0,60 CF(horario.diurno) = 0,90

Es decir, una situacin donde el sensor de temperatura da una seal muy pequea de conflicto, pero el sensor de humo da una seal bastante significativa de deteccin. Tambin, estamos en un momento que se encuentra de forma bastante significativa en el horario diurno. Una diferencia bsica con el caso anterior del sistema jurdico, es que el valor del requisito de la regla R3 depende del resultado de R1 y R2. Para casos como este podemos aplicar la regla de encadenamiento (E1) para conseguir componer los resultados de R1 y R2. Los valores que se obtendran seran los de las tres primeras filas de la tabla. El valor del CF de alarma se aplica como entrada de R3 y se obtiene el CF de aviso.urgencias:

Regla R1 R2 R1+R2 R3

Valor de CF CF(alarma) = CF(alarma) = CF(alarma) = CF(aviso.urgencias) =

Regla de encadenamiento 0,1 * 0,5= 0,6 * 0,9 = 0,05 + 0,54(1-0,05) = 0,563* 0,7 = 0,05 0,54 0,563 0,3941

Resultado

Es decir, hasta este punto del razonamiento, y por lo que respecta a R1, R2, y R3, para esta situacin se est llegando a que hay un valor de CF significativo para dar la seal de alarma (CF=0,56), y por ahora, tambin un valor significativo, aunque algo menor (CF=0,39) para dar el aviso al servicio de urgencias.

11

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Valores de entrada y encadenamiento II
Por otra parte, aplicando R4 se obtiene otro valor para aviso.urgencias:

R4.CF(aviso.urgencias) = 0,90 * -0,30 = -0,27

Interpretndolo, por estar en horario diurno, la regla indica que es mejor no dar aviso de urgencias. Ahora se trata de componer los dos CF obtenidos para aviso.urgencias provenientes de R3 y R4. Nuevamente, utilizando la expresin E1 para el encadenamiento, ya que en este caso los dos valores tienen signos distintos, se llega a:

R3+R4. CF(aviso.urgencias) = min(0,3941,0,27) ) = 0,17

(0,3941 -0,27) / ( 1

Por lo tanto, la conclusin de todo el proceso de razonamiento es un CF finalmente para aviso.urgencias de 0,17. En resumen para este caso, aunque por los valores de los sensores se llegaba a una conclusin de dar aviso al servicio de urgencias, ya que el momento en que se razona es en horario.diurno, no se llega a tener un valor alto para el aviso. Si hubisemos estado en un momento no de horario diurno (por ejemplo CF(horario.diurno) = -0,9), el valor para la seal de alarma es de esperar que s que hubiese sido alto. Comparando este ejemplo con el anterior, hemos visto cmo se puede aplicar la regla de encadenamiento basada en la expresin (E1) para el caso general donde las reglas y sus requisitos y conclusiones pueden depender unos de otros.

12

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Consideraciones generales
El formalismo de los factores de certeza ha sido muy popular entre los desarrolladores de sistemas expertos desde su aparicin por diversas razones. Sealamos a continuacin algunas de sus ventajas:

Por otra parte, como sealamos anteriormente, tambin han surgido tcnicas complementarias que han proporcionado mecanismos ms expresivos y flexibles para algunos aspectos tiles en el razonamiento aproximado. En el tema siguiente veremos, en este sentido, la lgica difusa.

13

RAZONAMIENTO APROXIMADO FACTORES DE CERTEZA

Resumen
El formalismo de los factores de certeza (CF) permite representar en las reglas de un sistema experto el nivel de confianza o probabilidad asociado a ella. La regla de encadenamiento permite calcular el valor del CF resultante de la aplicacin de las reglas, y de las conclusiones finales del proceso de razonamiento. En este tema hemos visto dos ejemplos de aplicacin de los principales elementos del formalismo de los factores de certeza sobre dos sistemas expertos simplificados: un sistema experto jurdico y uno de control de alarmas. Sobre los dos ejemplos hemos tenido la oportunidad de modelar mediante los CF distintas reglas, datos de entrada, y comprobar cmo se aplica la regla de encadenamiento para llegar a conclusiones.

Los aspectos bsicos que hemos visto en cada uno de los ejemplos han sido: La definicin de las reglas y los CF asociados. Los valores de los datos de entrada. El proceso de inferencia aplicando la regla de encadenamiento basada en la expresin (E1).

Hemos terminado el tema con unas consideraciones generales sobre las ventajas del formalismo CF y las situaciones donde resulta adecuado.

14