TECNOLGICO DE ESTUDIOS SUPERIORES DE TIANGUISTENCO

INTELIGENCIA ARTIFICIAL I

CARRERA INGENIERO EN SISTEMAS COMPUTACIONALES

NOMBRE DEL ALUMNO Guadarrama castillo humberto

200923066

802

Apuntes inteligencia artificial

TIANGUISTENCO, MXICO JULIO, 2013

QU ES LA IA? Existen varias definiciones: Es la ciencia de hacer mquinas que hacen cosas que realizadas por el hombre requieren el uso de inteligencia. Marvin Minsky En ciencias de la computacin se denomina IA a las inteligencias no naturales en agentes racionales no vivos. John McCarthy, acu el trmino en 1956, la defini: "Es la ciencia e ingeniera de hacer mquinas inteligentes, especialmente programas de cmputo inteligentes." En otra acepcin podramos definirla como el estudio de las computaciones que permiten percibir, razonar y actuar. Es una de las areas de las ciencias computacionales encargadas de la creacin de hardware y software que tenga comportamientos inteligentes. La IA es considerada una rama de la computacin y relaciona un fenmeno natural con una analoga artificial a travs de programas de computador. La IA puede ser tomada como ciencia si se enfoca hacia la elaboracin de programas basados en comparaciones con la eficiencia del hombre, contribuyendo a un mayor entendimiento del conocimiento humano. Si por otro lado es tomada como ingeniera, basada en una relacin deseable de entradasalida para sintetizar un programa de computador. "El resultado es un programa de alta eficiencia que funciona como una poderosa herramienta para quien la utiliza." PRUEBA DE TURING, es el denominado experimento para demostrar si un computador piensa o no. Fue expuesto en 1950 en un artculo (Computing machinery and intelligence) para la revista Mind, y sigue siendo uno de los mejores mtodos para los defensores de la Inteligencia Artificial. Se fundamenta en la hiptesis positivista de que, si una mquina se comporta en todos los aspectos como inteligente, entonces debe ser inteligente. La prueba consiste en un desafo. Se supone un juez situado en una habitacin, y una mquina y un ser humano en otras. El juez debe descubrir cul es el ser humano y cul es la mquina, estndoles a los dos permitido mentir al contestar por escrito las preguntas que el juez les hiciera. La tesis de Turing es que si ambos jugadores eran suficientemente hbiles, el juez no podra distinguir quin era el ser humano y quin la mquina. Todava ninguna mquina puede pasar este examen en una experiencia con mtodo cientfico. A travs de la IA se han desarrollado los sistemas expertos que pueden imitar la capacidad mental del hombre y relacionan reglas de sintaxis del lenguaje hablado y escrito sobre la base de la experiencia, para luego hacer juicios acerca de un problema, cuya solucin se logra con mejores juicios y ms rpidamente que el ser humano. En la medicina tiene gran utilidad al acertar el 85 % de los casos de diagnstico. TRES LEYES DE LA ROBTICA. Estas leyes surgen como medida de proteccin para los seres humanos. En ciencia ficcin las tres leyes de la robtica son un conjunto de normas escritas por Isaac Asimov,

que la mayora de los robots de sus novelas y cuentos estn diseados para cumplir. En ese universo, las leyes son "formulaciones matemticas impresas en los senderos positrnicos del cerebro" de los robots (lneas de cdigo del programa de funcionamiento del robot guardadas en la ROM del mismo). Aparecidas por primera vez en el relato Runaround (1942), establecen lo siguiente: Un robot no puede herir a un ser humano, ni por inaccin dejar que un ser humano sufra dao. Un robot debe obedecer las rdenes impartidas por los seres humanos, salvo si viola la primera ley. Un robot debe salvaguardar su existencia, salvo cuando sta contravenga las dos leyes anteriores.

BREVE HISTORIA DE LA IA. La historia de la IA se remonta a los primeros aos de la dcada del 40, con trabajos tericos fundamentalmente dado el estado de la Informtica en ese momento, cuando los matemticos Warren McCullock y Walter Pitts, especficamente en 1943, desarrollan los algoritmos matemticos necesarios para posibilitar el trabajo de clasificacin, o funcionamiento en sentido general, de una red neuronal. En 1949 Donald Hebb desarroll un algoritmo de aprendizaje para dichas redes neuronales creando, conjuntamente con los trabajos de McCullock y Pitts, la escuela coneccionista. Esta escuela se considera actualmente como el origen de lo que hoy se conoce como IA (IA). Sin embargo el modelo coneccionista result poco tratado hasta hace unos aos, dando paso en su lugar al razonamiento simblico basado en reglas de produccin, lo cual se conoce popularmente como Sistemas Expertos En el ao 1955 Herbert Simon, el fsico Allen Newell, uno de los padres de la IA actual, y J.C. Shaw, programador de la RAND Corp. y compaero de Newell, desarrollan el primer lenguaje de programacin orientado a la resolucin de problemas de la IA, el IPL-11. Un ao ms tarde estos tres cientficos desarrollan el primer programa de IA al que llamaron "Logic Theorist", el cual era capaz de demostrar teoremas matemticos. En el mismo ao surge la IA como disciplina de la Informtica en la Conferencia de Computacin de Dartmouth. En dicha conferencia se estableci como conclusin fundamental la posibilidad de simular inteligencia humana en una mquina. A finales de los aos 50 y comienzos de la dcada del 60 se desarrolla un programa orientado a la lectura de oraciones en ingls y la extraccin de conclusiones a partir de su interpretacin, al cual su autor, Robert K. Lindsay, denomina "Sad Sam" En 1961 se desarrolla SAINT (Simbolic Automatic INTegrator) por James Slagle el cual se orienta a la demostracin simblica en el rea del lgebra. En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de comprender oraciones en ingls. En la dcada del 60 se comienza en el MIT el estudio de la visin artificial, lo cual implica no solo captar imgenes a travs de una cmara, sino tambin la comprensin, por parte del ordenador, de lo que estas imgenes representan.

En los primeros aos de la dcada del 60 Frank Rosemblatt desarrolla, en la Universidad de Cornell, un modelo de la mente humana a travs de una red neuronal y produce un primer resultado al cual llama Perceptron. Este trabajo constituye la base de las redes neuronales de hoy en da. 1984. John Hopfield resucita las redes neuronales 1986. La mquina de ajedrez HiTech de CMU compite en un torneo de nivel master. 1991. Aparecen compaas dedicadas al desarrollo de Redes Neuronales. 1989. El chip del 386 ofrece una velocidad a los PCs comparable a la de las mquinas Lisp. 1990. La compaa TI anuncia imcroExplorer una mquina Lisp con tecnologa Macintosh. 1994. La versin para tiempo real del lenguaje CLOS, Lisp con Objetos, de Harlequin se utiliza en sistema de intercambio de AT&T. 1997 Garry Kasparov, campen mundial de ajedrez pierde ante la computadora autnoma Deep Blue. 2000 Mascotas robots disponibles en el mercado. 2006 Se celebra el aniversario con el Congreso en espaol 50 aos de IA - Campus Multidisciplinar en Percepcin e Inteligencia. 2008. Investigadores de la Universidad Pablo de Olavide desarrollan un sistema integral de gestin basado en tcnicas de IA, con el objetivo de mitigar los riesgos inherentes a estos sistemas integrados de gestin y facilitar as su implantacin en la empresa. 2010. Sensores y sensibilidad: mejores prtesis gracias al avance de la IA 2011 IBM desarroll una supercomputadora llamada Watson , la cual gan una ronda de tres juegos seguidos de Jeopardy, venciendo a sus dos mximos campeones, y ganando un premio de 1 milln de dlares que IBM luego don a obras de caridad. En la actualidad existen grandes avances en robots que utilizan la IA dando como resultado "recepcionistas", "jugadores de ftbol", "soldados", "exploradores" y hasta "cuidadores de ancianos". 1.2 Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia (conductismo, Gardner) Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la informacin: recogiendo, analizando, comprendiendo, procesando y guardando informacin en la memoria, para, posteriormente, poder recuperarla y utilizarla dnde, cundo y cmo convenga. En general, son las siguientes: 1. Atencin: Exploracin, fragmentacin, seleccin y contradistractoras.

2. Comprensin (tcnicas o habilidades de trabajo intelectual): Captacin de ideas, subrayado, traduccin a lenguaje propio y resumen, grficos, redes, esquemas y mapas conceptuales. A travs del manejo del lenguaje oral y escrito (velocidad, exactitud, comprensin). 3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y mnemotecnias. 4. Memorizacin / Recuperacin (tcnicas o habilidades de estudio): Codificacin y generacin de respuestas. 1.3 El proceso de razonamiento segn la lgica (axiomas, teoremas, demostracin) Axioma. Proposicin tan clara y evidente que se admite sin necesidad de demostracin. Cada uno de los principios fundamentales e indemostrables sobre los que se construye una teora. Ejemplo:

1+1=2 A es hermano de B C es hijo de A Entonces podemos decir que B es to de C, o bien C es sobrino de B Teorema Proposicin demostrable lgicamente partiendo de axiomas o de otros teoremas ya demostrados, mediante reglas de inferencia aceptadas. Axiomas sobre alumno: - Estudia - Realiza tareas - Participa - Programa Demostracin Demostracin matemtica, argumento utilizado para mostrar la veracidad de una proposicin matemtica. En las matemticas modernas una demostracin comienza con una o ms declaraciones denominadas premisas, y prueba, utilizando las reglas de la lgica, que si las premisas son verdaderas, entonces una determinada conclusin debe ser tambin cierta

Comprobacin, por hechos ciertos o experimentos repetidos, de un principio o de una teora. Tablas de verdad de la lgica: conjuncin, disyuncin, implicacin, negacin y condicional. 1.4 El modelo de adquisicin del conocimiento segn la filosofa La metodologia Common KADS, como cualquier otra ofrece una aproximacion para resolver los probelmas inherentes a la ingenieria del conocimiento provenientes de la experiencia y apoyados por los fundamentos de la ingeniera del software. Como se ha mencionado anteriormente, la ingeniera del conocimiento debe hacer frente a la recopilacin de datos, dar forma a la informacin y generar ms conocimiento. Todo ello dentro de un determinado mbito de aplicacin o lnea de negocio empresarial, que debe plasmarse en una realidad. Modelo de organizacin: soporta el anlisis de las caractersticas principales de una organizacin, con el fin de descubrir problemas y oportunidades para sistemas de conocimiento, establecer su viabilidad y ponderar los impactos en la organizacin de las acciones del conocimiento. Modelo de tarea: es la parte relevante de un modelo de negocio. Analiza la tarea global, sus entradas y salidas, precondiciones y criterios de realizacin, as como recursos necesarios y competencias. Modelo de agente: los agentes son los ejecutores de una tarea. Un agente puede ser humano, un sistema de informacin, o cualquier otra entidad capaz de llevar a cabo una tarea. El modelo de agente describe las caractersticas de los agentes, en particular sus competencias, autoridad para actuar y restricciones en este aspecto. Adems, relaciona los enlaces de comunicacin entre agentes a la hora de llevar a cabo una tarea. Modelo de conocimiento: el propsito de este es explicar los tipos y estructuras de conocimiento utilizados para llevar a cabo una tarea. Proporciona una descripcin independiente de la implementacin del papel que diferentes componentes de conocimiento juegan en la resolucin de problemas, de forma que es comprensible por los humanos. Estohace que el conocimiento sea un vehculo importante para la comunicacin con los expertos y los usuarios sobre los aspectos relativos a la solucin de problemas de un sistema de conocimiento tanto durante el desarrollo como durante la ejecucin del sistema. Modelo de comunicacin: dado que varios agentes pueden verse involucrados en una tarea, es importante modelar las transacciones entre los agentes implicados, esto se realiza mediante el modelo de comunicacin, como suceda en el modelo de conocimiento.

Modelo de diseo: los modelos anteriores juntos pueden verse como constituyendo la especificacin de los requisitos para el sistema de conocimiento, desde diferentes aspectos, Basados en los aspectos, el modelo de diseo proporciona la especificacin tcnica del sistema en trminos de arquitectura, plataforma de implementacin, mdulos de software, construcciones de representacin y mecanismos de computacin requeridos para implementar las funciones propuestas en los modelos de conocimiento y comunicacin. Juntos, los modelos de organizacin, tarea y agente analizan la organizacin del entorno y los factores crticos de xito para un sistema de conocimiento. Los modelos de conocimiento y comunicacin proporcionan la descripcin conceptual de las funciones de resolucin de problemas y los datos que son manejados y entregados por un sistema de conocimiento. El modelo de diseo convierte esto en una especificacin que es la base para la implementacin del sistema software. No obstante, no siempre es necesario construir todos los modelos, esto depende de los objetivos del proyecto. Esta eleccin corresponde al jefe de proyecto, bajo consenso previo con el cliente. Un proyecto de un SBC utilizando la tecnologa Common KADS produce tres tipos de producto o entrega: 1.5 El modelo cognoscitivo En toda situacin de aprendizaje ( Pozo, 1999), espontneo o generado en una experiencia educativa, puede identificarse tres componentes bsicos: El qu se aprende (resultados), el cmo se aprende (los procesos cognitivos) y las condiciones del aprendizaje (la accin educativa) que responde a las preguntas cundo, cunto, donde, con quin etc. Estos tres componentes se pueden mirar ya sea desde un enfoque conductual o socialcognoscitivo. Desde el enfoque conductual los resultados de aprendizaje son las conductas, los procedimientos cognoscitivos no son importantes para este enfoque y las condiciones se refieren a la forma de organizar situaciones estimulantes y refuerzos continuos a las conductas adecuadas. Desde el enfoque cognoscitivo los resultados de aprendizaje se refieren a representaciones cognitivas internas o estructuras cognoscitivas que pueden tener un correlato en una representacin simblica externa para comprobar su presencia, los procesos cognitivos se refieren a toda aquella actividad mental que hace posible la constitucin de representaciones y las condiciones se refieren a las acciones educativas de carcter social educativo o interaccional y a los diferentes recursos culturales con que se apoya el aprendizaje. Desde el punto de vista social cognoscitivo los resultados de aprendizaje se refieren a la manera como se construye significado al conjunto de categoras que constituyen un discurso disciplinar. Los resultados de aprendizaje no se refieren en especificidad a un saber sino al significado que un aprendiz le da a ese saber. La construccin de esos significados se hace en especial cuando el conocimiento se presenta estructurado. Los procesos cognoscitivos en trminos de aprendizaje se dan por niveles de complejidad ya sea en relacin con el desarrollo (edad) o con los niveles de complejidad en una tarea.

En trminos del desarrollo, las teoras de Piaget o de Vigotsky definen una serie de caractersticas segn ciclos de vida de los individuos y segn la complejidad de las tareas, los enfoques computacionales representacionales, definen una serie de procesos y subprocesos subyacentes a la solucin de problemas y a la toma de decisiones. En relacin con la complejidad como se estructura un conocimiento se pueden definir 4 grandes procesos bsicos: conceptualizacin, interpretacin, transferencia, creatividad. Conceptualizacin se refiere a la manera como se define un concepto en relacin con una experiencia asociada o con otro concepto en una proposicin o estructura conceptual. La interpretacin se refiere a la manera como un concepto o conjunto de conceptos o proposiciones toma significados en relacin con un contexto lingstico o discursivo o en relacin con un fenmeno. Dentro de la interpretacin se juegan procesos cognoscitivos como la deduccin, la inferencia, el anlisis, la sntesis y diferentes modalidades de categorizacin. La transferencia se refiere a la manera como se aplica un conocimiento a la solucin de problemas surgidos en contextos diferentes a aquellos en donde se dio la situacin de aprendizaje. La creatividad se refiere a la manera como se reestructura o se proponen estructuras diferentes a las aprendidas. Los niveles cognoscitivos del aprendizaje no son totalmente lineales y su recorrido se puede dar en espiral. Lo cierto es que en trminos de organizacin de las experiencias educativas definir niveles de aprendizaje permite organizar una educacin para el desarrollo de habilidades cognitivas. 1.6 El modelo del agente inteligente Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. En este contexto la racionalidad es la caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es ms general y por ello ms adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales. Un agente inteligente puede ser una entidad fsica o virtual. Si bien el trmino agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, tambin puede considerarse agentes racionales a los animales incluido el hombre. Es posible clasificar los agentes inteligentes en 5 categoras principales: - Agentes reactivos - Agentes reactivos basados en modelo - Agentes basados en objetivos - Agentes basados en utilidad - Agentes que aprenden

La racionalidad es necesaria En muchos textos se define agente inteligente como todo agente capaz de tener conciencia de su entorno y actuar sobre l. No obstante es necesario exigir que estas decisiones sean racionales en el sentido de que persigan algn fin. Vamos a mostrarlo con un contraejemplo: cuando un fotn con la suficiente energa incide sobre un tomo, puede arrancar de l un electrn. Podramos considerar al tomo inteligente puesto que percibe su entorno (la incidencia del fotn) y acta sobre su entorno (emite un electrn). La ausencia de relacin entre la emisin del electrn y cualquier hipottico inters del tomo muestra que este no es un agente inteligente pese a verificar la definicin de Bertrand Russell. La conducta de un agente no suele ser la ptima. Paradjicamente, la conducta de un agente rara vez es la optima. La razn es muy sencilla calcular el optimo de un criterio lo suficientemente bueno para ser considerado razonable teniendo en cuenta las mltiples restricciones que concurren es muy difcil. Ejemplos de ello es lo difcil que es calcular la mejor ala para un avin, el mejor perfil para un coche o la mejor hlice para un barco. Para un estudiante es fcil calcular el mximo de un polinomio de segundo grado derivando e igualando a cero. En este caso el criterio es muy sencillo -es un polinomio de segundo grado- y no concurre ninguna restriccin. Cuando el criterio es una funcin real de muchas variables y las restricciones tambin, los clculos son mucho ms complicados. Algunas veces se puede lograr una buena aproximacin; pero, si un agente inteligente debe tomar una decisin en muy poco tiempo, deber conformarse con la mejor aproximacin que pueda calcular en el escaso tiempo de que dispone. Validez y e inferencia Un problema muy importante para cualquier sistema lgico es el problema de encontrar un procedimiento efectivo para verificar la validez o tautologa de una secuencia bien formada procedimiento que no es posible para todos los sistemas lgicos se dice que una sentencia es vlida o necesariamente verdadera si y solo si es verdadera en todas la interpretaciones de todos los mundos posibles es decir con independencia de lo que su puestamente significa y lo que est sucediendo en el universo descrito El problema para encontrar un procedimiento de validacin de las sentencias bien formadas se denomina problema de decisin para los sistemas en que se puede encontrar un procedimiento de decisin se dice que el problema es resoluble y el sistema es desidible para los sistemas en que no se puede encontrar un procedimiento de decisin se dice que el problema de decisin es irresoluble y el sistema es indecidible la lgica de proposiones es un sistema decidible de echo se conocen varios procedimientos de dacin entre los que se pueden descartar

 Validacin entre tablas de verdad Arboles semnticos Refutacin El ltimo de los procedimientos es muy conocido en matemticas pues consiste en suponer falsa la sentencia a validar y ver si ello supone una contradiccin 2.5 La demostracin y sus mtodos La demostracin consiste bsicamente en a partir de unas preposiciones dadas llamadas premisas, obtener otra proposicin llamada conclusin mediante la aplicacin de unas reglas lgicas. Los mtodos de demostracin son modelos o esquemas que se encuentran en los procesos deductivos estos modelos estn fundamentados lgicamente en teoremas o reglas de inferencia ya establecidos se pueden distinguir cuatro mtodos de demostracin. 1.- Mtodo directo de la hiptesis auxiliar o demonstracin 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 y utilizando las premisas disponibles se puede hacer una demostracin de que una demostracin de que una proposicin Q es verdadera entonces en esta teora puede concluirse que P O Q es verdadero. 2.- Mtodo contra reciproco: Supongamos que se quiere demostrar que una proposicin especifica P Q es teorema y al intentar su demostracin por el mtodo directo su contra reciproca P - Q si se consigue este objetivo entonces queda establecida la validez de P Q al hacer una sustitucin por equivalencia 3.- Mtodo de demostracin por contradiccin o reduccin al absurdo: consiste en suponer explcitamente la negacin de la proposicin a demostrar a partir de esta hiptesis se trata de generar una contradiccin esto es: que la teora con ese supuesto es inconsistente y en consecuencia, tal hiptesis es falsa, o lo que es equivalente, que su negacin es verdadera, quedando validada la proposicin inicial. 4.- Mtodos de casos o silogismo disyuntivo: La regla de inferencia de ese nombre da lugar a este mtodo de demostracin, casi de forzosa utilizacin cuando la hiptesis o una de las hiptesis es una disyuncin de dos o ms proposiciones en cuyo caso se procede as:

A) Se supone la hiptesis dada correspondiente a una disyuncin B) A partir de cada una de las proposiciones que integran la disyuncin se obtiene una conclusin parcial por el mtodo directo. C) Se concluye finalmente la disyuncin de las conclusiones parciales

2.6 El mtodo de resolucin de Robinson El mtodo de Robinson, es un mtodo para decidir si una proposicin es vlida, fue introducido por Alan Robinson en 1965, es simple de implementar y se extiende a la lgica de primer orden y de otras lgicas no funcionales Este mtodo fue bastante popular en mbito de demostracin de automtica de teoremas, tiene una nica regla de inferencia, la regla de resolucin, requiere que las proposiciones estn en forma normal conjuntiva. La idea de este mtodo es mostrar la validez de una proposicin estableciendo que la negacin de la proposicin es insatisfactible, por esta razn se dice que es un mtodo de refutacin. La resolucin en si depende de una sola regla: Si (AvP) y (BvP) son ambas verdaderas, entonces (AvB) es verdadera.

La afirmacin se verifica escribiendo la tabla de verdad, como la resolucin depende nicamente de esta nica regla sencilla, es la base de muchos programas de computadoras que razona y prueba teoremas. En una prueba por resolucin, las hiptesis y la conclusin se escriben como clausula en forma normal conjuntiva, de esta manera se dice que: (A v P) (B v P) (A v P) (B v P) (A v P) Es una tautologa.

En efecto, el conjunto de clusulas {C 1, KCm, {A, P}, {B, P}} es lgicamente equivalente a {C 1, KCm, {A, P}, {B, P}, {A, B}}. En consecuencia el conjunto de clusulas {C 1, KCm, {A, P}, {B, P}} es insatisfactible si lo es {C 1, KCm, {A, P}, {B, P}, {A, B}}. La clusula {A, B} se llama resolviente de las clausulas {A, P} y {B, P}. El resolviente de las clausulas {P} y { P} es la clusula vaca y se anota . A un conjunto de clusulas que contiene se le llama refutacin. Una prueba directa por resolucin procede aplicando (2.1) repetidamente, a pares de afirmaciones, es decir, agregar resolventes hasta llegar a la conclusin, en este caso una refutacin. De esta manera se puede concluir que el conjunto inicial de clusulas de insatisfactible si el conjunto de clusulas final contiene clausula . Si el conjunto de clusulas es insatisfactible entonces la proposicin o argumento es verdadero. La aplicacin reiterada de la regla de solucin termina cuando no se agregan nuevos resolventes.

A continuacin se demuestra un ejemplo, supngase que se desea verificar que el argumento (p q) r, p v q r. de este argumento se obtiene las siguientes clausulas: C1 : p v r C2 : q v r C3 : p v q

C4 : r Ahora hay que demostrar que el conjunto de clusulas insatisfactible mediante la regla de refutacin: { { p v r }, {q v r },{p v q },{ r } } { { p v r }, {q v r },{p v q },{ r } ,{ p } } { { p v r }, {q v r },{p v q },{ r },{ p },{ q } } { { p v r }, {q v r },{p v q },{ r },{ p },{ q }, { r } } { { p v r }, {q v r },{p v q },{ r }.{ p },{ q }, { r }.{ } }

Como se ha demos que con el conjunto inicial de clusulas llegamos a una clausula vaca S1 del que puede inferir C, ala aadir otro conjunto de sentencias S 2 , se tiene que seguir

2.7 conocimiento no montono y otras lgicas 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 U s2. Esto es un inconveniente en gran cantidad de problemas que se presentan en IA y que tienen carcter no montono, histricamente se puede decir que la necesidad del razonamiento no montono se present cuando planearon problemas de representacin del conocimiento de IA. El razonamiento no montono es una forma de razonamiento que contrasta con el razonamiento deductivo estndar de la siguiente manera: Suponga que se conoce que todos los hombres son mortales y que Scrates es un hombre, Entonces por simple razonamiento, Scrates es mortal. Nada podemos sumar a nuestro conocimiento que cambie esta conclusiones razonamiento deductivo internamente es una teora local en la expresin, derivndose una conclusin desde las premisas, por lo tanto no se preocupa sobre alguna sentencia en la teora.

Un caso de razonamiento no montono es el razonamiento del sentido comn, el cual establece conclusiones a partir de informacion parcial, que muchas veces se revisan o se desechan cuando se obtiene nueva informacion o evidencia de dominio por ejemplo, si se dice que alguien tiene un pjaro, se piensa que este vuela, si luego se dice que es un pingino, entonces ya no piensa que vuela. 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 que se asume los lmites de su propio conocimiento. En pocas palabras, la lgica no-montona permite representar leyes como " si x es un ser humano, entonces x puede andar a menos que haya algo que lo contradiga". 2.8 Razonamiento probabilstico El razonamiento probabilstico es un caso de razonamiento no montono, est ms apegado a la vida real, en donde las premisas no suelen tener certeza absoluta para poder hacer una Inducciones rigurosas las principales ventajas de este tipo de razonamiento es que permite tomar decisiones racionales aun en los casos en que no hay suficiente informacin para probar que cualquiera accin dada funcionara por esta razn se aplica en problemas en los que hay incertidumbre 2.9 teoremas de beyes El teorema de bayes ,enunciado por tomas bayes en la teora de la probabilidad es el resultado que da la distribucin del problema condicional de una variable aleatoria A dad B (probabilidad posterior )en trminos de la distribucin de probabilidad condicional de la variable B dada A y la distribucin de la probabilidad marginal de solo A (probabilidad a priori) Se a {A, A2, K, Ai, k, An} un conjunto de sucesos mutuamente excluyentes y que la probabilidad de cada uno de ellos es distinta a cero se B un suceso cualquiera del que conocen las probabilidades condicionales p (B/Ai) entonces la probabilidad p (Ai/B) viene dada por la expresin

) ( ) ( )

) ( ) ( ) (

Donde (Ai) son la prioridad a priori P (B/Ai) es la probabilidad de B en la hiptesis Ai P (Ai/B) son las probabilidades a posteriori Esto se cumple =, k, n 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 solo 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 como debemos modificar nuestras probabilidades subjetivas cuando recibimos informacion adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y permitir revisar esas estimaciones en funcin de la evidencia es lo que est abriendo nuevas formas de hacer conocimiento. UNIDAD 3 Sistemas de razonamiento Siempre que sea posible es conveniente construir agentes que funcionen como sistemas de razonamiento es decir, que representen explcitamente el conocimiento y puedan efectuar razonamiento sobre l. Este tipo de agentes son fcilmente modificables gracias a su modularidad, debido a la posibilidad de independizar la base de conocimientos y el sistema de control. Cada tipo de sistema de razonamiento automtico est diseado para un tipo especfico de problema: Demostradores de teoremas y lenguajes de programacin lgicos: Para trabajos de tipo matemtico o cientfico, se utiliza la resolucin para demostrar teoremas enunciados en lgica de primer orden. Sistemas de produccin: Estos sistemas tambin utilizan la lgica como elemento bsico de representacin. Cada implicacin se interpreta como sugerencia para la accin y no como una simple conclusin lgica. Sistemas de cuadro y redes semnticas: En estos sistemas se aplica la metfora de que los objetos son nodos de una grafica, de que estos nodos se organizan de acuerdo con una estructura taxonmica y de que los vnculos entre los nodos representan relaciones binarias. Sistemas lgicos por descripcin: Son consecuencia de la evolucin de las redes semnticas. Emplean como medio de expresin y de razonamiento las definiciones complejas de objetos y clases, as como sus relaciones entre ellos.

En nuestra vida diaria encontramos muchas situaciones complejas gobernadas por reglas deterministas sistemas de control de trfico, sistemas de seguridad, transacciones bancarias, entre otras. Los sistemas basados en reglas son una herramienta eficiente para tratar estos problemas. Las reglas deterministas constituyen la ms sencilla de las metodologas utilizadas en sistemas expertos. La base de conocimiento contiene las variables y el conjunto de reglas que definen el problema y el motor de inferencia obtiene las conclusiones aplicando la lgica clsica a estas reglas. Por regla se entiende una proposicin lgica que relaciona dos o ms objetos e incluye dos partes la premisa y la conclusin. Cada una de estas partes consiste en una

expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante los operadores lgicos y , o, o no. 3.1 Reglas de produccin Las reglas de produccin son un mtodo procedimental de representacin del conocimiento es decir, pone en nfasis en representar y soportar las relaciones inferenciales del dominio, en contraposicin a los mtodos declarativos (nfasis en la representacin de hechos) La estructura de una regla es SI <<antecedentes>> ENTONCES <<consecuentes>> donde los antecedentes son las condiciones y las consecuentes las conclusiones, acciones o hiptesis. Cada regla por si misma constituye un granulo completo de conocimiento. La inferencia en los sistemas basados en reglas emparejamiento. Hay dos tipos, segn el sentido: (SBR) se realiza mediante

Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema. Sistemas de encadenamiento hacia atrs: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.

3.2 Sintaxis de las reglas de produccin 3.2.1 A1^A2^ ^An C

Para hablar de las sintaxis de las reglas de produccin en los sistemas de razonamiento, primero se debe de tener claro que son las reglas de produccin, por tanto se dar una breve introduccin acerca de estas y despus se aterrizara en el contexto de reglas de produccin para la resolucin de problemas condicionales. APUNTES Las producciones son reglas gramaticales para la manipulacin de cadenas de smbolos, algunas veces llamadas clases de reescritura, son un sistema cannico, es decir un sistema formal basado en el alfabeto de A para formar cadenas, algunas consideradas como axiomas y un conjunto de producciones de la forma ,$1 , K n ,$n, ,$ 1 , K n $m donde: a) b) c) d) e) Cada y , es una cadena compuesta , y n, frecuentemente son nulas algunas o todas la y 1 , puedan ser nulas cada $ , es una cadena variable que pueda ser nula cada $, se reemplaza por cierta $ 1

A , $1 , K n ,$nnormalmente se reconoce como el antecedente de la regla y ,$ 1 , K n $m como el consecuente, por analoga con la lgica proporcional . Ejemplo: sea a ele alfabeto {a,b,c} , y el conjunto de axiomas a,b,c,aa,bb,cc. Entonces las siguientes

producciones generan todos y solo los palndromos basados en este alfabeto, iniciando por los axiomas: (P1) $ a$a (P2) $ b$b (P3) $ c$c

Es posible generar bacab aplicando P1 al axioma c y luego P2 ala resultado. Ntese que este conjunto de producciones no es conmutativo. Aunque parezca triviales, los sistemas cannicos conforman lavase para la manipulacion de smbolos en la lgica y las matemticas. Por tanto , cualquier sistema formal se puede expresar como un sistema cannico. Los sistemas de produccin para la resolucin de problemas de lgica generalmente se implementan para manipular estructuras simblicas como listas o vectores y no cadenas de smbolos, de esta manera un sistema de produccin consta de: Un conjunto de reglas, es decir, memoria de produccin. Un intrprete de reglas, el cual decide cuando aplicar que reglas. Una memoria de trabajo, para alojar los datos, metas y resultados intermedios.

La forma general de las reglas de produccin es P 1, K,PM ,R,Q1 K,QM, si las premisas P1, K,PM son verdaderas entonces realiza las acciones Q1 K,QM. 3.2.2 Representacin objeto-atributo-valor. Como se dijo en 3.2.1 las reglas de produccin manipulan generalmente estructuras simblicas por lo anterior, el vocabulario de estos sistemas constan de tres conjuntos. Un conjunto n con los nombres de los objetos del dominio. Un conjunto p con los nombres de las propiedades que imputan atributos a los objetos. Un conjunto v de valor que estos atributos pueden tomar.

La gramtica es una tripleta del tipo (objeto, atributo, valor), si u N, P y V entonces (u, , ) es tal tripleta. Un ejemplo de esta tripleta seria (Pedro ao_ nacimiento 1948). La generalizacin permite representar varios pares atributo-valor (1, 1) K (n, n) asociados a u para obtener un vector de la forma (1, 1) (n, n) asociados a v para obtener un vector de la forma ( u, 1, 1 K, n, n), por ejemplo (Pedro ao_Nacimiento 1948 lugar_Nacimiento Barbados). 3.3 Semntica de las reglas de produccin

La semntica de los SBR implica que las reglas que forman el programa se ejecutan (disparan) en paralelo hasta que se alcanza su punto fijo. La estrategia de control decide el orden en que se seleccionan y disparan las reglas. Conocimiento causal El estudio del conocimiento casual a experimentado un gran avance en lo que se refiere la formulacin de modelos que tartn de explicar cmo las personas somos capaces de inferior relaciones de casualidad a partir de la observacin de la correlacin estadstica entre el acontecimiento del medio. Muchos modelos reducen la explicacin a un algoritmo de cmputo simple.
3.4 arquitectura de un sistema de produccin (SP) o sistemas basados en regla (SBR) Los sistemas SBR son uno de los modelos de representacin del conocimiento ms ampliamente ms utilizado. Esto debido a que resulta muy apropiado en situaciones en las que el conocimiento que se desea representar surge de forma natural. Como estructura de reglas. Un SBR que emplea el paradigma de sistemas de produccin se define como una terna < BH, BR, MI> formada por una base de hechos. BH una base de reglas BR y un motor de inferencias MI que emplea una estrategia de control. Durante la ejecucin del SBR ante una instancia concreta de problemas se aade o eliminan hechos de la memoria de trabajo.

El cmo interaccionan cada uno de los elementos de la terna < BH, BR, MI> define la arquitectura de los SBR que consta principalmente de los tres elementos (Figura 3.1). Base de conocimientos: rene todos los conocimientos del sistema (Base de Hechos ms Base de Reglas). Memoria activa: contiene los hechos que representan el estado actual del problema (Los Hechos de Inicio menos Los Hechos Inferidos APOSTERIORI) y las reglas activadas (En Condiciones de ser Ejecutadas). Motor de Inferencia: decide que reglas activas se ejecutaran:

MOTOR INFERENCIAS Base de Conocimientos (B, C) INTERPRETE + ESTRUCTURA DE CARRERA BASE DE REGLAS (B, C) BASE DE HECHOS (B, C) MEMORIA ACTIVA (M, A)

----------------------------------------------------------------------------------------------------------------------------------Mundo exterior Datos Resultado

Bases de Y Datos

Implementacin

usuario

servidores

A continuacin se presenta un ejemplo sencillo de prolog de un sistema basado en redes, este programa consta de una base de hechos, solo lo que el sistema conoce y se considera como verdadero, despus sigue la declaracin de relaciones, con las cuales se realizan inferencias con el conocimiento y la memoria activa son los resultados obtenidos con el motor de inferencia y los hechos.

%% DECLARACIONES base de hechos %% %% x es padre de y Padrede (Juan, Mara )Padrede (Pablo, Juan )Padrede (Juan, Marcela )Padrede (Pablo, Miguel )Padrede (Miguel, Rosario)Padrede (Carlos , Devora)%% Declaracin de relaciones- motor de inferencias % A es hijo de B si B es Padre de Z Hijode (A, B):Padrede (B, A)% A es abuelo de B si a es padre de C y C es padre de B Abuelode (A, B):Padrede (C, B)% A y B son hermanos si el padre de A es tambin el padre de b y si A y B no son la misma persona

Hermanode (A, B):Padrede (C, A,), Padrede (C,B), A-==B % A es tio de B, si A es hermano de X y X es padre de B

MOTOR DE INFERENCIAS BASE DE CONOCIMIENTOS (B, C) (M, I) Interprete

Estructura de control
BASE DE REGLAS (B, R) BASE DE ECHOS (B, H)

MEMORIA ACTIVA (M, A)

MUNDO EXTERIOR
RESULTADO

DATOS

EXPLICACION

(OPCIONAL)

BASES DE DATOS IMPLEMENTACION Y SERVICIOS

USUARIOS