Lenguajes utilizados en la representacion de conocimiento. 3.2. Mapas conceptuales. 3.3. Redes semanticas. 3.4. Logica de predicados. 3.4.1. Sintaxis Logica de predicados. 3.4.2. Semantica Logica de predicados. 3.4.3. Validez Logica de predicados. 3.4.4. Inferencia Logica de predicados. 3.5. Razonamiento con incertidumbre. 3.5.1. Aprendizaje. 3.5.2. Razonamiento probabilistico. 3.5.3. Logicas multivaluadas. 3.5.4. Logica difusa. 3.6. Demostracion y metodos.
Propiedades Entre las caractersticas ms relevantes de los sistemas basados en conocimiento estn: Procedimientos no algoritmicos. Manejo de incertidumbre. 0 , 1 mltiples soluciones. Conocimiento tcnico y cientfico. Busca generar la solucin ptima. Manipulacin de conocimiento no monotnico. Procesos interactivos. Aprendizaje de los fracasos. Empleo de mtodos para la representacin del conocimiento. Capacidad para explicar su propio razonamiento, cuestionamiento y emisin de conclusiones. Uso de bsquedas heursticas. Representacin de conocimiento especializado del campo de aplicacin. Pueden utilizar razonamiento con base en probabilidades, creencias, pertenencias y suposiciones. Procesamiento simblico. Utilizan sistema de mantenimiento de la verdad para afirmaciones y negaciones cambiantes. Datos cualitativos ms que cuantitativos.
Tipos de Aplicaciones El mbito de aplicacin de los sistemas basados en conocimiento incluye: Lenguaje natural. Realidad virtual. Redes neuronales. Juegos. Sistemas expertos. Robtica. Sistemas de planeacin. Reconocimiento de imgenes. Traductores. Solucin de problemas. Sistemas evolutivos. CAM Manufactura. Llevado a mquinas de control numrico. Aprendizaje. Sistemas Tutoriales.
3.1.1Concepto de Conocimiento
Significado Este concepto fue creado por G. Frege y consta de 2 trminos: sentido y referencia, los cuales son necesarios simultneamente. A esta idea es a lo que se denomin referencialismo. El referencialismo se encuentra temporalmente entre el logicismo (posicin filosfica clsica que plantea que el significado es igual al sentido lgico) y la falacia simblica (error que cometen todas las teoras del conocimiento que limitan el significado slo al sentido lgico ignorando la referencia al mundo real). El trmino falacia simblica fue introducido por Jhonson-Lair con el fin de criticar lo que ocurra con las teoras del conocimiento. Decir que una idea se relaciona con otra para dar un significado sin poner un ejemplo (referencia al mundo real) es hacer una falacia simblica. Ej: a un nio le podemos decir que es una vaca, pero si no le enseamos una en la realidad, nunca va a saber cmo muge, el tacto que tiene, el olor que despide, etc. Ideas Las ideas tienen sentido y referencia. Sentido Entender que una idea se conecta con otra. En la mente todas las ideas estn relacionadas, aunque el camino para ello sea muy largo. Referencia Se conecta con las experiencias y no con las ideas, es decir, tener experiencias reales. Experiencia Es lo que la mente incorpora en tiempo real. Siempre son mentales y lo que estudia son los sucesos fsicos. Las experiencias son representaciones de los sucesos. Esta diferenciaciacin fue lo que permiti a las ciencias seguir avanzando. Los sucesos fsicos estn ubicados en 4 dimensiones: 3 espaciales (alto, ancho y largo) y 1 temporal. Son un solo continuo espacio-temporal. Las experiencias slo se ordenan en el espacio, no en el tiempo, y adems se conectan con el mundo real a travs de la percepcin (vemos lo que queremos ver). Las ideas son funciones de otras ideas (esto es lo que se denomina logicismo) y adems, de las experiencias (ej: la idea de vaca se relaciona con la idea de hierba, cuernos, toro).
Hasta la segunda mitad de los aos 80 se estaban utilizando diversos lenguajes que podan clasificarse en dos tipos: 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. Lenguajes basados en modelos de psicologa que, al estar derivados del estudio de la mente humana, permiten conceptuaciones ms naturales y algoritmos de razonamiento ms eficientes, pero que tienen una sintaxis menos formalizada y carecen de una definicin semntica precisa (a pesar de que uno de ellos se llama redes semnticas ).
Hay al menos cuatro razones por las que nos parece conveniente detenernos previamente en los lenguajes ms antiguos : 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.
3.2Mapas Conceptuales
Los mapas conceptuales son instrumentos de representacin del conocimiento sencillo y prctico, que permiten transmitir con claridad mensajes conceptuales complejos y facilitar tanto el aprendizaje como la enseanza. Para mayor abundamiento, adoptan la forma de grafos. Mapa conceptual es una tcnica usada para la representacin grfica del conocimiento. Un mapa conceptual es una red de conceptos. En la red, los nudos representan los conceptos, y los enlaces las relaciones entre los conceptos en forma de flechas etiquetadas El mapa conceptual pueden tener varios propsitos: Generar ideas (lluvia de ideas, etc.); disear una estructura compleja (textos largos, hipermedia, pginas web grandes, etc.); comunicar ideas complejas; contribuir al aprendizaje integrando explcitamente conocimientos nuevos y antiguos; evaluar la comprensin o diagnosticar la incomprensin; explorar el conocimiento previo y los errores de concepto; fomentar el aprendizaje significativo para mejorar el xito de los estudiantes; medir la comprensin de conceptos. Clasificar de forma similar a las palabras las cuales se encuentran en las diferentes temticas que se puedan utilizar en el tema dado.
Existen diversos tipos de relaciones semnticas como: la hiponimia, hiperonimia, la meronimia, etc. Dado un conjunto de conceptos, elementos semnticos o trminos relacionados semnticamente mediante alguna relacin semntica, una red semntica representa estas relaciones en forma de grafo. Explcitamente, dado un conjunto de trminos {t1, t2, , tn} y cierta relacin semntica simtrica entre ellos se construye un grafo G = (V,A) cumpliendo las siguientes condiciones: 1. El conjunto V es el conjunto de vrtices o nodos del grafo. Este conjunto estar formado por n elementos (tantos vrtices como trminos relacionables). A cada uno de los vrtices del grafo representar uno de los trminos, por tanto los vrtices del grafo se llamarn: t1, t2, , tn. 2. El conjunto A es el conjunto de aristas o lneas del grafo. Dados dos vrtices (trminos) del grafo ti y tj existir una lnea aij que une los vrtices ti y tj si y slo si los trminos ti y tj estn relacionados. Si la relacin no es simtrica, entonces se usan grafos dirigidos para representar la relacin.
predicados estudia las frases declarativas con mayor grado de detalle, considerando la estructura interna de las proposiciones. Se tomarn como elemento bsico los objetos y las relaciones entre dichos objetos. Se distingue: "Qu se afirma (predicado o relacin) De quin se afirma (objeto) Definimos a continuacin las reglas sintcticas para construir frmulas: Definicin 1: El alfabeto de la lgica de predicados estar formado por los siguientes conjuntos simblicos: Conjunto de Smbolos de Variables (VAR): Es un conjunto de las ltimas letras del alfabeto en minsculas. Se utilizan subndices, por ejemplo: Conjunto de smbolos de Constantes (CONS): Este conjunto lo forman las primeras letras del alfabeto en minsculas, tambin utilizaremos subndices: Conjunto de letras de funcin (FUNC): Representaremos a este conjunto por las letras f, g, h, L. Incluimos subndices para poder diferenciar las funciones: Conjunto de letras de Predicado (PRED): Se representan mediante letras maysculas,
U es un conjunto no vaco, llamado el universo o dominio, cuyos elementos son las entidades denotadas por los trminos de T(S). PU es el conjunto de relaciones en U denotadas por los smbolos de P. FU es el conjunto de funciones en U denotadas por los smbolos de F. CU es el conjunto de individuos particulares del universo U denotados por los smbolos de C.
1)
Aplicando probabilidades.
P(B/A): probabilidad de que se presente B a partir de A (encadenamiento hacia delante). 2) Aplicando conjuntos difusos. Y tendremos: A ---> B cf (dado que B no esta totalmente cierta se da un cf: coeficiente de certeza)
Tambin puede suceder que A no sea totalmente creble. Acf ---> B cf O sea A1cf1 A2cf2 ... ---> B cf Cuando el conocimiento no es confiable A sugiere B con un factor de confianza H y B sugieren C con otro factor de confianza. A tal efecto se consideran los siguientes conceptos: 1. Determinar el valor de la premisa de una regla por efecto de la conjuncin de las clusulas contenida en la misma (AND). 2. Determinar la propagacin del valor de la premisa de una regla sobre la conclusin de la misma ( ). 3. Determinar el valor de la disyuncin por efecto de la combinacin de varias reglas con la misma conclusin (OR). VP: valor de la premisa de una regla (cf1 AND cf2 AND cf3 ...) Tambin: VP = cf1 * cf2 * cf3 ... = min (cf1, cf2, cf3,...). VR: valor de la regla por la propagacin (VP cf) Tambin: VR = VP * cf = min (VP, cf) VC: valor de la conclusin por la combinacin de las VR (VR1 OR VR2) Tambin: VC = VR1 + VR2 VR1 * VR2 = max (VR1, VR2).
El Metodo De Resolucion De Robinson El Mtodo de Resolucin [Robinson, 1965], es un intento de mecanizar el proceso de deduccin natural de esa forma eficiente. Las demostraciones se consiguen utilizando el mtodo refutativo (reduccin al absurdo), es decir lo que intentamos es encontrar contradicciones. Para probar una sentencia nos basta con demostrar que su negacin nos lleva a una contradiccin con las sentencias conocidas (es insatisfactible). Si la negacin de una sentencia entra en contradiccin con los hechos de nuestra base de conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y se puede deducir lgicamente de las sentencias que componen dicha base de conocimientos. Conocimiento No- Monotono Y Otras Logicas La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de sentencias S1 del que se puede inferir C, al aadir otro conjunto de sentencias S2, se tiene que seguir infiriendo C a partir de S1 Unin S2. Esto es un inconveniente en gran cantidad de problemas que se presentan en inteligencia artificial y que tienen carcter no montono. Las lgicas clsicas parten del carcter no excluyente de los nuevos axiomas aadidos a los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad de detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento. Formalismos Lgica no-montona: Poder representar leyes como Si x es un ser humano, entonces x puede andar, a menos que haya algo que lo contradiga. Para ello se ampla la lgica de primer orden introduciendo el operador modal M (es modal ya que indica una modalidad de verdad). Es necesario establecer un mecanismo de mantenimiento de coherencia generalmente traducido como mantenimiento de verdad - que permita eliminar el supuesto en cuanto se presente un hecho que lo invalide. Lgica por-defecto: Muy parecido al anterior, pero el operador M ya no hace la funcin de un operador modal capaz de formar sentencias Mp supuestamente vlidas en el sistema; en su lugar dicho operador slo aparece en las reglas de inferencia denominadas reglas por defecto definidas al efecto.
Razonamiento Probabilstico El razonamiento probabilstico es un caso dentro del razonamiento no montono. Cuando la probabilidad que la verdad de una oracin haya cambiado con respecto a su valor inicial, otras oraciones que anteriormente tenan alta probabilidad pueden decaer hasta tener probabilidad pequea o nula. Cuando se configuran los modelos probabilsticos, esto es, cuando se define el espacio para una muestra de eventos susceptibles de recibir diferentes valores de probabilidad, se est apelando a un razonamiento no-montono ms general, pero la convencin es que esto no lo hace la computadora sino una persona que razona informalmente. Resulta aparente que en una situacin informtica abierta de sentido comn, no existe espacio general alguno para una muestra de eventos. Apenas se le ponen lmites a dicho espacio general de eventos considerados y se le aplica alguna distribucin, se est procediendo a generar teoras probabilsticas. Las tcnicas de razonamiento no-montono consisten en tcnicas desarrolladas para limitar los fenmenos tenidos en cuenta. Si queremos limitar los fenmenos considerados, debemos recurrir a tcnicas no-montonas. (Estoy confesando que no s cules seran esas tcnicas). Al formar distribuciones, habra que introducir una regla por defecto por la cual dos eventos e1 y e2 se deben considerar independientes entre s salvo que haya alguna razn para el otro caso. No es posible que e1 y e2 sean eventos cualesquiera: tienen que ser dos eventos bsicos por lo menos en algn sentido. Teorema de Bayes El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el resultado que da la distribucin de probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A. El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam, que se adaptan con el uso.
CONCLUSIONES
Podemos decir que con este trabajo aprendimos muchas cosas, sabemos lo que es ya una red semntica como se debe utilizar y para que, tambin conocemos algunos ejemplos y principalmente cuales son las ventajas de utilizar ese mtodo de razonamiento al igual que sus desventajas. Nos adentramos al tema de la unidad y sabemos de qu hablamos cuando mencionamos representacin de conocimiento y razonamiento, es la forma en cmo se almacena el conocimiento ya sea por medio de varios mtodos como 2 de los cuales abarcamos en este documento. Tambin sabemos que se conecta con la inteligencia artificial y es una de las cosas que se estudia para saber cmo es que la inteligencia con el razonamiento adquieren esas cosas que actualmente conocemos como tecnologa inteligente. Uno de los conceptos nuevos que aprendimos fue el de razonamiento montono, ahora sabemos a qu se refiere y con qu fin.