1. BLUEFIELDS INDIAN & CARIBBEAN UNIVERSITY
BICU
FACULTA DE CIENCIAS DE LA EDUCACIÓN Y HUMANIDADES
FACEYH
ESCUELA DE INFORMÁTICA
INGENIERÍA EN SISTEMAS DE INFORMACIÓN
Sistemas basados en reglas
Autores:
Br. Carlos José Morataya
Br. Koenett Wallis Hansack Beliss
Br. Brent Lennon Lackwood Pineer
Tutor:
MSc. Dexon Mckensy Sambola
Bluefields, RACCS, Nicaragua
Agosto, 2021
2. Sistemas Basados en Reglas
Hay muchos casos en los que podemos resolver
situaciones complejas haciendo uso de reglas
deterministas, hasta el punto de que su uso
consigue sistemas automáticos que se
comportan como humanos expertos en un
dominio particular permitiendo tomar
decisiones delicadas como, por ejemplo: en
sistemas de control de tráfico, transacciones
bancarias, o diagnóstico de enfermedades.
4. La base de conocimiento de la que se parte contiene las variables y el
conjunto de reglas que definen el problema, y el motor de inferencia es
capaz de extraer conclusiones aplicando métodos de la lógica clásica
sobre esta base.
Una regla en este contexto es una proposición lógica que relaciona dos o
más objetos del dominio e incluye dos partes, la premisa y la conclusión,
que se suele escribir normalmente como “Si premisa, entonces
conclusión”. Cada una de estas partes es una expresión lógica con una o
más afirmaciones objeto-valor conectadas mediante operadores lógicos
(y, o, o no).
5.
6. El Motor de Inferencia
Como hemos comentado, las bases de conocimiento se conforman a
partir de dos tipos de elementos básicos, por una parte
los datos (también conocidos como hechos o evidencias), y por otra
el conocimiento (representado por el conjunto de reglas que rigen las
relaciones entre los datos). Pero una vez tenemos esta información
almacenada, necesitamos un mecanismo para manipular
automáticamente sus componentes y extraer conclusiones.
7. A este mecanismo se le denomina motor de inferencia, que a partir
de la base de conocimiento obtiene nuevas conclusiones,. Por
ejemplo, si la premisa de una regla es cierta, entonces aplicando la
regla lógica de Modus Ponens, la conclusión de la regla debe ser
también cierta, y de esta forma los datos iniciales se incrementan
incorporando las nuevas conclusiones.
8. Para obtener conclusiones, se pueden utilizar diferentes tipos de reglas y estrategias de inferencia y control, pero
nosotros mostraremos aquí las más básicas y universales: Modus Ponens y Modus Tollens como sistemas básicos de
inferencia, y encadenamiento de reglas hacia adelante y encadenamiento de reglas hacia atrás (orientado por
objetivos), como estrategias de inferencia.
El Modus Ponens y Modus Tollens se corresponden con los siguientes esquemas básicos de inferencia. Obsérvese
que el Modus Tollens se deduce del Modus Ponens teniendo en cuenta que la lógica que usamos es bivaluada (una
afirmación, o es verdadera o es falsa, no hay una tercera opción).
9. El encadenamiento de reglas hacia delante puede
utilizarse cuando las premisas de algunas reglas
coinciden con las conclusiones de otras, de forma que
al aplicarlas sucesivamente sobre los hechos iniciales
podemos obtener nuevos hechos. A medida que
obtenemos más hechos, podemos repetir el proceso
hasta que no pueden obtenerse más conclusiones.
10. El encadenamiento de reglas hacia atrás parte del hecho que se
quiere concluir y mira qué reglas lo tienen como conclusión, se
toman las premisas de estas reglas y se consideran como
objetivos parciales que se quieren verificar. Por medio de un
proceso de comparación con los hechos de la base de
conocimiento y un proceso de back tracking, se va decidiendo
cuáles de los objetivos parciales se van cumpliendo y cuáles
quedan pendientes.
12. En la figura anterior, el encadenamiento hacia adelante partiría desde
los hechos de la izquierda y avanzaría aplicando las reglas hacia la
derecha, mientras que el encadenamiento hacia atrás partiría de la
conclusión de la derecha y buscaría los hechos necesarios y
suficientes hacia la izquierda. Debe tenerse en cuenta que el uso de
cualquiera de las dos estrategias no es excluyente, y que suelen
usarse conjuntamente para obtener mejores resultados
13. Junto a la posibilidad de inferir nuevos conocimientos, este
sistema también puede mostrarnos incoherencias dentro de la
base de conocimiento, ya sea porque es imposible obtener ciertas
conclusiones, o porque hay inconsistencias entre los hechos
iniciales y las reglas de la base. En todo caso, un motor de
inferencia útil debería ser capaz de encontrar estas
inconsistencias y presentarlas al usuario.
14. Asimismo, una vez encontrada la cadena de reglas
que llevan de los hechos iniciales hasta la
conclusión encontrada, podemos extraer una
explicación adecuada de porqué se obtiene ese
resultado, por lo que no es un motor tipo caja
negra, sino que ofrece una herramienta explicativa
que amplía nuestro conocimiento del sistema.
15. Ventajas e Inconvenientes
Entre las ventajas de los Sistemas Basados en Reglas, podemos destacar:
Representan de forma natural el conocimiento explícito de los expertos: normalmente, los expertos
humanos explican el procedimiento de resolución de problemas por medio de expresiones del tipo "Si
estamos en esta situación, entonces yo haría esto...", que se adapta fielmente al modelo seguido aquí.
Estructura uniforme: Todas las reglas de producción tienen la misma estructura "Si... entonces...".
Cada regla es una pieza de conocimiento independiente de las demás.
Separación entre la base de conocimiento y su procesamiento.
Capacidad para trabajar con conocimiento incompleto e incertidumbre (introduciendo variantes).
16. Relaciones opacas entre reglas: Aunque las reglas de producción son muy simples desde un punto de vista
individual, las interacciones que se producen a larga distancia entre la red de reglas existentes pueden ser
muy opacas, lo que hace que generalmente sea difícil saber qué papel juega una regla en particular en la
estrategia global de razonamiento que hay detrás.
Estrategias de búsqueda muy ineficientes: esencialmente, el motor de inferencia realiza una búsqueda
exhaustiva en todas las reglas en cada ciclo de iteración, por lo que los sistemas de reglas con muchas reglas
(que pueden llegar a ser miles) son lentos y, a menudo, inviables en problemas del mundo real.
Incapaz de aprender: los sistemas de reglas sin aditivos no son capaces de aprender de la experiencia, por lo
que haber extraído un conocimiento nuevo del sistema no proporciona métodos para poder aprender más
cosas de forma más rápida posteriormente.
17. Estrategias de búsqueda muy ineficientes: esencialmente, el motor de inferencia
realiza una búsqueda exhaustiva en todas las reglas en cada ciclo de iteración,
por lo que los sistemas de reglas con muchas reglas (que pueden llegar a ser
miles) son lentos y, a menudo, inviables en problemas del mundo real.
Incapaz de aprender: los sistemas de reglas sin aditivos no son capaces de
aprender de la experiencia, por lo que haber extraído un conocimiento nuevo
del sistema no proporciona métodos para poder aprender más cosas de forma
más rápida posteriormente.