INTELIGENCIA ARTIFICIAL

INTELIGENCIA ARTIFICIAL

INSTITUTO TECNOLGICO SUPERIOR DE JESS CARRANZA

CARRERAINGENIERA EN SISTEMAS COMPUTACIONALESmateriainteligencia artificialtrabajo:INVESTIGACIN UNIDAD 3PRESENTA:macrina Jos MartnezGRUPO802-a

INDICEINTRODUCCION23.1 Sistemas Basados en Conocimiento33.1.1. Concepto de conocimiento33.1.2. Lenguajes utilizados en la representacin de conocimiento.43.2. Mapas conceptuales.53.3. Redes semnticas.63.4. Lgica de predicados.73.4.1. Sintaxis73.4.2. Semntica.93.4.3. Validez.93.4.4. Inferencia.103.5. Razonamiento con incertidumbre.103.5.1. Aprendizaje.113.5.2. Razonamiento probabilstico.113.5.3. Lgicas multivaluadas.123.5.4. Lgica difusa.133.6. Demostracin y mtodos.14CONCLUSIN16bibliografa17

INTRODUCCION

A continuacin se presentar los siguientes temas que son de suma importancia, se definir cada paso y se mencionar sus caractersticas as como algunos ejemplos para comprender mejor. El primer punto es sistemas basados en conocimiento ya que resuelve problemas utilizando una representacin simblica del conocimiento humano. Despus se definir concepto de conocimiento y as sucesivamente, al final sus referencias bibliogrficas para basarse ms sobre cada tema o subtemas.

3.1 Sistemas Basados en Conocimiento

Un sistema experto o sistema basado en conocimiento es un sistema que resuelve problemas utilizando una representacin simblica del conocimiento humano''

Caractersticas ms importantes son los siguientes:

Representacin explcita del conocimiento.

Capacidad de razonamiento independiente de la aplicacin especfica.

Capacidad de explicar sus conclusiones y el proceso de razonamiento.

Alto rendimiento en un dominio especfico.

Uso de heursticas vs. Modelos matemticos.

Uso de inferencia simblica vs. Algoritmo numrico.

Algunas de estas propiedades se deben a la separacin entre:

Conocimiento especfico del problema - Base de Conocimiento.

Metodologa para solucionar el problema - Mquina de Inferencia.

Importancia del Conocimiento

Los sistemas basados en conocimiento basan su rendimiento en la cantidad y calidad del conocimiento de un dominio especfico y no tanto en las tcnicas de solucin de problemas.

Diferencia de sistemas basados en conocimiento con otras tcnicas:

En sistemas expertos se ataca el problema construyendo un modelo del ``experto'' o resolvedor de problemas (Modelo del experto).

3.1.1. Concepto de conocimiento

Conjunto de datos de primer orden, que modelan de formaestructurada la experiencia que se tiene sobre un cierto dominio o que surgen deinterpretar los datos bsicos. Incluye y requiere del uso de datos e informacin.

Adems, combina relaciones, dependencias, y la nocin del saber con datos e informacin.

3.1.2. Lenguajes utilizados en la representacin de conocimiento.

Desde el punto de vista pragmtico, expresividad suficiente para representar de la manera menos forzada posible el conocimiento. Esto significa que, para una determinada conceptuacin, el lenguaje con el que se construyen los modelos en el nivel simblico debe permitir una interpretacin declarativa que represente todos los aspectos de esa conceptuacin.

Hay lenguajes formales, o tericos, que satisfacen en mayor o menor grado esas condiciones y lenguajes de implementacin, o prcticos, que, siguiendo el modelo de algn lenguaje formal, estn adaptados para mecanizar la construccin de ontologas. Nos centraremos en los primeros, que son relativamente estables, y sobre los que se basan los segundos, algunos muy voltiles. Por ejemplo:

Prolog es un lenguaje de implementacin de la lgica de primer orden, que en sus versiones ms recientes incluye tambin construcciones para la programacin con restricciones.

OWL (Web Ontology Language) es un lenguaje de ontolologas para la web basado en una lgica de descripciones (en realidad, son tres sublenguajes). Procede de la fusin de otros dos elaborados independientemente alrededor del ao 2000: DAML (DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio de Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el marco de los programas de la U.E.).

Lenguajes basados en la lgica de predicados de primer orden, con sintaxis y semntica formalizadas, con una base rigurosa para el razonamiento, pero con grandes dificultades para implementar algoritmos de razonamiento eficientes, con una rigidez sintctica que impide ciertas conceptuaciones naturales y con pocas posibilidades de modularizacin.

Como es natural, diversos investigadores trataron de elaborar propuestas para aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982, Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando quedaron relativamente establecidas las llamadas lgicas de descripciones, que en el momento actual son los lenguajes por antonomasia para la representacin del conocimiento.

La lgica clsica de primer orden sigue siendo la base fundamental de las dems formulaciones de la lgica; en el diseo de muchos sistemas basados en conocimiento, especialmente los que no son muy complejos, se siguen utilizando algunos de esos lenguajes; las ideas originales ayudan a entender y justifican ciertas decisiones de diseo, y la naturaleza interdisciplinaria de estos primeros trabajos hace muy interesante su estudio.

3.2. Mapas conceptuales.

En Inteligencia Artificial, Quillian desarroll una forma de mapa conceptual que se denomin redes semnticas y que se usa ampliamente para la representar el conocimiento formal. En la historia de la ciencia, la dinmica de mapas conceptuales se ha usado tambin para representar los procesos de cambio conceptual de las revoluciones cientficas y en filosofa de la ciencia, Toulmin desarroll una teora de argumentacin cientfica basada en mapas conceptuales.

Un mapa conceptual es una tcnica sencilla que permite representar el conocimiento de forma grfica como redes conceptuales compuestas por nodos que representan los conceptos, y enlaces, que representan las relaciones entre los conceptos.

3.3. Redes semnticas.

El filsofo y lgico Charles S. Pierce desarroll sus grafos existenciales como una tcnica formal de razonamiento para la inferencia lgica y en aos recientes se ha estado cultivando el inters en el estado formal de las pruebas visuales en matemticas. En Inteligencia Artificial, Sowa ha desarrollado los grafos de Peirce como estructuras formales conceptuales para la representacin de la inferencia lgica de las declaraciones del lenguaje natural.

En la adquisicin de conocimiento, en particular, la presentacin de conocimiento formal ha sido algo importante para su validacin. Hay muchas tcnicas para tal adquisicin pero todas ellas, en ltima instancia, terminan en una base de conocimiento que opera con la semntica formal. Sin embargo, la expresin de esta base de conocimiento en el lenguaje formal usado por el sistema no es por lo general muy comprensible a los no programadores.

El desarrollo de redes semnticas acab en fuertes crticas sobre la semntica de diagramas particulares ya que sta no estaba bien definida. Los nodos, arcos y sus etiquetas podan usarse muy libremente y con una gran ambigedad, y los diagramas estaban sujetos a interpretaciones diferentes. En los aos 70 existan propuestas para formalizar una red semntica bien definida y esto hizo factible que la semntica formal fuera desarrollada para sistemas de representacin de conocimiento terminolgicos.

Las redes semnticas son grafos orientados que proporcionan una representacin declarativa de objetos, propiedades y relaciones. Los nodos se utilizan para representar objetos o propiedades. Los arcos representan las relaciones entre nodos. El mecanismo de inferencia bsico en las redes semnticas es la herencia de propiedades.

Las redes semnticas proporcionan un modelo de presentar las relaciones entre los conceptos y los acontecimientos y constituyen una descripcin de nuestra forma de razonar.

Las partes de una red semntica son:

nodos: es un concepto y se encierra e un crculo o elipse.

relaciones: es una propiedad del concepto y pueden ponerse de dos formas:

o implcitas: es una flecha que no especifica su contenido

o explcitas: es una flecha en donde se especifica su contenido

3.4. Lgica de predicados.

En lgica de predicados, los valores de verdad se atribuyen a predicados que denotan relaciones entre entidades del universo modelado. Por ejemplo, en vez de tener una variable q para representar "Scrates es un hombre", se escribe el predicado hombre(scrates) que relaciona a la entidad "Scrates" con el hecho de "ser hombre". Un predicado tambin puede aplicarse a variables que denotan entidades annimas o genricas. Por ejemplo, para escribir la premisa "Todos los hombre son mortales", que no se refiere a ningn "hombre" en particular, se utiliza el predicado hombre(X) en que X es una variable que denota a cualquier entidad del universo modelado que cumple con el hecho de "ser hombre".

3.4.1. Sintaxis

Los parntesis, adems de servir como smbolos auxiliares para evitar ambigedades sin necesidad de recordar el convenio de precedencia, se utilizan para formalizar la idea de que un smbolo de predicado se aplica a smbolos que representan a un objetos: p(x,A) representa la relacin p entre la variable x y la constante A.

Un objeto puede estar representado por una constante, una variable o una funcin aplicada sobre otros objetos, o sobre otras funciones. En general, se llama trmino a la representacin de un objeto. La forma de una funcin es la misma que la de un tomo: un smbolo de funcin seguido por trminos entre parntesis.

En lgica de proposiciones utilizbamos los simbolos , , , como metasmbolos para representar sentencias. Aadiremos ahora , y para representar tomos, trminos y funciones, respectivamente.

Para definir las reglas de la gramtica vamos a utilizar tambin p para representar, en general, a un smbolo de predicado, f para un smbolo de funcin, C para un smbolo de constante yx para un smbolo de variable. Las reglas, en notacin BNF, son:

::=C | x | (es decir, un trmino es una constante, una variable o una funcin)

::= p({,}) (es decir, un tomo se construye con un smbolo de predicado y uno o ms trminos entre parntesis)

::=f({,}) (es decir, una funcin se construye con un smbolo de funcin y uno o ms trminos entre parntesis; sintcticamente es igual que un tomo)

Y las sentencias se forman con las mismas reglas de la lgica de proposiciones, aadiendo dos para los cuantificadores:

::= |

()|

()|

()|

()|

()|

(x)()|

(x)()|

3.4.2. Semntica.

Una fbf, como 'cadena de caracteres', no tiene significado real (semntica).

Una estructura establece la 'semntica real' de los elementos de la lgica:

Dominio de aplicacin.

Semntica de las constantes, predicados, funciones:

Qu significado tienen?:

(Juan es 'ese' individuo)

Qu se cumple en el mundo real?

Un conjunto de fbf (sin significado) puede representar la "realidad" mediante una estructura asociada.

3.4.3. Validez.

Las tablas de verdad sirven no solo para definir los conectores, sino tambin para probar la validez de las oraciones. Si se desea considerar una oracin, se construye una tabla de verdad con una hilera por cada una de las posibles combinaciones de valores de verdad correspondientes a lossignosproposititos de la oracin. Se calcula el valor de verdad de toda la oracin, en cada una de las hileras. Si la oracin es verdadera en cada una de las hileras. La oracin es valida.

Las tablas nos manifiestan los valores de verdad de cualquier proposicin, as como el anlisis de los mismos, encontrndonos con los siguientes casos:

Tautologa o validez:

Se entiende por proposicin tautolgica, o tautologa, aquella proposicin que en todos los casos posibles de su tabla de verdad su valor siempre es V.

Contradiccin: Se entiende por proposicin contradictoria, o contradiccin, aquella proposicin que en todos los casos posibles de su tabla de verdad su valor siempre es F.

Contingencia (verdad indeterminada)

Se entiende por verdad contingente, o verdad de hecho, aquella proposicin que puede ser verdadera o falsa, o no se tiene suficienteinformacinpara llegar a una conclusin

Satisfabilidad.

Si en la tabla de verdad se obtiene al menos una VERDAD

3.4.4. Inferencia.

Es el encargado de decidir como se procede en lo informado a la BC. El componente base de conocimiento a veces cuenta con ciertos conocimientos iniciales.

Cuando se solicita intervencin al programa de agente sucede:

1. El programa INFORMA a la base de conocimiento lo que percibe

2. Le pregunta a la base de conocimientos cual es la accin que debe emprender.

3. Para responder a la consulta se utiliza el razonamiento lgico para determinar de entre varias acciones la mejor.

3.5. Razonamiento con incertidumbre.

En situaciones reales, no siempre es posible contar con toda la informacin. Inclusive la informacin disponible puede ser incorrecta, incompleta o cambiar muy rpidamente.

Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.

Diversos mtodos han sido desarrollados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los ms generalizados consiste en asignar coeficiente de certeza o de confianza a los hechos que intervienen en las en las condiciones y en la conclusin de una regla.

Los principales modelos desarrollados son:

Modelo estadstico probabilstico.

Modelo aproximado.

Modelo de lgica difusa.

3.5.1. Aprendizaje.

Es desarrollar tcnicas que permitan a las computadorasaprender. De forma ms concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una informacin no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de induccin del conocimiento. En muchas ocasiones el campo de actuacin del aprendizaje automtico se solapa con el de laestadstica, ya que las dos disciplinas se basan en el anlisis de datos. Sin embargo, el aprendizaje automtico se centra ms en el estudio de lacomplejidad computacionalde los problemas. Muchos problemas son de claseNP-hard, por lo que gran parte de la investigacin realizada en aprendizaje automtico est enfocada al diseo de soluciones factibles a esos problemas. El aprendizaje automtico puede ser visto como un intento de automatizar algunas partes delmtodo cientficomediante mtodos matemticos.

El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo motores de bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de tarjetas de crdito, anlisis del mercado de valores, clasificacin de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robtica.

3.5.2. Razonamiento probabilstico.

La tcnica ms antigua y mejor definida para manejar la incertidumbre es la Regla de Bayes, la misma que est basada en la teora clsica de la probabilidad Las hiptesis son ms o menos probables dependiendo de las posibilidades de los hechos o evidencias que las sostiene La probabilidades se calculan en base a la frmula general de la probabilidad condicionada de Bayes o algunas transformaciones de la misma.

3.5.3. Lgicas multivaluadas.

Aunque la lgica multivariada no sea una extensin en sentido propio de la de primer orden (univariada), atendiendo al resto de propiedades se la prefiere en aplicaciones tanto en informtica como en lingstica. Por lo que respecta a la informtica es ampliamente usada, sirvan los ejemplos siguientes:

1. Tipos abstractos de datos

2. Semnticas y lgicas de verificacin de programas

3. Definicin de lenguajes de programacin

4. lgebras para distintas lgicas

5. Bases de datos

6. Lgica dinmica

7. Semntica de lenguajes naturales

8. Solucin de problemas computarizada

9. Representacin del conocimiento

10. Programacin lgica y deduccin automtica

La lgica multivariada se ha usado en matemticas como procedimiento para buscar modelos no estndar; esto es esencialmente lo que se hace para conseguir los modelos generales de Henkin para la lgica superior, responsables de su teorema de completud. Puede resultar tambin til para entender la lgica dinmica de dos formas distintas:

1. la lgica dinmica proposicional se traduce a la lgica multivariada por un procedimiento claramente deudor al de Henkin y esta tambin

2. la lgica dinmica no-estndar, heredera igualmente de los modelos generales de Henkin.

3.5.4. Lgica difusa.

La lgica difusa o lgica heurstica se basa en lo relativo de lo observado como posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero contextualizados y referidos entre s. As, por ejemplo, una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores estn contextualizados a personas y referidos a una medida mtrica lineal.

Desarrollos actuales y aplicaciones de lgica difusa

Aplicaciones generales

La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy alta y no existen modelos matemticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algn modelo matemtico ya soluciona eficientemente el problema, cuando los problemas son lineales o cuando no tienen solucin.

Esta tcnica se ha empleado con bastante xito en la industria, principalmente en Japn, y cada vez se est usando en gran multitud de campos. La primera vez que se us de forma importante fue en el metro japons, con excelentes resultados. A continuacin se citan algunos ejemplos de su aplicacin:

Sistemas de control de acondicionadores de aire

Sistemas de foco automtico en cmaras fotogrficas

Electrodomsticos familiares (frigorficos, lavadoras...)

Optimizacin de sistemas de control industriales

Sistemas de escritura

Mejora en la eficiencia del uso de combustible en motores

Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)

Tecnologa informtica

Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto, por ejemplo, existe el lenguaje FSQL.

...y, en general, en la gran mayora de los sistemas de control que no dependen de un S/No.

3.6. Demostracin y mtodos.

la demostracin consiste bsicamente en,a partir de unas proposiciones dadas llamadas premisas,obtener otra proposiciones llamada conclusin mediante la aplicacin de unas reglas lgicas.

los mtodos de demostracin son modelos o esquemas generales que se encuentran en los procesos deductivos,estos modelos estn fundamentados lgicamente en teoremas o reglas de inferencia ya establecidas.

metodo directo de la hiptesis auxiliar o demostracin condicional

dado un conjunto de premisas en una teora,si bajo el supuesto de que una proposicin p es verdadera y utilizando las premisas disponibles se puede hacer una demostracin de que una proposicin q es verdadera,entonces en esa teora puede concluirse que p es verdadero.

mtodo contra reciproco

supongamos que se requiere demostrar que una proposicin especifica p q es teorema y al intentar su demostracin por el mtodo directo no se logra obtener la conclusin deseada.

se procede a demostrar por el mtodo directo su contra reciproco,si se consigue este objetivo entonces queda establecida la validez al hacer la sustitucin por equivalencia.

mtodo de demostracin por contradiccin o reduccin al absurdo.

consiste en suponer explcitamente la negacin de la proposicin a demostrar,a partir de la hiptesis se trata de generar una contradiccin,esto es, que la teora con ese supuesto es inconsistente y, en consecuencia,tal hiptesis es falsa, a lo que es equivalente,que su negacin es verdadera quedando validada la proposicin inicial.

CONCLUSIN

Ya que hemos terminado de analizar estos temas, solo nos falta llevarlo a la prctica para mejorar y as no tener dudas ni tener errores en cuantos ejercicios. El principal problema es encontrar una representacin del conocimiento y un sistema de razonamiento que el soporte que pueda hacer las inferencias que necesite tu aplicacin dentro de los lmites de recursos del problema a tratar. Ver varias formas para analizar y as poder resolver problemas complejos.

bibliografa

http://inteligenciartificialitsat.wordpress.com/2013/04/08/unidad-ii-representacion-del-conocimiento-y-razonamiento/

https://www.google.com.mx/?gfe_rd=cr&ei=CrlqU6fvEOvP8ge7h4H4Bg

http://www.monografias.com/trabajos51/inteligencia-artificial/inteligencia-artificial2.shtml

http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html

http://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento

PRESENTACION: 14 % cuidar espaciadosINTRODUCCION: 3 % mnimo media cuartilla ms explicadoCONTENIDO: 25 % CONCLUSION: 3 % mnimo media cuartilla ms explicado Total: 45 %

17