Fundación Universitaria Los Libertadores

Ingeniería de Sistemas
SISTEMAS EXPERTOS
Taller No. 3 – Gestión de la incertidumbre e
imprecisión en sistemas expertos

Nombre: Luis Enrique Rios Rodríguez

Fecha: 28 de agosto 2019
Docente: Ing. Miguel Hernández Bejarano

1 Fundación Universitaria Los Libertadores

 Luis Enrique Ríos Rodríguez leriosr@libertadores.edu.co
Código 201310052601

RESUMEN

El enfoque de esta investigación está basado en comprender la gran importancia de los conceptos que se presentan en
los sistemas expertos & la inteligencia artificial. Dando como resultado el poder comprender los métodos de
razonamiento e incertidumbres que se pueden generar en un punto en el que el ser humano no sabe cuándo y en donde
puede ocurrir esta falencia, esto ayuda a que el encargado experto de dominio pueda actuar de forma veraz y aplicar
métodos probabilísticos de predicción.

PALABRAS CLAVE: Uncertainty, Classical Probability, Bayesian, vagueness.

ABSTRACT 2. INCERTIDUMBRE

Los sistemas expertos al ser software desarrollado por el

The focus of this research is based on understanding the
great importance of the concepts presented in expert
systems & artificial intelligence. As a result of being able
to understand the methods of reasoning and uncertainties
that can be generated at a point where the human being
does not know when and where this failure can occur, this
helps the domain expert manager to act truthfully. and
apply probabilistic prediction methods.
KEY WORDS
Uncertainty, Classical Probability, Bayesian, vagueness.
1. INTRODUCCIÓN
Un sistema experto es un software de ordenador con la
capacidad de comportarse como lo hace un experto
humano o también conocido como experto de dominio,
este se enfoca en la solución de un problema en un área
específica de conocimiento.
El experto humano es quien proporciona conocimiento en
forma de reglas “razonamientos”, y a su vez debe realizar
su trabajo conjuntamente con un ingeniero de
conocimiento, quien es el encargado de diseñar y
construir sistemas expertos, ya que este decide el método
de razonamiento a utilizar, definición de reglas, que datos
utilizar y como es la correcta manera de representarlos.
Depende de la parametrización de reglas es el resultado
que tendrá el agente o también llamado robot, si al
codificar mal las reglas de la base de conocimiento el
sistema no lograra razonar de forma correcta haciendo
que el sistema experto no cumpla a cabalidad con la tarea
asignada y/o programada.
En particular, una de las propiedades esenciales de los
sistemas expertos, y a la vez una de las más complejas,
es el tratamiento de la incertidumbre
mismo ser humano, tienden a tener problemas de
incertidumbre, ya que esto es muy normal y estos mismos
deben ser capaces de manejar.
Los métodos más populares para tratar temas con
incertidumbres son probabilidades bayesianas, factores
de certeza, y lógica difusa, cabe realizar la aclaración que
hasta el momento ninguno de los métodos mencionados
anteriormente ha sido escogido como el mejor para
solucionar los inconvenientes con las aplicaciones y al
momento de escoger el método este depende de muchos
factores.
Dando más claridad al tema la incertidumbre se crea y se
genera cuando el conocimiento está incompleto y/o
incorrecto del mundo o por limitaciones en la forma de
representar el mismo conocimiento.
Ejemplo: un robot que debe alzar un bloque de sementó
tiene incertidumbre respecto a sus sensores y su posición
frente al mundo.
2.1 Causas de incertidumbre
las causas pueden ser variadas, pero las más importantes
a tener en cuenta tienen que ver con la información, el
conocimiento y la debida representación.
2.1.1 información
Información que es poco fiable, ruidosa, incompleta,
distorsionada y no proviene de una fuente experta.
2.1.2 Conocimiento
Conocimiento poco preciso y contradictorio.
2.1.3 Representación
No es el adecuado, falta de poder descriptivo y con poco
significado.

2 Fundación Universitaria Los Libertadores


2.1.4 Dominios con incertidumbre
Diagnóstico médico.
Predicción financiera.
Exploración minera / petrolera.
Interpretación de imágenes (visión).
Reconocimiento de voz.
Monitoreo / control de procesos industriales.
Robótica.
2.1.5 Efectos
Se pierden varias propiedades de los sistemas que no
tienen incertidumbre, basados en lógicas o reglas, lo cual
hace el manejo de incertidumbre más complejo. Las
principales dos características que, en general, ya no
aplican son modular y Monotónica.
2.1.6 Modular
Un sistema de reglas es modular, ya que para saber la
verdad de una regla sólo tiene que considerarla a ésta,
sin importar el resto del conocimiento, pero si hay
incertidumbre ya no puedo considerar la regla por sí sola,
debe tomar en cuenta otras reglas
2.1.7 Monotónica
Un sistema es monotónico si al agregar nueva
información a su base de datos, entonces no se alteran
las conclusiones que seguían de la base de datos original.
2.1.8 Manejo de Incertidumbre
Para tratar la incertidumbre, hay que considerarla en
forma explícita en la representación e inferencia.
Se han desarrollado diversas técnicas para manejo de
incertidumbre en sistemas inteligentes, que
podemos dividir en dos grandes grupos:
 Técnicas simbólicas (no numéricas).
 Técnicas numéricas.
2.1.9 Técnicas Simbólicas
 Lógicas no-monotónicas
 Lógicas por defecto.
 Lógicas basadas en modelos mínimos.
2.2 Lógicas no Monotónica.
Como la LPO (Lógica de Primer Orden) asume que el
conocimiento es completo y consistente, una vez que un
hecho se asume/es cierto permanece así (Monotonía).
Por ejemplo: si de una Base de Conocimiento (BC) se
deduce una expresión “s”, y se tiene otra Base de
conocimiento BC’ de forma que BC BC’, entonces de
BC’ también se deduce s. Por tanto, el añadir nuevo
3 Fundación Universitaria Los Libertadores
conocimiento siempre incrementa el tamaño de la
Base de Conocimiento.
2.2.1 Lógicas por defecto
Propuesta por Reiter para solucionar el problema del
conocimiento incompleto (1980). Para ello se
introducen una serie de reglas por defecto.
Intuitivamente: “Las reglas por defecto expresan
características comunes a un conjunto de elementos
que se asumen ciertas salvo que se indique lo
contrario”
2.1.2 Lógicas basadas en modelos mínimos
Asunción del mundo cerrado: Sirve para manejar
conocimiento incompleto. Intuitivamente: “Lo que no
se puede probar a partir de mi Base de Conocimiento
es falso”. Es utilizado en las bases de datos y Prolog.
2.1.3 técnicas numéricas
 Modelos estadísticos-probabilísticos.
 Modelo aproximado.
 Modelo de lógica difusa.
 Redes bayesianas
2.1.4 Modelos estadísticos-probabilísticos
Se basan en la teoría de la probabilidad. Las
probabilidades se utilizan para modelizar nuestra
creencia sobre los posibles valores que pueden tomar
los hechos. Cada hecho tendrá una distribución de
probabilidad asociada que nos permitirá tomar
decisiones. La probabilidad de un hecho podrá ser
modificada por nuestra creencia en otros hechos que
estén relacionados.
Ejemplo
Ilustración 1Mapa Probabilística
2.1.5 Modelo de lógica difusa
Vamos a ver ahora como se realiza la inferencia y
consiguientemente la propagación de incertidumbre
en el caso de que la base del conocimiento contenga
un conjunto de reglas inciertas, es decir, reglas de la
forma
con A y B conjuntos difusos de U y V Y con funciones de
posibilidad Jl A Y Jla respectivamente. En lógica clásica
una regla se dice que es correcta si cuando las premisas
son ciertas lo son también las conclusiones. La
generalización para la lógica difusa se traduce en que una
regla es correcta cuando la función de posibilidad de las
premisas es menor o igual que la de las conclusiones. Es
decir,
donde R es una relación binaria difusa representando Jl
R (u, v) el. grado en que u influye en v, pudiendo
considerarse como una función de posibilidad condicional
sobre UxV. El hecho de considerar una desigualdad en
(1.31) en lugar de una igualdad se debe a que si B está
contenido en S' entonces se debe también de deducir B'.
3. PROBABILIDAD CLÁSICA
En teoría de la probabilidad, se expresa como P (Caries
= true | Dolor = true) = 0,8 La probabilidad expresa el
grado de creencia, no el grado de verdad. Por tanto, la
probabilidad puede cambiar a medida que se conocen
nuevas evidencias. La teoría de la probabilidad servirá
como medio de representación del conocimiento incierto.
Un tipo especial de probabilidad, es la probabilidad
condicionada. El objeto de introducir el concepto de
probabilidad condicionada es el de estudiar cómo se va
modificando las probabilidades iniciales de los sucesos al
conocer nueva información. Es decir, se pretende
conocer cuál es la probabilidad de una hipótesis "h"
conocida una evidencia "e". Definición 1.7.- (Espacio
probabilístico condicionado por un suceso).-Sea (O,A)
un espacio probabilístico y e E A con P(e}>O. Se llama
espacio probabilístico condicionado por e, al espacio
probabilístico (e, Ae) donde
Nótese que la clase Ae es una a-álgebra en e y que, por
tanto, (e, Ae) es un espacio probabilístico.
Definición 1.8.- (Probabilidad condicionada por un
suceso).- Sea (O,A,P) un espacio de probabilidad y (e,
Ae) el espacio probabilístico condicionado por el suceso
e E A con P(e»O. Entonces se llama probabilidad
condicionada por e a la función Pe
Con frecuencia se utiliza la notación P(h / e) := P e (h). Es
fácil demostrar que Pe verifica los axiomas Pi, P2 Y que,
por tanto, define una probabilidad sobre el espacio
probabilístico (O,A) de la forma
4 Fundación Universitaria Los Libertadores
Que recibe también el nombre de probabilidad
condicionada por e.
Definición 1.9.- (Independencia de sucesos).- Dados dos
sucesos e y h se dice que h es independiente de e si
Por definición, se cumple que si "h" es independiente de
"e" entonces "e" es independiente de "h".
4. RAZONAMIENTO BAYESIANO
Ejemplo
Un soldado en combate
Imagina que eres un soldado en combate, estás metido
en una trinchera. Sabes que del otro lado del campo de
batalla a 400 metros queda sólo un soldado enemigo. Por
una reunión previa de inteligencia, sabes que el ejército
enemigo está compuesto el 99% de soldados regulares y
el 1% de francotiradores (incluso si no lo sabes puedes
suponerlo, eso hacemos normalmente). Los soldados
regulares son capaces de darle a un blanco a 400 metros
el 20% de las veces, mientras que los francotiradores a
esa misma distancia aciertan el 90% de las veces.
Así que tú te dices a ti mismo, probablemente sea un
soldado regular. Pero para estar seguro, pones tu casco
en un palo y lo asomas cuando ¡Bam! le dan al casco. Así
que te preguntas, ahora que he visto esto, ¿será que es
un francotirador? Bueno, tal vez fue un tiro de suerte de
un soldado regular.
Pasan unos minutos y sacas nuevamente el caso, cuando
¡Bam! le dan nuevamente. Ahora ya más nervioso,
comienzas a reevaluar tus creencias. Tal vez sí es un
francotirador. Pero, ¿qué tan seguro puedes estas?
Bayes al rescate
Usaremos la notación establecida para hipótesis y datos:
sea H+ la hipótesis (evento) que el soldado sea un
francotirador, y H− que no lo sea, esto es, que sea un
soldado regular. De igual manera, sean D+ y D− los datos
positivos y negativos de una prueba, esto es, que un
soldado dispare y acierte y que dispare y no acierte,
respectivamente.
Se nos dan los siguientes datos,
La primera expresión se lee, la probabilidad que al
disparar acierte y sea un francotirador es del 0.9. Las
siguientes de la misma manera. De estos datos podemos
calcular los falsos negativos y los verdaderos negativos,
La probabilidad que dispare no acierte y sea un
francotirador es del 0.1. La siguiente de la misma manera.
Todas las probabilidades se pueden visualizar como un
árbol.
Entonces, la pregunta que debemos responder desde la
trinchera es, ¿cuál es la probabilidad que sea un
francotirador (H+) dado que ha acertado el disparo a mi
casco (D+)? El teorema de Bayes nos permite responder
a esta pregunta, e incluso nos permite actualizar nuestras
creencias según la evidencia que se nos presente en
varias ocasiones. A continuación, la ecuación de Bayes
Se lee la probabilidad que sea un francotirador dado que
ha disparado y acertado. Esta es igual a la información
previa (prior) de la que disponemos que los
francotiradores son pocos (0.1) multiplicado por la
posibilidad, también llamada “verosimiltud” (likelihood),
que ocurra el evento. El numerador lo conocemos, la
probabilidad que al disparar y acertar sea un francotirador
P(D+|H+)=0.9, pero debemos calcular el denominador,
que es una especie de normalización. P(D+) es la
probabilidad total que al disparar quien sea (francotirador
o soldado regular) acierte. Esta se calcula de la siguiente
manera
Por lo tanto, reemplazando los valores obtenemos lo
siguiente
5 Fundación Universitaria Los Libertadores
De tal manera que, antes de sacar el casco creías que la
probabilidad que ese único soldado fuera un francotirador
era del 1%, mientras que después de sacar el casco una
vez y al ver que acierta ha subido tu creencia al 4.3%.
Esto no puede parecer mucho, y en primera instancia
podríamos hasta creer que fue un tiro de suerte. Pero
veamos lo que pasa cuando volvemos a probar la realidad
una segunda vez. Esta vez usaré el teorema de Bayes,
pero mi nuevo prior P∗(H+) será la probabilidad que
acabo de calcular de 0.043.
Ahora la probabilidad que sea un francotirador ha subido
hasta el 17% aproximadamente, ¡3.8 veces!
Qué pasa si sacas el casco una tercera vez, pues la
probabilidad sube hasta 0.428, así que concluyes que
será mejor quedarte quieto y llamar por refuerzos porque
estás seguro un 43% que ese tipo es un francotirador!!!
5. PROGRAMACIÓN DE INCERTIDUMBRE
E IMPRECISIÓN
El núcleo del sistema experto es su motor de inferencia.
Es el que va a escoger y aplicar las reglas, y ejecutar las
interacciones con el usuario. Puede ser de razonamiento
deductivo si parte de los hechos para obtener otros
nuevos o de razonamiento inductivo si parte de un
objetivo y busca cómo alcanzarlo.
La creación de este motor no es una tarea sencilla, pero
es posible implementarlo en todos los lenguajes. Los
motores de razonamiento deductivo son, sin embargo,
mucho más fáciles de codificar, por ejemplo, en C#.
Existen lenguajes particulares, propios de la
programación funcional o lógica, como Prolog, que
permiten simplificar la implementación de sistemas
expertos. En efecto, el motor es una parte integrante del
lenguaje.
Por último, es posible agregar la gestión de incertidumbre,
tanto a nivel de los hechos introducidos por el usuario
como en las reglas, para dominios más difíciles.
6. REFERENCIAS
[1]
http://funes.uniandes.edu.co/6613/1/Parra2013Analisis.p
df
[2]
http://andresmarrugo.net/es/blog/2018/04/29/razonamien
to-bayesiano/
[3]
http://ehost.deusto.es/docs/2005/conferencias/Bayes05.