UNEFA

Apuntes sobre Conocimiento

Inteligencia Artificial
ngel Prez Octubre de 2010

Tipos y representacin del conocimiento

Contenido
Representacin de Conocimiento y Razonamiento ................................................................ 3 Objetos estructurados ......................................................................................................... 4 Sistemas basados en reglas ................................................................................................. 6 Las reglas y los sistemas expertos .................................................................................. 8 Un ejemplo sencillo ........................................................................................................ 8 Mecanismos de explicacin .......................................................................................... 10 Sistemas complejos ...................................................................................................... 11 Ideas sobre teora del conocimiento ..................................................................................... 12 Tipos de Conocimiento..................................................................................................... 12 Tcnicas de elicitacin...................................................................................................... 12 Mtodos verbales .......................................................................................................... 12 Conocimiento escrito .................................................................................................... 13 Induccin va mquina.................................................................................................. 13 Representacin del Conocimiento (ii) .................................................................................. 15 Tipos de Representacin ................................................................................................... 15 Conocimiento Relacional Simple ................................................................................. 16 Conocimiento Heredable .............................................................................................. 16 Conocimiento Inferenciable ......................................................................................... 19 Conocimiento Procedimental ....................................................................................... 20

Representacin de Conocimiento y Razonamiento

La informacin se convierte en conocimiento cuando se logra entender la relacin que existe entre diferentes bloques de informacin. El conocimiento contenido en una base de conocimiento puede ser visto de dos formas principales: Conocimiento a priori, es el conocimiento que se tiene acerca de un dominio especifico antes de cualquier sesin de consulta y el conocimiento a posteriori, es el conocimiento concerniente al caso especfico bajo consideracin y es derivado como consecuencia de las sesiones de consultas con el experto. El conocimiento es frecuentemente clasificado como profundo o superficial. El conocimiento profundo es obtenido a travs de estudios formales o es de dominio pblico obtenido a travs de libros o manuales. El conocimiento somero es obtenido a travs de la experiencia y es desarrollado como un conjunto de reglas heursticas por un experto. Este conocimiento es de particular importancia para el desarrollo de sistemas expertos. Con el uso de este tipo de conocimiento en conjunto con los hechos disponibles, un experto es capaz de obtener resultados de mejor calidad que un novato. Por lo tanto, la pregunta principal es cmo se puede representar conocimiento usando estructuras simblicas (sta es una de las premisas en inteligencia artificial) y usar el conocimiento para solucionar problemas inteligentemente. Para ello, existen los llamados lenguajes de representacin de conocimiento. Estos son formalismos y tcnicas de representacin de alto nivel y pueden en principio ser implementados usando un amplio rango de lenguajes de programacin. As se tiene que, la representacin del conocimiento es clave para el desarrollo de SE y la seleccin de formalismos y tcnicas adecuadas para representacin de conocimiento y razonamiento son asuntos de continuo debate e investigacin. La principal caracterstica que deben tener los lenguajes de representacin de conocimiento es que ellos deben soportar inferencia. No se puede representar explcitamente todo lo que un sistema pueda, alguna vez, necesitar conocer. Algo debe dejarse implcito para ser deducido por el sistema cuando sea requerido para solucionar un problema. Por ejemplo, si nosotros estuviramos representando hechos acerca de un estudiante de ingeniera (Jos), nosotros no necesitamos decir explcitamente el hecho de que Jos est estudiando matemticas. Todos los estudiantes de ingeniera ven matemticas, por lo tanto nosotros debemos deducir esto. Representar todo explcitamente sera una gran prdida de memoria. En el ejemplo anterior, nosotros tendramos probablemente cientos de enunciados representando el hecho de que cada estudiante estudia matemtica. Adicionalmente, muchos de estos hechos jams seran usados. Sin embargo, si realmente requerimos saber si Jos estudia matemticas, nosotros debemos ser capaces de obtener esa informacin eficientemente. Tambin es posible que nos

gustara ser capaces de hacer inferencias ms complejas (Jos debera estar asistiendo a la clase del da martes 23 a las 9:00 a.m.). Sin embargo, siempre hay un compromiso entre el poder de la inferencia (que podemos inferir) y la eficiencia de la inferencia (cun rpido podemos inferir), por lo que podemos emplear lenguajes en donde simples inferencias pueden ser hechas rpidamente, aunque inferencias ms complejas no sean posibles. En general, un lenguaje de representacin de conocimiento debe tener al menos las siguientes caractersticas: Debe permitir expresar el conocimiento que uno desea representar en el lenguaje. Debe permitir que nuevo conocimiento sea inferido a partir de un conjunto de hechos bsicos. Debe ser claro y tener una sintaxis y semntica bien definida. Se desea saber cules son las expresiones permitidas en el lenguaje y lo que ellas significan. De lo contrario, no estaremos seguros si nuestras inferencias son correctas o lo que significan los resultados.

Hay muchas formas de representar conocimiento en un SE. La ms importante es el uso de la lgica. Una lgica por definicin tiene una sintaxis y semntica bien definida y se preocupa por preservar la inferencia. Sin embargo, el uso de lgica para representar conocimiento tiene problemas. Por otra parte, puede ser muy ineficiente (si tenemos slo una clase limitada de inferencia, no necesitamos usar todo el poder de un demostrador automtico basado en los teoremas de lgica). Por ejemplo, en lgica de predicados de primer orden no podemos concluir que algo es verdadero en una oportunidad y luego ms tarde decidir que no es verdadero. Si hacemos esto, nos llevara a una contradiccin con la cual podramos probar cualquier cosa. Los otros dos lenguajes ms comnmente usados son objetos estructurados y sistemas basados en reglas. En las secciones siguientes, presentaremos a los sistemas basados en reglas de ltimo como una consecuencia lgica de las secciones previas.

Objetos estructurados
Los objetos estructurados representan el conocimiento como una coleccin de objetos y relaciones. Las relaciones ms importantes son las subclases y las instancias. La relacin de subclase nos indica que una clase es una subclase de otra, mientras que la relacin de instancia nos indica que algn individuo pertenece a alguna clase. Entre estas tcnicas se encuentran: Redes semnticas

Marcos

Redes semnticas es una de las formas ms viejas de representar conocimiento. Fueron populares en los aos 60 y 70 (PROSPECTOR hizo uso extensivo de esta tcnica) y son fciles de entender, flexibles y fciles de expandir. Estn basadas en la idea de que la memoria funciona a travs de asociaciones entre conceptos (memoria asociativa). Una red semntica es realmente un grfico, donde los nodos representan conceptos y los arcos representan relaciones binarias entre conceptos. Las relaciones ms importantes entre conceptos son relaciones de subclases (una clase es una subclase de otra), y relaciones de instancias (en donde un objeto en particular pertenece a alguna clase). Las relaciones de subclases e instancias pueden ser usadas para derivar nueva informacin, la cual no est representada explcitamente.

Figura 2: Red Semntica Podemos decir que las redes permiten simplemente representar conocimiento acerca de un objeto que puede ser expresado en trminos de relaciones binarias. Las relaciones de subclases e instancias permiten usar sucesin para inferir nuevos hechos o relaciones derivados de los hechos o relaciones representados explcitamente. La notacin por marcos fue introducida por Marvin Minsky en 1975 mientras trabajaba en el rea de visin artificial. Un marco es la descripcin de un objeto que contiene diferentes campos para almacenar toda la informacin asociada con el objeto (similar a un registro). Estos campos contienen valores, como un atributo, pero tambin pueden contener valores por defecto, apuntadores a otros marcos o procedimientos (secuencia de instrucciones). La inclusin de anexos procedimentales en los marcos estamp dos formas de representar conocimiento: procedimental y declarativo. Una representacin procedimental es un conjunto de instrucciones que concluyen con un resultado consistente con los hechos. Una

representacin declarativa es simplemente una aseveracin de que un hecho es cierto. Los marcos son verstiles pero tambin pueden ser complejos, difcil de predecir y entender.

(Antonio (Profesin (Valor Profesor)) (Edad (Valor 29)) (Esposa (Valor Mara)) (Nios (Valor Ninguno)) (Direccin (Avenida (Valor Bella Vista)) (Ciudad (Valor Maracaibo)) (Estado (Valor Zulia)) (Cdigo (Valor 4001)))) Figura 3: Marcos

Sistemas basados en reglas

En vez de representar conocimiento en una forma esttica y declarativa (como una coleccin de cosas que son ciertas), los sistemas basados en reglas representan conocimiento en trminos de una coleccin de reglas que le dicen a uno lo que debe hacer y lo que se puede concluir en situaciones diferentes. Un sistema basado en reglas consiste de una coleccin de reglas SI-ENTONCES, una coleccin de hechos, y de algn intrprete controlando la aplicacin de las reglas, dados los hechos. Las reglas son el modo ms popular, hoy en da, para representar conocimiento. Las reglas son los bloques bsicos de construccin de los sistemas expertos basados en reglas, aunque tambin son frecuentemente usados con otros esquemas de representacin tales como los mencionados anteriormente. Las reglas consisten de premisas o hechos (tambin llamados antecedentes) y conclusiones (tambin llamados consecuencias). La forma de una regla es: SI Jos es un abogado ENTONCES Jos es suspicaz. HECHO CONCLUSION

Una regla debe ser por s misma una unidad autnoma de informacin. No debe ser confundida con reglas procedimentales que enlazan a otras reglas como sucede en los lenguajes C, BASIC u otros. En estos lenguajes las reglas del tipo SI...ENTONCES representan bifurcacin o control y usualmente involucran evaluacin de pocas alternativas antes de regresar al mdulo principal de donde fue invocada. Estas reglas pueden dirigir la inferencia hacia bifurcaciones completamente diferentes. Adicionalmente, una declaracin individual en un programa tiene significado solamente en la medida que sta es apropiadamente posicionada en relacin con otras declaraciones en el programa. Cualquier declaracin no dice mucho, si no es nada, en relacin con la funcin completa del programa. Por otra parte, las reglas de un SE documentan algo sobre el dominio de accin. No hay razn del por qu el orden de las reglas puede afectar el razonamiento de un SE. Las reglas pueden ser mucho ms complejas que la expuesta con anterioridad, pueden contener elementos de incertidumbres, variables de patrones de ajuste, llamadas a funciones externas, etc. Una base de conocimiento es una coleccin de hechos relacionados con un asunto. Es una pieza altamente organizada de informacin, pero no es un programa. Para usar una base de conocimiento, nosotros necesitamos algn tipo de mecanismo de inferencia, el cual referencia la base de conocimiento con el razonamiento para emitir conclusiones. Esto es realizado usando bsquedas y estrategias de comparacin de patrones. A diferencia de un algoritmo que resuelve un problema directamente, ste es ms aleatorio y es un mtodo menos organizado para resolver problemas. Un grupo de mltiples inferencias que conectan a un problema con su solucin es llamado una cadena de inferencia. Las estrategias de bsqueda fundamental empleadas por un sistema experto basado en reglas son: Sistemas de encadenamiento progresivo y sistemas de encadenamiento regresivo. En un sistema de encadenamiento progresivo el razonamiento se realiza hacia adelante, comenzando con los hechos, encadenando con las reglas, y finalizando con los posibles objetivos o conclusiones (Ej. OPS5, sistema orientado a datos). En un sistema de encadenamiento regresivo, el razonamiento se realiza hacia atrs, comenzando con el objetivo que se ha definido (una conclusin tentativa), encadenndose con las reglas y finalizando con los hechos (Ej. PROLOG) con el fin de determinar si los datos soportan las conclusiones (sistema orientado a objetivos). La seleccin de una u otra estrategia es determinada por el diseo del sistema y el problema a resolver. Sin embargo, muy frecuentemente, no puede ser posible determinar cul estrategia es mejor. En sistemas grandes con muchas reglas, encadenamiento progresivo puede ser muy lento a causa de la generacin de muchas secuencias de reglas y la bsqueda se puede suspender en una direccin indeseable. Por otra parte, encadenamiento regresivo puede fijarse en una hiptesis en particular y continuar explorando la misma aunque la data disponible

para soportarla no est all. Algunos sistemas expertos incorporan ambos mtodos de inferencia, estrategia hbrida. En general, si uno tiene pocas premisas y muchas conclusiones entonces una estrategia de encadenamiento progresivo es mejor, mientras que una estrategia de encadenamiento regresivo sera mejor para el caso de muchas premisas y pocas conclusiones. Las reglas y los sistemas expertos Los sistemas basados en reglas pueden ser conducidos por objetivos (goal driven) usando encadenamiento regresivo (backward chaining), para probar si una hiptesis es verdadera, o conducidos por datos (data driven), usando encadenamiento progresivo (forward chaining) para obtener nuevas conclusiones de datos existentes. Los sistemas expertos pueden usar una o ambas estrategias, pero la ms comn es, probablemente, la estrategia de conduccin por objetivos/encadenamiento hacia delante. Una razn para esta tendencia es que un sistema experto tendr que recolectar informacin del usuario acerca del problema, a travs de la formulacin de preguntas usando una estrategia de conduccin por objetivos, podemos realizar preguntas que sean relevantes para una solucin hipotetizada. De cualquier manera, en un sistema experto basado en reglas y conducido por objetivos, hay siempre un conjunto de posibles soluciones a un problema que puede ser un conjunto de enfermedades que el paciente pueda tener. El sistema experto considerar cada solucin hipotetizada (por ejemplo, tiene resfriado) y probar si puede o no ser el caso. Algunas veces no ser capaz de probar o rechazar algo de los datos inicialmente suministrados por el usuario, por lo que formular algunas preguntas (por ejemplo: tiene dolor de cabeza?). Usando los datos iniciales ms las respuestas a estas preguntas, ser capaz de concluir cul de las posibles soluciones al problema es la correcta.

Un ejemplo sencillo Se asume que se tienen las siguientes reglas: 1. IF vehculo tiene combustible (engine_getting_petrol) AND motor arranca (engine_turns_over) THEN hay problema con las bujas (problem_with_spark_plugs) 2. IF NOT motor arranca (engine_turns_over) AND NOT luces encienden (lights_come_on) THEN hay problema con la batera (problem_with_battery)

3. IF NOT motor arranca (engine_turns_over) AND luces encienden (lights_come_on) THEN hay problema con el arranque (problem_with_starter) 4. IF hay combustible en el tanque (petrol_in_fuel_tank) THEN vehculo tiene combustible (engine_getting_petrol) El problema es determinar qu anda mal en el vehculo, dados algunos sntomas observados. Hay tres posibles problemas con el carro: hay problema con las bujas (problem_with_spark_plugs), hay problema con la batera (problem_with_battery), hay problema con el arranque (problem_with_starter). Se asume que no se han recibido hechos iniciales acerca de los sntomas observados. En el caso ms simple de un sistema conducido por objetivos, se tratara de probar cada problema hipotetizado (con el carro encendido). Primero, el sistema determinar hay problema con las bujas. La regla 1 es til, por lo que el sistema establecer las nuevas metas probando vehculo tiene combustible y motor arranca. Para tratar de probar la primera de ellas, se puede usar la regla 4, con la nueva meta de probar hay combustible en el tanque. No hay reglas que permitan llegar a esa conclusin (y el sistema no sabe la respuesta), por lo que el sistema preguntar al usuario:

Es verdad que hay combustible en el depsito de gasolina? Digamos que la respuesta es s. Esta respuesta sera registrada, de modo que al usuario no se le haga la misma pregunta otra vez. De todas formas, el sistema ahora ha probado que el motor est consiguiendo la gasolina, por lo que ahora desea saber si el motor arranca. Mientras el sistema todava no sepa si ste es el caso, y como no hay reglas que concluyan esto, se le preguntar al usuario:

Es verdad que el motor arranca?

Digamos que esta vez la respuesta es no. No hay otras reglas que se pueden utilizar para probar los hay problema con las bujas, as que el sistema concluir que sta no es la solucin al problema, y considerar la hiptesis siguiente: hay problema con la batera. Es verdad que el motor no arranca (el usuario acaba de decirlo), as que todo lo que tiene que probar es que las luces no encienden. Se le preguntar al usuario

Es verdad que se encienden las luces?

Suponga que la respuesta es no. Ahora se ha probado que el problema es con la batera. Algunos sistemas podran parar all, pero generalmente puede haber ms de una solucin, (ej.: ms de una avera con el coche), o ser incierto cul de varias soluciones es la correcta. Todas las hiptesis se consideran generalmente. El sistema intentar probar que hay problema con el arranque, pero dados los datos existentes (las luces se encienden) la prueba fallar, as que el sistema concluir que el problema est con la batera. Una interaccin completa con nuestro sencillo sistema puede ser:

Sistema: Es verdad que hay combustible en el depsito de gasolina? Usuario: S. Sistema: Es verdad que el motor arranca? Usuario: No. Sistema: Es verdad que se encienden las luces? Usuario: No. Sistema: Concluyo que hay un problema con la batera. Observe que en general, solucionar los problemas que usan el encadenamiento hacia atrs implica buscar todas las maneras posibles de probar la hiptesis, comprobando sistemticamente cada una de ellas.

Mecanismos de explicacin

La mayora de los sistemas expertos tienen mecanismos de explicacin que permiten que el usuario pregunte por qu hizo cierta pregunta, y cmo alcanz una conclusin determinada. Estas preguntas son contestadas en referencia a las metas del sistema, las reglas que son utilizadas, y cualquier dato existente del problema. Para ilustrar las clases de mecanismos proporcionados comnmente, se utilizar el ejemplo anterior, comenzando con un dilogo simple del ejemplo involucrando las preguntas por qu y cmo y las explicaciones.

Sistema: Hay combustible en el depsito de gasolina? Usuario: S. Sistema: Es verdad que el motor arranca? Usuario: No. Sistema: Es verdad que se adelantan las luces? Usuario: Por qu? Sistema: Estoy intentando probar: problema con la batera. Se ha establecido que no es el caso que el motor arranca. Por lo tanto, si no es el caso que se encienden las luces, entonces hay un problema con la batera.

Es verdad que se encienden las luces? Usuario: No. Sistema: Concluyo que hay un problema con la batera. Usuario: Cmo? Sistema: Esto se sigue de la regla 2: IF NOT motor arranca Y... NOT el motor arranca fue dado por el usuario. NOT luces encienden fue dada por el usuario.

Suministrar esta facilidad de explicacin involucra, al menos, registrar cules reglas son usadas para obtener conclusiones, y usar estos registros para componer explicaciones como las dadas arriba. Dar explicaciones sencillas como las anteriores no es muy difcil (las respuestas siempre tienen un formato sencillo), y a veces es til. Sin embargo, estos mecanismos no son ampliamente usados, y en donde lo son, no son aceptadas por los usuarios. Una razn es que las explicaciones slo se refieren al conocimiento superficial codificado en las reglas, en vez del conocimiento profundo acerca del dominio que originalmente motiv dichas reglas (pero que usualmente no es representado). As, el sistema dir que concluy X debido a la regla 23, pero no explica de qu trata la regla 23. Otra razn para la frecuente falta de los mecanismos de explicacin, es que si el usuario no entiende o no acepta la explicacin, el sistema no puede explicar de otra forma (que s pueden las personas)

Sistemas complejos

Las cuatro reglas en el ejemplo arriba ilustran las ideas bsicas de sistemas expertos basados en las reglas y dirigidos por metas. Sin embargo, en general, por supuesto, habra centenares o millares de reglas en el sistema, y cada regla sera considerablemente ms compleja. Las reglas implicarn casi ciertamente patrones con las variables (ej.: edad (Paciente, X)), ms bien que simples proposiciones no estructuradas (ej.: edad_fred_23)) y tendrn generalmente factores de certeza unidos a ellos (descrito ms adelante). Sin embargo, aunque los sistemas verdaderos sern mucho ms complejos que el antedicho, muchos utilizan los mismos procedimientos bsicos del razonamiento y de la explicacin. Un sistema inicial que utiliz este enfoque bsico es MYCIN, un sistema para el diagnstico de desrdenes de la sangre. Describiremos este sistema en detalle ms adelante.

Ideas sobre teora del conocimiento

Esta teora proviene de una rama de la filosofa llamada epistemologa. En ella nos apoyamos para extraer conocimiento.

Tipos de Conocimiento
1) Conocimiento Tctico y estratgico. El tctico es fcil de representar (conocimiento de bajo nivel) mientras que el estratgico es difcil de representar (conocimiento de alto nivel). 2) Declarativo y procedimental. Declarativo se refiere acerca de lo que es cierto y procedimental se refiere acerca de cmo hacer algo. (Ej. PROLOG). Ej. p :- q, r. Una lectura declarativa dira: p es verdadero si q es verdadero y r es verdadero. Una lectura procedimental dira para solucionar el problema p, primero solucionas el problema q y luego soluciona el problema r. 3) Profundo y superficial. El conocimiento profundo o ontolgico (o basado en modelos) es obtenido a travs de estudios formales o es de dominio pblico obtenido a travs de libros o manuales. El conocimiento superficial o somero es obtenido a travs de la experiencia y es desarrollado como reglas heursticas por un experto.

Tcnicas de elicitacin
Entre las tcnicas para extraer conocimiento de un experto humano se encuentran: 1) 2) 3) 4) Mtodos verbales Fuentes de informacin escritas Induccin va mquina. Directamente de un experto

El grado de conveniencia va desde la menos conveniente, opcin (1), hasta la ms conveniente, opcin (4). Mtodos verbales 1. Entrevistas: Mtodos formales para diseo de entrevistas con el fin de maximizar el provecho de la misma y evitar que el experto no se fastidie. 2. Walk-through: Hacer casos de estudio de tal manera de poder explorar el conocimiento de un experto a travs de diferentes escenarios

3. Introspeccin: sondear al experto a travs de la meditacin de un problema. Por ejemplo, usar un grabador y que el experto comience a hablar del problema. Hay que tener cuidado porque lo frecuente es que el experto se desve del tema en particular. 4. Pensar en voz alta. El grado de interaccin con el entrevistador va desde el ms interactivo, mtodo (1), hasta el menos interactivo, opcin (4). El problema fundamental de estos mtodos es la insuficiencia que se puede presentar en la informacin extrada en forma verbal. I. Insuficiencia. a. Omisiones b. Dificultades con las descripciones c. Conocimiento asumido d. Falta de motivacin del experto. e. Carencia de habilidades para proveer explicaciones. II. Inexactitud a. Adivinar para llenar vacos. Esto sucede cuando el experto carece de conocimiento en algo en particular y ellos no lo quieren admitir. b. Conocimiento somero y racional (no es cientfico) Conocimiento escrito Es aplicable cuando: 1. Existe acceso limitado al experto. 2. El dominio est bien documentado. Los problemas asociados son: 1. Validacin. No es fcil validar algo de un libro 2. Aplicacin limitada. Ej. defensa y derecho. Induccin va mquina Dada la importancia de los sistemas basados en reglas y el esfuerzo humano que se necesita para obtener las reglas de los expertos, es natural preguntarnos si las reglas de un sistema experto se pueden o no aprender. Hay dos grandes tipos de aprendizaje: El inductivo y el deductivo. Los mtodos inductivos de aprendizaje de reglas crean nuevas reglas acerca de un dominio, las cuales no son derivables a partir de las reglas ya existentes (sale de lo particular y va a lo general). El aprendizaje deductivo de reglas aumenta la eficiencia de un sistema mediante la deduccin de reglas adicionales a partir de las reglas y los hechos de un dominio, conocido previamente (parte de lo general a lo particular, ej, leyes de Newton->Movimiento planetario).

Para ello existen algoritmos bien establecidos basados en rboles de decisiones, ej. Quinlan, 1979, llamado ID3, entre otros. Este mtodo usa ejemplos y atributos para generar reglas. Los problemas asociados a este mtodo son: seleccionar los ejemplos de entrenamiento, seleccionar atributos apropiados (pueden existir correlacin entre ellos) y la data contradictoria o incierta. Algunos sistemas son: EXPERT-EASE, RULEMASTER, XTRAN, ASSISTANT. Algunas de las limitaciones que se presentan para la implementacin de los programas de induccin son: (1) Pueden generar reglas que no son fciles de entender por un humano, debido a cmo el programa clasifica los atributos y propiedades de un problema. Requiere de un experto para seleccionar los atributos importantes. Por ejemplo cules factores son importantes para aprobar un prstamo. El mtodo es bueno slo para problemas de tipo clasificacin, tipo sio-no. El nmero de atributos puede ser limitado. Con 15 atributos se pudiera requerir de un mainframe. El mtodo es limitado a situaciones bajo certeza (determinstico). El problema mayor, es que el desarrollador no sabe por adelantado si el nmero de ejemplos es suficiente y si el algoritmo es lo suficientemente bueno.

(2) (3) (4) (5) (6)

A raz de estas limitaciones, el mtodo de induccin es usado para proveer un primer prototipo. Luego se traslada hacia un sistema ms robusto.

Representacin del Conocimiento (ii)

El conocimiento puede definirse como el conjunto de hechos y principios acumulados por una clase de acto, hecho o estado del conocimiento. Sin embargo, el conocimiento es mucho ms que esto, ya que incluye la familiaridad en el lenguaje, conceptos, procedimientos, reglas, ideas, abstracciones, lugares, costumbres, hechos y asociaciones, junto con la capacidad de utilizar todos estos conceptos eficientemente para modelar diferentes aspectos del mundo. Con el objeto de resolver los problemas complejos encontrados en la Inteligencia Artificial, es necesario contar con una gran cantidad de conocimiento y algunos mecanismos para manipularlo y generar soluciones a estos problemas. As, la forma en la que se represente dicho conocimiento determina la eficiencia en su manipulacin. Un sistema para la representacin del conocimiento debe contar con las siguientes cuatro propiedades: Suficiencia de Representacin: es la capacidad de representar todos los tipos de conocimiento que son necesarios en el dominio. Suficiencia de Inferencia: os la capacidad de manipular las estructuras de representacin de tal forma que se deriven nuevas estructuras correspondientes al nuevo conocimiento inferido. Eficiencia de Inferencia: es la habilidad de incorporar a la estructura del conocimiento informacin adicional que pueda guiar al mecanismo de inferencia para obtener mejores resultados. Eficiencia de Adquisicin: es la capacidad de adquirir nuevo conocimiento.

No existe alguna representacin lo suficientemente completa que incluya estas cuatro propiedades. Sin embargo, algunas de las que se mencionarn a continuacin son una parte representativa de la investigacin que se ha realizado en este rubro.

Tipos de Representacin
La representacin del conocimiento puede dividirse en declarativo (representando hechos y aserciones) y procedimental (guardando acciones o consecuencias). Una forma de caracterizarlos es la de saber qu (declarativo) versus saber cmo (procedimental). Dentro de los esquemas declarativos se encuentran aquellos basados en la lgica y los relacinales. Los modelos relacionales pueden representar el

conocimiento por medio de rboles, grafos, tablas, marcos, guiones, redes semnticas, o grficas conceptuales. Las representaciones lgicas incluyen el uso de la lgica proposicional y, ms importante an, la lgica de predicados. Los modelos procedimentales almacenan el conocimiento sobre la forma de cmo hacer las cosas. Se caracterizan por el uso de gramticas formales implementadas por sistemas de produccin basados en reglas o en procedimientos. Conocimiento Relacional Simple Es una forma sencilla para representar hechos declarativos como un conjunto de relaciones de la misma forma que los utilizados en los sistemas de bases de datos. Una de las desventajas es que no facilita la capacidad de inferencia. Sin embargo, puede servir como el conocimiento de entrada a mecanismos de inferencia ms poderosos. Un ejemplo de este tipo de representacin se encuentra en la Figura 2.3. Cdigo IS2345 IS6578 IS8790 Materia Sistemas Expertos Inteligencia Artificial Tesis Calificacin 19 16 19

Figura 2.3: Representacin Relacional Conocimiento Heredable En el modelo relacional se cuenta con un conjunto de atributos y un conjunto de valores que describen a los objetos en la base de conocimientos. Para facilitar la inferencia el conocimiento se representa como heredable, es decir, donde los elementos de ciertas clases hereda atributos y valores de clases ms generales en las que se encuentran incluidos. Este tipo de organizacin se conoce como Redes Semnticas. Las redes semnticas son un esquema para representar relaciones abstractas entre objetos en el dominio del problema, como miembros de tina clase. Consisten de un grupo de nodos que se encuentran ligados para formar las relaciones entre objetos. Los nodos representan conceptos. Un ejemplo se ilustra en la Figura 2.4. Algunas de las ventajas de esta representacin son: Flexibilidad para agregar, modificar, o eliminar nodos y arcos. Capacidad de heredar relaciones de otros nodos. Fcil de dibujar inferencias sobre la jerarqua de herencia.

Sin embargo, una fuerte desventaja de este tipo de representacin es la falta de tina estructura formal definitiva.

Figura 2.4: Red Semntica Otro tipo de representacin heredable son los Marcos. Estos consisten de un grupo de ranuras que contienen atributos para describir un objeto, una clase de objetos, una situacin, una accin, o un evento. Difieren de las Redes Semnticas en que los Marcos contienen un subconjunto de elementos que pueden representarse en una Red Semntica. En una Red Semntica, la informacin referente a un objeto puede encontrarse en cualquier parte de la base de conocimientos, mientras que en un Marco la in-formacin se agrupa en una sola unidad. Un ejemplo se ilustra en la Figura 2.5. Algunas de las ventajas de utilizar Marcos son: Los Marcos estn organizados jerrquicamente tal que pueden here-dar relaciones de otros Marcos. Facilitan la bsqueda rpida en la base de conocimientos a travs de la representacin compacta de la informacin. Permiten la representacin de relaciones de herencia entre objetos.

(Antonio (Profesin (Valor Profesor)) (Edad (Valor30)) (Esposa (Valor Luisa)) (Nios (Valor Ninguno)) (Direccin (Avenida (Valor Tulio Febres)) (Ciudad (Valor Mrida)) (Estado (Valor Mrida)) (Cdigo (Valor 5101))))

Figura 2.5: Marcos Los Guiones (scripts) son un tipo especial de marcos. Describen una secuencia de eventos en un contexto particular. Presentan la secuencia esperada de eventos y la informacin asociada a ellos en una serme de marcos ligados en el tiempo. Ejemplo de un guin se ilustra en la Figura 2.6. Cabe notar que en este tipo de representacin es necesario especificar primitivas de accin como son: ATTEND (Poner atencin a un objeto), PTRANS (Cambiar fsicamente de un lugar a otro), MOVE (Mover una parte del cuerpo), SPEAK (Hablar), GRASP (Sostener un objeto), etc., que nos permitan describir las escenas del guin.

Nombre del Guin: Compra de Alimentos Lugar: Supermercado Roles: Comprador Cajera Vendedores Condiciones: El comprador necesita alimentos Supermercado abierto Accesorios: Letreros Dinero Artculos Cajas Escena 1: Entrada al supermercado El comprador PTRANS comprador en el supermercado Escena 2: Compra de alimentos Comprador MOVE comprador a travs de los lugares Comprador ATTEND ojos a los alimentos exhibidos

Figura 2.6: Ejemplo de un Guin Los Grafos Conceptuales son otra forma de representacin. Los no-dos del grafo son conceptos o relaciones conceptuales. La diferencia con las redes semnticas, que son un tipo especial de grafos, es que los arcos no estn etiquetados; en lugar de ello, los nodos de relaciones conceptuales representan las relaciones entre los conceptos. As, los nodos que represen-tan conceptos slo pueden tener arcos a nodos que representan relaciones, y viceversa. La Figura 2.7 ilustra un ejemplo de una grafo conceptual.

Figura 2.7: Grafo Conceptual Conocimiento Inferenciable Una herencia apropiada es una poderosa forma de inferencia, pero no es la nica forma. Algunas veces, es necesario todo el poder de la lgica tradicional para describir las inferencias que se necesitan. La representacin lgica es el

resultado de filsofos y matemticos por buscar caracterizar los principios del razonamiento correcto. Se busca llegar a la representacin formal de los lenguajes con reglas de inferencia completas. Consecuente-mente, la semntica del clculo de predicados enfatiza las operaciones de mantenimiento de la verdad en frmulas bien formadas. En el siguiente ejemplo se ilustra el uso de la lgica de primer orden para representar conocimiento. Vx: [Romano(x)] > {odia(x,Cesar) v leal(x,Cesar)} (2.1)

Sin embargo, este conocimiento es poco til, a menos que exista un procedimiento de inferencia que pueda explotarlo. Este procedimiento debe de implementar las reglas de inferencia de la lgica estndar. Existen varios de estos procedimientos algunos razonan hacia adelante partiendo de los hechos hacia las conclusiones, otros razonan hacia atrs, de las conclusiones hacia los hechos. Una de las aplicaciones ms comunes es la resolucin, que utiliza pruebas por medio de contradiccin. El clculo proposicional es un sistema elemental de la lgica formal que se utiliza para determinar si una proposiciones verdadera o no. El clculo de predicados agrega, adems, la capacidad de especificar relaciones y hacer generalizaciones sobre las proposiciones convirtiendo los argumentos en variables. Las ventajas de la lgica de predicados son: Simplicidad en la notacin que permite que las descripciones sean comprensibles. La modularidad permite que se agreguen, eliminen, o modifiquen enunciados sin afectar otros enunciados en la base de conocimientos. La consistencia es una ventaja porque cada hecho tiene que representarse slo una vez. Las tcnicas de Demostracin de Teoremas pueden utilizarse para generar nuevos hechos de otros hechos previos. Las desventajas son: Dificultad para representar conocimiento procedimental y heurstico. Dificultad para manejar grandes bases de conocimiento debido a su estructura organizacional restringida. Procedimientos limitados de manipulacin de datos. Conocimiento Procedimental Este tipo de conocimiento especifica qu hacer y cundo. Se puede codificar en diferentes tipos de programas utilizando varios lenguajes como LISP, C, Pascal, Fortran, etc. La tcnica ms utilizada para representar el conocimiento procedimental es por medio de reglas de produccin. Esto se ilustra a continuacin:

Si clima fro y mes julio y hora 6:00 pm. y cielo con nubes Entonces: sacar paraguas

Podemos ver que la estructura bsica de una regla es: SI premisa, ENTONCES conclusin. Donde la premisa se refiere a los hechos que deben cumplirse para poder realizar la conclusin asociada a ella. Las ventajas dc este tipo de representacin son: Las reglas pueden agregarse, eliminarse o actualizarse fcilmente. La representacin del conocimiento es directa y es fcil de interpretar. Estn estructuradas de forma similar a cmo las personas razonan para resolver problemas. Son tiles para representar la interaccin entre conocimiento declarativo y procedimental.

Una de las desventajas es que se necesita de un mecanismo de bsqueda eficiente para encontrar las reglas adecuadas dependiendo del problema que se intenta resolver. En resumen, en el clculo de predicados y las redes semnticas podemos representar objetos utilizando smbolos sencillos. Las representaciones con marcos y guiones nos permiten definir estructuras complejas por medio del encapsulamiento de caractersticas y atributos. Adems, el clculo de predicados se ocupa de las asignaciones con valor de verdad, pero no de las relaciones semnticas entre los componentes de un dominio. Las representaciones mencionadas dentro del conocimiento heredable son un caso tpico de grafos. Podemos observar que la eleccin de la forma en la que se va a representar el conocimiento es determinante para el problema que se requiere enfrentar. Cada tipo de representacin tiene ventajas, pero tambin sus desventajas. As, es necesario analizar cada una de ellas para hacer la mejor eleccin y adaptarla al problema a solucionar.