Escolar Documentos
Profissional Documentos
Cultura Documentos
transp. 1
El nivel del conocimiento y las ontologas Tipos de conocimiento La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto
c 2011 DIT-ETSIT-UPM
transp. 2
Tipos de conocimiento La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 3
entorno
agente
acciones efectores
Informacin: Datos con signicado (datos interpretados por el agente) Conocimiento: Informacin asimilada
c 2011 DIT-ETSIT-UPM
transp. 4
Qu es conocimiento? R.A.E. (nueve acepciones): 2. [m.]Entendimiento, inteligencia, razn natural. Epistemologa, denicin clsica: Conocimiento es creencia verdadera justicada. I.A., denicin de Newell: Lo que puede atribuirse a un agente de tal modo que su comportamiento pueda computarse de acuerdo con el principio de racionalidad. Principio de racionalidad: ley de comportamiento en el nivel de conocimiento: si un agente sabe, o cree, que una de sus acciones le conduce a uno de sus objetivos seleccionar esa accin.
transp. 5
La postura intencional
El agente sabe, cree...? Brentano (1874): objetos, fenmenos y estados mentales son intencionales: se dirigen a o representan algo, y a nada fsico puede atribursele esto. . . Dennet: The Intentional Stance. MIT Press, 1987. Sistema intencionado: Su comportamiento puede predecirse mediante el mtodo de atribuirle creencias, deseos y perspicacia racional Est justicado, o slo es antropomorsmo retrico? Neociberntica: atribucin a los sistemas articiales de actitudes intencionales como herramienta de abstraccin agentes BDI. actitudes epistmicas: conocimiento, sabidura... actitudes doxsticas: creencia, duda... actitudes teleolgicas (o conativas): deseo, intencin... actitudes denticas: obligacin, compromiso...
c 2011 DIT-ETSIT-UPM
transp. 6
En el nivel de conocimiento: y objetivos interpretacin declarativa racionalizacin (por qu, para qu) Entorno Observador o diseador o especificacin (qu) formalizacin implementacin (cmo) Representacin en lenguaje formal En el nivel realizacin Codificacin + interpretacin procedimental simblico: Agente (sistema de smbolos fisicos) observacin
Conocimiento
Conceptuacin (nivel de conocimiento: Newell, 1981) Representacin (nivel simblico: Newell y Simon, 1976) Codicacin (lenguajes de implementacin y realizacin)
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 7
abstraccin
traduccin
Conceptuacin
traduccin
c 2011 DIT-ETSIT-UPM
transp. 8
Conceptuacin (1) Modelo conceptual (o mental): Universo del discurso Propiedades, relaciones, restricciones, leyes...
Formalmente, una conceptuacin es una terna que consta de un universo del discurso, un conjunto de funciones de base, y un conjunto de relaciones de base en ese universo del discurso. Genesereth y Nilsson: Logical Foundations of Articial Intelligence, 1987. Ejemplo: {a, b, c, d, e}, {Encima-de}, {Libre, Bajo, Sobre, Ms-arr-que} con: Encima-de = {b a, c b, e d} Libre = {a, d} Bajo = {c, e} Sobre = { a, b , b, c , d, e } Ms-arr-que = { a, b , b, c , a, c , d, e }
a b c e d
transp. 9
Conceptuacin (2)
c a d e b
El contenido semntico de la funcin Encima-de es el mismo que tiene la relacin Sobre: y = Encima-de(x) si y slo si y,x Sobre Si un bloque est libre no puede haber ninguno por encima de l, y viceversa: x Libre si y slo si no hay ningn y tal que y,x Sobre Un bloque est ms arriba que otro si est sobre l o est sobre un tercero que est sobre l: x,y Ms-arr-que si y slo si x,y Sobre o bien hay algn z tal que x,z Sobre y z,y Ms-arr-que
Una relacin bsica, Sobre (dene extensionalmente una situacin) Deniciones de las dems de manera intensional
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 10
Sistemas primitivos: conocimiento representacin en un lenguaje (nivel simblico) Sistemas actuales: conocimiento modelo (nivel de conocimiento) representacin en un lenguaje (nivel simblico) En sistemas multiagente, necesidad de establecer lo que sabe y no sabe cada uno ontologas
transp. 11
Ontologas (sentido numerable) Una ontologa es una especicacin explcita de una conceptuacin. Es un trmino adoptado de la losofa, en la que una ontologa es una explicacin sistemtica de la existencia. En la inteligencia articial lo que existe es lo que puede representarse (Gruber, 1993) Una ontologa es una especicacin formal de una conceptuacin compartida (Borst, 1997) En sistemas multiagente, compromiso ontolgico (commit) Para minimizar malentendidos (ontological mistmaches), lenguajes de implementacin basados en lenguajes formales
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 12
Sistemas diseados en el nivel simblico Adquisicin del conocimiento = codicacin No atencin a la ontologa del dominio
Sistemas expertos actuales:
Sistemas diseados en el nivel de conocimiento Adquisicin del conocimiento = modelacin Ontologa importante Metodologas: KADS, etc.
transp. 13
La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto
c 2011 DIT-ETSIT-UPM
transp. 14
Conocimiento para la resolucin de problemas El conocimiento que se aplica para resolver un determinado tipo de problemas puede expresarse de dos formas: declarativa: se especican los objetos, las propiedades y las relaciones generales, y se deja al cuidado del agente que ha de resolver los problemas la aplicacin de mecanismos generales de razonamiento, o procedimental: se especica un procedimiento para resolver los problemas.
transp. 15
c 2011 DIT-ETSIT-UPM
transp. 16
taln a cobrar
el taln es de este banco? no si si pago en metlico? no si tiene el portador cuenta en este banco? no rechazar no el taln es de este banco? rechazar si si tiene el portador cuenta en este banco? no rechazar no
rechazar
rechazar si
si
rechazar
transp. 17
(8) SI pago_metlico Y taln_de_este_banco Y NO firmante_saldo ENTONCES rechazar (9) SI pago_metlico Y NO portador_DNI ENTONCES rechazar (10) SI NO pago_metlico Y NO portador_tiene_cuenta ENTONCES rechazar (11) SI taln_completo Y NO pago_metlico Y portador_tiene_cuenta ENTONCES anotar (12) SI taln_completo Y pago_metlico Y taln_de_este_banco Y firmante_saldo Y portador_DNI ENTONCES pagar (13) SI (hoy fecha_taln) > 0 Y (hoy fecha_taln) < 90 ENTONCES fecha_correcta
Representacin del conocimiento transp. 18
transp. 19
Factual: hechos concretos Normativo: general sobre el dominio Siempre declarativo Tctico: reglas de inferencia, metarreglas. . . Estratgico: de control, bsqueda En principio procedimental, pero arquitecturas multinivel
c 2011 DIT-ETSIT-UPM
transp. 20
Representacin del conocimiento El nivel del conocimiento y las ontologas Tipos de conocimiento La psicologa como fuente de metamodelos
Paradigmas en psicologa Modelo del procesamiento humano Memoria semntica y memoria episdica Redes semnticas
Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 21
Evolucin de la psicologa Subjetivismo (introspeccin): Hermann von Hemholtz, William James ( 1880) Conductismo (mediciones objetivas): John Watson, Edward Thorndike ( 1910) Burrhus Skinner (1957) Crisis (cambio de paradigma) en los aos 60 Cognitivismo (modelos de conceptuaciones): Jean Piaget (1926), Kenneth Craik (1943),. . . George Miller (1956): racimos (chunks) Ross Quillian (1968): memoria semntica Allan Newell y Herbert Simon (1972): modelo del procesamiento de la informacin
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 22
susbsistema perceptivo
procesador cognoscitivo
Memoria semntica vs. memoria episdica (Quillian, 1968) Memoria episdica: recuerdo de eventos (episodios) experimentados: ayer me mordi un perro, dnde estuve el domingo, cmo fui a Tokio el ao pasado, . . . Conocimiento factual)
Memoria semntica: guarda vocabulario, hechos, relaciones, procedimientos. . . , sin referencia a cmo, dnde o cundo se han adquirido esos conocimientos: los perros muerden, las discotecas aturden, para viajes largos es mejor el avin. . . Procede de procesos de abstraccin y generalizacin. Conocimiento normativo)
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 24
1,2
es un pjaro
1,0
es un canario
0 1
enlaces atravesados
Hiptesis: los conceptos se almacenan asocindose entre s directa o indirectamente, y para la recuperacin hay que recorrer las asociaciones
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 25
Almacenamiento en la memoria semntica (Lindsay y Norman, 1977) Racimo (chunk): Red de conceptos interrelacionados que el procesador cognoscitivo almacena en o recupera de la memoria en un ciclo de reconocimientoaccin Ejemplo:
pastor es un Lassie tipo de tiene tipo de mamfero tiene sangre caliente tiene rabo pelos ladra es un actor TV
cachorros
perro
tiene
es un
Jacko
tiene
Redes semnticas
c 2011 DIT-ETSIT-UPM
Representacin del conocimiento El nivel del conocimiento y las ontologas Tipos de conocimiento La psicologa como fuente de metamodelos Lenguajes formales de representacin
Lenguajes lgicos Lgica de proposiciones y lgica de predicados (FOL) Extensiones de FOL
Sintaxis: interpretable por un procesador (el que implementa el proceso de razonamiento) Semntica: no ambiga; interpretacin eciente de algoritmos de razonamiento Pragmtica: expresividad suciente En la prctica, eleccin lenguaje = eleccin herramienta
c 2011 DIT-ETSIT-UPM
transp. 28
Lenguajes lgicos La lgica formal nos proporciona: Lenguajes para representacin del conocimiento Modelos (funcionales) para implementar procesos de razonamiento Lgicas de base: de proposiciones, de predicados de primer orden (FOL) Extensiones: multivaloradas, borrosa... de descripciones modales ... Distintos tipos para representar distintas conceptuaciones
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 29
Representacin en lgica de proposiciones: ejemplo En el ejemplo del cajero, todas las reglas, salvo la (13), se pueden formalizar en lgica de proposiciones: Variables proposicionales t, p, r, c . . . con las interpretaciones: I(t) = taln de este banco; I(p) = portador tiene cuenta I(r) = rechazar; I(c) = aceptar . . . Sentencias: R1: t p r R2: I(t) I(p) c ... La (13), requiere lgica de predicados de primer orden: fecha(taln,X) fecha(hoy, Y) mayor(YX,0) mayor(90,YX) fecha_corr(taln, s)
c 2011 DIT-ETSIT-UPM
transp. 30
En lugar de variables proposicionales, predicados que representan propiedades o relaciones Variables para representar objetos o individuos Cuanticadores
transp. 31
Lgica de predicados: conceptuaciones Para representacin en FOL, una conceptuacin debe estar formada por: Universo del discurso, U : conjunto de objetos Conjunto de relaciones, R (R U n) Conjunto de funciones, F (F : U n U ) Conjunto de conocimientos sobre el dominio: Conocimientos factuales: relaciones y funciones denidas extensionalmente
Conocimientos normativos: relaciones y funciones denidas intensionalmente (enunciados compuestos con y, o, no y restricciones sobre los valores de enunciados: si. . . entonces. . . )
Ejemplo: mundo de los bloques.
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 32
Conocimiento factual:
d e
b a
Conocimiento factual:
...
e(B) = A; e(C) = D; e(E) = D l(A); l(D) b(C); b(E) s(A, B); s(B,C); s(D, E) m(A, B); m(B,C) m(A,C); m(D, E)
e(B) = A; e(E) = D; e(D) = C l(A); l(C) b(B); b(E) s(A, B); s(C, D); s(D, E) m(A, B); m(C, D) m(D, E); m(C, E)
Conocimiento normativo:
y = e(x) s(y, x) l(x) (y)(s(y, x)) m(x, y) s(x, y) (z)(s(z, y) m(z, y))
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 33
Conocimiento factual:
Representacin del conocimiento
Lgica de predicados: cosicacin Relaciones/propiedades sobre relaciones/propiedades lgica de predicados de segundo orden Articio para evitarla: cosicacin (reication) Ejemplo en el mundo de los bloques:
transp. 35
c 2011 DIT-ETSIT-UPM
transp. 36
Declarativas:
Carencia de estructura en U Expresin poco natural de conocimientos taxonmicos/mereolgicos Asuncin mundo cerrado supone conocimiento completo
Procedimentales:
Semidecidible mundo cerrado Algoritmos de unicacin complejos Lenguaje diseado sin considerar aspectos procesales
transp. 37
de orden superior: se puede eludir con cosicacin no montona: razonamiento por defecto, mantenimiento de la verdad multivaloradas y borrosa: imprecisin e incertidumbre modales: creencias, deseos, intenciones. . . abduccin:
(hepatitis(a))
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 38
Representacin del conocimiento El nivel del conocimiento y las ontologas Tipos de conocimiento La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin
Reglas Redes semnticas y mapas conceptuales Marcos
Sistemas de reglas de produccin Aplicacin de los sistemas cannicos de Emil Post (1943) base de datos, {producciones}, sistema de control Producciones (o reglas de produccin):
(A, B) (o bien: A B)
de tipo implicacin: SI antecedentes ENTONCES consecuente de tipo activacin: SI condiciones ENTONCES accin
razonamiento basado en modelo (deductivo) puede haber incertidumbre (aproximado: no deductivo) si hay un ataque el sistema puede caerse
Reglas de diagnstico: efecto posible causa (hiptesis)
razonamiento basado en hiptesis (no deductivo) siempre hay incertidumbre (salvo excepciones) si el sistema se ha caido puede haber sido por un ataque
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 41
Triplas objetoatributovalor
Forma restringida de FOL: Restriccin sintctica: relaciones binarias, r(X,Y ). Restriccin semntica: atributo(Objeto,Valor).
Mucho ms expresiva que la lgica de proposiciones. Sistema inferencial mucho ms eciente que el de FOL:
c 2011 DIT-ETSIT-UPM
transp. 42
Triplas OAV: ejemplo de conceptuacin Objetos Atributos taln banco aceptable cumplimentado endosado completo fecha_correcta fecha accin portador tiene_cuenta DNI rmante saldo pago modo
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 43
Valores este_banco, otro_banco si, no si, no si, no si, no si, no M/D/A pagar, rechazar, anotar si, no si, no si, no metalico, en_cuenta
(Sintaxis depende de la herramienta)
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 44
Redes semnticas
sentir
puede
moverse
puede
ANIMAL
bien
vuela AVE
tipo_de
tipo_de
MAMIFERO
da
leche
tiene
BALLENA vive_en
LEON come
largas
no_puede
c 2011 DIT-ETSIT-UPM
muy_bien
piel
Representacin del conocimiento
mar
carne
transp. 46
sentencia en la red arco obj clase es_un(obj,clase) (pertenencia) tipo_de(clase1, clase2) (inclusin) arco clase1 clase2
tipode esun
sentencia lgica
transp. 47
(O)(C)(A)(V ) (hereda_de(O,C) propiedad(C, A,V ) propiedad(O, A,V )) (C1)(C2)(A)(V ) (hereda_de(C2,C1) propiedad(C1, A,V ) propiedad(C2, A,V ))
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 48
(O)(C)(A)(V ) (hereda_de(O,C) propiedad(C, A,V ) excep(O, A,V )) propiedad(O, A,V )) (O)(A)(V )(excep(O, A,V ) propiedad(O, A,V ))
(Y lo mismo para C1,C2)
transp. 49
moverse
puede
ANIMAL
bien
vuela
tipo_de
MAMIFERO
da
leche
tiene
BALLENA vive_en
LEON come
largas
no_puede
muy_bien
piel
mar
carne
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 50
General sobre herencia:
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 51
Mala conceptuacin:
c 2011 DIT-ETSIT-UPM
Representacin del conocimiento
transp. 52
Marcos (frames)
if_needed, if_added: procedimientos adjuntos, o adosados (procedural attachment)
. . .
transp. 53
Ejemplo de marco
c 2011 DIT-ETSIT-UPM
transp. 54
El nivel del conocimiento y las ontologas Tipos de conocimiento La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones
Justicacin y principios Agentes basados en DL
c 2011 DIT-ETSIT-UPM
transp. 56
Evolucin en la representacin del conocimiento Aos 70 y 80: 1. Formalismos basados en lgica (especialmente, FOL y OAV): propsito general, muy expresivos, mtodos de razonamiento slidos..., pero no decidibles (salvo con asuncin de mundo cerrado), complejidad incontrolada... 2. Formalismos basados en redes semnticas y marcos: naturalidad de representacin, mtodos de razonamiento ecientes..., pero estructuras y mtodos ad hoc, carencia de caracterizacin semntica precisa... Aos 90 y 00: Fusin de 1 y 2
c 2011 DIT-ETSIT-UPM Representacin del conocimiento
lgicas de descripciones
transp. 57
Lgicas de descripciones: principios bsicos En lugar de predicados unarios, conceptos (o clases): El concepto Abogado representa a {x|abogado(x)} FOL orientada a razonamientos y a verdad o falsedad; DL orientadas a objetos, clases, pertenencia, roles... En lugar de predicados didicos, roles (o propiedades): tieneHijo.Abogado representa a {x|(y)(tieneHijo(x, y) Abogado(y))} Constructores de conceptos para formar descripciones de conceptos: Abogado tieneHijo.Abogado Familia de lenguajes con diversos equilibrios entre expresividad (constructores) y complejidad del razonamiento, pero todos decidibles con asuncin de mundo abierto
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 58
Agente basado en DL
TBox
Lenguaje de descripcin Servicios de razonamiento
ABox
Reglas
TBox: terminologa de un dominio, u ontologa (conocimiento normativo): Deniciones intensionales de conceptos y roles ABox: Aserciones sobre objetos (conocimiento factual)
transp. 59
Agente basado en DL vs. KBS El agente basado en DL es una reformulacin de la idea de sistema basado en conocimiento: TBox = base de conocimientos (en Prolog, reglas) ABox = base de hechos (en Prolog, hechos) Lo nuevo es el diseo de lenguajes de descripcin adecuados para la comunicacin con otros agentes (articiales o humanos) que permitan una formulacin de problemas de razonamiento decidibles con asuncin de mundo abierto que conduzcan a algoritmos de razonamiento ecientes
c 2011 DIT-ETSIT-UPM
transp. 60
Varias formas de expresar la sintaxis: RDF/XML: Normativa del W3C para intercambio entre agentes. Excesivamente verbosa para humanos. Sintaxis abstracta: De alto nivel y ms legible, pero an incmoda por excesivo anidamiento de parntesis. Usada por el W3C para denir la semntica de OWL 1.0. Sintaxis funcional: Resuelve algunos problemas de la anterior para su procesamiento. Introducida para OWL 1.1. Sintaxis de Manchester: Ms legible por humanos. Otras: OBO, SOF, Sydney...
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 61
OWL 2: sintaxis funcional y sintaxis de Manchester, ejemplo En DL: Alumno Persona En sintaxis funcional: 1 matriculadoEn
O bien:
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 62
En sintaxis de Manchester:
Representacin del conocimiento El nivel del conocimiento y las ontologas Tipos de conocimiento La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto
Incertidumbre e imprecisin Lgica multivalorada Factores de incertidumbre Inferencia bayesiana Lgica borrosa
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 64
Proposicin imprecisa: Se reere a una variable cuyo valor no se conoce o no puede determinarse con precisin
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 65
Es muy mayor? Subjetivo, aunque el agente sepa que tiene 60 aos Tose mucho? Cuanticacin de tose?
c 2011 DIT-ETSIT-UPM
transp. 66
Incertidumbre e imprecisin: modelos Modelos tericos: Lgica multivalorada Lgica probabilstica Lgica borrosa Teora de la evidencia (credibilidad, plausibilidad) Teora de la posibilidad (necesidad, posibilidad) Modelos heursticos ms usados en ingeniera del conocimiento: Factores de incertidumbre (MYCIN) Inferencia bayesiana (PROSPECTOR)
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 67
Sintaxis: igual que en la binaria Conceptuacin: como la binaria, pero las tuplas de las relaciones tienen grados de pertenencia [0, 1] Interpretacin: igual que en la binaria Satisfaccin: en lugar de |=IA S, gIA(S) [0, 1]: gIA(p(t1,t2, . . . ,tn)) = g p sii
g(S) = 1 g(S) g(S1 S2) = mn(g(S1), g(S2)) g(S1 S2) = m x(g(S1), g(S2)) a g(S1 S2) = 1 si g(S1) g(S2) = 1 g(S1) + g(S2) si g(S1) > g(S2) g((X)(S1(X))) = mn(g(S1(X)))
X
g((X)(S1(X))) = m x(g(S1(X))) a
X
Factores de incertidumbre (1) Escala, por ejemplo: 1 c +1 Hechos: A(cA), B(cB) . . . Reglas: Ei H j (ci j ) (regla de diagnstico) Extensin heurstica del modus ponens:
A(cA) (A B)(cR)
si cA > 0 entonces B(cB), con cB = cA cR
c = c1 + c2 c1 c2 si c1 c2 > 0
1 +c c = 1mcn(|c12|,|c2|) si c1 c2 < 0
Problemas con este enfoque: Malos resultados para dominios complejos, con cadenas causales largas Resultados catastrcos si se mezclan reglas causales con reglas de diagnstico
transp. 71
(X)(hiptesis_j (X) evidencia_i (X)) evidencia_i (a) M(hiptesis_j (a)) (hiptesis_j (a))
Teorema de Bayes:
P(H j |Ei)
P(H j)P(Ei|H j)
j
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 72
P(H j )P(Ei|H j )
P(H )P(E |H )
P(H )P(E |H )
Con:
transp. 73
Inferencia bayesiana: conoc. factual y normativo Conocimiento factual: E1, E2, . . . Conocimiento normativo:
P(H1), P(H2) . . . P(Ei|H j ) Si H j es verdadera entonces aparece Ei con probabilidad P(Ei|H j ) P(Ei|H j ) Si H j es falsa entonces aparece Ei con probabilidad P(Ei|H j )
Base de conocimientos:
P(H )P(E |H )
P(H )P(E |H )
transp. 75
Inferencia bayesiana: combinacin de evidencias Si E2 viene despus de E1, probabilidad de H j condicionada a E2 en el contexto de E1: P(H j |E1)P(E2|H j E1) P(H j |E1)P(E2|H j E1) + P(H j |E1)P(E2|H j E1)
c 2011 DIT-ETSIT-UPM
transp. 76
P(E |H )
P(E |H )
entre 1 (Ei indiferente) y 0 (Ei necesaria) Posibilidad, o verosimilitud (odds): V = Reformulacin del teorema de Bayes:
P 1P
V (H j |Ei) = V (H j ) S ji;
Base de conocimientos: {H j Ei(S ji, N ji)}
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 77
V (H j |Ei) = V (H j ) N ji
(1) V (H j |Ei) = V (H j ) S ji
(2) V (H j |Ei) = V (H j ) N ji
del experto: se traduce en S y N (y en P(Hi)) del usuario: ante una pregunta sobre Ei la evala en alguna escala convenida, por ejemplo, [1, +1]
si R(Ei) = 1 se aplica (1) si R(Ei) = 1 se aplica (2) en otro caso se interpola mediante
una funcin M ji = f (R(Ei )) tal que: M ji(+1) = S ji M ji(1) = N ji M ji(0) = 1
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 78
el motor de inferencias evala en cada momento la evidencia ms determinante, Ei si las respuestas extremas a esa evidencia no pueden desbancar a la hiptesis actualmente ms probable, termina en otro caso, pregunta al usuario actualiza todas las V (H j ):
V (H j ) V (H j ) M ji
transp. 79
nodos: variables aleatorias Xi, que representan a las causas o las evidencias arco de X j a Xi: representa la relacin causal directa de X j sobre Xi, con etiquetas P(Xi|X j ) y P(Xi|X j ) (o medidas de suciencia y necesidad)
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 80
P(H ) 1
H1 P(H ) 2 H2 P(H ) 3
H3
P(X 1) 1 P(X 2)
X X2
E1 E2
E3
transp. 81
Precisin y signicacin En sistemas complejos la precisin da resultados poco signicativos (principio de incompatibilidad de Zadeh)
(De
c 2011 DIT-ETSIT-UPM
transp. 82
Modelacin de lo impreciso
Levantar suavemente el pie del embrague Sacar del horno cuando empiece a estar dorado Cuando hace algo de fro Ana suele ponerse el abrigo negro Hoy hace bastante fro Es casi seguro que llevar el abrigo negro Si la temperatura del vapor vivo es alta y el caudal de inyeccin de vapor es bajo hay que bajar algo el caudal de inyeccin de vapor
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 83
Conjuntos borrosos Subconjunto borroso de U = {x}: C = {(x|C (x))} 0 C (x) 1: grado de pertenencia de x a C Ejemplo:
1.0 lento medio rpido 1.0 lento medio rpido
0.5
0.5
0 100 200
0 100 200
c 2011 DIT-ETSIT-UPM
transp. 84
Complementacin: C = A = {x|C (x) = 1 A(x)} Interseccin: C = A B = {x|C (x) = mn(A(x), B(x))} Unin: C = A B = {x|C (x) = m x(A(x), B(x))} a Producto: C = AB = {x|C (x) = A(x) B(x)}
Potenciacin: C = A = {x|C (x) = A (x)}
Producto cartesiano:
transp. 85
Lgica borrosa
Sintaxis: la clsica + partculas lingsticas: muy, poco. . . Conceptuacin: U , R (borrosas), F (borrosas) Interpretacin: como en lgica binaria, ms: I(muy p(X)) = I 2(p(X)), I(poco p(X)) = I 1/2(p(X)) ...
c 2011 DIT-ETSIT-UPM
transp. 86
a) Satisfaccin graduada: gIA(S), como en lgica multivalorada, en funcin de los componentes y para valores concretos de las variables b) Satisfaccin borrosa: signicado(S) = conjunto (o relacin) borroso funcin de la variable (o las variables) de S: S(A) = S(A) S(A B) = S(A) S(B) S(A B) = S(A) S(B) S(A B) = S(A) S(B)
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 87
a) Inferencia graduada: Dados p(X) y p(X) q(Y ) y un valor concreto de X , obtener q(Y ) (o, en su caso, un valor concreto de Y ) b) Inferencia borrosa: Dados p(X) y p(X) q(Y ), obtener la expresin lingstica del conjunto inducido, q p(Y )
c 2011 DIT-ETSIT-UPM
transp. 88
X
0,0 3,2 0,0 6,1 0,0 10,0 3,2 0,0 6,1 0,0 10,0 0,0 3,2 3,1
Y bajo(X) alto(X) bajo(Y ) alto(Y ) 1,0 0,0 0,68 0,32 1,0 0,0 0,39 0,61 1,0 0,0 0,0 1,0 0,68 0,32 1,0 0,0 0,39 0,61 1,0 0,0 0,0 1,0 1,0 0,0 0,68 0,32 0,69 0,31
1 gA
2 gA
3 gA
4 gA
0,68 0,32 0,0 0,0 0,39 0,61 0,0 0,0 0,0 1,0 0,0 0,0 0,68 0,0 0,32 0,0 0,39 0,0 0,61 0,0 0,0 0,0 1,0 0,0 0,68 0,31 0,32 0,31
c 2011 DIT-ETSIT-UPM
transp. 90
b) Con MIN: R1(Z) = {Z/10 si Z 6, 8; 0, 68 si Z 6, 8} R2(Z) = {0, 32 si 6, 8; 1 Z/10 si Z 6, 8} R3(Z) = 0, 0; R4(Z) = 0, 0 Con PROD: R1(Z) = 0, 068 Z R2(Z) = 0, 32 0, 032 Z R3(Z) = 0, 0; R4(Z) = 0, 0 c) Composicin con MAX:
Result(Z) = {0, 32 si Z 3, 2; Z/10 si 3, 2 Z 6, 8 0, 68 si Z 6, 8} Composicin con SUM: Result(Z) = 0, 32 + 0, 036 Z Desborrosicacin: MIN-MAX y promedio de mximos: Z = 8, 4 PROD-SUM y centroide: Z = 6, 7
c 2011 DIT-ETSIT-UPM Representacin del conocimiento transp. 91