Tareas basadas en conocimiento. Tarea de clasificación.

Jerarquía de tareas de ClanceyTarea de clasificación

Contenidos

1. Tipología de tareas: tareas genéricas de Clancey

2. Modelos y métodos de clasificación simbólica

1. Clasificación simple2. Clasificación jerárquica

2

3

Tarea basada en conocimiento

Tarea basada en conocimiento ≠ Tarea de aplicación

Tarea basada en conocimiento: según naturaleza conocimiento empleado

Tarea de aplicación: problema a resolver

4

Tipología de tareas

Rango limitado de tipos de tareas Se limita a tareas que hacen un uso

intensivo del conocimiento

Objeto de estudio de las ciencias cognitivas/psicología

Existen numerosas propuestas Propuesta de Clancey: tipología basada

en la noción de sistema

5

Noción de “Sistema”

Término abstracto que describe aquello sobre lo que se aplica una tarea diagnosis médica: cuerpo humano diagnosis técnica: artefacto o dispositivo configuración ascensores: ascensor a

configurar

No necesita existir (aún)

6

Tareas analíticas/sintéticas

Tareas analíticas El sistema ya existe Entrada: datos sobre el sistema Salida: alguna caracterización del sistema

Tareas sintéticas El sistema aún no existe Entrada: requisitos del sistema a construir Salida: descripción del sistema

Subdivisión adicional En función del tipo de problema

7

Tareas genéricas de Clancey

Tareas que hacen uso intensivo del conocimiento

Tarea Analítica

clasificación

evaluación

Tarea Sintética

diagnosis

monitorización

predicción

modelado

planificación

scheduling

asignacióndiseño

configuración

8

Tareas Analíticas

Tipo de tarea

Entrada Salida Conocimiento Características

Análisis Observaciones del sistema

Caracterización del sistema

Modelo del sistema Se proporciona la descripción del sistema

Clasifi-cación

Propiedades de objetos

Clase Asociación características-clases

Conjunto de clases predefinidas

Diagnosis Síntomas, quejas

Categoría de fallo

Modelo de comportamiento

Distintos tipos de salidas: cadena causal, estado, componente

Evaluación Descripción caso

Clase de decisión

Criterios, normas Se realiza en un instante temporal

Monito-rización

Datos del sistema

Clase de discrepancia

Comportamiento normal del sistema

Se realiza repetidamente

Predicción Datos del sistema

Estado del sistema

Modelo de comportamiento

Proporciona una descripción del sistema en el futuro

Tareas basadas en conocimiento: Encargo E4

Describir la tarea de evaluación (assesment)

Ejemplos de tareas de aplicación, caracterización, tipo de conocimiento Referencias: G. Schreiber H. Akkermans, A. Anjewierden,

R. de Hoog, N. Shadbolt, W. Van de Velde, and B. Wielinga. Knowledge Engineering and Management, The CommonKADS Methodology. The MIT Press. 1999.

9

10

Clasificación

La tarea de clasificación se caracteriza por seleccionar una clase entre un conjunto finito –y habitualmente pequeño–

de posibles clases conociendo las características de las clases y las del objeto a clasificar

Ejemplos la clasificación taxonómica de seres vivos en familias

y especies clasificación de objetos celestes a partir de imágenes

de satélites

11

Interés clasificación

Rango:Los problemas que se puedan solucionar sin

necesidad de construir nuevas soluciones, sino eligiendo una entre un catálogo de posibles soluciones ya conocidas, son susceptibles de ser abordadas como una tarea de clasificación.

Sencilleztanto los modelos de clasificación como los

métodos que los utilizan son conceptualmente simples

12

Modelos y métodos de clasificación

Clasificación simple Modelo conceptualmente sencillo Ilustra naturaleza de la tarea

Clasificación jerárquica

13

Clasificación simple

Un modelo de clasificación por recubrimiento es una quíntupla <D, S, C+, C-, OBS>, siendo: D, Espacio de Datos, un conjunto finito de datos {D1,

D2,... ...,Dk}. S, Espacio de Soluciones, un conjunto finito de

soluciones {S1, S2,... ...Sm} o candidatos. C+, C-, son Relaciones de Recubrimiento, C+⊂SxD,

C-⊂SxD, con C+∩ C- =∅. OBS el conjunto de valores que toman los datos Di

de D.

14

Datos, observaciones y soluciones

Los elementos de D representan las observaciones que podemos realizar directamente sobre el sistema valores en el conjunto {0, 1, ?}

indicando su ausencia, su presencia o la no disponibilidad de la observación.

Ejemplo, Si Di representa el síntoma “fiebre” y observamos que

el paciente no tiene fiebre, en el conjunto OBS tendremos OBSi=0.

Los elementos de S, candidatos, representan posibles soluciones del problema, por ejemplo bronquitis o asma

15

Ejemplo MYCIN

if (1) the stain of the organism is gram-negative(2) the morphology of the organisms is coccus(3) the growth configuration of the organism is chainsthen there is a suggestive evidence (0.7)

that the identity of the organisms is streptococcus

D={organism.stain=gram-negative, organism.morphology=cocus, organism.growthconf=chains, …}

OBS={1, 1, ?, …} S={organism.identity=streptococcus,

organism.identity=staphylococci,… }

16

Ejemplo SM

D = {A=3, B=2, C=2, D=3, X=6, Y=6, F=12} OBS={1, 1, 1, 1, ?, ?, 0} S= {M1, M2, A1}

M1

M2

A1

X

Y

A

B

D

C F [10]

[3]

[2]

[2]

[3]

17

Relaciones de recubrimiento (I)

Elementos de C+ y C-

pares (Sj, Di) que representan condiciones necesarias para la consistencia de una solución con un conjunto de observaciones

C+ y C- definen un patrón de observaciones necesarias para la consistencia de un candidato con los datos

18

Relaciones de recubrimiento (II)

Para cada par (Sj, Di) solo puede darse uno de los siguientes casos: (Sj, Di) ∈ C+.

Sj es consistente con la observación OBSi =1 si OBSi =0, Sj no puede ser solución.

(Sj, Di) ∈ C-. Sj es consistente con la observación OBSi =0

si OBSi =1, Sj no puede ser solución.

(Sj, Di)∉C+, (Sj, Di)∉C-. Di es irrelevante para la solución Sj; (En cualquier otro

caso, el dato Di es relevante para la solución Sj)

19

Consistencia

Un candidato, Sj, es consistente con un conjunto de observaciones OBS si y sólo si Sj es consistente con todas las observaciones disponibles; en caso contrario, Sj es inconsistente.

20

Explicación

Un candidato, Sj, es una explicaciónde OBS si y sólo si Sj es consistente con las observaciones de todos sus datos relevantes.

21

Solución

El modelo de recubrimiento secuencial proporciona de forma explicita un mecanismo para rechazar candidatos los candidatos inconsistentes pueden

eliminarse del conjunto de posibles soluciones

Solución del problema de clasificación criterios adicionales, que pueden depender

del dominio de aplicación

22

Representación gráfica

1

1

0

0

0

D1

D2

D3

D4

D5

OBS-1

1

1

0

?

1

OBS-2

e

r

r

r

r

CAN-1

e

r

c

e

c

CAN-2

S1

S2

S3

S4

S5

Elementos de C+

Elementos de C-

e: explicación c: consistente r: rechazado

23

Ejemplo MYCIN

1

1

?

D1

D2

D3

D4

OBS-1

1

1

0

OBS-2

c

CAN-1

r

CAN-2

S1

S2

S3

S4

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

if(1) the stain of the organism is gram-negative(2) the morphology of the organisms is coccus(3) the growth configuration of the organism is chainsThen there is a suggestive evidence (0.7)that the identity of the organisms is streptococcus

D={organism.stain=gram-negative, organism.morphology=cocus, organism.growthconf=chains, …}OBS-1={1, 1, ?, …}S={organism.identity=streptococcus, organism.identity=staphylococci,… }

24

Solución problema de clasificación por recubrimiento

Candidatos simples, compuestos Simples: elementos de S

Mutuamente excluyentes / No mutuamente excluyentes

Compuestos: combinación elementos de S Explosión combinatoria Posibles soluciones: 2|S|

25

Solución problema de clasificación por recubrimiento

Criterio de inclusión Consistencia

se incluyen todas las clases consistentes con algún dato observado.

Conservadora se incluyen todas las soluciones consistentes, aunque no se

disponga de ninguna de sus observaciones relevantes. Explicación

solo se incluyen las soluciones que son explicaciones. Completa

la solución ha de explicar todas las observaciones. Por eliminación

sólo se acepta una solución cuando todas las demás han sido rechazadas.

26

Solución problema de clasificación por recubrimiento

Preferencia de candidatos Evidencia

preferir las soluciones consistentes con más datos.

Minimalidad definir la solución como los subconjuntos

minimales de las soluciones compuestas. Ponderación

utilizar alguna función adicional para priorizar las hipótesis. Por ejemplo, probabilidad a priori, a posteriori o alguna medida de certeza.

27

Ejemplo SM

1

1

1

1

?

A=3

B=2

C=2

D=3

X=6

OBS-1

1

1

1

1

1

OBS-2

c

c

c

CAN-1

r

c

c

CAN-2

M1

M2

A1

Y=6

F=12

?

0

?

0

M1

M2

A1

X

Y

A

B

D

C F [10]

[3]

[2]

[2]

[3]

28

Soluciones

OBS-2 Criterio inclusión: consistencia

M2, A1

Candidatos simples, excluyentes: {[M2], [A1]}

Candidatos compuestos: {[M2], [A1], [M2, A1]}

Candidatos compuestos, minimales: {[M2], [A1]} ([M2, A1] también es solución, pero no se representa)

29

Clasificación simple mediante generación y prueba exhaustivas

El método se basa en tres suposiciones: Todas las observaciones necesarias están

disponibles al principio del proceso. El espacio de soluciones, S, es

suficientemente pequeño para poder considerar cada candidato individualmente.

Candidatos simples

30

Método degeneración y prueba exhaustivas

1. Soluciones ← ∅ 2. Obtener OBS 3. Para cada Candidato ∈ S hacer 4. Si Prueba(Candidato) Entonces Soluciones ← Soluciones ∪ Candidato 5. Fin Si 6. Fin Para 7. Devolver(Soluciones)

el procedimiento prueba rechaza los candidatos no consistentes con las observaciones actuales

Ejercicio: ejemplo SM, OBS-3=<1, 1, 1, 1, 1, 0, 0>.

31

Clasificación simple mediante generación guiada por datos

Mejora de la eficacia computacional generación y prueba exhaustivas Utilizar conjunto reducido de observaciones para generar los

candidatos Probar la consistencia de los candidatos con las observaciones

restantes

Introducir procedimientos Monitor

Obtiene el valor de un conjunto reducido de observaciones (OBSdistinguidas) para las que existen candidatos consistentes.

Este conjunto de candidatos es mucho menor que el conjunto de posibles soluciones.

GenerarCandidatos Genera eficientemente las soluciones que son consistentes con

OBSdistinguidas

32

Clasificación simple mediante generación guiada por datos

El método se basa en las siguientes suposiciones: Disponemos de procedimientos eficientes

Monitor y GenerarCandidatos Todas las observaciones necesarias están

disponibles al principio del proceso. Candidatos simples

33

Método de generación guiada por datos

1. Soluciones ← ∅ 2. OBSdistinguidas ← Monitor( ) 3. Si OBSdistinguidas ≠ ∅ Entonces 4. Obtener OBS 5. Candidatos ← GenerarCandidatos(OBSdistinguidas) 6. Para cada Candidato ∈ Candidatos hacer 7. Si Prueba(Candidato) Entonces Soluciones ← Soluciones ∪

Candidato 8. Fin Si 9. Fin Para 10. Fin Si 11. Devolver(Soluciones)

34

Ejemplo SM

D={A=3, B=2, C=2, D=3, X=6, Y=6, F=12}. Se observan, A=[3], B=[2], C=[2], D=[3],

X=[6], Y=[5], F=[10] que corresponden a OBS-3=<1, 1, 1, 1, 1, 0, 0>.

Monitor devuelve las observaciones de X, Y, F: <1, 0, 0>

GenerarCandidatos devuelve {M2, A1} Prueba rechaza A1 Solución: {M2}

35

SM, guiado por datos

A=3

B=2

C=2

D=3

X=6

OBS-3

1

Monitor

r

c

c

GenerarCandicados CAN-3

M1

M2

A1

Y=6

F=12

0

0

1

1

1

1

1

0

0

r

c

r

36

Clasificación jerárquica

También clasificación heurística Variante clasificación simple

Modelo de recubrimiento Jerarquía de abstracción de datos Jerarquía de refinamiento de soluciones

37

Jerarquía de abstracción de datos

Abstracción Cualitativa “recuento leucocitario de 2500” se abstrae a

“recuento leucocitario bajo” Abstracción por Definición

“recuento leucocitario bajo” se abstrae a “Leucopenia”, pues así se define la Leucopenia

Abstracción por Generalización “Leucopenia” se abstrae a “Inmunodepresión”, pues

la Leucopenia es un tipo de inmunodepresión Otras

Combinar dos sensores en un único dato…

38

Jerarquía de refinamiento de soluciones

Dotar al espacio de soluciones de estructura Manipular clases de soluciones, que se van

refinando

El modelo de recubrimiento no cambia: Se hace explícita la jerarquía implícita en el

modelo de recubrimiento Añadiendo, si es necesario, clases

abstractas

39

Modelo gráfico clasificación jerárquica

AD5

AD4

R1

D1

D2

D3

Datos sin procesar

S1

Datos Abstractos

Soluciones Abstractas

R2 R3 R4

AD1

AD2 AD3 S2

D4

R7

S3

S4

S5

S6

S7

D5

D6

D7

R8 R5

AD6

R6

Espacio de datos Espacio de soluciones

Soluciones Refinadas

SUBTIPO Refinamiento

SUBTIPO Refinamiento

SUBTIPO Refinamiento

Enfermedades específicas

Datos del paciente

Espacio de datos Espacio de soluciones

Abstracciones del paciente

Huésped Inmunocomprometido

Inmunodepresión

Leucopenia

Recuento Leucocitario bajo

Recuento Leucocitario < 2.500

GENERALIZACIÓN

DEFINICIÓN

CUALITATIVA

GENERALIZACIÓN

CAUSA Clases de enfermedades

Bacteria que coloniza territorios no estériles

Abstracción

Bacteria que coloniza el tracto GI

Enterobacterias

Equiparación

Infección por E. Coli

Ejemplo clasificación jerárquica(I): MYCIN

41

Ejemplo clasificación jerárquica: MYCIN

SI (1) se dispone de un análisis de sangre, (2) el recuento leucocitario es menor que 2,500 ENTONCES (3) las siguientes bacterias podrían estar causando la infección: E. Coli (.75), Pseudonomas-aeuroginosis (.5), Klebsiella-pneumoniae (.5).

42

Ejemplo

OBS:<1, ?, ?, ?, ?, ?, ?> Consistente con todas las clases: S1 es

consistente

OBS: <0, ?, ?, ?, ?, ?, ?> Inconsistente con todas las clases: S1 es

inconsistente

OBS: <1, 0, ?, ?, ?, ?, ?> Inconsistente con S2 y sus sucesores Consistente con S1, S3 y sus sucesores

43

Eliminación jerárquica

Eliminar candidatos sucesores de nodos inconsistentes

Condición necesaria El conjunto de tuplas de las relaciones de

recubrimiento de una subclase son una extensión de las tuplas de su clase padre: si la tupla (Sj, Di) pertenece a C+ (C-), la tupla (Sk

Di) ha de pertenecer a C+ (C-) para todo Sk hijo de Sj

44

Clasificación jerárquica y obtención de observaciones

Estrategia sencilla y efectiva de obtener nuevas observaciones buscar aquellas observaciones que nos permiten

seguir refinando los candidatos consistentes de más alto nivel

Ejemplo OBS:<1, 0, 1, ?, ?, ?, ?> Consistentes S1 y S3

No necesitamos observaciones D4 y D5

Basta observar D6 y D7 para obtener la clasificación

45

Clasificación jerárquica mediante generación guiada por datos

Parte de conjunto reducido de observaciones obtenidas por Monitor

Abstrae las observaciones con Abstraer Genera candidatos más abstractos con

GenerarNuevosCandidatos Solicita nuevas observaciones, Obtener, para

refinar candidatos, hasta llegar a nodos terminales

Si las nuevas observaciones son consistentes con candidatos abstractos no considerados, se repite el proceso

46

Clasificación jerárquica mediante generación guiada por datos

El método se basa en las siguientes suposiciones: Disponemos de los procedimientos, Monitor, Obtener

Abstraer y GenerarNuevosCandidatos El espacio de datos se organiza jerárquicamente

facilitando la abstracción de datos. Las soluciones se organizan en una jerarquía de

refinamiento que divide las clases de soluciones. En cada nivel del espacio de soluciones existe un

conjunto de datos que permite discriminar entre ellas. Es posible obtener dichos datos

Candidatos simples

47

Método degeneración guiada por datos

1. Soluciones ← ∅ 2. OBSdistinguidas ← Monitor( ) 3. OBS ← Abstraer(OBSdistinguidas) 4. Si OBS ≠ ∅ Entonces 5. Mientras se puedan generar nuevos candidatos raíz hacer 6. Candidatos ← GenerarNuevosCandidatosRaiz(OBS) 7. Soluciones ← ProbarDiscriminar(Candidatos) ∪ Soluciones 8. Mientras sea posible refinar candidatos hacer 9. Soluciones ← Soluciones – {Candidato_a_refinar} 10. Candidatos ← hijos de Candidato_a_refinar en la jerarquía de

soluciones 11. Soluciones ← PorbarDiscriminar(Candidatos) ∪ Soluciones 12. Fin Mientras 13. Fin Mientras 14. Fin Si 15. Devolver(Soluciones)

48

Obtener nuevas observaciones para discriminar entre candidatos

1. ProbarDiscriminar(Candidatos) 2. NuevasSoluciones ← ∅ 3. Obtener OBSadicionales, observaciones necesarias para discriminar entre las

hipótesis de Candidatos 4. NuevasObservaciones ← Abstraer(OBSadicionales) 5. OBS ← Nuevas observaciones ∪ OBS 6. Para cada Candidato ∈ Candidatos hacer 7. Si Prueba(Candidato) Entonces NuevasSoluciones ← NuevasSoluciones ∪

Candidato 8. Fin Si 9. Fin Para 10. Devolver(NuevasSoluciones)

Clasificación jerárquica y esquema genérico

49

Espacio de datos

Explícito

Generación de hipótesis

Prueba de hipótesis

Espacio de hipótesis

Explícito

Modelo del Sistema : clasificación jerárquica

Estructura del sistema: implícita Comportamiento del sistema: implícito

Espacio de reparaciones

No se utiliza

Discriminación entre hipótesis

Detección de anomalías

Adaptación del esquema genérico: modelo del sistema

Modelo de clasificación por recubrimiento, <D, S, C+, C-, OBS>, junto a la jerarquía de abstracción de datos y la jerarquía de refinamiento de las soluciones.

No representa de forma explícita ni la estructura ni el comportamiento del sistema. Solo se dispone de forma explícita de las relaciones entre síntomas y fallos, dados por C+y C-.

50

Adaptación del esquema genérico: espacios de búsqueda

Espacio de datos: D y se solapa con la jerarquía de abstracción de datos del modelo del sistema.

Espacio de hipótesis: S y se solapa con la jerarquía de refinamiento de soluciones del modelo del sistema.

No se utiliza el espacio de reparaciones.

51

Adaptación del esquema genérico: operaciones básicas

La monitorización es explícita Generar hipótesis

soportada por GenerarNuevosCandidatosRaiz, obtiene los candidatos más abstractos que son consistentes con las observaciones actuales.

Prueba de hipótesis soportada por el procedimiento prueba, se limita a utilizar las

relaciones de recubrimiento del modelo de clasificación para eliminar los candidatos inconsistentes con las observaciones.

Discriminación de hipótesis soportada por el procedimiento ProbarDiscriminar, que solicita las

observaciones necesarias para discriminar entre las hipótesis del mismo nivel, utilizando a continuación el procedimiento prueba

52

Diseño e Implementación de un modelo de clasificación simbólica

Tradicionalmente Sistema de producción Sin formular explícitamente el modelo de

recubrimiento

Distinguir Nivel del conocimiento

Modelo del conocimiento independiente de la implementación

Nivel simbólico Lenguajes de representación

53

Nivel del conocimiento y clasificación jerárquica

Descrito en el nivel del conocimiento Conocimiento del dominio:

Modelo de clasificación por recubrimiento Jerarquías de abstracción y refinamiento

Conocimiento estratégico Métodos

54

Diseño e Implementación

Cualquiera, que respete especificaciones nivel del conocimiento

Sistemas de producción El modelo de recubrimiento se representa fácilmente

mediante reglas Método: solo si el motor de inferencias es

suficientemente flexible

Sistemas de producción en el análisis De utilidad para desarrollar y probar el modelo de

recubrimiento55

Ejemplo de codificación

56

Fragmento de modelo de recubrimiento

D1

D2

D3

S1

S2

S3

SI D1=1 ENTONCES S1 SI S1, D2=0 ENTONCES S2 SI S1, D3=1 ENTONCES S3

Codificación mediante reglas de producción

Herramientas

CLIPS C, C++, dominio público clipsrules.sourceforge.net

Jess Java, licencias comerciales, académicaswww.jesrule.com

G2 Tiempo real, licencia comercialwww.gensym.com

57