3. Representación del conocimiento y razonamiento.

INSTITUTO TECNOLÓGICO
de Tuxtepec
“Inteligencia Artificial.
Unidad III Representación del Conocimiento y
Razonamiento.
PRESENTA:
Chalate Jorge Humberto
Gaspar Rufino M. del Rosario
Hernández García Nidia M.
Juárez Martínez Esmeralda
Ortiz Andrés Erika
SEMESTRE:
8° “A”
ESPECIALIDAD:
INGENIERÍA EN SISTEMAS COMPUTACIONALES
DOCENTE:
M.S.C. TOMÁS TORRES RAMÍREZ
S.E.P D.G.E.S.T S.N.E.S.T
ISC – 2015/01
Tuxtepec, Oax. a 25 de mayo de 2015

Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 2 | 22
Contenido
3.- Sistemas basados en conocimiento. .................................................................................. 3
3.1.1. Concepto de conocimiento. ......................................................................................... 3
3.1.2. Lenguajes utilizados en la representación de conocimiento.............................. 6
3.2. Mapas conceptuales.............................................................................................................. 8
3.3. Redes semánticas.................................................................................................................. 9
3.4. Lógica de predicados.......................................................................................................... 11
3.4.1. Sintaxis. ........................................................................................................................... 12
3.4.2. Semántica........................................................................................................................ 13
3.4.3. Validez.............................................................................................................................. 14
3.4.4. Inferencia......................................................................................................................... 15
3.5. Razonamiento con incertidumbre.................................................................................... 17
3.5.1. Aprendizaje..................................................................................................................... 18
3.5.2. Razonamiento probabilístico..................................................................................... 19
3.5.3. Lógicas multivaluadas................................................................................................. 19
3.5.4. Lógica difusa.................................................................................................................. 19
3.6. Demostración y métodos. .................................................................................................. 20
Fuentes Bibliográficas................................................................................................................ 22

P á g i n a 3 | 22
3.- Sistemas basados en conocimiento.
Los sistemas basados en conocimiento surgen como una evolución de los
paradigmas de programación a lo largo de la historia de la informática. En los
primeros tiempos de la computación, los programas, ante una petición del usuario,
típicamente producían una salida accediendo a datos almacenados en ficheros con
formatos particulares de cada aplicación. Más adelante surgieron las bases de
datos, que abstraían la capa de almacenamiento/persistencia de datos, eliminando
esos ficheros, facilitando así la gestión de la información necesaria para la
aplicación. Además aparecen los conceptos de la interfaz gráfica del sistema
operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son
una nueva evolución: en estos sistemas, los datos, la “base de conocimientos”, se
convierten en lo más importante, y el código que los explota, el “motor de
inferencias”, se generaliza según diferentes paradigmas. Esta base de
conocimientos la produce un usuario experto en el dominio, los ingenieros del
conocimiento, que son diferentes a los programadores de la interfaz o del propio
motor de inferencias.
3.1.1. Concepto de conocimiento.
Los Sistemas basados en Conocimiento representan un paso delante de los
sistemas de información convencionales al pretender representar funciones
cognitivas del ser humano como el aprendizaje y el razonamiento.
 Esta clase de aplicaciones descansan en las contribuciones de la Inteligencia
Artificial en lo general y en la Ingeniería del Conocimiento en lo particular.
 Su orientación es la automatización del análisis de problemas, la búsqueda
de soluciones, la toma de decisiones y el empleo de conocimiento
especializado en un campo específico de aplicación.
Entre los productos más significativos de los Sistemas basados en Conocimiento se
encuentran los Sistemas Expertos, los cuales están encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento
para tareas de diagnóstico, enseñanza y control.

P á g i n a 4 | 22
 La composición de los Sistemas basados en Conocimiento consta de: Un
mecanismo de aprendizaje, una base de conocimientos, un motor de
razonamiento, y medios de comunicación hombre-máquina.

P á g i n a 5 | 22
Conocimiento: Datos No Estructurados
Todos sabemos que la ciencia e ingeniería son dominadas por principios. Es decir
reglas generales, las cuales si se aplican de manera uniforme resuelven todos los
problemas de una misma clase Esto es visible principalmente en las matemáticas,
donde una de sus principales tareas es reducir problemas aparentemente
complejos, mediante un conjunto de principios mínimos para su solución más fácil
Las computadoras fueron creadas por matemáticos
Es por eso que son máquinas que se adaptan muy bien a implementar los principios
matemáticos Las nociones algorítmicas base reﬂejan siempre el concepto de
máquinas de calculo
Por lo contrario el comportamiento humano se rige por otro tipo de principios (en
teoría muy pocos). Dice un viejo proverbio que “no hay regla sin excepción”, de tal
forma que las excepciones hacen mal funcionar a los principios en dominios donde
se aplican un poco de principios conocidos.
En términos computacionales, es posible distinguir entre un tratamiento de datos
estructurados y no estructurados. La Computación clásica se adapta al tratamiento
de datos estructurados por ejemplo: Cifras, Códigos y otros contenidos de bases de
datos Por lo contrario, el comportamiento humano se basa sobre una inmensidad
de datos no estructurados: reglas de normas sociales así como también información
con incertidumbre. Este último tipo de datos son difícilmente formalizables bajo un
formato estructurado. Ya que de manera general son incompletos, ambiguos y
muchas veces inconsistentes.
Para la Inteligencia Artiﬁcial a estos datos les llama CONOCIMIENTO

P á g i n a 6 | 22
3.1.2. Lenguajes utilizados en la representación de conocimiento.
 Se han diseñado a lo largo de los años diversos formalismos y lenguajes que
permiten modelar de un modo formal el conocimiento.
 Existen diversos formalismos para la representación del conocimiento, cada uno
con sus propios lenguajes y cada uno con sus ventajas e inconvenientes.
 En esto, al igual que en la Ingeniería del Software, no existe la técnica ideal que
nos permita resolver cualquier problema de la mejor manera.
 Dependerá del tipo de problema, del conocimiento que se quiera representar,
de la expresividad que se necesite, y del uso que se le quiera dar, el que un
formalismo y un lenguaje sea más conveniente que otro.
Lenguajes Basados en Lógica Formal
 Muchos de los sistemas de representación del conocimiento de la
actualidad se basan en algún tipo de lógica formal.
 La lógica formal aporta un buen número de ventajas para la
representación del conocimiento y su manejo, partiendo de una sintaxis
y semántica bien deﬁnidas que detallan perfectamente la forma de
construir sentencias y razonamientos sobre ellas.
Ejemplos:
 Lógica Proposicional
 Lógica de Primer Orden
 KIF
 Lógicas Descriptivas
Lenguajes Basados en Frames o Marcos

P á g i n a 7 | 22
Estos lenguajes son similares a los lenguajes de programación orientados a objetos,
en el sentido de que modelan el conocimiento utilizando clases (frames), atributos,
objetos y relaciones, y utilizan relaciones de generalización y especialización para
representar la organización jerárquica de los conceptos.
Uno de los posibles lenguajes basados en frames es KM.
Lenguajes Basados en Reglas
 Estos lenguajes han sido durante mucho tiempo posiblemente los más
usados de todos, principalmente debido a su estrecha relación con los
Sistemas Expertos utilizados en Inteligencia Artificial.
 Estos lenguajes son fáciles de entender debido a su sencillez conceptual y a
su paralelismo con las estructuras de control más simples utilizadas en
programación.
Este tipo de lenguajes han recibido también un fuerte impulso a partir de la aparición
de la web semántica, ya que se piensa en ellos como herramientas para definir
servicios web, y como herramienta base que permita definir la forma en la que
pueden interactuar las aplicaciones de comercio electrónico.
Para ello se ha creado una iniciativa “Rule Markup Initiative” que ha diseñado el
lenguaje RuleML, basado en XML y que por lo tanto está pensado desde su
concepción para garantizar la interoperabilidad necesaria en el web.

P á g i n a 8 | 22
3.2. Mapas conceptuales.
Los mapas conceptuales son instrumentos de representación del conocimiento
sencillo y práctico, que permiten transmitir con claridad mensajes conceptuales
complejos y facilitar tanto el aprendizaje como la enseñanza. Para mayor
abundamiento, adoptan la forma de grafos.
En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se
denominó redes semánticas y que se usa ampliamente para la representar el
conocimiento formal. En lingüística, Graesser y Clark han desarrollado un análisis
de formas de argumentación en el texto en forma de mapas conceptuales
estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la
ciencia, la dinámica de mapas conceptuales se ha usado también para representar
los procesos de cambio conceptual de las revoluciones científicas y en filosofía de
la ciencia, Toulmin desarrolló una teoría de argumentación científica basada en
mapas conceptuales. También los mapas conceptuales han sido utilizados en la
educación, el diseño de las organizaciones para la toma de decisiones, la
adquisición de conocimiento especializado, los sistemas sociales, la toma de
decisiones políticas, etc.
Un mapa conceptual es una técnica sencilla que permite representar el
conocimiento de forma gráfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.

P á g i n a 9 | 22
3.3. Redes semánticas.
Una red semántica es un grafo, donde los vértices representan conceptos y los
arcos representan relaciones entre los conceptos.
Las redes semánticas a nivel de ontología se utilizan para representar vocabulario
que es esencialmente muy valioso para los seres humanos.
Ejemplo: represente mediante una red semántica la frase “un gato es un animal”
Y podría incluir otra frase, “Garfield es un gato
Las redes semánticas están basadas en la idea que los objetos o los conceptos
pueden ser unidos por alguna relación.
Estas relaciones se representan usando una liga que conecte dos conceptos.
Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a
modelar.
Las redes semánticas fueron originalmente desarrolladas para representar el
significado o semántica de oraciones en inglés, en términos de objetos y relaciones.

P á g i n a 10 | 22
Desventajas de las redes semánticas
No existe una interpretación normalizada para el conocimiento expresado por la red.
La interpretación de la red depende exclusivamente de los programas que
manipulan la misma. La dificultad de interpretación a menudo puede derivar en
inferencias inválidas del conocimiento contenido en la red. La exploración de una
red asociativa puede derivar en una explosión combinatoria del número de
relaciones que deben ser examinadas para comprobar una relación, sobre todo si
la respuesta a una consulta es negativa. No hay manera de insertar alguna regla
heurística para explorar la red de manera eficiente.
Ventajas de las redes semánticas
Permiten la declaración de importantes asociaciones en forma explícita. Debido a
que los nodos relacionados están directamente conectados, y no se expresan las
relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda
por hechos particulares puede ser significativamente reducido.

P á g i n a 11 | 22
3.4. Lógica de predicados.
Es una herramienta para estudiar el comportamiento de un sistema lógico. Además
proporciona un criterio para determinar si un sistema lógico es absurdo o
inconsistente.
Sistema simbólico: Lenguaje y fórmulas lógicas.
Sintaxis Sistema
LÓGICA
Semántica Simbólica
Proposiciones
Representación en lenguaje cotidiano que debe estar libre de vaguedades.
Atómicas simples (sin términos de enlace)
Proposiciones
Moleculares unión de prop. Atómicas
Conexiones lógicas y Términos de enlace
Palabras de enlace que unen proposiciones atómicas para formar proposiciones
moleculares.
Término Significado Símbolo
AND “Y” &
OR “O” V
NOT “No” ⌐
IF “Sí..entonces”

P á g i n a 12 | 22
Simbolización de proposiciones
Uso de variables para representar proposiciones.
P = "Se cerró el circuito"
Q = "Operó la marcha"
P & Q = "Se cerró el circuito y operó la marcha"
¬Q = "No operó la marcha"
Jerarquía de aplicación
Menor jerarquía
&, V
¬ Mayor jerarquía
3.4.1. Sintaxis.
Elementos
 Términos: Representan objetos del dominio.
 Constantes: Representan un objeto individual en concreto
 notación: cadenas de caracteres, comienzan en mayúsculas
 Ejemplos: Juan; Mi coche;…

P á g i n a 13 | 22
 Funciones: Representan (implícitamente) un objeto individual que está
relacionado con los n objetos que participan en la función
 notación: símbolo de función (cadena, comienza con Mays.) con aridad n
+ n argumentos (términos) entre paréntesis
 Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)…
 Variables: Representan objetos sin indicar cuales
 Uso:
 notación: cadenas de caracteres en minúsculas
 Ejemplos: x; y; padre; hijo;…
 Predicados: Representan una propiedad de un término (si aridad 1) o relaciones
entre k términos (si aridad k > 1)
 notación: cadenas de caracteres + k términos (variables, constantes,
funciones) entre paréntesis
 Átomos: formulas bien formadas (f. b. f.) compuestas por un único predicado
 Literales: Átomo o negación de un átomo.
 Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de
(Juan));…
3.4.2. Semántica.
Representamos un mundo donde hay:
Referirse a un objeto específico no identificado.
Referirse a un conjunto de objetos

P á g i n a 14 | 22
 Un n° infinito de objetos individuales representados por símbolos de
constantes y variables
o Pueden ser entidades concretas (personas, cosas) o
abstractas(números, eventos)
 Un n° infinito de objetos de nidos en función de otros objetos, representados
por símbolos de función
 Relaciones entre los objetos del dominio, representadas por símbolos de
predicado
o Si la aridad es 1, se habla de propiedades de objetos
INTERPRETACIONES:
Una interpretación establece las relaciones anteriores entre los símbolos de la lógica
y los elementos del mundo real
 asocia a las constantes objetos del mundo
 asocia a las funciones relaciones funcionales entre objetos
 asocia a los predicados relaciones entre objetos
Más compleja que en lógica de proposiciones
Dominio de una interpretación: Conjunto de objetos del mundo que se manejan en
una interpretación Formalmente: Dada una conceptualización formada por:
U: universo de discurso (conj. de individuos/objetos)
R: conj. Finito de relaciones entre objetos de U
F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o más objetos de U
3.4.3. Validez.
 Un predicado con variables libres no es verdadero ni falso, hasta que se
asignen valores para dichas variables.

P á g i n a 15 | 22
 Algunos de ellos serán siempre verdaderos independientemente de los
valores que se escojan: estos son predicados válidos.
 Un predicado que es verdadero o falso dependiendo de los valores elegidos
se dice que es satisfacible.
 Un predicado que es siempre falso se dice que es no satisfacible.
3.4.4. Inferencia.
Reglas de inferencia
 Modus Ponendo Ponens
 Modus Tollendo Tollens
 Modus Tollendo Ponens
 Doble negación

P á g i n a 16 | 22
 Regla de adjunción Regla de Simplificacion
 Ley de adición
 Ley de simplificación disyuntiva
 Ley del silogismo hipotético
 Ley del silogismo disyuntivo

P á g i n a 17 | 22
 Leyes de Morgan
Reglas de operación
1.- Cambiar & por V, o viceversa
2.- Negar cada proposición
3.- Negar la proposición completa
3.5. Razonamiento con incertidumbre.
En situaciones reales, no siempre es posible contar con toda la información.
Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy
rápidamente.
Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.
Diversos métodos han sido desarrollados para evaluar los grados de certeza o de
verdad de las conclusiones.
Uno de los más generalizados consiste en asignar coeficiente de certeza o de
confianza a los hechos que intervienen en las en las condiciones y en la conclusión
de una regla.
Todos los mecanismos de representación de conocimiento vistos están basados en
lógica bajo estos supuestos:
• Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso.
• Para poder razonar necesitamos tener todos los hechos a nuestra
disposición.
Pero en las prácticas nos encontramos con estos problemas:

P á g i n a 18 | 22
• Representar el conocimiento para cubrir todos los hechos que son relevantes
para un problema es difícil.
• Existen dominios en los que se desconocen todos los hechos necesarios
para resolver el problema.
• Existen problemas en los que aun teniendo las reglas para resolverlos no
disponemos de toda la información necesaria o no tenemos confianza
absoluta en ellas.
• En otros problemas las reglas no se aplican siempre o su confianza cambia
con la confianza que tenemos en los hechos.
3.5.1. Aprendizaje.
Máquina que aprende: Sistema organizado que transforma un mensaje de entrada
en uno de salida, de acuerdo con el principio de Transformación.
Si tal principio está sujeto a cierto criterio de validez, el método de transformación
se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema
aprende.
Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de
estímulos que provienen del entorno; reciben la información y la almacena con el fin
de reutilizarla en situaciones o patrones de estímulos semejantes.
La Organización (o reorganización) de la propia conducta (ante una situación o un
patrón de estímulos) como resultado de una experiencia individual.
Todos los estímulos a los que un individuo responde es un cierto contexto pueden
no ser efectivos para producir una conducta de aprendizaje en otros contextos.

P á g i n a 19 | 22
3.5.2. Razonamiento probabilístico.
La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que está basada en la teoría clásica de la probabilidad.
Las hipótesis son más o menos probables dependiendo de las posibilidades de los
hechos o evidencias que las sostiene.
Las probabilidades se calculan en base a la fórmula general de la probabilidad
condicionada de Bayes o algunas transformaciones de la misma.
Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que
las personas asignan probabilidades de ocurrencia de un suceso basándose en su
frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y
opiniones.
3.5.3. Lógicas multivaluadas.
Se usa en matemáticas como procedimiento para buscar modelos no estándar; esto
es esencialmente lo que hace para conseguir los modelos generales de Henkin para
la lógica superior responsables de su teoría de completud.
3.5.4. Lógica difusa.
También llamada lógica borrosa o heurística, se basa en lo relativo de lo observado
como posición diferencial, este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí.

P á g i n a 20 | 22
3.6. Demostración y métodos.
Métodos deductivos de demostración: el método deductivo es un proceso que parte
de un conocimiento general, y arriba a uno particular. La aplicación del método
deductivo nos llevó a un conocimiento con grado de certeza absoluta y esta
cimentado en preposiciones llamadas silogismos.
Ejemplos:
“Todas las mexicanas son bellas”, (este es el concepto general).
‘Luz Ortiz es mexicana’
Luego:
‘Luz Ortiz es bella’
En la lógica formal y sobre todo en el universo matemático, el proceso deductivo
tiene un significado un poco diferente, pues está basado en axiomas, o
preposiciones que son verdades por definición.
Ejemplos de axiomas:
“El todo es mayor que la parte”
“Dos cosas iguales a una tercera son iguales entre sí”
Al conjunto de Hipótesis + Demostración + Conclusión se denomina Teorema.
El Método de resolución de Robinson.
Es un intento por mecanizar el proceso de deducción natural de esa forma eficiente.
Las demostraciones se consiguen utilizando de esa forma el método refutativo
(deducción al absurdo), es decir lo que intentamos es encontrar contradicciones.
Para probar una sentencia nos basta con demostrar que su negación nos lleva a
una contradicción con las sentencias conocidas (es insatisfactible). Si la negación
de una sentencia entra en contradicción con los hechos de nuestra base de

P á g i n a 21 | 22
conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y
se puede deducir lógicamente de las sentencias que componen dicha base de
conocimientos.
Ejemplo:
• Lloverá O habrá un examen.
• David es Darth Vader O no lloverá.
• David no es Darth Vader.
• Habrá un examen?
Solución:
• Lluvia = a , Examen = b, David es Vader = c
• Base de Conocimiento (todas son ciertas): a V b, c V ¬ a, ¬ c
• Por Resolución sabemos que b V c es cierta.
• Por Resolución Unidad sabemos que b es cierta.

P á g i n a 22 | 22
Fuentes Bibliográficas.
 Alejandro Peña Ayala, Sistemas basados en conocimiento: Una base para su
concepción y desarrollo, Instituto Politécnico Nacional.
 Dr. Wladimir Rodríguez, Postgrado en Computación, Inteligencia Artificial clase #6
Representación del conocimiento.
 Francisco Jose Ribadas Pena, Informática, INTELIGENCIA ARTIFICIAL,
Representación del Conocimiento, 13 de noviembre de 2009.
 Wendy B. Rauch-Hindin, Aplicaciones de la Inteligencia Artificial en la
actividad empresarial, la ciencia y la industria, ediciones Díaz de santos,
1989.
Fuentes consultadas:
 http://www.rvazquez.org/Misitio/ia2010_files/unidad3ia.pdf
 http://iaplan2010.esy.es/unidad-3/3-2-mapas-conceptuales/
 http://iaplan2010.esy.es/unidad-3/3-3-redes-semanticas/

3. Representación del conocimiento y razonamiento.

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a 3. Representación del conocimiento y razonamiento.

Similar a 3. Representación del conocimiento y razonamiento. (20)

Más de Humberto Chalate Jorge

Más de Humberto Chalate Jorge (15)

Último

Último (20)

3. Representación del conocimiento y razonamiento.