CapiTuLo 3 Métodos de inferencia 3.1 INTRODUCCION En este capitulo analizaremos varios métodos de razonamiento o inferencia, tema que reviste Particular importancia en tos sistemas expertos porque el razonamiento es la técnica norm ue utilizan Tos sistemas expertos para resolver problemas. Es decir, se usan regularmente cuando no existe una solucién algoritmica o cuando ésta es inadecuada y el razonamiento oft nica posibilidad de obtener una solucién, 32 ARBOLES, REJILLAS Y GRAFICAS Un arbol es un estructura jerdrquica de datos conformada por nodos que almacenan informa. cién 0 conocimiento, y por ramas, que conectan a los nodos. A veces a las ramas se les denomina vineutos 0 bordes, y a los nodos vértices. En la figura 3.1 se muesira un érbol binario general que tiene cero, una o dos ramas por nodo. En un &rbol orientado, el nodo rraia ocupa el lugar mas alto de la jerarquia, y las hojas, el mas bajo. Un arbol puede consi. derarse como una clase especial de red semantica en la que cualquier nodo, excepto el rats tiene exactamente un nodo padre y cero 0 més nodos hijo, Para el tipo usual de arbol binario hay un méximo de dos hijos por nodo y los nodos hijo de la derecha son diferentes a los de la inquierda, Nodo rate Nivel Figura 2.1 Arbol binario 9798 CAPITULO 3: Métodos de inferencia Si un nodo tiene mas de un padre, e encuentra en una red. En la figura 3, se observa ga Sélo hay una secuencia de bordes, 0 ruta, dela rafz a cualquier nodo; porque no es pos ‘moverse contra una flecha, En los érbolesorientados todas las flechas apuntan hacia abajo, Los érboles son un caso especial de una esiructura general matematica llamada gréfica ‘érmino red suelewilizarse como sindnimo de grifica cuando se describe un ejemplo parts Jar de grfica como una red telefénica, Una grifica puede tener cero o mas vinculos ent a nodos y ninguna distincin entce padres hijo. Un ejemplo sencillo de grifiea es un mapa tas ciudades son los nodos y los vinculs son los caminos. Los vinculos pueden tener fecha o diteeciones asociadas con ellos y un peso para diferenciarse; se puede hacer una analog con las calles de un solo sentido que tienen limites de peso para los circulan pm ells, Los pesos de una grétien pueden repesentarcualquie tipo de informacion. Sila grt «sla rata de una linea area, los pesos pueden ser los kil6metros entre las ciudades, el cox del vuolo, el consumo de combustible, etestera Un sistema neuronal artificial es otro ejemplo de una gréfica con ciclos, porque duranted entrenamiento hay retroalimentacién de la informacidn de una capa ala otra dela red, to qu modifica los pesos. Una gréfica simple no tiene vinculos que se encuentren inmediatamentl detrés del propio nodo, como se muesira en Ia figura 3.2(a). Un eireuito o ciclo es una nul aque recorre una grfica y que inicia y termina en el mismo nodo, como la ruta ABCA ée li figura 3.2(a), Como su nombre lo indica, una gréfica aefliea no tiene ciclos, mientras que una grifica conectada tiene vinculos con todos sus nodos, En la figura 3.2() se muestra ny aréfica con vinculos dirigidos, llamada digréfica, y un autolazo. Una grfica acfclica com dieecién es una rejilla,y se ejemplifica en la figura 3();y un drbol con una sola ruta desde Ja raiz hasta su tnicahoja es un érbol degenerado, Los dtboles degenerados binarios de tes nodos se muestran en la figura 3.2(e). Por lo generis flechas nose muesiran explicitamen te en un érbol, porque se supone que éstas apuntan hacia abajo. ‘Arboles y rejillas son dtiles para casificar objets a causa de su naturaleza jrdrquica. Ua ejemplo es un érbol familiar que mucstra las rlaciones y la ascendencia de las persona relacionadas. Otra apicacidn de los érboles y las rejillas es In toma de decisiones en esto casos se les llama drbotesorejillas de decisién; en lo sucesivo se utilizar el términoestrue. tara para denomi os. Una estructura de decisién es tanto un esquema de represen tacién del conocimiento como un método de razonamiento sobre su conocimiento. En I figura 3.3, se muestra un ejemplo de érbol de decisi6n para clasificar animales, Este ejemplo sirve para el jucgo clsico de las 20 preguntas: los nodos contienen preguntas, las ramas “x “no as respuestasy las hojs las suposiciones de cul animal se trata A diferencia de los &boles de ciencias de I computaciGn, los arboles de clsifcacién pueden dibujarse con Iara hacia abajo. En Ia figura 3.4 se muestra una pequetia parte de un {rbol de decisin para castier frambuesas, en él no se muestra lara, que tiene una rama hacia el nodo “Hojas simples” y otra hacia el nodo “Hojas compuestas”. El proceso de det si6n inicia en ta pare inferior al identficar los rasgos ms notoris, como sila hojas son simples 0 compuestas, los detalles més especfficos, que requieren una observaciGn mas cer- cana, se usan a medida que subimos por el drbol. Bs decir, los conjuntos ms grandes de alternativas se examinan primero y despues el proceso de decisién comienza a reduct las posibilidades a grupos ms pequefios. Esta es una buena forma de organiza las decisiones ‘omando en consideraciéa el tiempo y el esfuerzo necesarios para levar a cabo observaciones ms detalladas Si las docisiones son binaras, un érol de decisiGn binario es ala vex fcil de construe y muy eficiente, Cualquier pregunta baja un nivel en el érbot: una pregunta puede decidir una de dos posibles respuestas, dos preguntas pueden decidir una de cuatro posibles respuestas, tres preguntas pueden decidir una de ocho posibles respuestas, et. Si se construye un érbol binario de modo tal que todas las hojas sean respuesta y todos los nodos dirigidos hacia31, se observa que rque no es posible tan hacia abajo. lamada gréfica. El in ejemplo particu: vinculos entre Los fica es un mapa: jeden tener flechas hacer una analogia Jes que circulan por aciGn. Sila erdfica 5 ciudades, el costo , porque durante el trade la red, lo que en inmediatamente ‘0 eielo es una ruta la ruta ABCA de la iclos, mientras que 2(e) se muestra una : con una sola ruta desde dos binarios de tres stran explicitamen. leva jerérquica. Un cia de las personas decisiones, en estos {el término estruc- quema de represen: onocimiento. En la males. Este ejemplo ants, as ramas “sf” es de clasificacion pequefia parte de un gue tiene una rama El proceso de deci- smo Si Tas hojas son bservacién mas cer- os mas grandes de mienza a reducir las nizar las decisiones. .cabo observaciones ici de construir y ta puede decidir una posibles respuestas, ¢ construye un dol odos dirigidos hacia 32 Arboles, rejilas y gréficas 99 bajo sean preguntas, puede haber un méximo de 2% respuestas para N preguntas. Por ejem- plo, diez preguntas pueden clasificar uno de 1,024 animales, mientras que 20 preguntas pue- den clasificar una de 1,048,576 posibles respuestas. 7 (a) Grafica no conectada (b) Grafica conectada G (©) Grafica con autolazo y circuito propio (4) Una rejilla <7 (©) Arboles binarios degenerados de tres nodos Figura 3.2 Gréficas simples Esmuy grande? Lanza Kitidos? o lege? Ne si si Suponequeunaacila Suposequees unratén ‘tiene Fompa? Supone que es una jira caw Le gustuerdirencl agua? Supone que esunclefante No, si Supone qucesarinaceronte _Supone que e¥ unhipopcamo Figura 3.3 Arbol de decisién mostrando conocimiento acerca de animales ‘Otra caracterstica itil de los drboles de decisién es que pueden realizar un autoaprendizaje Si la suposicion es errénea, puede Ilamarse a un procedimiento para pedir al usuario una nueva pregunta de clasficacién correcta y las respuestas a las opciones “sf” y “no”. Deben —— ea100 CAPITULO 3: Métodos de inferencia crearse dindmicamente nuevos nodos, ramas y hojas y afiadirse al érbol. En el programa original Animales, escrito en BASIC, el conocimiento estaba almacenado en instrucciones DATA; cuando el usuario enseiiaba al programa un nuevo animal, tenga lugar el aprendizaje automético mientras el programa gencraba nuevas instrucciones DATA que contentan infor ‘én acerca del nuevo animal. En Pascal y otros lenguajes con soporte de apuntadores, el conocimiento sobre el animal puede almacenarse en drboles. Con la herramienta CLIPS para sistemas expertos, pueden construirse autométicamente nuevas reglas mientras el programa aprende nuevo conocimiento (Giarratano 92). Esta adquisicién automatizada de conoci- ‘miento es muy itil porque puede evitar cl cucllo de botella de la adquisicién de conocimiento deserito en el capitulo 1 Fanta Fanec | T i — Nigwmorinenosienen J] [Pianeos enn I I 1 Figura 3.4 Fragmento de un arbol de decisién para clasificar varias especies de frambuesas Las estructuras de decisiGn pueden traducirse a reglas de producci6n en forma mecénica, Esto puede lograrse fécilmente a partir de una busqueda primero a lo ancho de la estructura y de Ia generaciGn de reglas SI... ENTONCES en cada nodo. Por ejemplo, el arbol de decisin de la figura 3.3 podria traducirse a reglas de la siguiente manera: SI PREGUNTA = "zES MUY GRANDE?" Y RESPUESTA = "NO' ENTONCES PREGUNTA := "ZLANZA CHILLIDOS?* SI PREGUNTA = "2ES MUY GRANDE?" Y RESPUESTA = * ENTONCES PREGUNTA := "JTIENE UN CUELLO LARGO?" y asf para los otros nodos. Un nodo de hoja podria generar una RESPUESTA ef lugar de una pregunta. Los procedimientos apropiados también consultarfan al usuario para obtener una en- trada y podrian construir nuevos nodos si 6staes errnea, ‘A pesar de que las estructuras de decisién son importantes herramientas de clasificacién, estén limitadas porque no pueden ttatar con variables, mientras que un sistema experto sf lo asol, En el programa jo en instrucciones ugar el aprendizaje we contenfan infor. de apuntadores, el mienta CLIPS para entras el programa pes rambuesas n forma mecéinica o dela estructura y bol de decisién de moe ate 2° TAen lugar de una aa obtener una en- 5 de clasificacién, ema experto sf lo 3.3 ESTADO Y E:! 3.3 Estado y espacios de problema 101 puede hacer. Los sistemas expertos ppropésito general ‘més que simples clasificadores, son herramientas de SPACIOS DE PROBLEMA Los diagramas pueden aplicarse a muchos problemas pricticos. Un método util para deseribir cl comportamiento de un objeto, es definir un grafica llamada espacio de estado. Un estado es una coleccién de caracteristicas que pueden usarse para definir el status o estado de un objeto, El espacio de estado es el conjunto de estados que muestran las t mes entre los estados que puede experimentarel objeto. Una transicién Meva un objeto de un estado a otto. Ejemplos de espacios de estado Como un simple ejemplo de espacios de estado, consideremos la compra de una bebida ga: seosa en una maquina expendedora: cuando se depositan monedas en la méquina, ésta hace tuna transicién de un estado a otro, En la figura 3.5 se ilustra el espacio de estado, suponiendo {que solo estén disponibles monedas de 25 y de 5 centavos, y que se requieren 55 centavos para obtener una bebida, Si consideramos monedas de otras denominaciones, como de 10 y 50 centavos, se complica més ta gréfica y no se muestra aqui Figura 3.5, Grafica de estado para una maquina expendedora de bebidas gaseosas que acepta monedas de 25y 5 centavos os102 CAPITULO 3: Métodos de inferencia Los estados de inicio y éxito se dibujan como efrculos dobles para facilitar su identifice ci6n. Los estados se muestran como circulos y las transiciones posibles a otros estados se ‘muestran como flechas. Observe que esta grifiea es una griifica con pesos, donde éstos son Jas monedas que pueden entrar a la méquina en cada estado. Acesta grifica también se le lama grafica de maquina de estado finito, porque describe e numero finito de estados de una méquina. El término maquina se usa en un sentido muy ge neral, puede ser un objeto real, un algoritmo, un concepto, etc. Asociadas con cada estado hay acciones que la conducen a otro. En cualquier momento, la maquina puede estar en un sola estado. A medida que acepta la entrada a un estado, pasa de ese estado a otro. Si se dan lis entradas correctas, pasard del inicio al éxito 0 estado final. Si un estado no esté diseRiado para aceptar cierta entrada, la méquina se detendra en él, Por ejemplo, la méquina de bebidas go seosas no tiene la capacidad de aceptar monedas de diez centavos, si alguien pone una de cstas monedas en la maquina, la respuesta no esté definida. Un buen disefio incluira la posi ddad de entradas no vilidas para cada estado y proporcionard transiciones a un estado de error Este es disefiado para proporcionar mensajes de error apropiados y llevar a cabo cualquier accidn necesaria, Las maquinas de estado finito se usan con frecuencia en compiladores y otros programas para determinar la validez. de una entrada. Por ejemplo, la figura 3.6 muestra parte de una maquina de estado finito para probar la validez de cadenas de entrada. Los caracteres de la entrada son examinados uno por uno y slo sera aceptadas las cadenas de caracteres MIEN. ‘TRAS, ESCRIBIR y EMPEZAR. Las flechas se muestran desde el estado EMPEZAR para luna entrada exitosa y también para una entrada errénea; en este caso, avanza hacia el estado 4de error. Por eficiencia, algunos estados como el sefialado por “I.” y “T” se usan para probar a MIENTRAS y a ESCRIBIR Inicio B Exror Figura 3.6 Parte de un maquina de estado finito para determinar cadenas vélidas MIENTRAS, ESCRIBIR y EMPEZAR. Nota: Sélo se muestran algunas transiciones al estado de error, Los diagramas de estado también son tiles en la descripeién de soluciones a problemas. En este tipo de aplicaciones se puede considerar al espacio de estado como un espacio de Problema, en el que algunos estados corresponden a tapas intermedias de la soluciGn de Fi3.3 Estado y espacios de problema 103 lita su identifica- problemas y algunos estados corresponden alas respuestas. En un espacio de problema puede a otros estados se haber varios estados de xito que correspondan a soluciones posibles. Para encontrar la solu ss, donde éstos son cin a un problema dentro de su espacio de problema, es necesario encontrar una ruta valida desde el inicio (afirmarién del problema) hasta el éxito (respuesta). El drbol de decision de , porque describe el animales puede verse como un espacio de problema donde la respuestassi/no alas preguntas un sentido muy ge- determinan el estado de transicién, on cada estado hay Otro ejemplo de espacio de problema sucede en el problema clisico del mono y los pla. de estar en un solo ‘hos que se muestra en la figura 3.7. El problema consiste en dar instrucciones a un mono para otro. Si se dan las decirle como alcanzar algunos plétanos que cuelgan del techo. Como los frutos estin fuera de est disefiado para swaaleance, pero dentro del cuarto hay un sofa y una escalera. La configuracién inicial tipica sina de bebidas ga- ¢s la del mono en el sof. Las instrucciones pueden ser: guien pone una de incluiré la posibili salta del sofa un estado de error. ve a la escalera a cabo cualquier pon la escalera bajo los plétanos trepa la escalera ¥y otros programas agarra los pldtanos stra parte de una os caracteres de la -caracteres MIEN- o EMPEZAR para nza hacia el estado usan para probar Baca Se, E B, Exito MIENTRAS, ones a problemas, mo un espacio de de Ia solucién de Figura 3.7 El espacio de estado para el problema del mono y los plétanos‘104 CAPITULO 3: Métodos de inferencia Las instrucciones variarén de acuerdo con las posiciones iniciales del mono, el sofa y la escalera. Como hay varios estados iniciales, no se muestra aqui el doble circulo especial de inicio, Por ejemplo, otro estado de inicio posible es con el mono en el soft debajo de los pltanos, de esta manera, el mono tendra la escalera debajo de los pldtanos. En el estado inicial mas simple, el mono ya se encuentra en la ntonces que hacer el sllén a un lado antes de poner escalera debajo de las bananas. ‘Aunque este problema parece obvio para un ser humano, requiere una considerable cant: dad de razonamiento, Una aplicacién prictica de un sistema de razonamiento como éste, es la de dar a un robot instrucciones relacionadas con la realizacién de una tarea. En lugar de stuponer que todos los objetos del ambiente se mantienen fijos en un lugar, una solucién jeral es un sistema de razonamiento que puede tratar con diversas sit tra aplicacién util de los diagramas es la exploracién de rut ‘un problema, En la figura 3.8(a) se muestra una red simple para el problema del agente viajero: en este ejemplo, se supone que el problema est en encontrar una ruta completa para vi sitar todos los nodos desde el nodo A. Como es comin en estos casos, ningiin nodo puede visitarse dos veces. En la figura 3.8(b) se muestran todas las rutas posibles que empiezan desde el nodo A, en forma de un érbol. Las rutas correctas, ABDCA y ACDBA, se muestran con bordes gruesos en esta gratia. para encontrar Ia solucién (a) Grafica de un problema del agente viajero A ee i c Tf SO ica Bye cere > wm ew is be GG HD Be A /\. 1 BC ABD BG AcD (b) Rutas de buisqueda (las rutas 6ptimas se muestran con bordes gruesos) Figura 3,8 Problema del vendedor viajeroel sofa y la ilo especial de soft debajo de los lado antes de poner ase encuentra on la considerable eanti- nto como éste, es la tara, En lugar de tuna solucién pcontrar la solucién rablema del agente pleta para vi- ningin nodo puede que empiezan _ A AC os grucsos) 3.3 Estado y espacios de problema 105 Dependiendo del algoritmo de busqueda, es probable que la exploracién de rutas para encontrar la correcta requiera una eantidad considerable de rastreo hacia atrés. Por ejemplo, puede investigarse primero la ruta ABA sin éxito y despues rastrear hacia atrs hasta B, Desde B se buscara sin éxito en las rutas CA, CB, CDB y CDC. A continuacisn se buscar sin éxito cen la ruta BDB hasta que se encuentre la primera ruta correcta, ABDCA. Espacios de problemas con estructura nociva Una aplicacién dil de Los espacios de estado se encuentra al distinguir lox problemas con estructura nociva (Pople 82). En el capitulo 1 se definid que un problema con estructura nociva es aquel asociado con la incertidumbre, Esta puede especificarse con mayor precision indo un espacio de problema, ‘Come ejemplo de un problema con estructura nociva, consideremos otra ver el caso de una persona que piensa viajary visita a un agente de viajes, que se analiz6 en el capitulo 1-En ia tabla 3.1 se enumeran algunas caracteristicas de este problema con estructura nociva como tun espacio de problema, indicado por las respuestas de a persona a las preguntas del a de vias. Comparando la tabla 3.1 con la 1,10 (pagina 19), se verd que el concepto de un espacio de problema permite especificar con mayor precisidn las caracteristicas de un problema con tatructura nociva, Es esencial diferenciar estos pardmetros con precisivin para determinar si ¢ lo que requiere. Un problema no tiene necesatia- tuna solucidn es Tactible y, si lo es, qu ‘mente una estructura nociva sélo por presentar una, varias o incluso todas estas caract cas. porgue depende mucho del rigor. Por ejemplo, todos los problemas de comprobacién de tcoremas ticnen un nimero infinito de posibles soluciones, pero esto no hace que la compro- hacidin de teoremas sea un problema de estructura nociva ‘Como puede verse en fa tabla 3.1, existen muchas incertidumbres viajes tratan con elas todos los dias, Aunque no todos Ios casos pueden ser tan malos como ste, indica por qué seria muy dificil una solucién algoritmica. y atin asf los agentes de SS ~Caracieris Respuesta ‘Objetiv no explicita [Estoy pensanda en ira alguna parte Espacio de problema no detimitado Noesiay seguro de adonde ir slados de problema no diseretos Solo quiero viajar; cl destino no es importante Estados intermedios difciles dealcanzar No tengo suficiente dinero para ir Operadores de estado desconocitos No s6 eémo conseguir el dinero Restricciones de tiempo Debo ir pronto ‘Tabla 3.1 Ejemplo de un problema con estructura nociva para un viaje cn Formado es en el que conocemos el problema explicito, el objetivo y los Un problema operadores que pueden aplicarse para ir de un estado al otto; y se le considera determin porque al aplicar un operador a un estado, estamos seguros del estado siguiente, el espacio de problema esta delimitado y los estados son discretos. Esto significa que hay un nlimero finito de estixlos y que cada uno esté bien definido. ‘el problema del viaje los estados no estan delimitados porque los destinos posibles son in- finitos. Una situacién andloga puede suceder con un medidor analégico, que indica un nsimero infinito de lecwuras posibles. Si consideramos que cada lectura del medidores un estado, entonces, hay un niimero infinito de estados y étos no estén bien definidos porque corresponden a los ‘nimeros reales. Como hay un nimero infinito de ndimeros reales entre dos nimeros reales cuales {quiera, los estados no son discretos porque el siguiente estado slo difiere infinitesimalmente. Por el contrario, las lecturas de un medidor digital estin delimitadas y son discretas106 CAPITULO 3: Métodos de inferencia 3.4 ARBOLES Y OBJETIVOS Y-O Muchos tipos de sistemas experios usan el encadenamiento hacia atris para encontrar solu ciones. PROLOG es un buen ejemplo de un sistema de encadenamiento hacia atrés que wala de resolver un problema dividiéndalo en subproblemas mis pequei bs y resolvigndolos ini vidualmente. Por su parte, los optimistas consideran la solucién de un problema como u ‘meta que debe alcanzarse. Con el propésito de alcanzar una meta, deben ejecutarse cero mas submi Un tipo de set c es ttl en la representacién de problemas de encadenamicat hacia atrés, es el érbol Y-O. En la figura 3.9 se muestra un ejemplo sencillo de una rejilla ¥-0 10 rejilla para alcanzar Ia meta de obtener un titulo universitario, Para cumplir este objetivo, puede ssistir en persona a una universidad o tomar cur 's por correspondencia; con éstos el trabaj puede realizarse ya sea con tareas por correo o via electrénica, usando una computado easera y un médem, Soo Sie Figura 3.9 Rejilla Y-O que muestra cémo obtener un titulo universitario Con el fin de satistac 1) solicitar la admisién, los requisitos para el titulo, deben completarse tres subobjetivos: tomar los cursos y 3) solicitar la graduacién, Observe que bajo e et los requisitos, hay un arco que une los bordes para unir estos tes subobjetives. El arco indica que satisfacer los requisitos es un nodo Y que sélo puede satisfa circulo de satis eeencontrar solu- ia ards que trata Ivigndolos indi- scutarse cero 0 e una rejilla Y-O objetivo, puede n G3t05 el trabajo na computadora es subobjetivos: serve que bajo cl a unir estos tres lo puede satisfa- 3.4 Arboles y objetivos ¥-O 107 cerse si se satisfacen sus tres subobjetives. Los objetivos sin el arco, como computadora y médem, correo, y en persona, son nodos O en los que la satisfaccién de cualquiera de estos subobjetivos satisface el objetivo padre de obtener un titulo universitario. Esta grafica es una rejilla porque el subobjetivo de satisfacer los requisitos tiene tres nodos padre: 1) correo, 2) computadora y médem y 3) en persona. Observe que seria posible dibujar ‘esta grfica como un érbol con la simple duplicacion del subobjetivo de satisfacer requisitos ¥ de su subérbol de objetivos para los objetivos correo, computadora y médem, y en persona ‘Sin embargo, como el subobjetivo Satisfacer requisites es el mismo para cada padre, no hay ‘una ventaja real y s6lo se usa més papel para dibujar el érbol. ‘Como otro ejemplo seneillo, en la figura 3.10 se muestra un érbol Y-0 para el problema de Tegar al trabajo por diferentes medios. Para hacerlo més completo, podria convertirse en una rejlla; por ejemplo, podria aiiadirse un borde desde el nodo manejar a la estacién del tren hasta el nodo automévil y otro desde caminar a la estacién del tren hasta el nodo caminar. En la figura 3.11 se muestra una rejilla exclusiva del tipo Y-O. Figura 3.10 Arbol Y-O simple que muestra métodos para llegar al trabajo. tra forma de deseribir las soluciones a un problema es la rejilla Y-O-NO, que usa simbo- los de compuerta logica en lugar de la notacién de los drboles Y-O. En la figura 3.12 se ‘muestran los simbolos de entradas ldgicas para Y, Oy NO. Estas compuertas implantan las tablas de verdad para Y, © y NO que se analizaron en el capitulo 2. En la figura 3.13 se ‘muestra la figura 3.9 implantada con entradas Y y O. Los arboles ¥-0 y los rboles de decisién tienen las mismas ventajas y desventajas bési- ‘cas, La ventaja principal de las rejllas Y-O-NO es su posible implantacién en hardware para altas velocidades de procesamiento, ya que pueden diseflarse a la medida para su fabricacién como circuitos integrados. En la préctica, un tipo de entrada légica como la NO-Y se usa por108 CAPITULO 3: Métodos de inferencia azones de economia en la fabricacién més que para sep ertas Y, O y NO. A ps de la Logica, puede probarse que es posible implantar cualquier funcién légica med compuerta NO-Y. Un circuito integrado con tin s6lo tipo de dispositive es mas barat fabricar que uno con varios tipos de compucrta logica Un chip que utiliza el encadenamie to hacia del nte puede ealcular répidamente la re adas porque el procesamiento se desarrolla en particle en utilizarse para la supervision de los datos en tiempo real de sensor ¥ genera una respuesta apropiads, dependiendo de las entradas. a principal desventus op que, como otras estructuras de decisién, un chip disefado para logica no puede mancjr site ciones para las que no fue diseiiado, Sin embargo, un ANS implantado en un chip pus manejar entradas inesperadas puesta como una funcién de sus en Chips como éstos p Figura 3.11 Rejilla Y-O para decidir si vender o reparar un automévil Figura 3.12 Simbolos de compuerta légica Y, 0 y NO Figura 3.13 Representacién de la compuerta ldgica Y-O para la tigura 9.9 _ ————35 Légica deductiva y silogismos 109 0 yNO. A partir 35 LOGICA DEDUCTIVA Y SILOGISMOS, ca mediante una s més barato de ¢1 capitulo 2 anaizamos la representacién del conocimiento por medio de la I6gica. Ahora se ver emo hacer inferencias para gencrar nuevos conocimientoso informacién, En el esto Jamente la es- de este capitulo se explican diferentes métodos de inferencia, La figura 3.14 mucstra un pa ollaen paralelo. norama general de los métodos de inferencia, que a continuaci6n se resumen eal de sensores al desventaja es # Deduecién, Razonamiento Iogico en el que las conclusiones deben desprenderse fe mancjrsitua- de sus premisas nun chip puede * Induccidn. Inferencia pasando del caso especttico al general ‘+ Intuicidn. Teoria no comprobada, La respuesta simplemente aparece, tal vez por reconocimiento inconsciente de un patrén subyacente, Los sistemas expertos no realizan todavia este tipo de inferencia. Los ANS permanecerian como tna prome- sa para este tipo de inferencia porque pueden extrapolar su ensefianza en lugar de simplemente proporcionar una respuesta condicionada o una interpolacidn. Es de- cir, una red neuronal siempre ofrecers su mejor suposicién como respuesta. ‘+ Heuristica. Reglas empfricas basadas en la experienc ‘* Ensayo y error. A menudo se utiliza con la planeacién por razones de eliciencia, © Abduccidn. Razonamiento hacia atrés desde una conclusién verdadera hacia las premisas que habrian causado la conclusidn. * Predeterminacion. En la ausencia de conocimiento especifico, adopla cono into general o comin como opeién predeterminada, + Autoepistemologia. Conocimiento de sf mismo, ‘+ No monétono. El conocimiento previo podria ser incorrecto cuando se obtiene nueva evidencia, * Analogia. Inferencia de una conclusién con base en las similitudes con otra situaci, Figura 3.14 Tipos de inferencia i ‘Aunque no se muestra explicitamente en Ia figura 3.14, el conocimiento por sentido co- San rnin puede ser una combinacién de cualquiera de estos tpos. El razonamienta del sentido — comin es el que las personas uilzan en situacionesordinaras yes muy dificil que las compu tadoras lo dominen, La apicacidn dela l6gica de confusidn para razonamientns de este ipo se analiza en el capitulo 5 Uno de los métodos més comunes para formularinferencias es lalégiea deduetiva, que se ha utilizado desde tiempos remotos para determina la validez de un argumento. Un argu110 CAPITULO 3: Métodos de inferencia mento légico es un grupo de afirmaciones en el que la ltima de ellas est justificada con base cn las anteriores de la eadena de razonamiento. Un tipo de argumento I6gico es el silogisma que abordamos brevemente en el capitulo 2. Como ejemplo de un silogismo: Cualquiera que pueda John pue: Por lo t gramar es intel gente programar (0, John es inteligente En un argumento, las premisas se utiizan como evidencia para respaldar las conclusiones Tambign se les llama antecedentes, y la conclusidn es la consecuencia. La caracteristica ese cial de la Kégica deductiva es que la conclusiGn verdadera debe obtenerse de premisas verdade ras. Se raza una linea para separar las premisas de la conclusién, como se muestra en el ejemplo precedente, de modo que no es necesario rotular explcitamente las premisas y la conclusin El argumento podria haberse escrito de forma mas breve como: cualquiera que John puede programar John es inteligente eda programar es inteligente donde los tres puntos, :., significan “por tanto’ Ahora veamos més de cerca a Ia Idgica silogtstica. La principal ventaja del estudio de silogismos es que se trata de una simple y bien entendida rama de la I6gica que puede probar se por completo. Ademds, a menudo los silogismos son tiles porque se pueden expresar a partir de reglas SL... ENTONCES. Por ejemplo, el silogismo anterior se puede reordenar como: st cualquiera que puede programar es inteligente y John puede TONCES John es inte: ogramar En general, un silogismo es cualquier argumento deductivo valido que cuenta con dos premisas y una conclusién. E] silogismo clisico es un tipo especial llamado sitogismo cate .0§ las premisas y conclusiones se definen como afirmaciones cate tes cuatro formas, como se muestra en la tabla 3.2. icas de las siguien. Forma Esquema ‘Signifieado A Toda Ses P afimativo universal E NoSesP negativo universal I ‘Algona S es P afirmativo particular o AAlguna $ no es P negativo particular Tabla 3.2 Afirmaciones categéricas Observe que, en la légica, el término esquema especifica la forma I6gica de la afirmacién Esto ilustra también otro uso de la palabra, que es diferente de su utilizacién en AI, analizado cn el capitulo 2. En la logica, la palabra esquema se usa para mostrar la forma esencial de un ‘argumento. También podrfa especificar la forma Iogica de un silogismo entero como en.