Escolar Documentos
Profissional Documentos
Cultura Documentos
i
s son ,ariables diferentes ' las t
i
s son t0rminos diferentes a las
i
s.
<na epresin es un t0rmino% una literal una conjuncin o una disjuncin de literales
<na substitucin & ) se puede aplicar a una expresin &0)% denotado como: %
generando una nue,a expresin &una instancia de 0)
6ea ' . #a composicin de
estas substituciones% denotado por: se obtiene $uitando del conjunto:
todos los elementos: para los
cuales: ' todos los elementos s
1
/y
1
donde
<na substitucin es un unificador de un conjunto de expresiones si
<n unificador % es el unificador ms general &mgu) de un conjunto de expresiones 0%
si para cada unificador de 0% existe una substitucin tal $ue
+ara hacer resolucin en lgica de primer orden tenemos $ue comparar si dos literales
complementarias unifican. El algoritmo de unificacin constru'e un mgu de un conjunto
de expresiones.
6e tienen $ue renombrar ,ariables $ue tengan el mismo nombre en las cl.usulas a
resol,er
6ean .
1
' .
2
dos cl.usulas con literales /
1
' /
2
respecti,amente. 6i /
1
' tienen un
mgu % el resolvente de .
1
' .
2
es la cl.usula:
+uede existir m.s de un resolvente
6i una o m.s literales en cl.sula . tienen un mgu % la cl.usula se dice ser un
factor de .
En su forma general% resolucin permite cancelar m.s de una literal de las cl.usulas
padres% al computar el factor de estas
<n resolvente de cl.usulas .
1
' .
2
es:
1.
resol,ente de .
1
' .
2
2.
resol,ente de .
1
' un factor de .
2
.
resol,ente de un factor de .
1
' .
2
!.
resol,ente de un factor de .
1
' un factor de .
2
El algoritmo de unificacin no es determin(stico &se pueden seleccionar las cl.usulas de
,arias formas)
Existen diferentes estrategias de resolucin% e.g.% sem.ntica% lineal% 6#-
http://www.mor.itesm.mx/Vrdec/node!W.html
2.1* La demostracin y sus m4todos.
2.1- El m4todo de 0esolucin de 0obinson
).
2. 3TE/E4E3TES5 4E HE%B%34 %6B03S63
El encontrar un procedimiento general de decisin para verificar la
validez (inconsistencia) de una formula ha sido considerada por mucho
tiempo. El primer intento fue hecho por Leibniz (1646 -1716) seguido por
Peano a finales del siglo XX y por la escuela de Hilbert en los aos
veinte. Sin embargo, no fue hasta 1936 que Church y Turing probaron
de manera independiente que esto era imposible, es decir, que no existe
un procedimiento general de decisin para constatar la validez de las
formulas de primer orden en lgica. Sin embargo, hay procedimientos de
prueba que pueden verificar que una formula es vlida si en realidad lo
es. Para formulas invalidas, estos procedimientos en general nunca
terminarn (en base a los resultados de Turing y Church, esto es lo
mejor que se puede esperar de un procedimiento de prueba). Un
enfoque verdaderamente importante para la prueba mecnica de
teoremas fue dado por Herbran en 1930. Por definicin, una formula
vlida es una frmula que es verdadera bajo todas las interpretaciones.
Herbrand desarroll un algoritmo para encontrar una interpretacin que
pueda falsear una frmula dada. Sin embargo, si la formula dada es
realmente valida, tal interpretacin no existir y su algoritmo va a parar
despus de un nmero finito de pruebas. El mtodo de Herbrand es la
base de los procedimientos automticos de prueba ms modernos
[Chin1987].
En 1960 Gilmor fue una de las primeras personas en implementar los
procedimientos de Herbrand en una computadora. Ya que una frmula
es vlida si y solo si su negacin es inconsistente, su programa fue
diseado para detectar la inconsistencia de la negacin de una frmula
dada. Durante la ejecucin del programa, se generan frmulas
proposicionales que peridicamente son generadas y probadas para
determinar su inconsistencia. Si la negacin de la formula dada es
inconsistente, el programa detectar el hecho eventualmente. El
programa de Gilmor funciono para unas pocas frmulas, pero encontr
dificultades con otras formulas de primer orden. Pruebas cuidadosas del
programa demostraron su ineficiencia. El mtodo de Gilmor fue
mejorado por Davis y Putman en 1960 despus de unos meses de su
publicacin. Sin embargo, esta mejora fue insuficiente ya que muchas
formulas de primer orden no pudieron ser probadas por una
computadora en un tiempo razonable.
Un avance mayor fue realizado por Robinson en 1965 , al introducir el
=rincipio de 0esolucin, Este procedimiento fue mucho mejor que
cualquiera de los anteriores. Desde la aparicin de este principio
muchos refinamientos han sido propuestos con el fin de aumentar su
eficiencia.
Los procedimientos de prueba de Herbrand y resolucin son
procedimientos de refutacin. Esto es, en lugar de que de probar la
validez de una formula, se prueba que la negacin de una formula es
inconsistente. Esto es por conveniencia, no hay perdida de generalidad
en el uso de mtodos de refutacin. Ms aun estos procedimientos de
refutacin son aplicados a una U,orma est2ndar" de una frmula. La
forma estndar fue introducida por Davis y Putman en 1960. Esta forma
normal consiste en obtener un conjunto de clusulas que cumplen: estar
en forma estndar de Skolem, {conjunto de clusulas} en SSF al ser
eliminados los cuantificadores existenciales y universales; estar
previamente preprocesadas en la forma normal prenexa, PNF = [ s
s][Matriz(CNF)], en donde se han separado los cuantificadores de la
matriz que se encuentra en forma normal conjuntiva (CNF).
La Lgica de Primer Orden es, en la actualidad, es una de las
herramientas ms importantes para la solucin de problemas. Y su
enfoque corresponde a lo que se ha denominado como la Demostracin
Automtica de Teoremas. En trminos generales, la podemos describir
como: ``Los mtodos para demostrar que un conjunto de clusulas es
insatisfactible, basados en los trabajos de Derbrand". Una manera de
describir la mecnica de los mtodos mencionados es la siguiente: ``A
partir de un conjunto de clusulas originales S, se generan conjuntos de
clusulas base instanciadas (ground instances, tambin aterrizadas).
Los mtodos deben controlar la ``generacin combinatorialmente
explosiva" de nuevas clusulas y obtener un conjunto de clusulas que
resulte ser insatisfactible.
De Herbrand Gilmor Divis y Putman A Robinson
A partir de un conjunto de
clusulas originales S, se
generan conjuntos de
clusulas base instanciadas
Los procedimientos deben
controlar la explosin
combinatori de nuevas
clusulas y obtener un
conjunto de clusulas que
resulte ser insatisfactible.
El mtodo de Herbrad, es la
base de muchos
procedimientos automticos
de prueba que se usan en la
actualidad. Gilmore, en 1960,
fu el primero en presentar
una implementacin en una
computadora, del
procedimiento de Herbrand.
Davis y Putnam,
mejoraron el mtodo,
unos meses despus de
publicado el trabajo de
Gilmore en 1960. Aunque
estos trabajos , resultaron
ser un avance importante,
no son suficientes, pues
muchas frmulas validas
de la lgica de Primer
Orden, no pudieron ser
probadas por una
computadora en un
tiempo razonable.
A partir de los trabajos de los
precursores, han surgido dos
tendencias para mejorar la
eficiencia de los mtodos
mecnicos: Los mtodos basados
en las ideas de Prawitz, 1960; y
los mtodos basados en el
Principio de Resolucin de
Robinson, 1965.
Dado un conjunto S de
clusulas, el algoritmo de
Herbrand genera una
secuencia de conjuntos de
instancias base de S, y
prueba sucesivamente la
insatisfactibilidad de los
conjuntos enerados. El
mtodo se considera terico
(No es un procedimiento
efectivo).
Considerada la estrategia
exhaustiva, fu la primera
implementacin conocida del
mtodo de Herbrand,
generando los conjuntos En
donde es la conjuncin de
todas las instancias base
obtenidas de reemplazar
``todas" las variables en S,
por las constantes del i-simo
nivel del Universo de
Herbrand. Probar la
inconsistencia ahora, es
asunto de la lgica de
proposiciones, y Gilmore uso
para ello el mtodo
multiplicativo (un mtodo
para el clculo de
proposiciones).
Dado un conjunto de
clusulas base S, este
mtodo esencialmente
elimina clusulas
aplicando cuatro reglas
de simplificacin. Obtiene
un conjunto S', y
aplicando el teorema de
Herbrand, se sabe que S'
es insatisfactibles si y
solo si, S es
insatisfactible.
El mtodo de resolucin de
Robinson esta considerado como
el precursor de toda una familia
de mtodos, que hacen uso de
los conceptos centrales, pero
que, de alguna manera proponen
algn refinamiento. Consiste
esencialmente en una extensin
de la regla de la literal simple de
Davis y Putnam. Se aplica
directamente a cualquier conjunto
de clusulas (no necesariamente
clusulas base o aterrizadas),
para probar la insatisfactibilidad
de S. El aspecto central del
mtodo cosiste en probar que si S
contiene la clusula vaca,
entonces es incosistente. En caso
de que S no contenga la clusula
vaca, se intentar derivarla a
partir de las clusulas existentes
en S. Si la clusula vaca es
derivada de las clusulas
existentes, S es inconsistente.
Aunque el problema de encontrar un procedimiento nico para probar la
validez de todas las frmulas del Clculo de Primer Orden, es
irresoluble, existen procedimientos de prueba que pueden verificar si
una frmula es valida (cuando efectivamente lo es), aunque no se pueda
conocer efectivamente cuando una frmula es invalida. En virtud de los
resultados de Church y Turing, el planteamiento anterior es lo mejor que
podemos esperar obtener de un procedimiento de ``Demostracin
Automtica de Teoremas". Los procedimientos de demostracin de
Herbrand y los basados en resolucin, son procedimientos por
refutacin; es decir, en lugar de probar que una frmula es vlida, se
probar que la negacin de la frmula es inconsistente.
7. #%03/0#06 4E %ES6L8/093
El principio de resolucin es debido a J. A. Robinson en 1965. Este principio
puede ser aplicado directamente a cualquier conjunto S de clusulas, no
necesariamente clusulas aterrizadas, para probar la insatisfactibilidad de S.
La idea esencial del principio de resolucin es constatar si S contiene la
clusula vaca , si S contiene a , entonces S es insatisfactible. Si S no
contiene a , lo siguiente a constatar es si puede ser derivada de S. El
constatar la presencia de es equivalente a contar el nmero de nodos de un
rbol semntico cerrado de S. S es insatisfactible si y solo si hay un rbol
semntico cerrado T para S. As, S contiene a si y solo si T consiste en un
solo nodo - el nodo raz. Si S no contiene a , T debe contener ms de un
nodo. Sin embargo, si se puede reducir el nmero de nodos en T a uno,
eventualmente la clusula vaca puede ser forzada a aparecer. Esto es lo que
el principio de resolucin hace. Por tanto se puede ver el principio de resolucin
como una regla de inferencia que puede ser usada para generar nuevas
clusulas de S. Si se ponen estas clusulas en S, algunos nodos del T original
pueden ser forzados a ser nodos faltantes. As, el nmero de nodos en T puede
ser reducido y la clusula vaca ser eventualmente derivada.
RESOLUCON Autores, ao.
Semntica Slagle 1967; Robinson, 1965; Kowalky y Hayes,
1969.
Unitaria Wos et al, 1964; Chang, 1970.
Estrategia de Conjunto de
Soporte
Wos et al, 1965.
Hiperresolucion Robinson 1965
Lock Boyes, 1971.
Lineal Loveland, 1971; Luckham, 1971; Anderson y
Bledsoe, 1971, Yates et al, 1971; Reiter, 1971;
Kowalsky y Kuherner, 1971.
:.) %ES6L8/093 L03EL
La resolucin lineal fue propuesta independientemente por Loveland (1970) y
Luckman (1970). Posteriormente fue reforzada por Anderson y Bledsoe (1970),
Reiter (1971), Kowalski y Kuehner (1971) y Loveland (1972).
Las versiones propuestas por Kowalski y Kuehner (1971) y Loveland
(1972),son las que pueden ser implantadas en una computadora de mejor
manera.
Dado un conjunto S de clusulas, y una clusula Cn en S, una Deduccin
Lineal de Cn de S con la clusula inicial.
Donde:
1.Para i= 0, 1, n-1, Ci+1 es un resolvente de Ci (llamada Clusula Central) y Bi
(Clusula Lateral)
2.Cada Bi esta en S, o es una Cj para algn j, j < i
3.P Q
:.2 %ES6L8/093 4E E3T%4 ; %ES6L8/093 830T%0
Al considerar un refinamiento de resolucin, es deseable que ste sea
completo; esto es, garantizar que la clusula vaca pueda ser siempre derivada
de un conjunto de clusulas insatisfactible.
La resolucin de entrada es un subcaso de la resolucin lineal. Es ms
simple de implementar y aunque no es completa, es ms eficiente que la
resolucin lineal. Podemos mostrar que la resolucin de entrada es equivalente
a la resolucin unitaria. Dado un conjunto de clusulas S, ya que S es el
conjunto original de entrada, podemos denominar a cada miembro de S una
clusula de entrada.
1) Una resolucin de entrada en una resolucin en la cual una de las dos
clusulas padres es una clusula de entrada. Una deduccin de entrada (para
enfatizar el conjunto S de entrada, se le denomina tambin deduccin de
entrada ) es una deduccin en la cual toda resolucin es una resolucin de
entrada. Una refutacin de entrada es una deduccin de entrada de la clusula
vaca desde S.
Una deduccin de entrada es realmente una Deduccin Lineal en la cual toda
clusula de lado es una clusula de entrada y por lo tanto es un subcaso de la
Deduccin Lineal.
Ejemplo.Consideremos el siguiente conjunto de clausulas:
P(x,y,u) P(y,z,v)P(x,v,w)P(u,z,w)
P(g(x,y),x,y)
P(x,h(x,y),y)
P(k(x),x,k(x))
2) La resolucin unitaria es una resolucin en la cual un resolvente es obtenido
por el uso de al menos una clusula padre, o un factor unitario de una clusula
padre. Una deduccin unitaria es una deduccin en la cual cada resolucin es
una resolucin unitaria. Una refutacin unitaria es una deduccin unitaria de la
clusula vaca .
La resolucin unitaria es esencialmente una extensin de la regla de la literal
simple de Davis y Putnam para la Lgica de Primer Orden.
Esta regla es especficamente importante, ya que para deducir de un conjunto
dado de clusulas, se debern obtener, sucesivamente, clusulas menores y la
resolucin unitaria proporciona los medios para progresar rpidamente hacia
las clusulas menores.
Se puede demostrar que la resolucin unitaria y la resolucin de entrada son
equivalentes.
:.7 %ES6L8/093 L03EL 8S346 /L<8S8LS 6%4E34S 4E
03'6%*/093 4E L0TE%LES %ES8ELTS.
Podemos reforzar la resolucin lineal si introducimos el concepto de clusulas
ordenadas (de resolucin semntica), y se usa la informacin de las literales
resueltas anteriormente.
En resolucin, cuando un resolvente es obtenido, las literales resueltas primero
son borradas. Sin embargo, como lo descubrieron Loveland (1968,1969,1972)
y Kowalski y Kuehner (1971) la informacin proporcionada por las literales es
muy til y puede ser usada para mejorar la resolucin lineal.
El algoritmo que emplea los conceptos de clusulas ordenadas y la informacin
de literales resueltas se denomina Deduccin OL (Deduccin Ordenada Lineal).
La Deduccin OL es escencialmente la misma que Loveland (1968,1969 y
1972) ha denominado el mtodo del modelo de eliminacin. La Deduccin de
OL es tambin, esencialmente una Deduccin SL especial de Kowalski y
Kuehner (1971).
:.( %ES6L8/093 L6/=
La resolucin LOCK (Esclusa), es un refinamiento del mtodo de resolucin
que usa un concepto similar al de las clusulas ordenadas.
Dando un conjunto S de clusulas, esencialmente, la idea de la resolucin lock
consiste en usar ndices para ordenar las literales en las clusulas de S. Es
decir, agrega un indexamiento arbitrario a cada ocurrencia de un literal en S, y
asocia a cada una de ellas un entero.
Ocurrencias diferentes de la misma literal, pueden ser indexadas de manera
diferente. La resolucin se permite solamente en literales conteniendo los
ndices menores en cada una de las clusulas. Las literales en los resolventes
heredan los ndices de sus clusulas padre. Si una literal en un resolvente tiene
ms de un ndice heredado posible, el menor de los ndices es el que se le
asigna a la mencionada literal.
:.: %ES6L8/093 SE*<3T0/
Al aplicar el principio de resolucin, se puede generar muchas clusulas
irrelevantes y redundantes.
Con el fin de evitar la generacin de las clusulas innecesarias, supngase que
se puede dividir un conjunto de clusulas en dos grupos: S1 y S2. Y aada la
restriccin de que no se pueden resolver entre s clusulas del mismo grupo.
En resolucin semntica, se usa una interpretacin para dividir las clusulas.
Es por sta razn que a este tipo de resolucin se le llama resolucin
semntica.
Para bloquear ms resoluciones, se usa un esquema llamado ordenamiento de
los smbolos de predicados.
:.> H0#E%%ES6L8/093 ; L EST%T?.0 4EL /63J83T6 S6#6%TE
Estos dos procedimientos son casos especiales de la resolucin semntica.
Diperresolucin
Consideremos una interpretacin en la que toda literal es la negacin de un
tomo. Si se usa esa interpretacin, todo electrn y todo P-resolvente deben
contener nicamente tomos. Similarmente, si toda literal de es un tomo,
entonces todo electrn y todo P-resolvente deben contener nicamente
negaciones de tomos. La hiperresolucion se basa en stas consideraciones:
a. Una clusula es positiva si no contiene ningn signo de negacin. Una
clusula es negativa, si toda literal de ella contiene el signo de negacin.
Una clusula es mezclada si no es positiva ni negativa.
b. Una hiperresolucin positiva es un caso especial de una P-resolucin
en la que toda literal de la interpretacin contiene el signo de negacin.
Se le llama hiperresolucin positiva por que todos los electrones y todos
los P-resolventes en este caso son positivos.
c. Una hiperresolucin negativa es un caso especial de la P-resolucin en
que la interpretacin no contiene ningn signo de negacin. Se le llama
hiperresolucin negativa porque todos los electrones y los P-resolventes
en este caso son negativos.
A menudo, los axiomas de un teorema son representados por clusulas
positivas y mezcladas, y la negacin de la conclusin se representa por una
clusula negativa. En este caso, la hiperresolucin positiva corresponde a
"pensar hacia adelante" (forward), mientras que la hiperresolucin negativa
corresponde a "pensar hacia atrs " (backward).
La estrat4ia del ;on<unto Soporte
Un teorema consiste de un conjunto de axiomas Ai y una conclusin B. Para
probar el teorema, se prueba que A
i
B es insatisfactible. Ya que
A
i
,usualmente es satisfactible, es recomendable resolver clusulas en A
i
.
Esto es precisamente lo que trata de realizar la resolucin del conjunto de
soporte.
Un subconjunto T de un conjunto S de clusulas es llamado conjunto de
soporte de S si, S - T es satisfactible. Una resolucin del conjunto de soporte
es una resolucin de dos clusulas que no provienen de S - T. Una deduccin
del conjunto de soporte es una deduccin en la que toda resolucin es una
resolucin del conjunto de soporte.
:.@ %ES6L8/093 SE*<3T0/ 8S346 /L<8S8LS 6%4E34S
Para la lgica proposicional, el ordenamiento de los smbolos de predicados,
usados en conjuncin con resolucin semntica, es bastante efectivo. Dado un
electrn E, no tenemos, dificultad en aislar una literal de E para ser resuelta.
Sin embargo, para la lgica de primer orden, donde se involucran variables, en
un electrn E puede haber ms de una literal que contiene el mismo smbolo
mayor de E. Cualquiera de estas literales es un candidato para ser resuelta.
Sea una interpretacin en la que todas las literales son negativas, y P
cualquier ordenamiento de los smbolos de predicados. Claramente, E, N, es
un P-choque. Como todas las literales de E contienen el mismo smbolo Q,
todas pueden ser resueltas con N. Por tanto, a partir del P-choque E, N,
podemos obtener cuatro P-resolventes:
Para remediar esta situacin, consideramos las clusulas ordenadas. La idea
de las clusulas ordenadas es la de considerar una clusula como una
secuencia de literales. Al hacerlo, damos el orden de todas las literales de una
clusula.
a) Una clusula ordenada es una secuencia de literales distintas.
b) Una literal se dice que es mayor que una literal en una clusula ordenada (o
es menor que ), si y slo si, sigue a en la secuencia especificada por la
clusula ordenada.
De esta forma, la ltima literal de una clusula ordenada siempre ser
considerada la mayor de la clusula. Por ejemplo, si consideramos como una
clusula ordenada, entonces es la literal mayor.
:.A %ES6L8/093-8%
Es la Regla de nferencia que aplica a un conjunto de clusulas, una de las
cuales debe ser una clusula no unitaria, el resto deben ser clusulas unitarias.
Adems la clusula no unitaria debe contener exactamente una literal ms que
el nmero de (no necesariamente distinto) las clusulas unitarias en el conjunto
del cual la Resolucin UR es aplicable.
:.B #%*648L/093
Es la Regla de nferencia que aplica a un par de clusulas y requiere que al
menos una de las dos contenga una literal de igualdad positiva. produce una
clusula en la cual la sustitucin de igualdad correspondiente a la literal de
igualdad que ha ocurrido.
:.)C %ES6L8/093ES SL4 ; SL43' E3 #%6.%*/093 L6.0/
La programacin lgica es un primer acierto al trabajo de la prueba de
teoremas lgicos. En efecto, la resolucin de la prueba de teoremas forma la
base de la mayora de los sistemas de programacin lgica actuales. La idea
principal que acompaa a la programacin lgica es el uso de la lgica
matemtica como un lenguaje de programacin. ntroducida por Kowalski a
principios de los setentas, fue llevado a la prctica por Colmerauer a travs de
la implementacin de PROLOG, el primer lenguaje de programacin lgica.
En el procedimiento de interpretacin de la programacin lgica cada sentencia
Horn con una conclusin positiva es considerada como una declaracin de
procedimiento para la conclusin y un conjunto de tales declaraciones forma un
programa. La computacin comienza desde una declaracin inicial del objetivo
la cual es una sentencia Horn con una conclusin nula. Las clusulas de
programa son clasificadas de acuerdo a su estructuras sintcticas.
La equivalencia entre semntica declarativa y semntica procedimental. para
programas definidos es bsicamente la validez y la completitud de resolucin
SLD.
SLDNF-resolucin esta pensada como la contraparte de un procedimiento de la
semntica declarativa dada en trminos de programas completados. Este
esquema de resolucin es, para una extensin larga, la base actual de la
programacin lgica. El esquema de resolucin es esencialmente una
resolucin SLD aumentada por la regla de inferencia NAF (Negation as
Failure). La definicin de SLDNF-resolucin es una versin inductiva formal
como opuesta a la versin recursiva. Estas facilidades establecen sus
resultados de validez con respecto a los programas completados.
:.)) %ES6L8/063 40%E//063L
Es una variacin del mtodo original de Davis-Putman y analiza el
comportamiento del peor caso como una funcin de la estructura topolgica de
las teoras proposicionales. R. Dechter and . Rish, 1994.
). L.836S S0STE*S ED#E%0*E3TLES #% L #%8EB 4E
TE6%E*S
El sistema OTTER (Organized Techniques for Theorem- proving and
Effective Reseach) es programa de razonamiento computadorizado
basado en la lgica de predicados que posee una gran gama de
aplicacin en diferentes problemas tal como la validacin y diseo de
circuitos, resolver rompecabezas, correccin de programas, construccin
de objetos, y cualquier problema que necesite colectar informacin que
fluye lgicamente de un conjunto de hiptesis.
OTTER utiliza la misma sintaxis del clculo o lgica de predicados y
realiza sus pruebas mayormente por contradiccin. Puede aplicar
diferentes tipos de reglas de inferencia como resolucin binaria,
hiperresolucin, demodulacin, paramodulacin, y otras variantes de
stas.
Tambin, es capaz de ejecutar en el proceso de prueba, los algoritmos
para transformar las frmulas en clusulas, y el de unificacin, es decir,
OTTER slo necesita el conjunto de axiomas y el teorema o argumento
que queremos demostrar.
Existen varios programas de aplicacion experimental, entre los que
destacan MACE, FNDER, MGTP ,LDPP,SATO, y SEM.
2. #L0//063ES
La Lgica de Predicados, como parte de la Lgica simblica, es una
herramienta sumamente til para representar hechos que ocurren en el mundo
real. Su alto grado de expresividad y flexibilidad para el manejo de smbolos
permite resolver problemas que requieren representarse de manera objetiva y
sin ambigedades. Por esta razn las aplicaciones de la lgica de predicados
se han extendido a diferentes campos de estudio e incluso en problemas de la
vida diaria.
La aplicacin de los mtodos de resolucin es directa en razonamiento
mecanizado, pero ste tiene un sin fin de aplicaciones prcticas. A travs de
programas computacionales se pueden resolver problemas y responder a
preguntas sobre razonamiento. Sus aplicaciones estn en sistemas de bases
de datos y lenguajes de programacin. Esto significa que no slo sirven para
demostrar teoremas o argumentos de Matemtica o Filosofa, sino que tambin
se pueden aplicar las reas de ngeniera, Control industrial y Computacin.
Por ejemplo, se puede revisan el diseo de un circuito lgico o electrnico, al
verificar o probar si se satisfacen los requisitos del diseo. Tambin, pueden
probar la validez de un circuito, o sea, probar que las especificaciones del
circuito son correctas. En sistemas de control industriales, se verifica que la
combinacin de los componentes de produccin sea correcta, gracias a lo cual
pueden evitarse errores que provoquen prdidas o daos fsicos o monetarios
a la industria. En el rea de investigacin matemtica, se ha podido extender
teoras matemticas, pues permite determinar la validez de nuevos teoremas
en la teora, como en la teora de conjuntos y en lgebra booleana.
http3OOQ&.mor.itesm.m(OZloicaOlo66M5OE+uipo18Eic66Otarea/.htm
2.1. ;onocimiento no8montono y Ctras licas.
anto los humanos como los autmatas deben extraer conclusiones &ue son verdad
en los mejores modelos de los hechos &ue se han tenido en cuenta/ 9ay diversos
conceptos de lo &ue es mejor en sistemas di,erentes/ "uchos implican la
minimizacin de algo/ 0 medida &ue se agregan nuevos hechos, algunas de las
anteriores conclusiones no sobreviven/ =or este motivo, el razonamiento &ue
permiti arribar a esas conclusiones &ue han decado, se denomina no-montono/
http:44club/telepolis/com4ohcop4mcnonmon/html
2.1/ 0a'onamiento probabil"stico.
5e,inicin
El razonamiento probabilstico es un caso dentro del razonamiento no
montono/ .uando la probabilidad &ue la verdad de una oracin haya
cambiado con respecto a su valor inicial #por e>emplo ?$, otras
oraciones &ue anteriormente tenan alta probabilidad pueden decaer
hasta tener probabilidad pe&uea o nula/ .uando se con,iguran los
modelos probabilsticos, esto es, cuando se de,ine el espacio para una
muestra de @eventos@ susceptibles de recibir di,erentes valores de
probabilidad, se est apelando a un razonamiento no-montono ms
general, pero la convencin es &ue esto no lo hace la computadora sino
una persona &ue razona in,ormalmente/
'esulta aparente &ue en una situacin in,ormtica abierta de sentido
com:n, no existe espacio general alguno para una muestra de eventos/
0penas se le ponen lmites a dicho espacio general de eventos
considerados y se le aplica alguna distribucin, se est procediendo a
generar teoras probabilsticas/ *as t%cnicas de razonamiento no-
montono consisten en t%cnicas desarrolladas para limitar los
,enmenos tenidos en cuenta/ (i &ueremos limitar los ,enmenos
considerados, debemos recurrir a t%cnicas no-montonas/ #Estoy
con,esando &ue no s% cuales seran esas t%cnicas$/ 0l ,ormar
distribuciones, habra &ue introducir una regla por de,ecto por la cual
dos eventos e? y e8 se deben considerar independientes entre s salvo
&ue haya alguna razn para el otro caso/ No es posible &ue e? y e8 sean
eventos cuales&uiera: tienen &ue ser dos eventos bsicos por lo menos
en algun sentido/
http:44club/telepolis/com4ohcop4mcrazpro/html
2.15 Teorema de 7ayes.
7eorema de 3a%es
1i los sucesos 'i son una particin y I un suceso tal que p)I+ H
<emostracin
Aplicaciones
<iagnstico m(dico )en general clasificaciones no biunvocas+= El diagnstico
consiste en establecer la enfermedad de un paciente, a partir de una serie de
sntomas. Pero los sntomas y las enfermedades no estn ligados de un modo
biunvoco.
Llamemos Ei al con%unto de enfermedades
E7= tuberculosis pulmonarS EO =cncer de pulmnS EF= bronquitis obstructivaS etc.
y 1i a los sntomas y sndromes asociados con las mismas.
17= tosS 1O= estado febrilS 1F= hemotisisS etc.
La informacin accesible en los libros de patologa, o en un archivo de historias
clnicas es del tipo.
Para E7= algunos )digamos el OHX+ tienen hemotisisS muchos )RHX+ tienen tosS
etc.
y lo mismo para las dems enfermedades.
En t(rminos de probabilidad condicionada, esta informacin es
p)1FYE7+ D H,OS p)17YE7+ D H,R etc.
para diagnosticar la tuberculosis se ha de evaluar, para los sntomas que presenta
el paciente p)E7Y1i+ para lo que se puede usar el teorema de Iayes si las
enfermedades forman una particin )son mutuamente e*cluyentes y se consideran
todas las enfermedades compatibles con el sntoma+ y se conocen sus
prevalencias.
Ntese que un mismo con%unto de sntomas podra dar lugar a un diagnstico
diferente en poblaciones en las que las prevalencias fueran diferentes.
Pruebas diagnsticas= 1upngase una prueba diagnstica, por e%emplo nivel de
glucosa en sangre, en ayunas, para diagnosticar la diabetes. 1e considera que la
prueba es positiva si se encuentra un nivel por encima de un cierto valor, digamos
7OH mg?l.
Para evaluar la prueba, )habr que hacerlo para distintos valores de corte+ se
somete a la misma a una serie de individuos diab(ticos diagnosticados por otro
procedimiento )el patrn de oro o ;gold standar;+ y a una serie de individuos no
diab(ticos. Los resultados se pueden representar en una tabla de doble entrada
Patrn de oro
NE E
Prueba
" a b r
Z c d s
t u
1i la prueba fuera perfecta bDcDH, desgraciadamente nunca ocurre. 1e denomina
coeficiente falso-positivo )$,P+ al cociente c?t, y es una estimacin de la
probabilidad condicionada p)ZYNE+, se denomina coeficiente falso-negativo )$,N+ al
cociente b?u, y es una estimacin de la probabilidad condicionada p)"YE+. Estos dos
coeficientes cuantifican los dos errores que la prueba puede cometer y caracterian
a la misma. 1im(tricamente, los coeficientes que cuantifican los aciertos son la
sensibilidad, p)ZYE+, y la especificidad p)"YNE+.
$uando la prueba se usa con fines diagnsticos )o de ;screening;+ interesa calcular
p)EYZ+ y?o p)NEY"+.
$omo E y NE son una particin, usando el Jeorema de Iayes
y
Ntese que ambas dependen de la prevalencia de la enfermedad= una prueba
diagnstica que funciona muy bien en la clnica 0ayo, puede ser in&til en el 2ospital
3amn y $a%al.
8emplo C=
una prueba diagnstica para la diabetes tiene un $,P de >X y un $,N del :X. 1i la
prevalencia de la diabetes en la poblacin donde se usa es del GX Mcul es la
probabilidad de que sea diab(tico un individuo en el que la prueba d( positivaA y
Mde que no lo sea uno en el que d( negativoA
p)ZYNE+ D H,H> p)"YNE+ D H,89
p)"YE+ D H,H: p)ZYE+ D H,8:
p)E+ D H,HG p)NE+ D H,8F
y
Pruebas en serie= $uando se aplican pruebas en serie, para cada prueba p)E+ y
p)NE+, sern la p)EYZ+ y p)NEYZ+ de la prueba anterior )si dio positiva+ o p)EY"+ y
p)NEY"+ si dio negativa.
http://www.hrc.es/bioest/Probabilidad_18.html
eorema de -ayes/
En el a/o 1YL% dos a/os despu0s de la muerte de 2homas Bayes &1YX2A1YL1)% se
public una memoria en la $ue aparece% por ,e4 primera% la determinacin de la
probabilidad de las causas a partir de los efectos $ue han podido ser obser,ados. El
c.lculo de dichas probabilidades recibe el nombre de teorema de >a'es.
eorema de -ayes
6ea A
3
, A
4
, 555,A
n
un sistema completo de sucesos% tales $ue la probabilidad de cada uno de
ellos es distinta de cero% ' sea B un suceso cual$uier del $ue se conocen las probabilidades
condicionales +(B,A
i
). entonces la probabilidad +(A
i
,B) ,iene dada por la expresin:
En los problemas relacionados con la probabilidad% ' en particular con la probabilidad
condicionada% as( como con la probabilidad total ' el teorema de >a'es% es aconsejable
$ue% con la informacin del problema% constru'as una tabla de contingencia o un
diagrama de .rbol.
http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/8.html
Ejercicio 8-1
7res m.$uinas% A, B ' .% producen el !F[% X[ ' 2F[% respecti,amente% del total de
las pie4as producidas en una f.brica. #os porcentajes de produccin defectuosa de estas
m.$uinas son del [% ![ ' F[.
a. 6eleccionamos una pie4a al a4ar= calcula la probabilidad de $ue sea defectuosa.
b. 7omamos% al a4ar% una pie4a ' resulta ser defectuosa= calcula la probabilidad de
haber sido producida por la m.$uina B.
c. \Ku0 m.$uina tiene la ma'or probabilidad de haber producido la citada pie4a
defectuosaH
!olucin
6ea (N Dla pie4a es defectuosaD ' 6N Dla pie4a no es defectuosaD. #a informacin del
problema puede expresarse en el diagrama de .rbol adjunto.
a. +ara calcular la probabilidad de $ue la pie4a elegida sea defectuosa% +(()% por la
propiedad de la probabilidad total%
+(() 7 +(A) 8 +((,A) 9 +(B) 8 +((,B) 9 +(.) 8 +((,.) 7
N X.!F ] X.X U X.X ] X.X! U X.2F ] X.XF N X.XW
b. -ebemos calcular +(B,(). +or el teorema de >a'es%
c. :alculamos +(A,() ' +(.,()% compar.ndolas con el ,alor de +(B,() 'a
calculado. Aplicando el teorema de >a'es% obtenemos:
#a m.$uina con ma'or probabilidad de haber producido la pie4a defectuosa es A
Ejercicio 8-"
7enemos tres urnas: A con bolas rojas ' F negras% B con 2 bolas rojas ' 1 negra ' .
con 2 bolas rojas ' negras. Escogemos una urna al a4ar ' extraemos una bola. 6i la
bola ha sido roja% \cu.l es la probabilidad de haber sido extra(da de la urna AH
!olucin
#lamamos RN Dsacar bola rojaD ' 6N Dsacar bola negraD. En el diagrama de .rbol
adjunto pueden ,erse las distintas probabilidades de ocurrencia de los sucesos R o 6
para cada una de las tres urnas.
#a probabilidad pedida es +(A,R). <tili4ando el teorema de >a'es% tenemos:
Unidad 2. 6istemas de ra0onamiento
l$gico.
&.. 0elas de produccin.
7endencia en IA &YX*s): &i) aplicaciones reales &ii) incorporar grandes cantidades de
conocimiento ,s. sistemas gen0ricos &e.g.% ^+6)
28:I3: diagnstica ' recomienda terapia de infecciones bactereolgicas de la sangre
5e$uerimientos:
<til &un .rea de necesidad reconocida)
:apacidad de considerar una gran cantidad de conocimiento t0cnico cambiante
®las)
-i.logo interacti,o &simblico)
?tros puntos:
,elocidad
accesibilidad ' facilidad de uso
con 0nfasis como herramienta de soporte
En el dominio se tienen $ue tomar desiciones con informacin incompleta
Alrededor de 2XX reglas% 2! funciones ' WX atributos
:ada regla es un peda4o de conocimiento modular ' dice expl(citamente en sus
condiciones el contexto necesario
:aracter(sticas +rincipales:
6e usan slo conjunciones en las condiciones de las reglas
:ada regla puede tener m.s de una conclusin &accin)
6u mecanismo de inferencia es encadenamiento hacia atr.s% con b1s$ueda
depth"first en un .rbol A3-/?5
6e consideran todas las reglas $ue pueden aplicarse
2aneja factores de certe4a &o certidumbre). 6u regla de combinacin es: m(nimo
en las condiciones A3- ' m.ximo entre opciones ®las) ?5
Iactores en rango se deshechan
^uiado por metas generali4adas: trata de encontrar toda la informacin
relacionada con la meta
6i no puede deducir la informacin le pregunta al usuario
6e eti$uetan algunas condiciones como preguntables &#A>-A7A) para e,itar
tratar de inferirlas cuando es mu' probable $ue el usuario las cono4ca.
Intenta primero aplicar reglas con ,alores conocidos &unity path)
2antiene lo $ue ,a e,aluando para e,itar tratar de reAe,aluar
6e hace una preAe,aluacin en las condiciones de las reglas para eliminar las $ue
sean inmediatamente falsas &previe$).
#a preAe,aluacin in,olucra MMplantillas** templates
7iene ciertas reglas de MMsentido com1n** para e,itar un proceso largo usando un
encadenamiento hacia adelante.
<sa metaAreglas para ordenar/guiar el proceso deducti,o
<so de contextos: paciente% infeccin% culti,o ' organismo% ' propiedades
MMb.sicas** &a e,aluar/preguntar) para guiar el mecanismo de ra4onamiento
6uposiciones:
6e tiene un formato preAestablecido por lo $ue es dif(cil expresar todo el
conocimiento en el.
6e asume $ue el conocimiento puede describirse en forma de reglas% las reglas '
cmo se usan son suficientes para dar explicaciones% los expertos pueden
reconocer su experiencia en las reglas% las reglas son suficientemente sencillas%
expresi,as e intuiti,as
6lo un n1mero reducido de condiciones &L) se consideran por cada regla ' cada
condicin es independiente de las otras
3o se re$uieren muchas reglas de encadenamiento hacia adelante
El mecanismo de explicacin es adecuado
#os expertos pueden expresar su conocimiento en forma de reglas
El mecanismo de re4onamiento modus ponens es adecuado
El ,ocabulario empleado es adecuado
Evaluacin de 'eglas como 'epresenatacin de .onocimiento
-esempe/o: depende de la cantidad ' profundidad de su conocimiento
#a modularidad de las reglas es fundamental para un buen desempe/o &entre
otros para a/adir nue,as reglas% detectar inconsistencias% reglas subsumidas por
otras% etc)
#a modularidad implica $ue toda la informacin contextual debe de estar
inclu(da en la regla ' ninguna regla llama directamente a otra. Esto puede
pro,ocar reglas demasiado grandes.
En encadenamiento hacia atr.s no es f.cil mapear un conjunto de pruebas a las
metas &pensar MMal re,es**)
El formalismo slo permite pruebas de predicados &i.e.% no puede tener: para
todo organismo ... esto lo tienen MMparchado** en algunas metaAreglas pero les
complica el sistema de explicacin)
Explicacin: debe de ser MMnatural** ' transparente para los expertos &ra4ones de
usar proceso simblico ' reglas).
:apacidades: &i) mostrar en cual$uier momento la regla considerada &ii)
almacenar las reglas utili4adas para propsitos de explicacin &iii) encontrar
reglas espec(ficas para contestar alg1n tipo de pregunta
Extensiones: &i) preguntar por$u0 no tomo ciertas acciones &ii) combinar la
explicacin con MMmedidas de informacin** para dar explicaciones a diferente
detalle
Ase,eracin: el ni,el de detalle de conocimiento es adecuado por$ue lo dieron
los expertos
Ad$uisicin: es f.cil de formali4ar en forma de reglas el dominio m0dico
#as explicaciones permiten encontrar fallas en la base de conocimiento '
facilitan su modificacin
#a ad$uisicin se puede hacer en lenguaje natural por$ue el lenguaje
considerado es suficientemente restringido
#a ad$uisicin debe de estar libre de contradicciones% redundancias '
subsumciones. +roblemas con contradicciones indirectas% efectos secundarios
&i.e.% actuali4acin de informacin relacionada)
Algunas limitaciones:
algunos conceptos no son f.ciles de expresar en forma de reglas
el ra4onamiento hacia atr.s no parece ser adecuado para estructurar grandes
cantidades de conocimiento
#a sintaxis de las reglas asume slo conjunciones de pruebas proposicionales
#a informacin se introduce slo al responder preguntas
#as suposiciones sobre las cuales se basa el manejo de los factores de certe4a
son mu' restricti,as
http://www.mor.itesm.mx/Vrdec/nodeYF.html
?a% muchas formas de representar el conocimiento en
un sistema eBperto. 8l m)todo m&s utili0ado son las
reglas de producci$n.
-na regla de produccin toma la siguiente forma general=
6I Dson ciertos determinados hechosE
897F9+86 Dse consideran ciertos otros hechosE
Estas reglas residen en la base de conocimientos, en una especie de fichero de
te*to. El programa de inferencia, verdadero motor del sistema e*perto se encarga
de combinar estas reglas, interactuando con el usuario a trav(s del interfa del
usuario.
http://ciberconta.uni4ar.es/#E::I?3/IA/2X.B72
I. Reglas de produccin
A menudo, es convenente representar a naturaeza dnmca
de una apcacn de a IA por un con|unto de regas hechas de
condcones y accones. Las regas de produccn son un tpo de
rega "S...entonces...", basada en condcones y accones. Una
de as regas que hace que as accones de a rega a e|ecutar
den ugar a nuestras descrpcones producen ms accones (de
aqu e nombre de "regas de produccn"), as hasta que e
sstema encuentre a soucn o se detenga.
Un sstema consstente en un con|unto de regas de produccn,
son os operadores en e sstema, es decr, as que se usan para
manpuar as bases de datos. Los engua|es de estos sstemas
de produccn, taes como OPS5, factan a representacn de
conocmento en regas de produccn. Cada una de estas
regas est embebtada en una peza de conocmento que
puede ser aadda o qutada de sstema segn as necesdades.
La parte "SI..." y a parte "entonces..." pueden estar
compuestas de ms de una frase por e|empo, "S es dcembre
y ests en e norte de crcuo antrtco, entonces necestas un
buen abrgo... y ...una nterna da y noche".
E formato "S... Entonces..." de as regas de produccn hace
reatvamente fc codfcar os sstemas expertos de
conocmento, pero frecuentemente pensamos sobre a
experenca de una manera: "S... Entonces...".
Las regas de produccn en sstemas expertos escrtas en e
OPS5 no necestan acogerse a un orden partcuar por que e
contro de fu|o en un programa no est determnado por e
orden en e que e programador ha codfcado as regas. En
ugar de eso as regas son canddatas a actuar cuando os
eementos "S..." son satsfactoros por e estado actua de
sstema, que contnuamente camba a r actuando as regas.
Expctamente as estructuras de contro en agunos programas
pueden tambn mtar a apcabdad de aguna rega en
agn momento. La capacdad para aadr o qutar regas de
produccn en agn punto de sstema sn consderaras por
orden ayuda a desarroar e traba|o ms fcmente.
http!!""".uap.edu.pe!#ac!$%!tra&a'os!$%%$(!isi
)%$**!go+!ia.html
&./ Sinta(is de las relas de produccin.
8 A
1
A
2
... A
n
9: ;
8 representacin ob<eto8atributo8valor
5epresentacin: objetoAatributoA,alor
&literalize :b1eto Atributo3 Atributo4 Atributo6)
#os atributos solo pueden tener un ,alor a menos $ue se declaren como ,ectores
Instanciaciones de objetos &asignar ,alores con constantes o con nil)
#as instanciaciones se a/aden a la memoria de trabajo ' se les asigna un n1mero entero
positi,o o eti$ueta de tiempo &timeAtag)
+ara ,er los elementos de la memoria de trabajo: &$m) e.g.%
3;<&paciente ^nombre =uan ^edad 4;
^s>ntoma fiebre)
6intaxis:
&p _ nombre O_ lhs O --> _ rhs O)
e.g.%
(p ejemplo
(paciente ^sintoma = fiebre)
(datos-lab ^celulas-T < !!)
--"
(ma#e paciente ^dia$nostico sida))
AtributoApredicadoA,alor
+redicado: _% _N% ON% O% _O% N
6i no se pone ning1n predicado se asume $ue es: N
El interprete aparea condiciones de las reglas con elementos de la memoria de trabajo:
e.g.% &paciente ^edad _ ?;)
2emoria de trabajo:
3< &paciente ^nombre 1uan ^edad @;)
4< &paciente ^nombre mar>a ^edad ?@)
Extenciones:
&paciente ^edad `O 2X _ FXa) &con1uncin)
&paciente ^$ueja __ fiebre dolorAdeAcabe4a OO)
&dis1uncin)
Acciones:
maAe: crea un elemento en la memoria de trabajo
remove: elimina un elemento de la memoria de trabajo
modify: cambia un elemento de la memoria de trabajo
#os atributos no mencionados en maAe se les asigna nil e.g.%
&literalize persona nombre edad)
&maAe persona ^nombre 1uan)
3< &persona ^nombre 1uan ^edad nil)
5emo,e: e.g.%
&remove 3;)
&remove B)
2odif': hace un remo,e seguido de un maGe. e.g.%
&literalize persona nombre)
(p chafa
(persona ^nombre anonimo)
--"
(modif% ^nombre juan))
3< &persona ^nombre annimo)
C< &persona ^nombre 1uan)
?tras instrucciones: openfile% closefile% accept% write
Pariables: se ponen entre MM_ O**: _ x O% _ 3 O%
_ cual$uierAcosa O% e.g.%
&persona ^nombre 7 _n O ^edad 7 4;)
<na ,ariable puede instanciarse a un elemento de la memoria de trabajo: `&persona
^nombre 1uan) _persOa% e.g.%
(p ejemplo
&(persona ^nombre juan) <pers "'
--"
(remove <pers "))
(p arteria-pe(uenias
(arteria ^nombre = <n " ^diametro < ))
(bra*o ^conducto-san$uineo = <n ")
--"
(ma#e arteria-pe(uenia ^nombre <n "))
Interprete: ?+6F usa encadenamiento hacia adelante
:riterios:
#Eb &lexical): preferencia por datos m.s recientes% las reglas m.s espec(ficas '
arbitrario
2EA &2eansAEnds Anal'sis): da preferencia a la primera condicin &contextos)
Ejemplo &ancestros):
nombre madre padre
^aia A :aos
:ronos ^aia <rano
5hea ^aia <rano
Reua 5hea :ronos
Bephaestus Bera Reus
#eto Iebe :oeus
Bera 5hea :ronos
Apolo #eto Reus
&literalize persona nombre madre padre)
En ?+6F no ha' recursin% por lo $ue necesitamos un objeto intermedio para guardar
los ancestros intermedios
&literalize mientras nombre)
3ecesitamos otro objeto para empe4ar todo &es com1n)
&literalize empieza)
5egla iniciali4adora:
(p pre$unta
&(empie*a) <inicia "'
--"
(remove <inicia ")
(+rite (crlf) ,ame el nombre- )
(ma#e mientras ^nombre (accept)))
(p ancestro
&(mientras ^nombre &<ancestro " <" nil ') <emt "'
(persona ^nombre <ancestro " ^madre <nombre-m "
^padre <nombre-p ")
--"
(remove <emt ")
(+rite (crlf) <nombre-m " % <nombre-p " son
ancestros de <ancestro ")
(ma#e mientras ^nombre <nombre-m ")
(ma#e mientras ^nombre <nombre-p "))
7ambi0n hace falta declarar la tabla de ancestros:
&maAe persona ^nombre &aia ^padre .aos)
&maAe persona ^nombre .ronos ^madre &aia
^padre Drano)
http://www.mor.itesm.mx/Vrdec/nodeYX.html
'epresentacin del conocimiento
".#.1.1 Representaciones $asadas en la lgica de proposiciones extendida
#os tradicionales sistemas de aprendi4aje han utili4ado con gran asiduidad% para
representar el conocimiento% una extensin de la lgica de proposiciones% denominada
lgica DXUD o representacin objetoAatributoA,alor. -entro de la misma% pueden
englobarse m0todos de representacin e$ui,alentes como los .rboles de decisin% las
reglas de produccin ' las listas de decisin:
%r$oles de decisin
#os .rboles de decisin son una forma de representacin sencilla% mu' usada entre los
sistemas de aprendi4aje super,isado% para clasificar ejemplos en un n1mero finito de
clases. 6e basan en la particin del conjunto de ejemplos seg1n ciertas condiciones $ue
se aplican a los ,alores de los atributos. 6u potencia descripti,a ,iene limitada por las
condiciones o reglas con las $ue se di,ide el conjunto de entrenamiento= por ejemplo%
estas reglas pueden ser simplemente relaciones de igualdad entre un atributo ' un ,alor%
o relaciones de comparacin &Dma'or $ueD% etc.)% etc.
#os sistemas basados en .rboles de decisin forman una familia llamada 7-I-7 &7opA
-own Induction of -ecision 7rees)% cu'o representante m.s conocido es I-
& cKuinlan% WLd ).
I- &Interacti,e -ichotomi4er) se basa en la reduccin de la entrop(a media para
seleccionar el atributo $ue genera cada particin &cada nodo del .rbol)% seleccionando
a$u0l con el $ue la reduccin es m.xima. #os nodos del .rbol est.n eti$uetados con
nombres de atributos% las ramas con los posibles ,alores del atributo% ' las hojas con las
diferentes clases. Existen ,ersiones secuenciales de I-% como I-F5 & c<tgoff% WCd ).
:!.F & cKuinlan% Cd % cKuinlan% CLd ) es una ,ariante de I-% $ue permite clasificar
ejemplos con atributos $ue toman ,alores continuos.
Reglas de produccin
<na des,entaja de los .rboles de decisin es $ue tienden a ser demasiado grandes en
aplicaciones reales '% por tanto% se hacen dif(ciles de interpretar desde el punto de ,ista
humano. +or ello% se han reali4ado di,ersos intentos para con,ertir los .rboles de
decisin en otras formas de representacin% como las reglas de produccin. A$u(
consideramos reglas de produccin del tipo siAentonces% basadas en lgica de
proposiciones. El consecuente es una clase% ' el antecedente es una expresin
proposicional% $ue puede estar en forma normal conjunti,a &:3I) o ser simplemente un
t0rmino.
En cKuinlan% WYd se propone una t0cnica para construir reglas de decisin% basadas en
lgica de proposiciones% a partir de .rboles de decisin. El problema es $ue incluso las
reglas de produccin as( obtenidas pueden resultar demasiado complejas para un
experto humano.
Algunos sistemas como +5I62% descrito en c:endrowsGa% WWd % generan directamente
reglas algo m.s sencillas% sin tener $ue construir el .rbol pre,iamente% mediante un
algoritmo parecido a I- ' con una precisin similar.
#a familia AK & c2ichalsGi% WYd ) la forman sistemas &AK11% AK1F% etc.) $ue generan
descripciones estructurales% por diferenciarlas de las descripciones de atributos de los
sistemas anteriormente mencionados. Estas descripciones son tambi0n reglas de
produccin% aun$ue con ma'or capacidad descripti,a% pues su antecedente es una
frmula lgica. #a notacin utili4ada en estas reglas se denomina P#1 &PariableA,alued
#ogic s'stem 1% ,0ase c-ietterich ' 2ichalsGi% W!d )% ' permite utili4ar selectores
&igualdad entre un atributo ' un ,alor o conjunto de ,alores)% complejos &conjunciones
de selectores) ' dis'unciones de complejos para construir las reglas de produccin.
&istas de decisin
#as listas de decisin son otra forma de representacin basada en lgica de
proposiciones. Es una generali4acin de los .rboles de decisin ' de representaciones
conjunti,as &:3I) ' dis'unti,as &-3I). <na lista de decisin es una lista de pares de la
forma
'd1, (1), 'd", ("),..., 'dn, (n)
donde cada di es una descripcin elemental% cada :i es una clase% ' la 1ltima
descripcin :n es el ,alor ,erdadero. #a clase de un objeto ser. :j cuando dj sea la
primera descripcin $ue lo satisface. +or tanto% se puede pensar en una lista de decisin
como en una regla de la forma Dsi d1 entonces :1% sino si d2...% sino si dn entonces :nD.
6e usan por ejemplo en el sistema :32 & c:larG ' 3iblett% WCd ) $ue es una modificacin
del sistema AK% $ue pretende mejorar el aprendi4aje a partir de ejemplos con ruido &al
e,itar la dependencia de ejemplos espec(ficos e incorporar una poda del espacio de
b1s$ueda). #as descripciones elementales de los pares $ue forman la lista de decisin
tienen la misma forma $ue los complejos de AK.
".#.1." Representaciones $asadas en la lgica de predicados de primer orden
Aun$ue las representaciones basadas en lgica de proposiciones han sido usadas con
0xito en muchos sistemas de aprendi4aje en ordenadores% tienen algunas importantes
limitaciones & c2uggleton% C2d )% superadas por la lgica de predicados de primer orden%
$ue restringen su campo de aplicacin:
+otencia expresi,a: #as representaciones basadas en lgica de proposiciones
limitan la forma de los patrones $ue pueden ser representados% 'a $ue% en
general% no pueden expresar relaciones. As(% por ejemplo% no se pueden
representar &al menos de un modo sencillo) patrones en los $ue se cumpla una
relacin de igualdad entre dos atributos &slo se permitir(a expresar la igualdad
entre un atributo ' un ,alor constante).
:onocimiento de base : Es dif(cil incorporar conocimiento de base en el
proceso de aprendi4aje. <na forma sencilla de conocimiento de base la
constitu'en restricciones impuestas a las descripciones generadas por el sistema%
aun$ue 0sto puede resultar demasiado restricti,o.
5estricciones en el ,ocabulario: #as descripciones de los sistemas actuales
,ienen limitadas por un ,ocabulario fijo de atributos proposicionales. +odr(a ser
mu' 1til tener la posibilidad de mejorar la representacin mediante la in,encin
de nue,os predicados.
7odas estas limitaciones pueden superarse con una representacin del conocimiento m.s
potente: la lgica de predicados de primer orden. :ada ,e4 ha' m.s sistemas de
aprendi4aje en ordenadores $ue utili4an de alg1n modo la lgica de primer orden%
surgiendo as( un nue,o .rea de inter0s llamado programacin lgica inducti,a &en ingl0s
Inducti,e #ogic +rogramming o I#+). El objeti,o de la programacin lgica inducti,a
es construir un programa lgico &en lgica de predicados de primer orden) $ue% junto al
conocimiento $ue se tenga del dominio% tenga como consecuencia lgica el conjunto de
entrenamiento del sistema.
#a presente tesis se enmarca dentro del paradigma de la programacin lgica inducti,a%
por ello% en el apartado 2.! % desarrollaremos este punto en ma'or detalle% fij.ndonos en
algunos de sus sistemas m.s representati,os.
".#.1.# Representaciones estructuradas
#as representaciones estructuradas de conocimiento tienen una gran potencia expresi,a
&aun$ue% en teor(a% no ma'or $ue la de la lgica de predicados de primer orden) '
permiten una f.cil interpretacin del mismo. Entre las representaciones estructuradas se
pueden incluir las redes sem.nticas ' los marcos. En cual$uier caso% el conocimiento
expresado mediante una de estas representaciones estructuradas puede ser traducido
f.cilmente a lgica de predicados de primer orden.
Redes semnticas
El t0rmino de red sem.ntica surge a partir del modelo de memoria sem.ntica de Kuillian
&1CLW)% con el $ue pretend(a representar el significado de los ,ocablos del idioma ingl0s.
En una red sem.ntica la representacin consta de un conjunto de nodos &conceptos)%
unidos entre s( por diferentes clases de enlaces asociati,os &relaciones). A su ,e4% las
relaciones entre un concepto ' su clase% denominadas relaciones de subtipo &ej.
instancia"de% es"un)% a ,eces se representan en una red separada.
#a principal ,entaja de las redes sem.nticas es $ue toda la informacin relati,a a un
objeto concreto se obtiene f.cilmente a partir del mismo% siguiendo los arcos $ue parten
de 0l.
+ara aplicar la miner(a de datos con redes sem.nticas% se representa cada ejemplo como
una red sem.ntica% ' las operaciones $ue se reali4an consisten en manipular los grafos%
para encontrar los patrones &subgrafos) $ue cumplen todos los ejemplos de la misma
clase.
Es pr.ctica com1n el denominar red sem.ntica a todo formalismo con forma de red
usado para representar conocimiento. 6in embargo% es m.s preciso considerar como
tales slo las $ue se dedican a la representacin del lenguaje natural% ' denominar% en
general% redes asociati,as a todas ellas & c2ira et al.% CFd ).
<na red asociati,a es una red &conjunto de nodos unidos entre s( por enlaces) en la $ue
los nodos representan conceptos ' los enlaces representan relaciones &de pertenencia%
inclusin% causalidad% etc.) entre los conceptos. -entro de las redes asociati,as se
inclu'en: las redes sem.nticas &destinadas a representar o comprender el lenguaje
natural)% las redes de clasificacin &representan conceptos mediante una jerar$u(a de
clases ' propiedades) ' las redes causales &representan relaciones de influencia%
generalmente de causalidad% entre ,ariables).
#as redes de clasificacin pueden considerarse redes sem.nticas slo cuando
representan conocimiento taxonmico de conceptos% pero no cuando se utili4an dentro
de un sistema experto basado en marcos para definir clases e instancias.
#as redes causales representan un modelo en el $ue los nodos corresponden a ,ariables
' los enlaces a relaciones de influencia% generalmente de causalidad. #os modelos
causales se orientan% sobre todo% a problemas de diagnstico. #as redes ba'esianas
pueden considerarse como redes causales a las $ue se ha a/adido una distribucin de
probabilidad sobre sus ,ariables.
*arcos
El concepto de marco fue introducido por 2insG' &1CYF) como m0todo de
representacin del conocimiento ' de ra4onamiento% intentando superar las limitaciones
de la lgica a la hora de abordar problemas como la ,isin artificial% la comprensin del
lenguaje o el ra4onamiento de sentido com1n & c2ira et al.% CFd ).
<n marco es una estructura de datos% formada por un nombre ' un conjunto de campos
&o ranuras% del ingl0s slots)% $ue se rellenan con ,alores para cada ejemplo concreto. #as
ranuras pueden llenarse con ,alores de atributos o con referencias a otros marcos para
expresar las relaciones de subtipo% como la relacin es"un% en cu'o caso se heredan los
atributos del marco de ni,el superior.
>as.ndose en el concepto de marco% se desarroll el lenguaje de programacin @5#
&@nowledge 5epresentation #anguage)% para representar el conocimiento de forma
estructurada. #a ingenier(a del software tambi0n hered de la inteligencia artificial el
concepto de marco para construir la orientacin a objetos &puede obser,arse el gran
parecido entre los objetos de la programacin orientada a objetos ' los marcos).
Entre los sistemas de aprendi4aje $ue utili4an marcos para representar el conocimiento
ad$uirido% podemos mencionar el sistema E<5I6@? & c#enat.% W!d ).
El conocimiento expresado mediante marcos puede traducirse f.cilmente a lgica de
predicados de primer orden% aun$ue perdiendo la ,entaja de ser estructurado.
".#.1.+ Representaciones $asadas en ejemplos
#os sistemas de aprendi4aje basado en ejemplos &InstanceA>ased #earning algorithms)
representan el conocimiento mediante ejemplos representati,os% bas.ndose en
DsimilitudesD entre los datos & cAha et al.% C1d ). El aprendi4aje consiste en la seleccin
de los ejemplos $ue mejor representan a los conceptos existentes en la base de datos &se
trata de aprendi4aje super,isado)= estos ejemplos representati,os ser.n los 1nicos $ue se
almacenen% reduciendo as( considerablemente el espacio necesario. El principal
problema de estos sistemas es $ue se necesita una funcin de DsimilitudD% a ,eces dif(cil
de definir% para clasificar los nue,os ejemplos seg1n sea su parecido con los ejemplos
prototipo.
#os algoritmos de aprendi4aje basado en ejemplos surgieron a partir de los
clasificadores por ,ecindad &nearestAneighbor classifier)% ' han ad$uirido importancia
m.s recientemente con los sistemas de ra4onamiento basado en casos &caseAbased
reasoning)% para diagnstico ' resolucin de problemas. Adem.s% pueden utili4arse
como paso pre,io a otros sistemas de aprendi4aje a partir de ejemplos% para entrenarlos
con conjuntos de ejemplos m.s pe$ue/os ' representati,os.
".#.1., Redes neuronales
#as redes neuronales & c#ippmann% WYd % cIreeman ' 6Gapura% Cd % cBert4 et al.% C1d )%
incluidas dentro de los modelos conexionistas% son sistemas formados por un conjunto
de sencillos elementos de computacin llamados neuronas artificiales. Estas neuronas
est.n interconectadas a tra,0s de unas conexiones con unos pesos asociados% $ue
representan el conocimiento en la red. :ada neurona calcula la suma de sus entradas%
ponderadas por los pesos de las conexiones% le resta un ,alor umbral ' le aplica una
funcin no lineal &por ej. una sigmoide)= el resultado sir,e de entrada a las neuronas de
la capa siguiente &en redes como el perceptrn multicapa).
<no de los algoritmos m.s usado para entrenar redes neuronales es el bacGApropagation%
$ue utili4a un m0todo iterati,o para propagar los t0rminos de error &diferencia entre
,alores obtenidos ' ,alores deseados)% necesarios para modificar los pesos de las
conexiones interneuronales. El bacGApropagation puede considerarse como un m0todo
de regresin no lineal & cIa''ad et al.% CLbd )% en el $ue aplica un descenso de gradiente
en el espacio de par.metros &pesos)% para encontrar m(nimos locales en la funcin de
error.
#as redes neuronales han sido utili4adas con 0xito en diferentes tipos de problemas:
AutoAasociacin: la red genera una representacin interna de los ejemplos
aportados% ' responde con el m.s aproximado a su DmemoriaD. Ejemplo:
m.$uina de >olt4man.
:lasificacin de patrones: la red es capa4 de clasificar cada entrada en un
conjunto predefinido de clases. Ej.: bacGApropagation.
-eteccin de regularidades: la red se adapta a los ejemplos de entrada% tomando
de ellos ,arias caracter(sticas para clasificarlos= en este caso% el conjunto de
clases no est. definido de antemano% por lo $ue el aprendi4aje es no super,isado.
Ej.: red 2Ab3E7% A571% mapas de @ohonen% red de ?ja% etc.
#as tasas de error de las redes neuronales son e$ui,alentes a las de las reglas generadas
por los m0todos de aprendi4aje simblicos% aun$ue son algo m.s robustas cuando los
datos son ruidosos. #as principales des,entajas para usar redes neuronales en la miner(a
de datos son:
el aprendi4aje es bastante m.s lento $ue en un sistema de aprendi4aje simblico
& c6ha,liG et al.% CXd )=
el conocimiento obtenido por las mismas no es representable en forma de reglas
inteligibles% sino $ue lo forma el conjunto de pesos de las conexiones
interneuronales=
adem.s% es dif(cil incorporar conocimiento de base o interaccin del usuario en
el proceso de aprendi4aje de una red neuronal.
http://www.gsi.dit.upm.es/Vanto/tesis/html/stateart.html
#os sistemas de produccin proporcionan una representacin adecuada para
las funciones de seleccin de acciones. <n sistema de produccin est.
formado por un conjunto de reglas% denominadas reglas de produccin. :ada
regla se escribe de la siguiente manera:
.i -----A 0i
-onde :i es la condicin ' Ai es la accin.
#a condicin de una regla puede ser cual$uier funcin booleana%
definida sobre el ,ector de caracter(sticas. #a seleccin de la accin se reali4a
de la siguiente manera: se comien4a con la primera regla% se busca% siguiendo
el orden establecido en el conjunto de reglas% una de ellas en la $ue la
e,aluacin de su condicin proporcione el ,alor 1 &,erdadero)% ' se selecciona
su parte de accin. #a parte de accin puede ser una accin primiti,a% una
llamada a otro sistema de produccin o un conjunto de acciones $ue tienen
$ue ser ejecutadas simult.neamente. En la ma'or parte de los casos% la 1ltima
opcin de la regla% tiene como condicin el ,alor 1% ' por tanto% si ninguna de
las condiciones de las reglas anteriores toma el ,alor 1% se ejecuta por defecto
la accin asociada a esta 1ltima regla.
2ediante t0cnicas de b1s$ueda ' procesos de unificacin% los sistemas
basados en reglas automati4an sus m0todos de ra4onamiento ' proporcionan
una progresin lgica desde los datos iniciales% hasta las conclusiones
deseadas. Esta progresin hace $ue se ,a'an conociendo nue,os hechos o
descubriendo nue,as afirmaciones% a medida $ue ,a guiando hacia la solucin
del problema.
En consecuencia% el proceso de solucin de un problema en los
sistemas basados en reglas ,a reali4ando una serie de inferencias $ue crean un
sendero entre la definicin del problema ' su solucin. #as inferencias est.n
concatenadas ' se las reali4a en forma progresi,a% por lo $ue se dice $ue el
proceso de solucin origina una cadena de inferencias. Este proceso se puede
reali4ar de dos formas:
e 6e puede partir considerando todos los datos conocidos ' luego ir
progresi,amente a,an4ando hacia la solucin. Este proceso se lo denomina
guiado por los datos o de encadenamiento progresi,o &forward chainning).
e 6e puede seleccionar una posible solucin ' tratar de probar su ,alide4
buscando e,idencia $ue la apo'e. Este proceso se denomina guiado por el
objeti,o o de encadenamiento regresi,o &bacGward chainning).
http://www.uc,Ac,.cl/campus/periodico/6itio"2#2/5eglas+roduccion.html
&.5 Sem2ntica de las relas de produccin
&.5.1;onocimiento causal.
$o.ocimie.to causal: Es e conocmento de por/u0. Se refere a a
comprensn de os motvos por os que ago ocurre: por e|empo,
comprender os factores que nfuyen en a cadad de un producto o en a
satsfaccn de cente. Puede representarse medante a descrpcn de os
vncuos causaes entre una sere de factores (Schank 1975, Weck y
Bougnon 1986), pero normamente se representa de un modo menos
formazado a travs de vvencas organzaconaes (Schank 1990).
Compartr vvencas es un buen medo para desarroar e consenso sobre
qu accones partcuares deberan emprenderse o cmo acanzar un
determnado ob|etvo de a me|or manera posbe (Bo|e 1991).
http://www.esterkaufman.com.ar/varos/m%20web/Cuadernos%20de%20traba|o
%2034.pdf
&.5.2;onocimiento de dianstico.
&.6 Ar+uitectura de un sistema de =roduccin #S=) #
Sistemas basados en relas$ S70).
&.6.1Dechos.
&.6.27ase de conocimientos.
7ases de conocimiento
La representacin del conocimiento, entendido en los trminos que presentamos anteriormente,
es un problema central en el ms vasto campo de la nteligencia Artificial, en cuanto que esta
disciplina tiene como principal objetivo el desarrollo de sistemas "inteligentes" que sean
capaces de reproducir lo ms fehacientemente posible los mecanismos intelectuales comunes
en los humanos, de forma destacada, la comprensin del lenguaje natural, el aprendizaje
(acumulacin de experiencia), el razonamiento lgico, la resolucin de problemas y el
reconocimiento de patrones (p. ej. en visin robtica). Una definicin representativa de lo que
comnmente se entiende por "nteligencia Artificial" es la de Barr y Feigenbaum (1981:4):
Artificial ntelligence (A) is the part of computer science concerned with designing intelligent computer systems, that is, systems
that exhibit the characteristics we associate with intelligence in human behavior - understanding language, learning, reasoning,
solving problems, and so on.
Las tcnicas comunes en A consisten por tanto en el estudio minucioso de la actividad o
comportamiento que se desea emular, en primer lugar y despus, y sobre todo, su
implementacin en algn tipo de autmata.
El paradigma actual de "inteligencia", en contraste con el anterior, basado principalmente
en tcnicas heursticas de bsqueda (Goldstein & Papert 1977), acenta la necesidad de
conocimiento experto para la realizacin de tareas inteligentes (Mylopoulos & Levesque 1984).
La idea es que lo central para nuestra actividad mental normal es un gran repositorio de
conocimiento experto sobre muy diferentes materias especficas y sobre el mundo en general.
Por tanto, es evidente que si nuestro objetivo es replicar esquemas mentales humanos en un
autmata, ste deber poseer un repositorio parecido de informacin del que pueda hacer uso,
mediante diversos dispositivos, para el manejo inteligente de esa informacin. En suma, la
posesin de conocimiento es absolutamente indispensable para la realizacin de una tarea
"inteligente".
Sin embargo, como venimos diciendo, esto no fue siempre as. De hecho, podemos
distinguir cuatro fases o "categoras histricas" (Barr & Feigenbaum 1981) en el estudio del
lenguaje natural por parte de los investigadores de A:
1. Los primeros programas que se realizaron posean un conocimiento del lenguaje
prcticamente nulo, y estaban limitados a un dominio muy concreto. Simplemente
analizaban el input en busca de palabras clave o de patrones relacionados con alguno
de los temas que "conocan" . El output era formado a travs de reglas de dominio
especfico llamadas heuristics, de forma que hacan creer que entendan lo que se les
estaba diciendo. El mejor representante de estos programas, es sin duda el Eli+a de
Weizenbaum (Weizenbaum 1976), que intentaba simular un consultorio psicolgico. El
usuario introduce su problema o preocupacin y Eliza responde o intenta extraer ms
informacin (que guarda para usarla cuando la conversacin llega a un punto muerto);
tambin hace uso de un buen nmero de frases comodn y regala al "paciente" con sus
consejos. Otros programas de estas caractersticas son BASEBALL (Green et al. 1963)
o STUDENT (Bobrow 1968).
2. Otros programas parecidos fueron los basados en te,to. stos, de los cuales
destacamos PROTO-SYNTHEX- (Simmons et al. 1966) almacenaban el texto mismo
en su base de datos, por lo que no estaban ceidos a un dominio particular. Sin
embargo, al igual que los anteriores, no posean capacidades deductivas de ningn
tipo, ni podan analizar el contenido semntico del input; se encontraban restringidos a
responder con el material textual que previamente se les haba introducido.
3. En tercer lugar encontramos los sistemas de lgica limitada. Estos sistemas ofrecan
(limitadas) capacidades deductivas, ya que eran capaces de producir informacin no
almacenada explcitamente en la base de datos. Adems, llevaban a cabo una cierta
interpretacin semntica, al traducir frases de insumo en lenguaje natural a la notacin
lgica interna de la base de conocimiento. Usando el clculo de predicados, eran
capaces de hacer inferencias del tipo:
. /01s un avestru* un ave23
avestru*(x)4
(x)5avestruz(x) ave(x)64
ave(x)7
. /89:3
4. El ltimo tipo son los sistemas de que venimos hablando, los basados en el
conocimiento, cuyo desarrollo est ntimamente ligado a la investigacin de A sobre
representacin del conocimiento. Estos sistemas intentan almacenar una gran cantidad
de informacin para usarla de modos diferentes con el objeto de "entender" el lenguaje
natural, generarlo, deducir, etc. Se basan en la idea bsica, ya mencionada de que
para la resolucin de un problema complejo dentro de un determinado mbito, es
preciso un conocimiento experto sobre ese mbito.
Como esta evolucin implica, los sistemas de lenguaje natural de A hoy da estn casi
exclusivamente basados en el conocimiento. ste, por otra parte, necesita ser estructurado y
debidamente modelado para poder almacenarlo bajo una notacin apropiada como repositorio
de informacin. De hecho, podemos afirmar que la representacin de conocimiento es el hilo
conductor de los diferentes campos que abarca la A (McCalla & Cercone 1983).
A este repositorio de informacin estructurada que se usa para resolver tareas que
requieren conocimiento experto se le conoce como base de conocimiento. Este concepto,
necesita de una definicin ms formal . Por ejemplo, dicho as - "repositorio de informacin
estructurada" - cabra pensar que una enciclopedia impresa, estructurada en artculos, es una
base de conocimiento; sin embargo una KB tiene que poseer otras facultades.
Sin embargo, en lo que respecta a las bases de conocimiento, no existen estndares ni
definiciones. En general se supone que un KBMS, a diferencia de un DBMS, debe ofrecer estas
dos posibilidades fundamentales (Mylopoulos 1986):
Mecanismos de razonamiento: el KBMS debe ser capaz de extraer conclusiones
lgicas a partir de la informacin y reglas que contiene.
Mecanismos de explicacin que permitan al usuario del KBMS averiguar el estado del
mecanismo de razonamiento, obtener consejo, y justificacin de una determinada
conclusin obtenida por el mecanismo de razonamiento
A partir de estos requerimientos deberamos establecer alguna tipologa de KBMSs
atendiendo no a su arquitectura (no existen arquitecturas genricas estndar), sino a su
funcionalidad. Lo que caracteriza a los sistemas de representacin de conocimiento es que se
han desarrollado en diversos mbitos con propsitos especficos. Mientras que un mismo
sistema de bases de datos se puede utilizar para mltiple propsitos, los KBMS no son por lo
general de propsito general. (Jarke et al. 1989) presentan la siguiente tipologa de
aplicaciones de A en las que las bases de conocimiento son utilizadas:
Sistemas expertos
Sistemas de procesamiento de lenguaje natural
Sistemas de visin robtica
Entornos de desarrollo
Son los segundos los que nos interesan, aunque en realidad la mayora de los sistemas de
A toman la forma de sistemas expertos. Las relaciones entre el procesamiento del lenguaje
natural y los KBMS han estado siempre motivadas por los intereses de los investigadores en
A, no por los de lingistas o lexicgrafos. La aplicacin de sistemas basados en el
conocimiento a la TA es muy novedosa, y, segn pensamos, los clsicos sistemas de KBMS no
se adaptan a las necesidades de este tipo de aplicaciones, al no conceder la importancia
necesaria a la informacin detallada en general ni a los aspectos procedimentales. El inters de
los investigadores de A por el lenguaje natural est centrado casi exclusivamente en la
comunicacin hombre-mquina, por tanto su objetivo es la construccin de interfaces en
lenguaje natural que faciliten esta interaccin. stos son los denominados interfaces de
lenguaje natural (&L3; &atural Language 3nter'aces).
De hecho, el inters por los sistemas de NLP basados en el conocimiento surgi a raz de
la necesidad de construir interfaces en lenguaje natural para sistemas expertos. Estos sistemas
son alimentados con toda la informacin disponible sobre un determinado tema muy especfico,
por ejemplo diagnsticos mdicos, sistemas de ingeniera. Despus, mediante un interfaz
apropiado que acepta un conjunto de estructuras sintcticas y elementos lxicos especfico,
son capaces de responder adecuadamente a consultas complejas relacionando la informacin
que poseen.
Las tareas para las que estos sistemas se desarrollan son, casi por definicin, complejas
(Walker et al. 1987). Por tanto, un sistema experto es un sistema computacional capaz de
representar y razonar sobre un dominio determinado que precisa de gran cantidad de
conocimiento, tal como la aeronutica o la medicina. Se puede distinguir de otros tipos de
aplicaciones de A en que (Jackson 1986):
trabaja con temas complejos que normalmente requieren una considerable cantidad de
experiencia humana;
debe ser una herramienta prctica y til; para ello debe ofrecer un alto rendimiento en
cuanto a velocidad de ejecucin y fiabilidad;
debe ser capaz de explicar y justificar sus soluciones y consejos para convencer al
usuario de lo correcto de su razonamiento.
Los sistemas expertos son el tipo de aplicacin de A que mejores resultados ha
conseguido. Estos sistemas son usados hoy en da en un amplio abanico de dominios y han
probado ser altamente fiables. Por ello sera deseable la disponibilidad de interfaces en
lenguaje natural que facilitasen la comunicacin con el sistema por parte de usuarios no
expertos en computacin (mdicos, bilogos, ingenieros). Existen tres modos de ver la relacin
entre un NL y el KBMS. La primera es la construccin de un NL para manejar un KBMS. La
segunda construir un KBMS para implementar un NL. La tercera construir un NL (soportado
por el KBMS) para sistemas basados en el conocimiento. Estas relaciones quedan expuestas
en la Higura 8.6.
Fiura *.1 .elaciones &L3 J )*LS
Para que un programa pueda ser calificado de NL debe cumplir las dos condiciones
siguientes:
1. Un subconjunto del input o el output del sistema se realiza en lenguaje natural
2. El procesamiento del input (generacin del output) se basa en conocimiento de tipo
sintctico, semntico y/o pragmtico.
Los tres modos anteriormente citados de usar el lenguaje natural en A reflejan a nuestro
parecer tres estadios de investigacin, superando una primera fase en que se pretenda un
anlisis extremadamente simplista del lenguaje. Tras observar la enorme complejidad que ste
conlleva, se hizo obvia la necesidad de tratar el lenguaje humano como un objeto de estudio en
s mismo, para poder siquiera pensar en usarlo como medio de interaccin hombre-mquina.
En esta etapa se empezaron a plantear cuestiones que los lingistas han estado estudiando
desde mucho tiempo atrs. Un KBMS para NL habr de integrar los siguientes tipos de
conocimiento (Jarke et al. 1989):
Conocimiento lingstico.
Conocimiento conceptual.
Conocimiento inferencial.
Conocimiento del usuario.
La Higura 8.9 resume las fuentes de conocimiento lingstico necesario para el desarrollo
de NLs segn la A. Este cuadro revela cmo los investigadores de A contemplan el estudio
del lenguaje natural.
Fiura *.2 0onocimiento requerido por un &L3
Finalmente, en A se sealan algunas caractersticas necesarias en una KB para el
procesamiento de lenguaje natural:
.epresentacin de conocimiento: el sistema de representacin
10
debera ser un
esquema hbrido que contuviese subesquemas basados en marcos ('rames), hechos
de base de datos y reglas de deduccin. Las distintas unidades de conocimiento
codificadas en uno de estos esquemas tendrn que ser agregadas a los esquemas
hbridos de una fuente de conocimiento (lingstico, conceptual, etc.), que a su vez
tendr que ser agregada a la base de conocimiento global.
Krgani+acin del conocimiento: el KBMS deber organizar al menos dos bases de
conocimiento en el caso de un sistema basado en NL: la KB del lenguaje natural (NL
KB) y la KB a la que el NL proporciona acceso mediante lenguaje natural. A su vez, la
NLKB habr de estar organizada distinguiendo: conocimiento de entorno, conocimiento
especfico de trabajo y conocimiento especfico de dilogo (ver Higura 8.6)
Entorno de integracin: el KBMS deber proporcionar un entorno que permita la
entrada de datos para las distintas KBs. Este aspecto de adquisicin de conocimiento
se puede realizar mediante el NL una vez se haya construido parcialmente. Lo ideal
para crear la base de conocimiento de lenguaje natural es el trabajo conjunto de
expertos en los dos campos: la lingstica y la A.
Como observamos, las diferencias de descripcin detallada de bases de datos y bases de
conocimiento son abismales. Las bases de datos son sistemas muy bien establecidos en donde
todo lo que puede o no puede llevar a cabo el sistema y cmo llevarlo a cabo est
perfectamente establecido. El trabajo en bases de conocimiento se encuentra an en una fase
germinal, y por lo general se trata de sistemas especficos para necesidades especficas. La
literatura en torno a las bases de conocimiento es an altamente programtica, intentando
sentar las bases de lo que se supone que estos sistemas sern capaces de hacer. No es
extrao encontrar aserciones contradictorias en distintos autores con distintos fines. ncluso as,
en el siguiente apartado intentaremos mostrar cules son las definiciones formales y
arquitecturas que se han propuesto hasta ahora. Ni que decir tiene que el entorno de bases de
datos se encuentra totalmente establecido. Comenzamos pues por exponer la arquitectura
general de bases de datos.
http://elies.rediris.es/elies9/4-1-2.htm
&.6.&1ecanismo de control.
&.1M ;iclo de vida de un sistema de =roduccin.
;I;LC EE BIEA EE LCS SISTE1AS
El Ciclo de Vida del Desarrollo de Sistemas es un proceso por el cual los analistas de sistemas,
los ingenieros de software, los programadores y los usuarios finales elaboran sistemas de
informacin y aplicaciones informticas.
T[;@I;AS y 1ETCECLC%JAS
TCcnica; Es un mCtodo que aplica herramientas ( reglas especG'icas para completar
una o m1s 'ases del ciclo de vida del desarrollo de Sistemas. Ellas se aplican a una parte del
ciclo de vida total.
LetodologGa es una versin amplia ( detallada de un ciclo de vida 0KLPLETK de
desarrollo de sistemas que inclu(e;
o .eglas, procedimientos, mCtodos, herramientas
o Hunciones individuales ( en grupo por cada tarea
o Productos resultantes
o &ormas de 0alidad
(Whitten, Bentley, Barlow)
Definiciones
Herramientas : son los ambientes de apoyo necesario para automatizar las prcticas de
ngeniera de Software
Mtodos: son las maneras que se efectan las tareas de ngeniera de Software o las
actividades del ciclo de vida.
Procedimientos : son los mecanismos de gestin que soportan a los mtodos: El
control de los proyectos, el control de la calidad
Objetivos del CCLO DE VDA de un Proyecto:
Definir las actividades a ser ejecutadas en un proyecto de Procesamiento Electrnico
de Datos (PED)
ntroducir coherencia en muchos proyectos de PED de la misma organizacin
Establecer punto de control para control de gerencia y puntos de control para tomar la
decisin de "continuar o no".
;I;LC EE BIEA EST0U;TU0AEC =A0A EL EESA00CLLC EE LCS SISTE1AS
;A0A;TE0ISTI;AS EE LCS =0CGE;TCS EST0U;TU0AECS
Las tEcnicas estructuradas utili!adas en el desarrollo de los #royectos de Sistemas-
Fuscaron superar el fracaso en muchos desarrollos con&encionales.
Los proyectos estructurados se caracteri!an por me"ores herramientas para e+presar los
re,uisitos del usuario- Enfasis en el proyecto de calidad - sistemas de desarrollo top-
doGn.
TE;@I;AS EST0U;TU0AEAS
Anlisis estructurado
Diseo estructurado
Programacin estructurada
Desarrollo TOP-DOWN
Equipos de programacin
Revisiones estructuradas
3L0S0S EST%8/T8%46
El Anlisis se refiere al "extremo inicial" de un proyecto de desarrollo de sistemas,
durante el tiempo en que los requisitos del usuario son definidos y documentados.
El Anlisis estructurado introduce el uso de las herramientas de documentacin
grficas para producir un tipo diferente de especificacin funcional: "la especi,icacin
estructurada".
Herramientas de documentaciHn del nIlisis
Estructurado
Diagramas de flujo de datos (DFDs)
Diccionario de Datos (DD)
Diagramas de Entidad-Relacin (ER)
Diagramas de Transicin de Estado (DTEs)
Especificaciones de procesos
40SEJ6 EST%8/T8%46
Durante el desarrollo se determinan "qu mdulos, interconectados de qu forma,
solucionarn mejor un problema definido
Como se reconoce un buen diseo?
Existe una sola manera de realizar un buen diseo?
Elementos del 4iseKo Estructurado5
Tcnicas de documentacin
Criterios de evaluacin del Diseo
Heursticas del diseo
Estrategias del Diseo
TEcnicas de 4ocumentaciHn5
ncluyen herramientas grficas y de texto
Herramientas
o Flujos de datos
o Diagramas Hipo
o Diagrama de estructura
o Especificaciones de mdulo y D.D.
/riterios de e&aluaciHn de diseKo5
Tiene como objetivo evaluar los defectos del diseo conforme a la documentacin del
diagrama Hipo y el diagrama estructural Criterios
o Acoplamiento
o Cohesin
Heursticas del diseKo5
Siguen reglas prcticas que generalmente son tiles aunque no funcionan en todos los
casos. Se refieren al tamao del mdulo y al control del mdulo.
Son
o Tamao del mdulo
o Fan in Fan out (abanico)
o Alcance efecto y alcance de control
Estrate$ias de diseKo5
Las estrategias requieren un buen nivel de experiencia, sentido comn y decisin
Existe una basada en el flujo de datos y otra basada en la estructura de datos
o Anlisis transformacional
o Anlisis transaccional
=roramacin estructurada
4ES%%6LL6 T6#-46W3
Es una estrategia de proyecto que divide sucesivamente los problemas grandes y
complejos en problemas menores y menos complejos, hasta que el problema original pueda ser
expresado como una combinacin de problemas pequeos y fcilmente solucionables.
%EL0S063ES EST%8/T8%4S
Se trata de un procedimiento organizado para que un grupo de examinadores
(Analistas de Sistemas, programadores) revisen el producto tcnico para fines de correccin y
garanta de calidad.
La revisin estructurada (walktrough), es conducida por los miembros de un equipo que
trabajan juntos en una base diaria, y su realizacin puede ser fijada en cualquier momento.
EM80#6S 4E #%6.%*/063
;omponentes :
Superprogramador o Programador jefe
Copiloto
Administrador
Abogado de lenguaje de programacin
nstrumentador o experto en utilitarios
Bibliotecario
* ra'ones por la +ue no es posible implementar
Costo del superprogramador
Conseguir que trabaje para uno un superprogramador
qu hacer con el personal que se tiene?
Si codifica con rapidez o no documenta o no se comunica con el usuario
l$unas herramientas5
Herramientas CASE (Computer -Aided Software Engineering:ngeniera de Software
auxiliada por computadora)
Generadores automticos de Cdigo.
Control de documentos, versiones y grupos de trabajo
Control y administracin de proyecto.
;I;LC EE BIEA EST0U;TU0AEC
EST8406
La etapa de Estudio de viabilidad o estudio inicial.
Su principal objetivo es el estudio e identificacin de
las deficiencias actuales en el ambiente del usuario (a travs de relevamientos, en cuentas),
establecer nuevos objetivos, y proponer "escenarios" viables
3L0S0S
Conforme a las alternativas generadas por el estudio, en esta etapa se "Modelan" las
necesidades del usuario a travs de DAGRAMAS especiales (DFD, ER),dando como resultado
las Especificaciones estructuradas.
40SEJ6
En esta etapa se "disea" el sistema, determinando los mdulos componentes del
Sistema, de acuerdo a una jerarqua apropiada, a los procesadores (hardware) y a la funcin
0*#L3T/063 N4ES%%6LL6O
Esta actividad incluye la codificacin e integracin de los mdulos con tcnicas de
programacin estructurada
.E3E%/093 4EL TEST 4E /E#T/093
Consiste en preparar un conjunto de casos para efectuar las pruebas del sistema
.%3T0 4E /L044
En esta etapa se efecta el TEST final de aceptacin del Sistema
4ES/%0#/063 4E #%6/E40*0E3T6
Consiste en la elaboracin de la "descripcin formal" del nuevo sistema: Manuales del
Usuario, Manuales del Sistema, Manuales de procedimiento
/63LE%S093 4E L BSE 4E 4T6S
Esta actividad slo se realiza cuando existen sistemas funcionando
03STL/063
Es la actividad FNAL.
Existen varias estrategias de NSTALACON: Gradual, distribuida, completa
Un aspecto importante de esta actividad es la CAPACTACON
3mplementacin
.adical 2S. 0onservadora
niciar una actividad despus de concluir la otra?
Cundo utilizar una u otra? Depende:
De la presin por dar resultados
Exactitud en la estimacin de recursos
Conocimiento del : software a utilizar,
de la aplicacin,
del hardware
nconstancia del usuario
Ciclo de vida por prototipos
Ejemplo : %nalogGa lan+amiento del nuevo modelo de auto
Se realiza un sistema provisorio con el conjunto inicial de necesidades e implantarlas
rpidamente con la intencin de ir expandindolas y refinndolas iterativamente al ir
comprendiendo el sistema el usuario y quien lo desarrolla
Es radical, pero se asume que posteriormente existir un juego completo de
documentacin.
Herramientas requeridas :
D.D. ntegrado y medios poderosos de administracin de B.D.
Generadores de:
o pantallas,
o reportes no guiado por procedimientos (un mandato una funcin)
o consultas y recuperacin no guiado por procedimientos
o generadores de aplicaciones
Lenguaje de 4ta. Generacin (lo que debe ms que cmo)
Finalidad
El usuario dice que le gusta y que no mientras testea el sistema.
El usuario verifica la factibilidad del diseo de un sistema
o Mtodo de interaccin (menes, teclas especiales)
o Formatos de presentacin
Caractersticas
Es una aplicacin que funciona
dentifica y aclara los requerimientos evitando suposiciones del analistas y los usuarios
con respecto a los requisitos del sistema.
Se crea rpidamente.
Evoluciona a travs de un sistema iterativo.
Costo de desarrollo bajo?
Se puede usar el mismo sistema cmo prototipo
Se debe documentar los requisitos y no dejar funcionando el prototipo sin
documentacin.
Razones por las cuales se utilizan los prototipos
Aumento de productividad?
Entusiasmo de usuarios con prototipos (recordar analoga)
Son candidatos las aplicaciones que :
El usuario no quiere examinar DFD.
Se determinan los requerimientos por tanteo
El sistema ser interactivo
No existe cantidad de detalles de algoritmo
Existe un alto costo y un alto riesgo de fracaso
La tecnologa es nueva.
Recomendacin
El ciclo de vida del prototipo involucra el desarrollo de un modelo funcional. Debe
realizarse la documentacin de los requerimientos del usuario
Escenarios para la construccin de prototipos
Evaluar la peticin del software y determinar si es o no un buen candidato a prototipo
Dado un proyecto candidato aceptable, el analista desarrolla una representacin
abreviada de los requerimientos
Despus de revisar la r`presentacin de requerimientos se crea unas especificaciones
de diseo abreviadas
El software del prototipo se crea prueba y refina
Una vez que el prototipo ha sido probado, se presenta al cliente, el cul conduce la
prueba de la aplicacin y sugiere modificaciones
Los pasos 4 y 5 se repiten iterativamente hasta que todos los requerimientos estn
formalizados o hasta que el prototipo haya sido reemplazado por un sistema de produccin
4esarrollo de cti&idades
en espiral
4ES%%6LL6 4E S0STE*S 4ES4E EL E3'6M8E 4E L
03.E30E%0 4E 03'6%*/063
03.E30E%0 4E 03'6%*/063
ngeniera es una Ciencia aplicada, o sea un rea de conocimiento humano que utiliza
principios matemticos y fsicos para resolver problemas ligados a la construccin de
NGENOS. Un ngenio es todo aquello que produce la capacidad creativa del hombre para
atender a un fin determinado
La ngeniera de la nformacin se puede definir como una disciplina, o sea un
"conjunto de conocimientos" ligados al tratamiento de la nformacin y la construccin de
mecanismos formales para la construccin de los "Sistemas de nformacin".
/%/TE%0ST0/S 4E L 03.E30E%0 4E L 03'6%*/093
Centrada en los negocios
Participacin intensa de los usuarios
mplementacin de Tcnicas de Modelaje eficaces
Se orienta a la AUTOMATZACON en los desarrollos de los Sistemas
Propone a la Tecnologa como "soporte" de los negocios
LA =I0A1IEE EE LA I@%E@IE0JA EE LA I@FC01A;IC@
Etapas del Ciclo de Vida del Desarrollo de Ss
Planeamiento Estratgico de nformaciones (PE)
Anlisis del Area de Negocios (AAN)
Proyecto de Sistemas de nformacin (PS)
Construccin del Sistema de nformacin (CS)
#laneamiento EstratE$ico de 0nformaciones N#E0O
Es la primera etapa . Consiste en el estudio y definicin de las necesidades de
nformacin que requiere la Organizacin para alcanzar sus objetivos.
PRODUCTOS: El Modelo Empresarial, los Factores Claves del Exito y los problemas
para alcanzarlos, el Modelo de Datos Corporativo y el Modelo Funcional Corporativo
nIlisis del rea de 3e$ocio N3O
En esta etapa se realizan los estudios de las "Areas de Negocio" que debe soportar el
S (tratando de obviar aspectos tecnolgicos)
Se vale de tcnicas de relevamiento y modelaje de las necesidades de la Organizacin
PRODUCTOS:"Modelo de Datos", "Diagrama de Descomposicin Funcional", DFD.
#royecto de Sistemas de 0nformaciHn N#S0O
En esta etapa se definen las caractersticas tcnicas requeridas para soportar las
necesidades del Proyecto (Diseo del Sistema, requerimientos de hardware)
PRODUCTOS: Propuesta del Ambiente Computacional, Diagramas de estructuras de
mdulos, Proyecto de la Base de Datos
/onstrucciHn del Sistema
Consiste en la conversin de los Modelos de datos en estructuras fsicas (software y
hardware).
Aqu se realizan las tareas de programacin (o generacin automtica de cdigo).
PRODUCTOS: El sistema desarrollado, Bases de Datos generadas, Manuales, etc.
LA =I0A1IEE EE LA I@%E@IE0JA EE LA I@FC01A;IC@
El Desarrollo de Ss se base en los 3 pilares fundamentales:
http://www.monografias.com/trabajos4/cicdevida/cicdevida.shtml
Unidad =. 3:s(ueda % satisfacci$n de
restricciones.
*.. =roblemas y Espacios de estados.
, Ar&oles de -.s/ueda en las Representaciones Espacio0
Estado
Un estado es un con|unto de condcones o vaores que
descrben un sstema en una punta especfco durante e
proceso. Una representacn Espaco-Estado es aquea en a
que os operadores usan un nuevo estado, y soo uno, en a
base de datos, cada vez que se empean. Las representacones
Espaco-Estado, que utzan varos mtodos de bsqueda a
travs de a base de datos para acanzar soucones, han sdo
usadas por |uegos de a|edrez, sstemas para encontrar rutas y
probemas que ncuyan muchos operadores y muchos posbes
estados.
La bsqueda de un camno de soucn a travs de Espaco-
Estado se puede ustrar grfcamente medante nodos y
enaces de conexn. Cada nodo representa un estado de
sstema y os enaces representan a accn de un operador
para cambar e sstema de un estado a otro. Los nodos pueden
tener punteros que seaen a nodo orgen de forma que
cuando se acance a soucn podamos conocer su camno. En
agunos mtodos de bsqueda os punteros tambn se usan
para marcar os camnos "fasos2.
Los grfcos son dbu|os generamente como arboes o redes.
Un rbo es un grfco que empeza por a cma con un nodo
raz, de manera que os nodos de un nve tenen un soo orgen
(un soo padre). Esta estructura presenta soamente un camno
desde e nodo raz a otro nodo cuaquera. Los enaces o
conexones entre nodos de un rbo se aman ramas
(ramfcacones). Los nodos en a parte nferor de rbo se
denomnan nodos termnaes (ho|as). Los nodos en os grfcos
de rbo se denomnan agunas veces padres e h|os
(descendentes).
Hay potencamente un rbo de un espaco-estado que
representa cada posbe estado de sstema y otro rbo mas
mtado de camno que puede ser construdo s e programa
busca a respuesta efcentemente. Puede ser mportante
encontrar un modo efcente de bsqueda porque e espaco
potenca de bsqueda puede ser nfnto o, a menos, tan
grande que haga e proceso no vabe.
http!!""".uap.edu.pe!#ac!$%!tra&a'os!$%%$(!isi
)%$**!go+!ia.html
7WS?UEEAS E@ ES=A;ICS EE ESTAECS G E@ ES=A;ICS EE
;A0A;TE0JSTI;AS
En este desarrollo se han implementado dos t0cnicas de Inteligencia Artificial para
simular el comportamiento calificable de inteligente.
#a hiptesis de trabajo nos dice $ue una pgina &ue re:na unas condiciones lo ms
parecidas posibles a las solicitadas por el usuario nos llevar a otra con muchas
posibilidades de ser de caractersticas deseables por el usuario. Esta hiptesis se
basa en el hecho de $ue las p.ginas en Internet est.n desarrolladas tem.ticamente% ' una
p.gina de un tema en concreto normalmente enla4a con otra del mismo campo o tema.
+ara ello nos hemos basado en una ,uncin heurstica &basada en el conocimiento)% '
gracias a la representacin del conocimiento $ue da el usuario &o se asigna por defecto)
en sus ,aloraciones de las distintas capacidades de la b1s$ueda% nos a'uda a e,aluar la
bondad de una p.gina% mediante la asociacin de un n1mero a cada p.gina. -icho
n1mero ser. obtenido de la multiplicacin de una serie de factores $ue son
determinados por el usuario antes de comen4ar la b1s$ueda.
+or un lado la b:s&ueda en espacio de estados% $ue mediante unos algoritmos de
b1s$uedas en grafos% ' modeli4ando las p.ginas como ,0rtices de grafo% ' los enlaces
como aristas% aplican la funcin heur(stica a las p.ginas recuperadas% determinando
mediante los algoritmos D>1s$ueda primero el mejorD ' D>eam 6earchD &igual $ue el
anterior% pero limitando la frontera de exploracin a un determinado n1mero de estados)
cu.les deber.n ser las prximas p.ginas a recuperar.
!magen @"odelizacin de un espacio de estados mediante un gra,o@
+or el otro lado se encuentra la b:s&ueda en espacio de caractersticas% $ue aun$ue
con muchas similitudes difiere de la b1s$ueda en espacio de estados. En este caso la
e,aluacin no ,a a ser lineal% sino $ue se ,a a reali4ar en distintas caracter(sticas
determinables por el usuario. As( la b1s$ueda deja de ser en un sistema lineal ' se
traslada a un espacio ,ectorial de dimensin 3 donde 3 es el n1mero de caracter(sticas
en las $ue el usuario est. interesado% as( en funcin de los ,alores obtenidos para las
caracter(sticas medidas de la p.gina% esta aparecer. en el espacio de caracter(sticas
como un punto. #as distancias entre puntos de este espacio se calcular.n como
distancias eucl(deas
#a b1s$ueda basada en las caracter(sticas es una de las aplicaciones m.s simples del
m0todo de inteligencia Artificial de descripcin y pareamiento.
+ara identificar los objetos de un espacio de caracter(sticas se utili4a un extractor de
caractersticas ' un evaluador de caractersticas. El extractor mide caracter(sticas
simples como el .rea de un objeto. #os ,alores obtenidos por el extractor se con,ierten
en las coordenadas de un punto de caracterstica en un espacio de caracter(sticas.
+ara identificar un objeto desconocido% se comparan las distancias entre su punto de
caracter(stica ' los puntos de caracter(stica de diferentes objetos ideali4ados. #a
identidad ms probable del objeto desconocido est. determinada por la distancia ms
corta. En la figura se muestran los puntos correspondientes a un objeto desconocido '
una familia de placas de caja el0ctrica ideali4adas en un espacio de caracter(sticas de
placas.
!magen @"odelizacin de un espacio de caractersticas@
En este pro'ecto hemos utili4ado un extractor de caractersticas% en forma de
anali4ador B72#% pero lo $ue finalmente se hace no es medir la distancia entre dos
p.ginas% sino $ue se aplica una compleja funcin de e,aluacin% $ue calcula un
resultado num0rico representati,o de la bondad de la p.gina respecto de las
caracter(sticas $ue pre,iamente han debido ser especificadas por el usuario.
En cual$uier caso% aun$ue no se hace una medida de la distancia de los puntos de
caracter(stica de las p.ginas recuperadas al punto de caracter(stica de la p.gina ideal%
&no ser(a 1til en este caso). Al aplicar la funcin a los ,alores de las caracter(sticas e
interpretar su ,alor &ma'or ,alor% p.gina m.s cercana) es una forma de conseguir el
mismo efecto.
Aun$ue la forma de actuar no se puede considerar exactamente% como Db1s$ueda en
espacio de caracter(sticasD% s( $ue se puede decir $ue este tipo de b1s$uedas ha
inspirado la ,orma de proceder.
En cual$uier caso% seg1n los estudios reali4ados por la <ni,ersidad de Ari4ona
&http://ai.bpa.ari4ona.edu/Vmramse'/papers/its'/spider.html)% ambos tipos de
b:s&ueda dan unos resultados similares% con una pe$ue/a mejor(a en la calidad de las
p.ginas obtenidas &aun$ue tambi0n obtiene p.ginas DaleatoriasD% $ue no tienen nada $ue
,er con lo solicitado) en el caso de los espacios de caracter(sticas% pero tambi0n con
unos ma'ores consumos de recursos &:+<).
http3OOpisuera.in,.ubu.esOlsiOEocenciaOTF;OITI%Oicru'adnO1emoriaO26.htm
-.1 Espacios de estados determin"sticos y espacios no
determin"sticos.
-.2 7!s+ueda sistem2tica.
( 12todos de -.s/ueda
)*squeda +acia en #ondo, En esta bsqueda e orden de
expansn de os nodos es desde e nodo nca descendendo
en un camno dado hasta que se encuentre a respuesta, o
hasta que a bsqueda egue a un determnado mte de
profunddad. S a bsqueda excede de mte o de fn de ese
camno e sstema retrocede y a bsqueda contnua en e nodo
ms cercano. La bsqueda "haca e fondo" es partcuarmente
efcaz cuando hay muchos camnos argos que conducen a una
soucn.
-.s/ueda a lo ancho, En esta bsqueda todos os nodos en
un msmo nve son expanddos antes de ba|ar a cuaquera de
os que estn en un nve nferor. S en esta bsqueda debemos
ba|ar haca un nve nferor e proceso comenza desde un ado
y movndose horzontamente. La besuqueada haca o ancho
se adapta perfectamente a sstemas que tene unos pocos
camnos de soucn evtando ma gastar tempo.
-.s/ueda trepando a la cima, $ste mtodo empie-a de a
msma forma que e de "Bsqueda haca e fondo", pero a
eeccn de que nodos descendentes sern acanzados se hace
estmando cua es e ms cercano a a meta. Esto es sufcente
cuando hay aguna manera de medr dstancas a a meta; sn
embargo hay condcones engaosas en as que a dstanca rea
no esta cara. E mtodo de " Bsqueda trepando a a cma"
proporcona un sstema con medos para superar taes
condcones, ta como retornar y ensayar un camno que fue
abandonado antes o apcar mas de una rega antes de evauar
e resutado en orden a satar a una parte dferente de espaco
de bsqueda.
http://www.uap.edu.pe/Fac/02/traba|os/02206/s%2033/go1/a.htm
..1.1 7!s+ueda de metas a pro,undidad.
..1.2 7!s+ueda de metas en anchura
..1.& 7!s+ueda ptima.
..2 Satis,accin de restricciones.
..& 0esolucin de problemas de <ueos.
3uegos
La teora de |uegos se ha estudado durante muchos aos como una
parte de as matemtcas. So recentemente han poddo utzarse
os ordenadores como herramentas para resover os probemas de
|uegos que surgen en a vda cotdana. Un e|empo de esto es a
aparcn de computadores que |uegan a a|edrez, que cuestan
reatvamente poco dnero y que pueden vencer a |ugadores de
dversos nvees. La potenca de ccuo mpcada en este tpo de
|uegos es enorme. Por otra parte, ocurre que, una vez que un
probema ha sdo resueto (aunque sea parcamente), no necesta ser
resuto de nuevo, pudendo ser transferdo de una mquna a otra
medante una modfcacn mecnca aparecendo en as mqunas
ms sencas y baratas.
La resoucn de probemas de |uegos tene grandes apcacones en
a cenca y en os negocos. Medante esta tcnca pueden resoverse
probemas de dversos campos taes como a gentca o e
estabecmento de panes en os procesos de produccn compe|os.
Hay muchas cases de |uegos y muchos mtodos para resover os
probemas que pantean. Por e|empo, en un sotaro, e |ugador
ntenta acanzar determnado ob|etvo a partr de un estado nca,
medante una sere de movmentos, sn que exsta nnguna
competcn. En otros |uegos como e a|edrez o os barcos, cada
|ugador ntenta ganar hacendo a vda o ms dfc posbe para su
adversaro. En taes casos cada movmento ntenta maxmzar as
oportundades de xto a a vez que mnmzar as de contraro. Esto
puede resoverse medante mtodos de tpo "mnmax". Muchos
|uegos pueden representarse medante "rboes", en os que cada
rama representa un posbe movmento que eva e |uego de un
estado a otro.
La teora de |uegos es muy matemtca, evando a reas taes como
e ccuo de predcados y a gca matemtca. Nos apartaremos de
a teora, mtndonos a acarar agunas de as deas bscas,
consderando una estratega senca basada en "heurstcos".
http://www.uap.edu.pe/Fac/02/trabajos/02206/isi%2033/go1/ia.html
http://www.monografias.com/trabajos12/inteartf/inteartf.shtml
http://www.monografias.com/trabajos/inteliemo/inteliemo.shtml
www.unirioja.es/dptos/dchs/archivos/nteligencia.doc
www.infonegocio.com/downcan/todo/interes/psicologia.doc
www.unav.es/fyl/programas04-05/ humanidades/procesospsicologicos.pdf
http://www.universidadabierta.edu.mx/SerEst/Apuntes/BahenaMaria_PsCientifi
ca.htm
http://www.cerebrito.com/depresion.htm
varios de los subtemas se encuentran
el los archivos (ue estan dentro de la
carpeta de inteligencia artificial