Date post: | 23-Jan-2016 |
Category: |
Documents |
Upload: | nina-serrato |
View: | 213 times |
Download: | 0 times |
Copyright © 1999 José Angel Bañares Última revisión: Nov. 2009
Sistemas Basados en el ConocimientoSistemas Basados en el Conocimiento
Departamento de Informática e Ingeniería de SistemasC.P.S. Universidad de ZaragozaDepartamento de Informática e Ingeniería de SistemasC.P.S. Universidad de Zaragoza
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 2
1. Introducción Breve Historia de la IA Componentes de un SE
2. Desarrollo de SBC
2.1 Niveles para describir SBC
2.2 Clasificación de tareas
2.3 Técnicas de resolución de problemasBúsquedas
Razonamiento basado en el conocimiento
Sistemas de Mantenimiento de la verdad
Razonamiento bajo incertidumbre
Técnicas avanzadas de razonamiento
3. Proceso de desarrollo 4. Herramientas 5. Revisión histórica de los SEs
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 3
Introducción
Breve Historia de la IA El periodo Clásico
Desde los 50 hasta los 60 la IA se centró en resolutores de Problemas Genéricos
Búsqueda en el espacio de estados
El periodo Romántico Desde mediados de los 60 hasta mediados de los 70 se centran en
modelar el comportamiento humano al resolver problemas Exploración de diferentes formas de representar hechos y principios
sobre el mundo para emplearse en un computador Reglas, redes semánticas, objetos/frames, fórmulas
lógicas.
En la actualidad Representar explícitamente el conocimiento relevante
- Técnicas para representar el conocimiento en módulos que se activan por patrones.
- No se piensa en mecanismos de inferencia sofisticados ni en complejas funciones de evaluación.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 4
IA en el Futuro
“Proyectando las tendencias actuales en el futuro, pienso que habrá un nuevo énfasis sobre sistemas autónomos- robots y softbots. Softbots son angentes software que navegan por Internet, buscando información que pueda ser interesante para sus usuarios. La presión para mejorar las capacidades de los robots y los agentes software motivarán y guiarán la investigación en IA durante los próximos años.”
(Artificial Intelligence, A new Synthesis. Nilsson 1998)
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 5
Sistemas Basados en el Conocimiento
Sistema Experto Basado en el ConocimientoPrograma que se comporta como un experto en un dominio
de aplicación Un experto reduce rápidamente la búsqueda al reconocer
situaciones (patrones) y utilizar los métodos y reglas adecuados para descubrir la solución.
El conocimiento heurístico no representa un análisis en profundidad del problema, sino una solución “aceptable”
El número de posibilidades a analizar es grande La función algorítmica de evaluación de cada posibilidad es
demasiado compleja o desconocida.
El conocimiento heurístico en los sistemas expertos No se refiere a conocimiento general para guiar la búsqueda Es el conocimiento específico aplicable a cada situación
específica del dominio.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 6
Solución heurística / algorítmica
Diferencias entre la solución algorítmica y heurísticaEl constructor determina el precio de una casa mediante una
análisis detallado suma materiales, llamada a proveedores para obtener precios,
evaluación de precios de subcontratistas, estimar contingencias razonables, etc.
Ventajas: El presupuesto es correcto Desventaja: El posible comprador quiere el presupuesto HOY
El constructor tiene gran experiencia en presupuestos y estima el precio comparando la construcción con otras realizadas
Recuerda el precio de una casa de los mismo metros cuadrados Busca diferencias que podrían reducir o bajar el precio
• Añade una piscina => un 1000000 mas
• Los muebles de la cocina de pino en vez de roble => 150000 menos
• Un baño menos => 800000 menos
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 7
2. Componentes de SBC
Hechos
Reglas
Plan
Agenda
Solucion
Explicación
Intérprete
Planificador
Mantenimientoconsistencia
Interfazusuario
pizarra
Base de conocimiento
usuario
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 8
Explicación componentes
Interfaz de usuario: El usuario interactúa con el SE en un lenguaje propio del tipo de problema
Pizarra: almacena hipótesis y decisiones intermedios que manipula el SE Plan: Plan general de solución del problema. Agenda : Reglas relevantes para la situación en curso.
Solución: Hipótesis candidatas y decisiones generadas hasta el momento
Planificador: Determina cual es la acción pendiente que se ejecutará a continuación. El intérprete: Ejecuta la regla escogida.
Mantenimiento de la consistencia: Mantiene una representación consistente de la solución mediante:
Revisión de la probabilidad de una solución cuando se introducen nuevos hechos.
Sistemas de mantenimiento de la verdad cuando las soluciones son deducciones lógicas
El modulo de explicación: Explica el porqué de las acciones del sistema
Reglas y hechos: Registran reglas, hecho e información del dominio
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 9
Componente de Explicación
Un SE debe contar con una componente de explicación La respuesta puede ser potencialmente dañina Es una forma comprensible de chequear el comportamiento Tutores
Una componente de SE debe idealmente Poder responder a preguntas como las siguiente
• ¿Cómo se tomó o no cierta decisión? ¿Cuando, cómo y porqué se utiliza una información determinada? ¿Qué decisión se tomo ante un subproblema?
Ser fácil de usar Dar respuestas comprensibles y completas
R.I.P.
SESE
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 10
Programas convencionales y SBC
Programas: Sentencias sobre datos que se realizan en un orden predeterminado.
Solución única Para el usuario el programa es una caja negra
SBC = Conocimiento + Control
Programas = Estructuras de Datos + Algoritmos
SBC: Se distingue el conocimiento del dominio de la estrategia de control
Esto permite la incorporación de más conocimiento sin manipular la estructura global del sistema
Se pueden obtener varias soluciones El programa puede explicar como llega a su solución.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 11
2. Desarrollo de un SBC
¿Se pueden clasificar las aplicaciones de SEs sobre la base de características de las tareas o del dominio?
¿Se pueden identificar métodos de resolución de problemas bien diferenciados que sean útiles para ciertas clases de aplicaciones de SEs?
¿Podemos identificar estilos de representación e inferencia más adecuados para un método de resolución de problemas dado?
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 12
Definición delProblemaSolución Especificación
DiagnósticoConfiguración Clasificación
...
Objetivosy datos
Abstracciones Simulacióncualitativa
...
HeurísticasRelacionescausales Cuantitativa
Orientada a Objeto
Basada enreglas..
2.1 Niveles de descripción
Especificación
Tarea
Método de resolución
Base de conocimiento
Herramienta
Seleccionartipo de problema
Seleccionarmétodo
SeleccionarRepresentación
Seleccionarparadigma
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 13
Niveles de descripción
El desarrollo de un SBC puede verse como un proceso de transformación desde el nivel de especificación al de herramienta
Nivel de Especificación: Se describe el problema, las restricciones sobre el problema y la solución.
Nivel de Tarea: Se describe los tipos de problemas, como diagnóstico, planificación, etc.
Nivel de resolución del Problema: Estrategias de resolución que se utilizan para resolver las diferentes tareas
Nivel de Base de conocimiento: Heurísticas, asociaciones causales, relaciones matemáticas describiendo fenómenos físicos.
Nivel de Herramienta: Implementación del SBC
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 14
2.2 Clasificación de las tareas
Clasificación de Hayes-Roth y col (1983) Interpretación: Análisis de datos para determinar su significado.
Con frecuencia la información lleva asociada incertidumbre
Predicción: Inferir el futuro a partir de situaciones o eventos. Por ejemplo, predicción del tiempo o predicción financiera.
Diagnóstico: Deduce fallos a partir de síntomas. Incluye un amplio espectro de aplicaciones médicas, mecánicas, y electrónicas.
Diseño: Desarrolla configuraciones de objetos que satisfacen ciertas restricciones. Por ejemplo, diseño de circuitos, o disposición de maquinaria en un espacio reducido.
Planificación: Genera secuencias de acciones para lograr objetivos.
Monitorización: Observación del comportamiento del sistema.
Depuración y Reparación: Generar remedios para fallos de sistemas.
Instrucción: Sistemas tutores
Control: Se anticipa a problemas, planifica soluciones y monitoriza.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 15
Clasificación por operaciones genéricas
Clancey (1985) Propone un análisis alternativo en término de operaciones genéricas sobre el sistema:
Operaciones sintéticas que construyen un sistema Operaciones analíticas que interpretan un sistema
DiagnósticoDiagnóstico
InterpretaciónInterpretación PlanificaciónPlanificación
ControlControl
MonitorizaciónMonitorización
EducaciónEducación
SimulaciónSimulación
DiseñoDiseño
analíticasanalíticas ConstructivasConstructivas
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 16
Clasificación
Datos
Datos Abstraidos
SolucionesAbstraidas
Soluciones
AbstracciónDatos
Emparejamiento
RefinamientoSolución
•Clasificación: Proceso que selecciona soluciones, entre un conjunto de soluciones preestablecidas, a partir de datos reconocidos.• Se utiliza en gran cantidad de tareas como diagnóstico de enfermedades o evaluación prospectiva de depósistos de minales.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 17
Configuración
Especificaciones
Submodelofuncionalidades
Emparejamiento especificación/estructura
•Configuración:Selecciona partes y los junta.• Se utiliza para construir planes de fabricación o recomendaciones de terápias
Submodelode Partes
SolucionesAbstraidas y parciales
SolucionesRefinadas y Expandidas
Submodelode configuración
EspecificacionesAdicionales
Especificaciones Espacio de configuración
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 18
2.3 Nivel de resolución de Problemas
Técnicas de resolución y arquitecturas
Técnicas de resolución y arquitecturas
Basadas en Búsqueda
Basadas en Búsqueda
SimpleSimple
*Profundidad*Anchura*Genete-and-Test*Satisfacción restricciones*Aleatoria
*Profundidad*Anchura*Genete-and-Test*Satisfacción restricciones*Aleatoria
JuegosJuegos
No Estocática
*Escalada*Primero el mejor* A*
No Estocática
*Escalada*Primero el mejor* A*
EvaluaciónEvaluación
Estocática
*Simulated Annealing*Algo. Genéticos
Estocática
*Simulated Annealing*Algo. Genéticos
*FC*Bayes*Fuzzy*Dempster-Shaper
*FC*Bayes*Fuzzy*Dempster-Shaper
InexactoInexacto OtrosOtros
Basadas en el Conocimiento
Basadas en el Conocimiento
*Forward Chainig*Backward Chainig*Prueba Teoremas*GPS (MEA + OS)
*Forward Chainig*Backward Chainig*Prueba Teoremas*GPS (MEA + OS)
Objetivos y datos
Objetivos y datos
*TMS*Manejo restricciones
*TMS*Manejo restricciones
Mantenimientoconsistencia
Mantenimientoconsistencia
*Refinamiento Jerárquico*Heuristic-inc- generate&test
*Refinamiento Jerárquico*Heuristic-inc- generate&test
AbstraccionesAbstracciones
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 19
Nivel de resolución de Problemas
Búsquedas Búsquedas ciega
Dirección: Dirigida por objetivo, Dirigida por datos, Bidireccional
Orden sistemático de visita de nodos: Profundidad y Anchura
Búsqueda heurística Información específica del dominio que guía la búsqueda
Función de evaluación que da una estimación del esfuerzo que supone seguir un camino.
Las funciones de evaluación deben caracterizar el espacio de estados adecuadamente
Es engañoso pensar que una simple función aritmética como estilo de representación del conocimiento es suficiente. Los sistemas expertos utilizan grandes cantidades de conocimiento simbólico
.
.
f(n) = d(n) + h(n)
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 20
Razonamiento Basado en el Conocimiento
Razonamiento basado en el conocimiento El razonamiento basado en el conocimiento suele ser no
monótono Requiere razonar con conocimiento impreciso Considerar Justificaciones y hacer tentativas sobre creencias Este razonamiento dinámico requiere gran cantidad de
conocimiento
regla 101Si huele a queso por aqui y no veo trampasentonces merodear cerca
regla 103Si ya he pasado por aqui entonces intentar otra alternativa
comida
queso
Emmental Bola
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 21
Razonamiento BC (cont.)
Suposiciones y compromisos Los expertos actúan con recursos de tiempo y conocimiento
limitado El sentido común permite extraer conclusiones a partir de
informaciones parciales, y la gente acepta conclusiones aceptables para las cuales no tiene prueba.
El sentido común requiere que el sistema sea capaz de revisar sus creencias a la luz de nueva información
=> Razonamiento No monoto
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 22
Sistema de razonamiento no monótono
Dependencias y Justificaciones Para revisar sus creencias frente a nuevas informaciones, el resolutor
debe razonar sobre dependencias entre sus creencias. Estas técnicas son una extensión del backtraking en búsqueda
• Un fallo en la búsqueda da lugar a backtracking:
• Eliminación de todas las acciones e inferencias desde el punto de elección más reciente y continuar con la siguiente alternativa.
• Debido al orden LIFO del backtraking la memoria de las creencias activas se puede implementar como una pila.
• Backtraking cronológico es ineficiente porque la razón del fallo se olvidan cuando se abandona el camino
Ejemplo del robot Robie
El robot tiene como objetivo coger un bloque. Levanta la mano derecha. Se mueve hasta donde está el bloque. Coge el bloque con su mano derecha, pero está muy calienta y se quema la mano. Deja el bloque, baja la mano y retrocede. Levanta la mano izquierda, se mueve hasta donde está el bloque. Coge el bloque con su mano izquierda, pero ...
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 23
Desafortunadamente, en muchos dominios de problemas no es posible crear modelos completos, consistentes e inalterables
La historia del asesino ABC ilustra con claridad muchos aspectos fundamentales que estas técnicas deben proporciona [The Web of Belief de Quine y Ullian 1978]:
Sean Abbott, Babbitt y Cabot los sospechosos en un caso de asesinato. Abbott tiene una coartada en el registro de un respetable hotel de Albany. Babbitt también tiene una coartada, la de su cuñado, al cual estaba viendo en Brooklyn en el momento del crimen. Cabbott defiende también su coartada, asegurando que se encontraba viendo un campeonato de esquí en Catskills, pero sólo puede aportar su propio testimonio. Por lo tanto, creemos:
(1) Que Abbot no cometió el crimen(2) Que Babbit no lo hizo(3) Que o Abbott o Babbitt o Cabot lo hizo
Sistema de razonamiento no monótono
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 24
En principio el sospechoso principal es Cabot, pero ... ... Cabot puede posteriormente presentar pruebas de su
coartada. Tuvo muy buena suerte y fue captado por las cámaras de TV en las gradas de la pista. De esta forma aparece una nueva creencia que es:
(4) Cabot no lo hizo.
Las creencias (1) a (4) son inconsistentes, por lo que una debe desestimarse. ¿Cuál es la evidencia más débil?
La base de (1) en un hotel es buena, ya que se trata de un hotel prestigioso.
La base (2) es más débil, ya que puede ser que el cuñado de Babbitt esté mintiendo.
La base de (3) es doble: No existen signos de robo y sólo Abbott, Babbitt y Cabot parecen salir beneficiados con el asesinato.
La base de (4) es concluyente
Sistema de razonamiento no monótono
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 25
Dependencias y Justificaciones
Se debe seguir la pista de los pasos de inferencia que dieron lugar a errores e inconsistencias
Registro de los paso inferenciales => Registros de dependencia Un método de búsqueda que analice dependencias y decide qué
invalidar se llama no cronológica o dirigida por dependencias.
Elementos de los registros de dependencia: Creencias, reglas de inferencia y justificaciones
Si se encuentra que q es falso el sistema permitirá eliminar p o (¬ p v q)
qjustificación
verdad v
¬ p v q
regla
vp
vq
v
¬p v qjustificación
verdad v
pjustificación
verdad v
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 26
Razonamiento Bajo incertidumbre
Razonamiento bajo incertidumbre Los tipos de incertidumbre que pueden ocurrir en un SBC son
Los datos necesarios no están disponibles Hay datos poco fiables o ambiguos debido a errores en las
medidas o distintas medidas en conflicto La representación de los datos no es precisa Los datos son adivinados por el usuario o por el experto a partir de
valores razonable o estadísticos Los datos don valores por defecto y puede haber excepciones.
Normalmente se debe razonar con datos sobre los que existe cierto grado de incertidumbre
¿Cómo se representa la incertidumbre de los datos? ¿Cómo se combina la incertidumbre de dos o más datos? ¿Como se razona con datos con incertidumbre?
Se han propuesto diferentes métodos numéricos Modelos Bayesianos, Factores de certidumbre, Lógica Fuzzy,
Teoría de la Evidencia de Dempster-Shafer
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 27
Incertidumbre (cont.)
Modelo de Bayes => Teoría clásica de la probabilidad Teorema de Bayes: P(H | E) = P (E | H) * P(H) / P(E) Ejemplo: ¿Qué podemos decir si observamos que el paciente estornuda?
SI el paciente tiene un catarro ENTONCES estornudará (0.75)
* Supongamos que conocemos que
P(H)=P(paciente este acatarrado) = 0.2
P(E | H)= P(Paciente estornude | paciente tiene catarro) = 0.75
P(E | ~H)= P(Paciente estornude | paciente no tiene catarro) = 0.2
*ENTONCES podemos deducir
P(E) = P(paciente estornude) =
P(E | H) * P(H) +P(E | ~H ) * P(~H) = 0.75*0.2 + 0.2*0.8= 0.31
P(H | E) =P(Paciente está acatarrado | paciente estornuda) =
0.75 * 0.2 / 0.31 = 0.48387
P(H | ~E) =P(Paciente está acatarrado | paciente no estornuda) =
P (H | ~E) * P(H) / P(~E) = (1 - 0.75) * 0.2 / (1 - 0.31) = 0.07246
Estornudar multiplica la probabilidad de estar acatarrado por 2.5
No estornudar divide la probabilidad de estar acatarrado por 3
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 28
Incertidumbre, Modelos probabilisticos
Problemas de los métodos Bayesianos Requieren una gran cantidad de datos para construir una base
de conocimiento => Las redes Bayesianas reducen el número de
probabilidades requeridas. Una red Bayesiana es un grafo que muestra las dependencias entre las variables.
¿En que se basan las probabilidades a priori y condicionadas?Muestra estadística grande
Valor suministrado por un experto
No son capaces de explicar el proceso de razonamiento Los sistemas de diagnóstico médico basados en
Bayes no son aceptados porque no explican como llegan a las conclusiones.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 29
Técnicas de razonamiento Avanzadas
Razonamiento basado en el modelo Representan los sistmas físicos mediante su estructura y
funcionalidad. Razona utilizando principios básicos de ingeniería y ciencias
Tipos de modelos: Ecuaciones, Estocásticos, y modelos causales (Centrados en dispositivos).
Conocimiento profundo en lugar de conocimiento superficial sobre el comportamiento del sistema.
EJEMPLO Aplicación típica: Diagnóstico de circuitos digitales. Un técnico de reparación de televisores expertimentado utiliza:
*Unas pocas medidas en los dispositivos
* Con su conocimiento de dispositivos puede mirar un esquema de la televisión e identificar el componente que falla
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 30
Técnicas de razonamiento Avanzadas
Razonamiento Cualitativo Simulación cuantitativa: Modelado del comportamiento exacto
mediante la descripción completa y determinista de sus parámetros.
Simulación cualitativa de un sistema: Determina sólo sus posibles estados generales basándose en algunas restricciones.
Razonamiento basado en casos Objetivo: Reemplazar el conocimiento de un experto con una
base de datos de casos
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 31
3. Proceso de desarrollo
Adecuación de una aproximación basada en el conocimiento No hay una solución algorítmica La tarea del dominio la realizan expertos Los expertos no son simples aficionados La tarea no debe ser ni muy difícil ni muy complicada para el
experto El problema no debe requerir “sentido común” La utilización del SBC reportará beneficios
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 32
Proceso de desarrollo
IDENTIFICACIÓN¿Cuáles son las características del dominio?
¿Cuál es su ámbito?¿Quienes participarán y con que recursos?
IDENTIFICACIÓN¿Cuáles son las características del dominio?
¿Cuál es su ámbito?¿Quienes participarán y con que recursos?
CONCEPTUALIZACIÓN¿Qué información y técnicas utiliza el experto?
CONCEPTUALIZACIÓN¿Qué información y técnicas utiliza el experto?
FORMALIZACIÓN¿Cómo encajan estas técnicas en las estructuras
y estrategias de los sistemas expertos?
FORMALIZACIÓN¿Cómo encajan estas técnicas en las estructuras
y estrategias de los sistemas expertos?
IMPLEMENTACIÓNAcquiere y comprueba iterativamente
las habilidades del sistema
IMPLEMENTACIÓNAcquiere y comprueba iterativamente
las habilidades del sistema
CHEQUEOTest de comprobación final
CHEQUEOTest de comprobación final
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 33
Proceso de desarrollo
Pasos principales: Identificación: Caracterización de los aspectos más importantes del
dominio del problema
Conceptualización: Se extraen los conceptos, subtareas y restricciones necesarias para resolver el problema.
• Ingeniero del Conocimiento: Persona que traslada el conocimiento de un experto a algún formalismo.
• Es útil un modelo conceptual (mental) entre el experto y el implementador.
Conocimientodel
Experto
if p(x) ^ q(x, y)then r(y)
if u(x) ^ v(x, y)then s(y)
if r(x) ^ sq(x, y)then t(y)
motor de inferencia
ModeloConceptual Sistema
ImplementadoAdquisición del conocimiento
Programación
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 34
Proceso de desarrollo
Formalización: Los conceptos de la etapa de conceptualización se representan con las herramientas y esquemas de representación disponibles.
• ¿Herramienta de adquisición?, ¿chequeos de la base de datos?, ¿Reglas? ¿Redes semánticas?, ¿Frames?, ¿Esquema de razonamiento?, ¿Módulo de explicación? ...
Implementación:• Desarrollo de una herramienta de propósito específico
• Utilización de algún shell para el desarrollo de SEs.
Verificación y refinamiento:• El prototipo es comprobado con el experto.
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 35
Proceso de desarrollo
Dos aproximacionesPrototipado:
Es el método más popular para el desarrollo de SBC- Depende mucho más de la involucración de los
usuarios
- Necesidad de comprobar el comportamiento del sistema según se desarrolla
- Adquisición del conocimiento y desarrollo del software se pueden combinar en el prototipado
Problemas: Desarrollo ad hoc e indisciplinado
Estructurado: KADS (Knowledge Acquisition and Design process):
- Metodología de modelado, con una fase rigurosa de análisis antes del diseño
- El prototipado se utiliza para experimentar, no como metodogía
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 36
4. Herramientas
Cómo hacer una tarea Qué tarea hacer
LispCAda
Reglas OPS5Lógica: PROLOGObjetos: Smalltalk-80 C++ Java
Lenguajes tradicionales
Un paradigma de programación
Integran distintosparadigmas
LOOPSCLIPSK-CRAFTARTNEXPERTKAPPACLOS
KEEVPEXPERTPC+
Shells
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 37
5. Revisión histórica de los SEs
GPS (Newell 1963)• Búsqueda secuencia de operadores que eliminan la diferencia entre
un estado inicial y un estado objetivo
• Separación entre el conocimiento y como utilizarlo
DENDRAL (Universidad de Standford, finales 60-70)• Utilización de conocimiento específico del dominio
• Infiere la estructura molecular a partir del análisis de espectográfico de masas mediante resonancia magnética.
• Variación de la estrategia generate&test. SAINT, MACSYMA (MIT, 1961-1971)
• Matemáticas simbólicas, cálculo diferencial e integral.
• Incorporación de cientos de reglas utilizadas por expertos
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 38
Revisión histórica de los SEs
MYCIN (Univ Standford, 1976) Diagnóstico y tratamiento de desordenes de la sangre Alrededor de 400 reglas que relaciones condiciones a posibles
interpretaciones Razonamiento bajo incertidumbre Separa base de conocimiento del motor de inferencia.
• EMYCIN: Empty MYCIN
• TERESIAS: UN programa que asiste en la construcción de grandes bases de conocimiento.
PROSPECTOR (SRI, 1979-1981) Ayuda a la exploración geológica. Proceso de clasificación dirigido
por los datos. Razonamiento bajo incertidumbre
HERSAY II (Carnegie-Mellon, 1980) Comprensión del lenguaje hablado. Arquitectura de pizarra.
OTROS: Medicina CASNET, INTERNIST, PUFF Fabricación: XCON
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 39
Tiempos empleados
1965 1970 1975 19800
10
20
30
40
50
Dendral
Macsyma
Internist
Mycin
Casnet
Harpy Prospector
Puff Xcon
Año de comienzo
Año
s-P
erso
na
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBCISBC
11/1/1998 40
Bibliografía
- Building Expert Systems. Frederick Hayes-Roth, Donald A. Waterman, Douglas B. Lenant. Addison-Wesley 1983
- Intelligent Systems for Engineering. Ram D. Sriram. Springer-Verlag 1997.
- Introduction to Expert Systems. 2nd Edition. Peter Jackson. Addison-Wesley 1990
- The Engineering of Knowledge-Based Systems. Theory and Practice. Avelino J. Gonzalez and Douglas D. Dankel. Prentice-Hall 1993
- Introduction to Knowledge Systems. Stefik, M. Morgan Kaufmann, 1995.