Representacion Del Conocimiento

Sistemas inteligentes Representacin del conocimiento
c 2011 DIT-ETSIT-UPM Representacin del conocimiento
transp. 1
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
c 2011 DIT-ETSIT-UPM
transp. 2
Representacin del conocimiento El nivel del conocimiento y las ontologas

Datos, informacin y conocimiento La postura intencional El nivel de conocimiento Conceptuacin 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 Representacin del conocimiento transp. 3
Datos, informacin y conocimiento

sensores perceptos (datos) informacin
conocimiento razonamiento
entorno
agente
acciones efectores
Informacin: Datos con signicado (datos interpretados por el agente) Conocimiento: Informacin asimilada
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...
transp. 6
Modelacin de agentes: el nivel de conocimiento

Modelos del agente
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)
Conceptuacin, representacin, implementacin, realizacin

Realidad Realizacin (XML)
abstraccin
traduccin
Conceptuacin
Implementacin (RDFS, OWL...)
limitaciones formalizacin interpretacin (semntica)
traduccin
Representacin (FOL, DL...)
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
Otra conceptuacin? La conceptuacin debe reejar un conocimiento general sobre el dominio:
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
El nivel del conocimiento en SBC y en agentes
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
Ontologas y sistemas expertos
Sistemas expertos de primera generacin:
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
El nivel del conocimiento y las ontologas Tipos de conocimiento

Declarativo y procedimental Factual, normativo, tctico y estratgico
La psicologa como fuente de metamodelos Lenguajes formales de representacin Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto
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
Declarativo vs. procedimental: ejemplo 1
transp. 16
Declarativo vs. procedimental: ejemplo 2 (1)

si no est endosado? pedir firma
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
si es correcta la fecha y est firmado?
rechazar
no tiene saldo el firmante? anotar en cuenta
rechazar si
no coincide nombre con DNI del portador? pagar
si
rechazar
transp. 17
Declarativo vs. procedimental: ejemplo 2 (2)

(1) SI NO taln_de_este_banco Y NO portador_tiene_cuenta ENTONCES rechazar (2) SI taln_de_deste_banco O portador_tiene_cuenta ENTONCES taln_aceptable (3) SI fecha_correcta Y taln_firmado ENTONCES taln_cumplimentado (4) SI NO taln_cumplimentado ENTONCES rechazar (5) SI taln_cumplimentado Y NO taln_endosado ENTONCES pedir firma Y taln_endosado (6) SI taln_aceptable Y taln_cumplimentado Y taln_endosado ENTONCES taln_completo (7) SI pago_metlico Y NO taln_de_este_banco ENTONCES rechazar
(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
Declarativo vs. procedimental: comparacin
Declarativo Procedimental Eciencia Modularidad Expresividad Reutilizacin Mantenimiento
transp. 19
Tipos de conocimiento en un SBC
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
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
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
Modelo del procesamiento de la informacin

ENTORNO SISTEMA HUMANO DE PROCESAMIENTO DE LA INFORMACIN subsistema cognoscitivo M.L.P. (red de racimos) subsistema motor M.C.P. 7 +/ 2 racimos 2 a 15 seg.
estmulos sensores tampn tampn msculos respuestas
(Newell y Simon, 1972)
susbsistema perceptivo
procesador cognoscitivo
El procesador cognoscitivo selecciona perceptos y accede a la M.C.P. en ciclos reconocimientoaccin de 70 mseg.

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)
Memoria semntica: tiempo de acceso y estructura (Collins y Quillian, 1969)

un canario...? tiempo de reaccin (seg)
1,4
tiene piel puede volar puede cantar
1,2
es un pjaro
1,0
es un animal tiene propiedad tipo de

2 3
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
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
Modelos de orientacin a objetos

Representacin del conocimiento transp. 26
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
Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto

Lenguajes de representacin: requisitos
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
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
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)
transp. 30
Lgica de predicados de primer orden (FOL)
Limitaciones de la lgica de proposiciones: no permite representar

razonamientos basados en propiedades o relaciones de tipo general razonamientos basados en conocimientos generales
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.
Representacin en FOL del mundo de los bloques

Smbolo Interpretacin A bloque a B bloque b ... ... s funcin Sobre e relacin Encima-de b relacin Bajo l relacin Libre m relacin Ms arriba ...
a b
d e c
Conocimiento factual:
d e
b a
...
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))
Traduccin de FOL a un lenguaje de implementacin (Prolog)
e(B) = A: las funciones deben expresarse como relaciones s(A, B) l(A)

... Conocimiento normativo:
l(x) (y)(s(y, x))


m(x, y) s(x, y) (z)(s(z, y) m(z, y))

transp. 34
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:
{a, b, c, d}, {}, {Rojo, Verde, Azul, Blanco}

Para introducir propiedades de los colores conceptuamos a stos como objetos e introducimos una funcin parcial, Color :
{a, b, c, d, ro jo, verde, azul, blanco}, {Color }, {Oscuro,Claro}

Color = {a blanco, b ro jo . . .} Claro = {blanco, azul} etc.
transp. 35
Lgica de predicados: aspectos pragmticos
Poder expresivo grande, pero slo conceptuaciones asertricas:
Verdadero o falso Sin matices (posible, maana, el agente cree. . . )

Semidecidible (Gdel, 1930):
si {1, 2, . . .} |= existe una demostracin de si {1, 2, . . .} |= , en general, no hay procedimiento nito

Complejidad: problemas NP-completos Compromiso entre complecin y algoritmos ecientes
transp. 36
Limitaciones de FOL como lenguaje de representacin
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
Extensiones de la lgica de predicados
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:
(X)(hepatitis(X) ictericia(X)) ictericia(a) M(hepatitis (a))
(hepatitis(a))
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
Lgicas de descripciones Modelacin del conocimiento incierto

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
A1 A2 . . . An C A1, A2 . . .: literales (o sentencias, en general) C: un literal o una conjuncin (no disyuncin)

Reglas causales y reglas de diagnstico
Reglas causales: causa efecto(s)
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
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:
Implementacin ms estructurada. Algoritmo de unicacin ms sencillo.
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
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
Triplas OAV, ejemplo: codicacin

(Sintaxis depende de la herramienta)
Redes semnticas
Conocimiento taxonmico (herencia de propiedades) nodos (objetos, clases y propiedades)
de objeto, o de clase de atributo (valor de propiedad) normales excepcionales

arcos orientados (relaciones binarias)
de nodo objeto/clase a nodo clase de nodo objeto/clase a atributo

Redes semnticas: ejemplo

vida
tiene
sentir
puede
moverse
puede
ANIMAL
bien
vuela AVE
tipo_de
tipo_de
MAMIFERO
da
leche
plumas tiene huevos

pone
tiene
pelo tipo_de tipo_de tipo_de tipo_de
AVESTRUZ patas vuela
ALBATROS vuela tiene
BALLENA vive_en
LEON come
largas
no_puede
muy_bien
piel
mar
carne
transp. 46
De redes semnticas a lgica (1)
sentencia en la red arco obj clase es_un(obj,clase) (pertenencia) tipo_de(clase1, clase2) (inclusin) arco clase1 clase2
tipode esun
sentencia lgica
(X)(es_un(X, clase1) es_un(X, clase2))

arco obj valor propiedad(obj,atrib,valor) propiedad(clase,atrib,valor) excep(obj,atrib,excep) excep(clase,atrib,excep) arco clase valor arco obj excep arco clase excep
atrib atrib atrib atrib
transp. 47
De redes semnticas a lgica (2) Herencia como relacin transitiva:
(X)(Y )( (es_un(X,Y ) hereda_de(X,Y )) (tipo_de(X,Y ) hereda_de(X,Y )) ((Z)(es_un(X, Z) hereda_de(Z,Y )) hereda_de(X,Y )) )

Si no hubiese excepciones,
(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 ))
De redes semnticas a lgica (3)
Herencia con excepciones:
(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
Ejemplo de RS en Prolog: conocimiento factual

vida sentir
tiene puede
moverse
puede
ANIMAL
bien
vuela
tipo_de plumas tiene huevos

pone AVE
tipo_de
MAMIFERO
da
leche
tiene
pelo tipo_de tipo_de tipo_de tipo_de
AVESTRUZ patas vuela
ALBATROS vuela tiene
BALLENA vive_en
LEON come
largas
no_puede
muy_bien
piel
mar
carne

Ejemplo de RS en Prolog: conocimiento normativo Del dominio:

General sobre herencia:

Ejemplo de RS en Prolog: consultas
Tiene pelo el avestruz?
Quines pueden volar?

Mala conceptuacin:


transp. 52
Marcos (frames)
Nodo de objeto o clase en la RS marco: nombre ranura1 ranura2

if_needed, if_added: procedimientos adjuntos, o adosados (procedural attachment)
. . .
transp. 53
Ejemplo de marco
transp. 54
Mapas conceptuales (Novak, 1977) Herramienta didctica. Ejemplo de :
Aplicacin prctica: UML (Unied Modelling Language)

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
Modelacin del conocimiento incierto
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
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
Agente basado en DL
TBox
Lenguaje de descripcin Servicios de razonamiento
ABox
Reglas
Interfaz Entorno, otros agentes
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
transp. 60
OWL: un lenguaje de implementacin de una DL (SR OI Q (D))
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...
OWL 2: sintaxis funcional y sintaxis de Manchester, ejemplo En DL: Alumno Persona En sintaxis funcional: 1 matriculadoEn

O bien:

En sintaxis de Manchester:
OWL 2: traduccin del ejemplo a RDF/XML

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
Incertidumbre e imprecisin Proposicin incierta: No se conoce, o no puede determinarse su verdad o falsedad

Proposicin imprecisa: Se reere a una variable cuyo valor no se conoce o no puede determinarse con precisin

Grado de creencia y grado de verdad
Proposiciones verderas o falsas, variables con un valor, pero el agente no lo sabe:
Incertidumbre: Si A entonces B o C Imprecisin: Qu temperatura tiene el paciente?

Grado de verdad subjetivo:
Es muy mayor? Subjetivo, aunque el agente sepa que tiene 60 aos Tose mucho? Cuanticacin de tose?
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)
Lgica multivalorada (de primer orden)
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
(A(t1), A(t2), . . . , A(tn), g p) I(p)

Semntica: convenios para calcular gIA(S) a partir de los grados de satisfaccin de sus componentes Leyes de Lukasiewicz (1930)
Lgica multivalorada: Leyes de Lukasiewicz
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
Para el condicional se usa ms:
g(S1 S2) = m x(1 g(S1), mn(g(S1), g(S2))) a

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(A1 A2) = m x(cA1 , cA2 ) a c(A1 A2) = mn(cA1 , cA2 ) c(A) = cA

Factores de incertidumbre (2)
Combinacin de reglas: (R1 da la conclusin H(c1) y R2 da H(c2))
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
Inferencia bayesiana y abduccin Abduccin:
(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
P(H j )P(Ei|H j )
Pero las H j deberan ser mutuamente excluyentes. . .
Inferencia bayesiana: exclusin de hiptesis
i P(H j |Ei) = P(H )P(E |Hj )+P(H j)P(E |H ) j i j j i j
P(H )P(E |H )
P(H )P(E |H )
Con:
P(H j ) = 1 P(H j ) P(Ei|H j ) = 1 P(Ei|H j ) P(Ei|H j ) = 1 P(Ei|H j )
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(Ei|H j ), P(Ei|H j ), P(H j )}

Regla de inferencia (conocimiento tctico): Bayes
Inferencia bayesiana: conocimiento tctico
P(H )P(E |H )
P(H )P(E |H )
Conocimiento estratgico? evidencias mltiples? imprecisin/incertidumbre en las respuestas del usuario?
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)
P(H j |E1 E2) =
Suposicin: H j causas directas de Ei: P(Ei|H j Ek ) = P(Ei|H j ), etc.
P(H j |E1 E2)
P(H j |E1)P(E2|H j ) = P(H j |E1)P(E2|H j ) + P(H j |E1)P(E2|H j )

algoritmo de actualizacin sucesiva de las P(H j )
Es decir, Bayes aplicado al resultado de tener en cuenta E1
transp. 76
Inferencia bayesiana: suciencia y necesidad Medida de suciencia: S ji = P(Ei|H j )

i j
P(E |H )
entre 1 (Ei indiferente) y (Ei suciente) Medida de necesidad: N ji = P(Ei|H j )

i j
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)}
V (H j |Ei) = V (H j ) N ji
Inf. bayesiana: tratamiento de la incertidumbre
(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
Inferencia bayesiana: modelo procesal
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
Redes bayesianas (1)
El algoritmo de actualizacin sucesiva de
P(H j |E1 E2 E3 . . .) slo es vlido si H j es causa directa de E1, E2. . .

Si se pueden identicar cadenas causales con dependencias directas se puede modelar el conocimiento como un grafo acclico con
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)
Redes bayesianas (2)
P(H ) 1
H1 P(H ) 2 H2 P(H ) 3
H3
P(X 1) 1 P(X 2)
X X2
P(X ) j X j P(X i | X j ) P(X i | X j ) P(X i ) Xi
E1 E2
E3
transp. 81
Precisin y signicacin En sistemas complejos la precisin da resultados poco signicativos (principio de incompatibilidad de Zadeh)
(De
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
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
transp. 84
lgebra de conjuntos borrosos
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:
C = A B = {(x, y)|C (x, y) = mn(A(x), B(y))}

Relacin borrosa entre los conjuntos borrosos A y B: cualquier subconjunto de A B
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)) ...
transp. 86
Lgica borrosa: satisfaccin
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)
Lgica borrosa: inferencia
Distintas extensiones del modus ponens:
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 )
transp. 88
Sistemas expertos borrosos

Aplicaciones numricas (no simblicas) Reglas de la forma bajo(X) y no_muy_alto(Y) abrir_poco(Z) Proceso inferencial (inferencia graduada): 1. Borrosicacin (fuzzication): dados valores de las variables, grados de satisfaccin de las premisas 2. Inferencia MIN-MAX, o bien PROD-SUM:
i a) para cada regla Ri, grado de satisfaccin del antecedente, gA b) transformacin de los conjuntos borrosos del consecuente: i i i i C (Z) = mn(gA , C (Z)), o bien C (Z) = gA C (Z) i c) composicin: C (Z) = m x(C (Z)), o bien C (Z) = (C (Z)) a i
3. Desborrosicacin (valor de la variable del consecuente):
Centroide: el correspondiente al centro de gravedad de C (Z) Promedio de los mximos ...

Sistemas expertos borrosos: ejemplo (1)

bajo(t ) = 1 t/10 alto(t ) = t/10 (0 t 10) R1: si X R2: si X R3: si X R4: si X es bajo e Y es bajo entonces Z es alto es bajo e Y es alto entonces Z es bajo es alto e Y es bajo entonces Z es bajo es alto e Y es alto entonces Z es alto
Borrosicacin para algunos valores de X e Y :
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
transp. 90
Sistemas expertos borrosos: ejemplo (2)

Inferencia para X = 0, Y = 3, 2:
4 3 2 1 a) gA = 0, 68; gA = 0, 32; gA = 0; gA = 0
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

Representacion Del Conocimiento

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Representacion Del Conocimiento

Enviado por

Direitos autorais:

Formatos disponíveis

Sistemas inteligentes Representacin del conocimiento

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Representacin del conocimiento

Representacin del conocimiento

Representacin del conocimiento El nivel del conocimiento y las ontologas

Datos, informacin y conocimiento

Representacin del conocimiento

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Representacin del conocimiento

Modelacin de agentes: el nivel de conocimiento

Conceptuacin, representacin, implementacin, realizacin

Implementacin (RDFS, OWL...)

limitaciones formalizacin interpretacin (semntica)

Representacin (FOL, DL...)

Representacin del conocimiento

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Otra conceptuacin? La conceptuacin debe reejar un conocimiento general sobre el dominio:

El nivel del conocimiento en SBC y en agentes

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Ontologas y sistemas expertos

Sistemas expertos de primera generacin:

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Representacin del conocimiento

El nivel del conocimiento y las ontologas Tipos de conocimiento

Representacin del conocimiento

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Declarativo vs. procedimental: ejemplo 1

Representacin del conocimiento

Declarativo vs. procedimental: ejemplo 2 (1)

si es correcta la fecha y est firmado?

no tiene saldo el firmante? anotar en cuenta

no coincide nombre con DNI del portador? pagar

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Declarativo vs. procedimental: ejemplo 2 (2)

Declarativo vs. procedimental: comparacin

Declarativo Procedimental Eciencia Modularidad Expresividad Reutilizacin Mantenimiento

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Tipos de conocimiento en un SBC

Representacin del conocimiento

Modelo del procesamiento de la informacin

(Newell y Simon, 1972)

El procesador cognoscitivo selecciona perceptos y accede a la M.C.P. en ciclos reconocimientoaccin de 70 mseg.

Memoria semntica: tiempo de acceso y estructura (Collins y Quillian, 1969)

tiene piel puede volar puede cantar

es un animal tiene propiedad tipo de

Modelos de orientacin a objetos

Lenguajes informales de representacin Lgicas de descripciones Modelacin del conocimiento incierto

Lenguajes de representacin: requisitos

Representacin del conocimiento

Representacin del conocimiento

Lgica de predicados de primer orden (FOL)

Limitaciones de la lgica de proposiciones: no permite representar

c 2011 DIT-ETSIT-UPM Representacin del conocimiento

Representacin en FOL del mundo de los bloques

Traduccin de FOL a un lenguaje de implementacin (Prolog)

e(B) = A: las funciones deben expresarse como relaciones s(A, B) l(A)

l(x) (y)(s(y, x))

m(x, y) s(x, y) (z)(s(z, y) m(z, y))

{a, b, c, d}, {}, {Rojo, Verde, Azul, Blanco}

{a, b, c, d, ro jo, verde, azul, blanco}, {Color }, {Oscuro,Claro}

Lgica de predicados: aspectos pragmticos

Poder expresivo grande, pero slo conceptuaciones asertricas:

Verdadero o falso Sin matices (posible, maana, el agente cree. . . )

si {1, 2, . . .} |= existe una demostracin de si {1, 2, . . .} |= , en general, no hay procedimiento nito