Este documento presenta una introducción a los sistemas expertos y los sistemas basados en conocimiento. Brevemente describe la evolución de los sistemas expertos desde la década de 1960 y su aplicación en dominios especializados. También resume los principales componentes de un sistema experto, incluida la base de conocimiento y el motor de inferencias, y destaca la importancia de representar el conocimiento de forma independiente del mecanismo de razonamiento.
2. 60´s
Inicio de los Sistemas Expertos
Se buscaban soluciones generales
70´s Los sistemas son más eficientes en dominios
acotados
La calidad y cantidad de conocimiento son
esenciales para una buena performance
Es importante independizar el conocimiento
del dominio, del mecanismo de inferencia.
3. Sistemas basados en conocimiento (SBC-KBS)
Definiciones.
Sistemas que representan el conocimiento sobre el
dominio en forma explícita y separada del resto del
sistema.
Waterman.
Sistemas que resuelven problemas aplicando una
representación simbólica de la experiencia humana.
Jackson.
4. Sistemas basados en conocimiento (SBC-KBS)
Definiciones.
Sistemas de software capaz de soportar la
representación explícita del conocimiento de un
dominio específico y de explotarlo a través de
mecanismos apropiados de razonamiento para
proporcionar un comportamiento de alto nivel en la
resolución de problemas.
Guida y Taso
5. Sistemas Expertos: Definición.
Es un sistema de cómputo capaz de simular la conducta
inteligente de un experto humano en un dominio
específico y especializado, con el objeto de resolver
problemas.
Hardware + software
Fuente de pericia humana en el dominio
Sistema de computación
Simulación
Conducta inteligente
Experto
Dominio limitado Específico y especializado
6. Experiencia humana vs. SE.
PERICIA ARTIFICIAL PERICIA HUMANA
Permanente Perecedera
Siempre accesible No siempre accesible
Fácil de documentar No documentable
Estable, confiable Variable, flexible
Costo manejable Costosa
Fragilidad de las máquinas Fragilidad humana
Sin inspiración Creativa
Conocimiento técnico Sentido común
Estática - Dinámica Dinámica (aprendizaje)
Dominios estrechos Dominios más extensos
Los humanos son imprescindibles!!!
7. SE/SBC: Tareas
Tareas abordadas
Síntesis: Clasificación, diagnóstico
Análisis: Planificación, diseño o modelado
Las áreas de aplicación son muy variadas !!!
Los SBC abordan problemas complejos en dominios específicos
en los que el peso de las heurísticas para acotar el espacio de
búsqueda es importante.
8. Primeros Sistemas Expertos
MYCIN
Stanford (Buchanan - Shortliffe 1976):
Diagnóstico y tratamiento de enfermedades
infecciosas (aprox. 500 reglas). Introduce
factores de certeza.
PROSPECTOR
Stanford-US Geological Survey (Duda-Gashning-
Hart, 1979): Evaluación de yacimientos minerales
y petrolíferos. (aprox 1600 reglas). Probabilidades
condicionales y Teorema de Bayes.
Conocimiento
inexacto
INTERNIST
Pittsburg (Pople-Myers, 1977): Diagnóstico
en Medicina interna. CADUCEUS: Analiza
relaciones causales.
CASNET
Rutgens (Kulikowsky-Weiss-Safir, 1977):
Oftalmología. Aplica un modelo causal para el
diagnóstico de glaucoma.
Razonamiento experto
Modelos causales
R1
MOLGEN
Carnegie Mellon (Mc Dermott): Configuración de
ordenadores VAX (aprox 500 reglas). Descompone
el diseño en distintos niveles de abstracción. Reducción espacio
de búsqueda
Stanford (Stefik): Diseño de experimentos
genéticos. Utiliza abstracción.
9. Habilidades que se esperan de un SE
Buena perfomance, comparable al menos a la de los especialistas.
Manipular con fluidez descripciones simbólicas.
Interfaz amigable, adecuada a las necesidades de la aplicación.
Habilidad para manipular conocimiento incompleto e impreciso.
Capacidad de explicar sus decisiones a los usuarios.
Posibilidad de justificar sus conclusiones.
10. Periodo industrial de la IA
Década de
los 80
Importante apoyo económico a los esfuerzos de I+D.
Gran cantidad de SE en distintos dominios.
CRISIS
Problemas con la metodología de desarrollo
Limitaciones propias del tipo de sistema.
Comparable a la Crisis
de los SI pero posterior
11. Crisis
SBC
Desarrollo de la Ingeniería del Conocimiento
Crisis
SI
Desarrollo de la Ingeniería del Software
Ingeniería del Conocimiento (IC)
La Ingeniería del Software consiste en la aplicación de una
aproximación sistemática, disciplinada y cuantificable al desarrollo,
funcionamiento y mantenimiento del software. (IEEE, 1999)
La IC tiene los mismos objetivos respecto de los SBC
12. SBC: Ventajas
El conocimiento no se pierde.
Reducción del espacio de búsqueda con heurísticas para que
el problema sea tratable en un tiempo razonable.
Manejo de conocimiento incierto e incompleto.
Posibilidad de justificar el razonamiento seguido.
Hacer el conocimiento disponible en ambientes hostiles o con
carencia de especialistas.
Aumento de fiabilidad, evitando que prevalezcan las últimas
experiencias.
Modificación sencilla de la BC por su característica modular.
13. SBC: Inconvenientes
La adquisición del conocimiento es difícil y cara.
La reutilización del conocimiento en contextos diferentes
no es simple.
Falta de creatividad y sentido común.
Obstáculos para el aprendizaje y la adaptación.
Quedan inmersos en el campo de los Sistemas Inteligentes.
Se trabaja sobre metodología de desarrollo
Se los combina con otras tecnologías
14. Estructura básica de un SE/SBC.
Base de
Conocimientos
Motor de
Inferencias
I
n
t
e
r
f
a
c
e
U
s
u
a
r
i
o
Ingeniero del
conocimiento
Experto del
dominio
K
A
T
15. Estructura básica de un SE/SBC
Base de
Conocimientos
Su estructura de datos queda definida en
términos del esquema de representación
elegido para incorporar el conocimiento
del dominio de trabajo.
Motor de
Inferencias
Es la estructura de control de un SE,
contiene el programa que gestiona la BC y
otros mecanismos necesarios para
administrar un sistema de naturaleza
interactiva.
Separados entre sí
17. PREMISA FUNDAMENTAL DE IA:
Para que un sistema informático
demuestre un comportamiento inteligente
en la solución de problemas, debe poseer
gran cantidad de conocimientos y
un potente mecanismo de razonamiento.
IMPORTANCIA DE UNAADECUADA
REPRESENTACION DEL CONOCIMIENTO
18. •CONOCIMIENTO DEL MUNDO (en IA)
Es la habilidad para construir un modelo de
los objetos, sus vinculaciones y de las
acciones que pueden realizar.
•REPRESENTACION DEL CONOCIMIENTO
Es la expresión mediante algún lenguaje, de un
modelo que exprese el conocimiento sobre el
mundo.
:
19. Conocimiento – Definición
El conocimiento es una mezcla de experiencia,
información y “saber hacer” que actúa como marco para
la incorporación de nuevas experiencias y guia la acción.
Se utiliza para alcanzar una meta
Genera nuevo conocimiento
Resulta en gran medida dependiente de la tarea
y del dominio de aplicación.
20. Niveles de representación:
La representación elegida influye directamente en la
eficacia y eficiencia de la solución lograda
Nivel del conocimiento
Nivel simbólico
Hechos, comportamiento y
objetivos de los agentes.
Símbolos manipulables
por un sistema
Debe existir
correspondencia
Adecuación representacional
Adecuación inferencial
21. Representación:Modelado de un sistema
Adquisición del conocimiento
Conceptos y
relaciones
Métodos de
inferencia
Modelo
Conceptual
Modelo
Formal
No computable
Semicomputable
Representa simbólicamente
y organiza el conocimiento.
Determina el mecanismo
de inferencia adecuado.
22. Representación: Modelado de un sistema
Modelo
Computable
Operacional
Bases de Conocimiento
Mecanismos de inferencia
Mecanismos de control
Las tareas de adquisición y modelado son difíciles y costosas.
Existen esquemas de representación útiles en dominios variados.
Los Sistemas Basados en Conocimiento los combinan.
23. ELEMENTOS BASICOS QUE INTERVIENEN EN EL
DISEÑO DE UN SISTEMA BASADO EN EL
CONOCIMIENTO (KBS)
Lenguaje formal para expresar conocimiento
Forma de efectuar razonamientos
COMPONENTE MEDULAR DE UN KBS (Agente)
BASE DE CONOCIMIENTOS (KB)
Es un conjunto de representaciones de hechos
acerca del mundo
Conjunto de sentencias del lenguaje para la
representación del conocimiento
25. PROPIEDADES DE UN BUEN
FORMALISMO DE REPRESENTACION:
• ADECUACION REPRESENTACIONAL
• ADECUACION INFERENCIAL
• EFICIENCIA INFERENCIAL
• EFICIENCIA EN LAADQUISICION-
MODIFICACION
Rich & Knight
26. DISTINTOS PARADIGMAS:
• DECLARATIVO
Descripción del estado del mundo
• PROCEDIMENTAL
Expresión de las transformaciones de estados
• ORIENTADO A OBJETOS
Descripción de los objetos existentes
28. FORMALISMOS LOGICOS
Constituyen sistemas formales en los cuales:
SINTAXIS Y SEMANTICA ESTA BIEN DEFINIDA
HAY UNA TEORIA DE LA DEMOSTRACION
•Completa y Consistente
LA LOGICA DE 1er ORDEN
Es la base de la mayoría de los esquemas de
representación
29. FORMALISMOS LOGICOS
• Conocimiento es representado mediante un
conjunto de fórmulas bien formadas (fbfs)
en algún sistema lógico (proposicional -
predicados - multivaluada...)
• Los mecanismos de inferencia son los
métodos deductivos del sistema lógico
(Resolución en predicados)
30. DISTINTOS SISTEMAS LOGICOS:
LOGICA PROPOSICIONAL
LOGICA DE PREDICADOS
LOGICAS NO-CLASICAS
– MULTIVALUADAS (Fuzzy Logic)
– MODALES
OBJETIVO: ESTABLECER LA VALIDEZ DE
DISTINTOS RAZONAMIENTOS -
OBTENER CONCLUSIONES DE UN CONJUNTO
DE FORMULAS
32. Introducción Informal
• Proposición: Una oración afirmativa de la
cual podemos decir que es verdadera o
falsa (pero no ambas!!)
• Ejemplos de Proposiciones:
– Ayer llovió en Rosario.
– El sol gira alrededor de la tierra.
– 2 . 3 = 3 + 3
– 3 es primo.
– El auto no arranca.
33. más proposiciones...
– Si ayer llovió en Rosario, entonces el intendente
se mojó.
– El sol gira alrededor de la tierra o la tierra gira
alrededor del sol.
– 2 . 3 = 6 y 6 es impar
– El auto no arranca y las luces encienden.
34. Traducción al lenguaje Lógico
• Las oraciones compuestas se traducen usando los
conectivos
– Ejemplos:
• El auto no arranca y las luces encienden
(p0 p1).
• Si las luces encienden, entonces la batería
está ok (p1 p2) .
• 2 . 3 = 6 o 6 es impar (p3 p4).
35. • La corrección de este razonamiento depende de
la relación entre los sujetos de las proposiciones.
• Lógica proposicional NO es suficientemente expresiva
para captar esta relación
x (Perro(x) Mamífero (x)
Perro (Rex)
Mamífero (Rex)
x. P(x)
P(Rex)
Todo perro es un mamífero y Rex es un perro,
luego Rex es un mamífero..
36. Por qué lógica de predicados ?
• Lógica proposicional : bajo poder expresivo
• Muchas expresiones usuales no son
representables
• « Rex es un perro »
En proposicional:
p (una prop. atómica)
En predicados:
Sujeto: Rex
Propiedad: Ser Perro
Perro(Rex)
37. Lenguaje de lógica de predicados
• símbolos para denotar objetos
- sb. de constante (ej. Rex, 2, )
- sb. de variable (ej. x, y, z)
- sb. de función (ej. +, *, Padre) etc que
permiten crear nuevos nombres de objetos
• símbolos de propiedades y de relaciones
(Es-perro)
• conectivos
• cuantificadores
38. Ejemplos de traducción
• Si algunos perros son mamíferos, luego todos
son mamíferos
( x) (P(x) M(x)) x (P(x) m(x))
• Todo número es par o impar
(x) (N(x) P(x) I(x))
• Ningún número es a la vez par e impar
(x) (P(x) I(x))
39. PROLOG: Una implementación de
programación lógica
LOGICA DE PREDICADOS
+ DEDUCCIÓN AUTOMÁTICA
(RESOLUCION)
• Dada la BC y una fórmula podemos probar
que
»BC -
Podemos contestar perro (Rex) ?
preguntas como X / perro (X)?
40. LOGICA DE PREDICADOS COMO
FORMALISMO DE REPRESENTACION
VENTAJAS:
Es un formalismo bien establecido con una sintaxis y
semántica bien definida y que maneja fácilmente
aspectos cuantificación.
Automatización de la deducción
LIMITACIONES:
Existen límites en el poder expresivo:
• posibilidades, incertidumbre,
Problemas en la implementación de otros tipos de
razonamientos (aproximados, no-monótonos).
43. OTROS FORMALISMOS
Sistemas de producción
Utilizan elementos de la lógica
Salen del marco estrictamente formal
más flexibles
más eficientes
Pierden propiedades fundamentales como la
consistencia y completitud.
Newell & Simon - 1973
44. SE basados en reglas de producción
Sistemas de
producción
Newell y Simon (1972): Al resolver problemas, las
personas utilizan su memoria a largo plazo (permanente)
que aplican a situaciones actuales contenidas en su
memoria a corto plazo (transitoria). Esto puede generar
modificaciones en la última.
BC
(Reglas)
Memoria de
trabajo (Hechos)
Motor de Inferencias
Mundo Exterior
46. Sistemas de producción
Los procesos del dominio se representan como acciones
independientes que son integradas por el mecanismo de
inferencias para resolver una tarea más general.
Motor de
Inferencias
BASE DE CONOCIMIENTO
Base de
Hechos
Base de
Reglas
ARQUITECTURA
47. SE basados en reglas de producción
Reglas de
producción
IF < CONDICION > THEN < ACCION>
Son “gránulos” de conocimiento.
Reúnen información relativa a las condiciones de
disparo y a los efectos resultantes del disparo.
Son estructuras bidireccionales.
SI ?X ES MAMIFERO Y ?X COME CARNE
ENTONCES ?X ES CARNIVORO.
48. SE basados en reglas de producción
Ventajas:
Naturaleza modular: El conocimiento es fácil de
encapsular y expandir.
Explicaciones sencillas: El registro de reglas disparadas
permite presentar la cadena de razonamiento asociada.
Semejanza con el proceso cognitivo humano: modelo
natural del razonamiento humano.
Dificultades:
Completitud y consistencia como responsabilidad del desarrollador.
Se necesitan otras estructuras para lograr una visión global del
conocimiento del dominio.
Se las combina con otros formalismos
de representación.
49. Sistemas de producción
Se utilizan Reglas de Producción para
representar el conocimiento
IF <premisa> THEN <conclusión y/o acción>
Son los elementos de deducción básicos
El proceso de inferencia se basa
fundamentalmente en la Regla de Inferencia
de la lógica denominada MP
A B, A / B
50. Reglas de producción
Es el modelo formal para representar un elemento
mínimo de conocimiento
IF <premisa> THEN <conclusión y/o acción>
Conclusión
Puede especificar Acción
Estrategia
La premisa puede tener conectivos lógicos
<premisa> = <cláusula1 AND/OR...AND/OR
cláusulak>
51. Reglas de producción- Ejemplos
Si un animal come carne entonces es
carnívoro.
Si un animal tiene dientes agudos y garras
entonces es carnívoro.
Si un animal es carnívoro y es de color
marrón-claro y tiene el pelaje franjas negras,
entonces es un tigre.
52. Reglas de producción- Ejemplos
Sintaxis Reglas en KAPPA-PC
MakeRule( Rtigre, [],
animal:grupo #= carnívoro And
animal:color #= leonado And
animal:pelaje #= franjas_negras,
animal:especie = tigre );
53. Sistemas de producción
Cada regla es independiente del resto de las
reglas en la BC.
Las reglas no tienen porque estar ordenadas
en la BC.
Las reglas se pueden agrupar por nociones
semánticas en “módulos” o “grupos”.
El metaconocimiento puede ser expresado
mediante reglas: metareglas
54. Sistemas de producción.
Un ejemplo de regla
Un especialista que participa en el desarrollo de un
sistema basado en conocimiento relativo al
diagnóstico de una falla en un auto, podrá
expresar:
“ si el motor no arranca y las luces no encienden,
entonces la falla está en la batería ”.
55. A partir de esta expresión, se puede definir la
regla de producción asociada a las proposiciones
como:
If el motor no arranca
And las luces no encienden,
Then la falla está en la batería .
Sistemas de producción.
Un ejemplo de regla
57. If el motor no arranca
And las luces no encienden
Then falla la batería.
If el motor no arranca
And las luces encienden
And llega combustible
Then falla el sistema de ignición.
If el motor no arranca
And las luces encienden
And no llega combustible
Then falla el sistema de combustible.
Sistemas de producción.
Un conjunto de reglas
58. El desarrollo de las reglas de
producción para construir la KB.
• Debe observarse
que las reglas no
están identificadas,
por ejemplo: con
una numeración
correlativa.
59. El desarrollo de las reglas de
producción para construir la KB.
• Cada una de estas re-glas
aparece como un gránulo
de conoci-miento que es
inde-pendiente de las res-
tantes reglas, con lo cual, la
ampliación de la KB puede
realizarse sin mayor
problema.
60. El desarrollo de las reglas de
producción para construir la KB.
• Sin embargo, desde el
punto de vista del motor
de inferencia, estas reglas
deben estar relacionadas
para que puedan ser
interpretadas
adecuadamente durante el
proceso de inferencia.
• Por ejemplo; la premisa
“el motor no arranca”
61. El desarrollo de las reglas de
producción para construir la KB.
• Lo mismo ocurre con
“las luces no en-
cienden”, en la se-
gunda y tercera re-
glas.
• Por consiguiente, este
es el único requisito
que requiere el agre-
gado de nuevas re-
glas.
62. Sistemas de producción
Como razonamos???
Utilizando un
MECANISMO DE INFERENCIA
(MOTOR DE INFERENCIA)
El cual determina de que forma utilizar las
reglas para alcanzar el objetivo planteado
63. La ejecución del proceso de
inferencia en los KBS
Supóngase que se observa una falla en motor del auto y se
constata que: “no arranca el motor, ni encienden las
luces, y llega combustible”.
Desde el enfoque del KBS, es necesario ingresar esta
información en la memoria de trabajo, para obtener una
solución o respuesta al problema.
Entonces, la interfaz de este KBS, deberá proveer unos
cuadros de un diálogo orientado, que permita ingresar las
observaciones del caso.
65. La ejecución del proceso de
inferencia en los KBS
• La respuesta
seleccionada en el
primer cuadro de
diálogo, origina la
plantilla “el motor no
arranca”, que ingresará
a la memoria de trabajo
del KBS.
66. La ejecución del proceso de
inferencia en los KBS
• Continuando con el
diálogo orientado,
ingresarán otras dos
plantillas a la memoria
de trabajo: “las luces no
encienden” y “llega
combustible”.
67. La ejecución del proceso de inferencia en
los KBS
• El proceso de ejecución que
realiza el motor de inferen-cia,
consiste en tomar cada una de
estas plantillas, y explorar la
KB buscando coincidencias en
las premisas de cada una de las
reglas.
• Con la primera plantilla, “el
motor no arranca”, en-
cuentra que hay una con-
cordancia en las tres reglas.
68. La ejecución del proceso de
inferencia en los KBS
• Con la segunda plantilla “las
luces no encienden”, solo hay
concordan-cia en la primera
regla, y la segunda y tercera
reglas quedan descartadas.
• La primera regla se desen-
cadena, y produce entonces la
conclusión: “falla la ba-
tería”, y el problema queda
resuelto.
69. La ejecución del proceso de
inferencia en los KBS
Por último cabe observar que este proceso de
comparación que explora cada una de las reglas, es
prácticamente independiente del orden en que se
encuentren dispuestas las mismas en la KB.
Este proceso de inferencia en los KBS, es
denominado: sistema de inferencia por filtrado
(pattern maching inference system), o simplemente,
filtrado.
70. Sistemas de producción
Motor de Inferencia
Direcciones de búsqueda:
Hacia delante, Forward Chaining o guiada
por los hechos.
Hacia atrás, Backward Chaining o guiada
por los objetivos.
Para seleccionar las reglas candidatas en cada estado utiliza el
EMPAREJAMIENTO, FILTRADO o MATCHING.
71. Sistemas de producción
Flexibles.
Sencillos de modificar y extender.
A los expertos les resulta simple “pensar en reglas”.
Completitud y consistencia.
El conocimiento se separa
en pequeños “gránulos”.
VENTAJAS
PROBLEMAS
Es común que se los
combine con otros
formalismos.
72. Sistemas estructurados
ESTRUCTURAS DE RANURA Y
RELLENO (slot and filler)
REDES SEMANTICAS (Quillan 67/68)
FRAMES (Minsky, 75)
OBJETOS ( Década 80)
73. Redes semánticas
Idea: el significado de un concepto
depende del modo en que se encuentre
conectado a otros conceptos
Representación: mediante un grafo
dirigido donde
los nodos representan objetos y
los arcos relaciones entre los conceptos
REX PERRO MAMIFERO
INSTANCIA ES-UN
74. Redes semánticas - Ejemplo
ES-UN
ES-UN
ES-UN
TIENE
Estudiante -FCEIA
Estudiante -UNR
Estudiante -LCC Estudiante -IEca
Juan Perez
Pedro García Legajo P-1233/5
Legajo
Prom1 Prom2
Promedio
TIENE
INSTANCIA
INSTANCIA
INSTANCIA
TIENE
TIENE
INSTANCIA
INSTANCIA
75. Redes semánticas - Arcos
Etiquetas de los arcos
“es-un” relación subclase-clase
“instancia” relación objeto-clase
“parte-de” relación componente-objeto
definidas por el usuario
Dominio de
aplicación
Generalización
Instanciación
Agregación
Descripción
76. Sistemas basados en
Redes semánticas
Base de conocimiento
En esta representación una BC es una
colección de estos grafos
Las modificaciones se refieren a inserción
o eliminación de nodos y sus relaciones.
77. Redes semánticas
Como razonamos???
Búsqueda de intersección
Encontrando relaciones entre objetos
Cual es la conexión entre Rex y mamífero?
Es Juan Pérez un estudiante de la UNR?
Cuál es el promedio de Pedro García?
Utiliza fundamentalmente la estructura
jerárquica
78. Marcos (frames)
Una red semántica representa conexiones entre
entidades
Problemas más complejos
Asignar más estructura a los nodos y a las
conexiones
Marcos
No existe una distinción clara entre una Red
semántica y un sistema de Marcos
79. Marcos (frames)
Idea: Estructura para atender la
representación del conocimiento asociado
a situaciones estereotipadas (Minsky)
Representación: Es una colección de
atributos (ranuras - slots) con valores
asociados (y posibles restricciones entre
valores, llamados facetas)
80. Marcos - Estructura
NOMBRE
ENCABEZADO ES-UN
INSTANCIA
ATRIBUTO1 VALOR1
ATRIBUTOn VALORn
•valores por
defecto
•procedimientos
•relación con
otros marcos
(slots)
81. Marcos - Ejemplo
Estudiante FCEIA
ES-UN Estudiante UNR
TIENE Legajo (letra/numerodigito)
TIENE Promedio (procedimiento)
Estudiante Ing.Eca.
ES-UN ESTUDIANTE FCEIA
Juan Perez
INSTANCIA Estudiante Ing.Eca.
TIENE Promedio = 6,80
DIRECCION ...... (Defecto Rosario)
TEL .....
TRABAJA NO (Defecto No)
82. Sistemas de Marcos
MC Actores
Interpreta: Si
(*)Nombre: Conj Caracteres
(*)Peliculas: (0..100)
(*)Fecha1aPelicula:
MC Fecha
(*)Dia: (1..31)
(*)Mes: (0..120)
(*)Año: 1900..2005
MC Actor
Sexo: M
(*)ParejaMiticaCon:
MC Actriz
Sexo: F
(*)ParejaMiticaCon:
MI - 7543
Nombre: H.Bogart
Fecha1aPelicula:
ParejaMiticaCon:
MI - 8832
Nombre:L.Bacall
Peliculas: 42
ParejaMiticaCon:
MI - 2232
Dia: 27
Mes: 3
Año: 1944
Instancia
Instancia
Instancia
Instancia
Instancia
83. Sistemas de Marcos
Marcos Clase
Marcos Instancia
Representan conceptos, o situaciones genéricas
descriptos por propiedades comunes
Elementos específicos. Sus propiedades se
asocian con información de cada individuo
Propiedades
De Clase: Atributos genéricos de un concepto,
con valores comunes a todas sus ocurrencias.
De Instancia: Atributos con valores particulares
para cada ocurrencia del concepto (*).
Slots definidos en
los marcos Clase
84. Sistemas de Marcos
Consideraciones al definir los Slots:
Evitar redundancias aprovechando la herencia.
Poseer información suficiente para identificar el marco clase.
En un marco clase se puede definir un slot de instancia en
base a otro marco clase.
Los slots de instancia pueden tener uno o varios valores.
En los marcos clase se pueden redefinir slots heredados
para representar excepciones a la herencia.
85. Sistemas de Marcos
Facetas Modelan características de slots y relaciones
Algunas facetas declarativas usuales:
Tipo de Slot: Tipo de datos de los valores, puede apuntar a otro marco.
Cardinalidad: Cantidad de valores posibles.
Valores permitidos: tipo de datos, rango o puntero a otro marco.
Valores por defecto: Para slots de instancia si quedan sin definir.
86. Marcos – Facetas/Métodos
Hay facetas ligadas a métodos de uso frecuente, asociados
a cambios o utilización de los valores de las ranuras:
When_needed: Formas de conseguir el valor cuando
se lo necesita y no está disponible.
Before_changed: Restricciones propias del dominio.
After_changed: Acciones pertinentes asociadas a los
cambios de valor de la ranura.
When_accessed: Acciones pertinentes cuando la
ranura es accedida de alguna forma.
87. Sistemas de Marcos
BASE DE CONOCIMIENTO
Conjunto de marcos relacionados mediante los
valores de los slots (atributos)
INFERENCIA
Utilizar la estructura jerárquica para heredar
propiedades (valores de slots).
Tener procedimientos (reglas) para hallar
valores de los slots.
88. Sistemas de Marcos
Tienen mucha tradicion en IA y son antecesores de los
objetos
Los sistemas de marcos agregan expresividad a las redes
semánticas y permiten representar conocimiento
declarativo y procedimental.
Marcos se utilizan para estructurar el conocimiento en Kappa-PC
89. Objetos
Los vemos más como una forma de representar el
mundo que como un paradigma de programación
Los encontramos en muchas herramientas dentro del área.
Tienen ciertas características en común con los agentes.
90. Objetos
Pensados como gran
aporte para el Reuso
BALA DE
PLATA
Década del 80
Actualmente se apunta a relaciones
arquitecturales entre clases para lograr
Evolución y Mantenibilidad
Patrones
de diseño
91. Objetos
OBJETO: Es una entidad que tiene un comportamiento.
ESTADO INTERNO MENSAJES que es
capaz de responder.
INTERFAZ
Un PROGRAMA OO es una red de objetos cooperantes,
que interactúan entre sí, enviándose mensajes.
ENCAPSULAMIENTO
Permite la utilización de clases con
implementaciones intercambiables.
92. Objetos
Una CLASE es una definición de las características
comunes de un conjunto de objetos semejantes.
CLASE
ESTRUCTURA: Conjunto de
variables de clase e instancia.
INTERFAZ: conjunto de
métodos. Los objetos concretos
buscan en su clase la definición
cuando reciben un mensaje.
93. Objetos
Las CLASES se
organizan en jerarquías
modelizando el dominio
De Estructura: Más estática.
De Comportamiento: Ocurre en ejecución.
HERENCIA
Esquema de colaboración
entre objetos (explícito en
el código)
Cuando un objeto recibe un mensaje, busca el
código en su clase, y si no lo encuentra recorre la
jerarquía.
94. Cómo elegir la mejor
representación???
No hay receta establecida !!!
Analizar las características del
conocimiento involucrado.
Recurrir a la combinación de formalismos.
Frente a cada problema a resolver: