Monografias.com > Sin categoría
Descargar Imprimir Comentar Ver trabajos relacionados

Sistemas basados en el conocimiento (página 2)




Enviado por Pablo Turmero



Partes: 1, 2

Monografias.com

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.

Monografias.com

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
(Gp:) Diagnóstico
(Gp:) Interpretación
(Gp:) Planificación
(Gp:) Control
(Gp:) Monitorización
(Gp:) Educación
(Gp:) Simulación
(Gp:) Diseño
(Gp:) analíticas
(Gp:) Constructivas

Monografias.com

Clasificación
(Gp:) Datos
(Gp:) Datos
Abstraidos
(Gp:) Soluciones
Abstraidas
(Gp:) Soluciones
(Gp:) Abstracción
Datos
(Gp:) Emparejamiento
(Gp:) Refinamiento
Solución

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.

Monografias.com

Configuración
Especificaciones
Submodelo
funcionalidades
Emparejamiento
especificación/estructura
Configuración:Selecciona partes y los junta.
Se utiliza para construir planes de fabricación o recomendaciones de terápias
Submodelo
de Partes
(Gp:) Soluciones
Abstraidas y parciales
(Gp:) Soluciones
Refinadas y Expandidas

Submodelo
de configuración
Especificaciones
Adicionales
Especificaciones
Espacio de configuración

Monografias.com

2.3 Nivel de resolución de Problemas
Técnicas de resolución
y arquitecturas
(Gp:) Basadas en
Búsqueda
(Gp:) Simple
(Gp:) *Profundidad
*Anchura
*Genete-and-Test
*Satisfacción
restricciones
*Aleatoria
(Gp:) Juegos
(Gp:) No Estocática

*Escalada
*Primero el mejor
* A*
(Gp:) Evaluación
(Gp:) Estocática

*Simulated Annealing
*Algo. Genéticos

(Gp:) *FC
*Bayes
*Fuzzy
*Dempster-Shaper

(Gp:) Inexacto
(Gp:) Otros
(Gp:) Basadas en
el Conocimiento
(Gp:) *Forward Chainig
*Backward Chainig
*Prueba Teoremas
*GPS (MEA + OS)
(Gp:) Objetivos
y datos
(Gp:) *TMS
*Manejo
restricciones
(Gp:) Mantenimiento
consistencia
(Gp:) *Refinamiento
Jerárquico
*Heuristic-inc-
generate&test

(Gp:) Abstracciones

Monografias.com

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)

Monografias.com

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 101
Si huele a queso por aqui y
no veo trampas
entonces merodear cerca

regla 103
Si ya he pasado por aqui
entonces intentar otra alternativa

comida
queso
Emmental
Bola

Monografias.com

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

Monografias.com

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 …

Monografias.com

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

Monografias.com

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

Monografias.com

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)
(Gp:) q
(Gp:) justificación
(Gp:) verdad
(Gp:) v
(Gp:) ¬ p v q
(Gp:) regla
(Gp:) v
(Gp:) p
(Gp:) v
(Gp:) q
(Gp:) v
(Gp:) ¬p v q
(Gp:) justificación
(Gp:) verdad
(Gp:) v
(Gp:) p
(Gp:) justificación
(Gp:) verdad
(Gp:) v

Monografias.com

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

Monografias.com

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

Monografias.com

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.

Monografias.com

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

Monografias.com

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

Monografias.com

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

Monografias.com

Proceso de desarrollo
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?
FORMALIZACIÓN
¿Cómo encajan estas técnicas en las estructuras
y estrategias de los sistemas expertos?
IMPLEMENTACIÓN
Acquiere y comprueba iterativamente
las habilidades del sistema
CHEQUEO
Test de comprobación final

Monografias.com

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.
(Gp:) Conocimiento
del
Experto
(Gp:) 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)
(Gp:) motor de inferencia
(Gp:) Modelo
Conceptual
(Gp:) Sistema
Implementado
(Gp:) Adquisición del conocimiento
(Gp:) Programación

Monografias.com

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.

Monografias.com

Proceso de desarrollo
Dos aproximaciones
Prototipado:
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

Monografias.com

4. Herramientas
(Gp:) Cómo hacer una tarea
(Gp:) Qué tarea hacer
(Gp:) Lisp
C
Ada
(Gp:) Reglas
OPS5
Lógica:
PROLOG
Objetos:
Smalltalk-80
C++
Java
(Gp:) Lenguajes
tradicionales
(Gp:) Un paradigma de programación
(Gp:) Integran distintos
paradigmas
(Gp:) LOOPS
CLIPS
K-CRAFT
ART
NEXPERT
KAPPA
CLOS

(Gp:) KEE
VPEXPERT
PC+
(Gp:) Shells

Monografias.com

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

Monografias.com

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

Monografias.com

Tiempos empleados
1965
1970
1975
1980
0
10
20
30
40
50
Dendral
Macsyma
Internist
Mycin
Casnet
Harpy
Prospector
Puff
Xcon
Año de comienzo
Años-Persona

Monografias.com

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.

Partes: 1, 2
 Página anterior Volver al principio del trabajoPágina siguiente 

Nota al lector: es posible que esta página no contenga todos los componentes del trabajo original (pies de página, avanzadas formulas matemáticas, esquemas o tablas complejas, etc.). Recuerde que para ver el trabajo en su versión original completa, puede descargarlo desde el menú superior.

Todos los documentos disponibles en este sitio expresan los puntos de vista de sus respectivos autores y no de Monografias.com. El objetivo de Monografias.com es poner el conocimiento a disposición de toda su comunidad. Queda bajo la responsabilidad de cada lector el eventual uso que se le de a esta información. Asimismo, es obligatoria la cita del autor del contenido y de Monografias.com como fuentes de información.

Categorias
Newsletter