El documento describe los sistemas de producción/razonamiento en inteligencia artificial. Explica que estos sistemas utilizan reglas condición-acción para representar conocimiento y razonar deductivamente. También cubre temas como tipos de inferencia, lenguajes de representación de conocimiento, y modos de razonamiento como encadenamiento progresivo y regresivo. Finalmente, presenta un ejemplo de sistema experto llamado ZOOKEEPER que identifica animales usando reglas.
2. Sistemas de producción/razonamiento
Rn: SI condición
ENTONCES acción
condición = {afirmaciones simples-identidad objeto}
Inteligencia Artificial
acción = {conclusión identificación del objeto}
3. Pares de condición-acción
SI condición (o premisa o antecedente) ocurre;
ENTONCES acción (resultado, conclusión o
consecuente) deberá (o debería) ocurrir.
Pueden ser vistas como una simulación del
comportamiento cognitivo de especialistas humanos.
Inteligencia Artificial
Cada regla representa un “pedazo” de conocimiento
independiente.
Representan el conocimiento de forma modular.
4. Sistemas de razonamiento
Utilizan:
Lenguaje de representación de conocimiento (KRL)
Lenguaje lógico
Lógica proposicional
Lógica de 1er orden Reglas de producción
Lógica temporal
Lenguaje objetos
Frames (marcos)
Inteligencia Artificial
Redes semánticas
Scripts (guiones) - De clases - De actores
5. Tipos de inferencia
Deducción: a partir de hechos de conocimiento
representados adecuadamente, se utilizan reglas de
inferencia válidas para generar nuevos hechos.
Ej.: SI hay fuego, habrá humo.
Abducción: inverso de deducción.
Ej.: SI hay humo, hay fuego.
Inteligencia Artificial
6. Inducción: Se parte de los hechos en reglas generales.
Ej.: SI Isabel no canta bien, y también Sheila no canta
bien, ENTONCES ninguna alumna canta bien.
Analógico: Resolución basada en experiencias pasadas.
Ej.: Demostración automática de teoremas.
Inteligencia Artificial
7. Sistemas de razonamiento
Probadores de teoremas
Utilizan resolución para probar sentencias en lógica de 1er
orden.
Usados para tareas matemáticas y de razonamiento científico.
Ejemplos: SAM, AURA, OTTER.
Lenguajes de programación lógica
Restringen a la lógica, no permiten el tratamiento completo de la
negación, disyunción y/o igualdad.
Inteligencia Artificial
Generalmente usan encadenamiento regresivo.
Pueden poseer algunas características no lógicas de los
lenguajes de programación.
Ejemplos: Prolog, MRS, Life.
8. Sistemas de razonamiento
Sistemas de redes semánticas
Consisten en nodos conectados por arcos, donde los nodos
representan usualmente objetos del mundo y los arcos una
relación binaria entre ellos.
Ejemplos: SNEPS, NETL, Conceptual Graphs.
Sistemas frames
Inteligencia Artificial
Consisten en una jerarquía de frames (marcos) conectados por
atributos, donde los frames representan objetos del mundo y los
atributos muestran usualmente la relación entre ellos.
Ejemplos: OWL, FRAIL, KODIAK.
9. Sistemas de razonamiento
Sistemas de lógica descriptiva
Expresan y razonan con definiciones complejas de objetos y
clases y, relaciones entre ellas, utilizando redes semánticas
como principio de organización.
Ejemplos: KL-ONE, CLASSIC, LOOM.
Sistemas de producción
Son representaciones de patrones de sistemas que usan
implicaciones.
Las acciones son consecuencias de las implicaciones.
Inteligencia Artificial
Las acciones pueden ser insertadas y removidas de las bases
de conocimiento.
Utilizan encadenamiento progresivo.
Usualmente poseen mecanismos de resolución de conflictos.
Ejemplos: OPS-5, CLIPS, SOLAR.
10. Arquitectura: sistema de razonamiento
Agente
sensores
ambiente
Base de conocimiento
Máquina de inferencia
Mecanismo de aprendizaje
Inteligencia Artificial
efectores
11. Operaciones básicas en los sistemas de
razonamiento
Adicionar un hecho nuevo a la base de conocimiento.
Adicionar nuevas reglas (Un hecho nuevo, genera nuevas
conclusiones).
Decidir si una base de conocimiento atiende a una consulta
realizada.
Inteligencia Artificial
Decidir si una consulta está explícitamente almacenada en
la base de conocimiento.
Remover hechos y reglas de la base de conocimiento.
12. Mantenimiento: base de conocimiento
Técnicas para mantener una base de conocimiento
con recuperación eficiente:
Unificación
Recuperación
Indexación
Inteligencia Artificial
Basada en tablas
Basada en árboles
13. Encadenamiento progresivo y regresivo
A través del encadenamiento, poder adicionar un nuevo
hecho p a una base de conocimiento.
A través de inferencia, encontrar respuestas para las
cuestiones hechas a la base de conocimiento.
Usar denominación.
Ex.:
Inteligencia Artificial
Practica (x, Natación) y Practica (y, Natación) - son
denominaciones
Practica (x, x) e Practica (x,y) - no son denominaciones
Usar composición de sustituciones.
14. Modos de razonamiento
Encadenamiento progresivo (Forward Chaining):
Se parte de sentencias (reglas de inferencia) de la base de
conocimiento para producir conclusiones (afirmaciones);
También se llama procedimiento dirigido a datos (Data Driven),
pues el proceso de inferencia no es direccionado para resolver
un problema particular.
Encadenamiento regresivo (Backward Chaining):
Inteligencia Artificial
Se parte de una hipótesis a probar, procurando reglas en la
base de conocimiento retroactivamente para analizar las
asertivas que soportan la hipótesis en cuestión;
SI la premisa (antecedente) es una conjunción, sus términos son
procesados uno a uno para que sea obtenido o sea unificador.
15. Arquitectura
Base de conocimiento
Memoria de trabajo
Conocimiento
• hechos
• reglas de producción Datos simbólicos
• Redes semánticas • hipótesis actuales
• Frames • objetivos actuales
• estrategias de resolución de • estado actual del
problemas problema
• estrategias de recuperación ...
...
Agenda
Conocimiento del problema Mecanismo • conjunto de posibles
* aserciones relevantes de reglas a ser aplicadas
Inferencia
Inteligencia Artificial
• reglas relevantes
...
Metaconocimiento
• como activar un
conocimiento relevante
16. Sistemas de producción
Componentes
Memoria de trabajo de un sistema consiste en una
colección de asertivas verdaderas.
Base de reglas es el conjunto de sentencias (reglas de
inferencia) que determinan las acciones que deben tomarse
de acuerdo con las percepciones.
Inteligencia Artificial
Motor de inferencia es la parte del sistema que determina
el método de razonamiento, utiliza estrategias de búsqueda
y resuelve conflictos.
17. Funcionamiento de los sistemas de
producción
Tres fases: casamiento, resolución de conflictos y
ejecución.
Casamiento
El sistema, en cada ciclo computa un subconjunto de reglas
cuya izquierda es satisfecha por los contenidos actuales de
la memoria de trabajo.
La forma más simple de realizar unificación y eficiencia,
Inteligencia Artificial
entonces como solución tenemos el algoritmo Rete (rede).
Ventajas del algoritmo Rete:
elimina duplicación entre reglas;
elimina duplicación a lo largo del tiempo.
18. Funcionamiento de los sistemas de
producción
Resolución de conflictos
El sistema decide cuáles reglas deben ser activadas.
En esta fase podemos utilizar algunas estrategias de control:
No duplicación: no ejecutar la misma regla ni los mismos
argumentos dos veces.
Regencia: preferir reglas que se refieren a elementos de la
memoria de trabajo creados recientemente.
Especificidad: preferir reglas que son mas específicas.
Inteligencia Artificial
Prioridad de operación: preferir acciones con prioridad
mayor, especificada por alguna categoría.
Ejecución de acciones
19. Un sistema deductivo que identifica animales:
ZOOKEEPER
Características de ZOOKEEPER:
Utiliza reglas con antecedentes;
Genera asertivas intermedias a partir de las reglas;
Combina estas asertivas con las originales para
producir una conclusión;
Inteligencia Artificial
Observa hábitos y características físicas para
identificar los animales;
20. Reglas:
R1: SI x es carnívoro, x es color leonado, x tiene
manchas oscuras
ENTONCES x es una ONZA
R2: SI x da leche
ENTONCES x es mamífero
R3: SI x tiene plumas
Inteligencia Artificial
ENTONCES x es ave
R4: SI x vuela, x pone huevos
ENTONCES x es ave
21. R5: SI x es ave, x no vuela,
x tiene cuello largo
ENTONCES x es AVESTRUZ
R6: SI x es mamífero, x tiene garras, x tiene
dientes agudos.
ENTONCES x es carnívoro.
Inteligencia Artificial
R7: SI x es mamífero, x tiene pezuñas
ENTONCES x es ungulado.
R8: SI x es mamífero, x rumia.
ENTONCES x es ungulado.
22. R9: SI x tiene pelo
ENTONCES x es mamífero
R10: SI x es carnívoro, x es color leonado, x tiene
franjas negras
ENTONCES x es TIGRE
R11: SI x es ungulado, x tiene patas largas, x tiene
Inteligencia Artificial
cuello largo, x es color leonado, x tiene manchas
oscuras
ENTONCES x es JIRAFA
23. R12: SI x es mamífero, x come carne
ENTONCES x es carnívoro
R13: SI x es ungulado, x es color blanco,
x tiene franjas negras
ENTONCES x es CEBRA
Inteligencia Artificial
R14: SI x es ave, x no vuela, x nada
ENTONCES x es PINGUINO
24. R15: SI x es ave, x vuela, x vive en rocas
ENTONCES x es ALBATROS
R16: SI x es ave, x vuela, x tiene garras
ENTONCES x es AGUILA
R17: SI x es ave, x vuela, x vive hogar
Inteligencia Artificial
ENTONCES x es GALLINA
25. Rk: SI xx1, xx2, xx3,
ENTONCES yyy
Rn: SI zz1, zz2, zz3,
ENTONCES cxs
Inteligencia Artificial
26. Encadenamiento progresivo en ZOOKEEPER
Para identificar un animal con ZOOKEEPER:
Hasta que las reglas no produzcan nuevas asertivas;
Hasta que el animal sea identificado.
Para cada regla
Concordar cada uno de los antecedentes de las reglas con los
hechos conocidos.
SI todos los antecedentes de reglas están confrontados,
Inteligencia Artificial
ejecute el consecuente, a menos que ya exista una asertiva
idéntica.
Repetir las alternativas que deben ser consultadas.
27. Encadenamiento hacia delante
(Progresivo)
Hechos
H1: z tiene pelo
H2: z tiene patas largas
H3: z rumia
H4: z tiene cuello largo
Inteligencia Artificial
H5: z es color leonado
H6: z tiene manchas oscuras
28. R9 establece que z es un mamífero
R8 concluye que z es ungulado,
porque z rumia y es mamífero.
Inteligencia Artificial
R11 conduce a que z es una jirafa,
29. El flujo de información se da a través de una serie de reglas
antecedente-consecuente, a partir de las asertivas para las
conclusiones.
Tiene
pelo R9 es un mamífero
Rumia R8 es un ungulado
Tiene piernas largas
Inteligencia Artificial
Tiene cuello largo
R11 es una jirafa
Tiene color leonado
Tiene manchas oscuras
30. Algoritmo
Enc_adelante()
HQ ninguna regla produzca una afirmación o el objeto
sea identificado
– Seleccionar regla
– Comprobar cada antecedente contra hechos conocidos
– Si corroborados los antecedentes de la regla, instancie el valor de
la variable en el consecuente (nuevo hecho)
FHQ
Inteligencia Artificial
FinEnc_adelante.
31. Encadenamiento hacia atrás
hipótesis: ¿Z es ONZA?
hechos:
Y tiene pelo,
Y es de color leonado,
Inteligencia Artificial
Y tiene manchas oscuras
32. R1 = necesita: Z sea carnívoro, de color
leonado y tiene manchas oscuras
se busca que Z es carnívoro.
Existen 2 reglas
Inteligencia Artificial
R6 = debe verificar que Z es mamífero
de nuevo existen dos alternativas R2 y R9.
33. R9 = Z tiene pelo, luego Z es mamífero
para cumplir que sea carnívoro se requiera
que Z coma carne o que tenga garras o.
Aunque se tienen los hechos de : Z es de
color leonado y Z tiene manchas oscuras
no se cumple carnívoro
Inteligencia Artificial
se concluye NO Z es ONZA.
34. Algoritmo
Enc_atrás()
HQ todas las hipótesis se hayan intentado y alguna no se
pueda comprobar o hasta que los objetos sean
identificados
– Para cada regla cuyo consecuente coincida con la hipótesis
confronte antecedentes con hechos,
SI se cumple V: continúe
F: considere el antecedente como hipótesis
– SI todos los antecedentes se corroboraron con hechos
Inteligencia Artificial
– V: anuncie ÉXITO (hipótesis es verdadera)
– F: anuncie FALLO
FHQ
Fin_alg_enc_atrás.
35. ¿Cuál encadenamiento emplear?
Encadenamiento regresivo
Conjunto antecedentes lleve a muchas conclusiones.
Si hechos conducen a conclusiones, pero número de
reglas es reducido muchos consecuentes.
Si no tiene hechos, y le interesa saber si una
Inteligencia Artificial
conclusión es verdadera.
36. Encadenamiento progresivo
Una hipótesis conduce a muchas preguntas
Si número de reglas es grande, número de
conclusiones es reducido;
Inteligencia Artificial
Si tiene los hechos y desea saber que puede
concluir.
37. Ventajas y desventajas de los sistemas de
producción
Ventajas
Las reglas son de fácil comprensión.
Inferencia y explicaciones son fácilmente derivadas.
El mantenimiento es relativamente simple, debido a la modularidad.
La “Incertidumbre” es fácilmente combinada en las reglas.
Cada regla es (normalmente) independiente de las otras.
Desventajas
Inteligencia Artificial
Conocimiento complejo requiere muchas (millares de) reglas.
El exceso de reglas crea problemas para utilizar y mantener el sistema.
No es robusto y no aprende.
La adquisición del conocimiento es difícil.
38. Sistemas de inferencia dirigidos a patrones
Programas
IA Convencional
PDIS Otros Orientados a Imperativos Funcionales
Objetos
SBR SBN
Inteligencia Artificial
Donde:
PS TS PDIS - Sistemas de inferencia
dirigidos a patrones
SBR - Sistemas basados en reglas
Sistemas Sistemas SBN - Sistemas basados en redes
Lógicos Gramaticales PS - Sistemas de producción
TS - Sistemas de transformación
39. Preguntas
¿Se razona de manera natural con reglas?
¿Las reglas son fáciles de construir?
Sistemas de producción versus
Programación lógica.
Inteligencia Artificial
40. Sistemas de Reacción Basados en Reglas
La parte del SI
– especifican condiciones que deben satisfacerse.
La parte ENTONCES
– especifica una acción o una operación que debe
realizarse (conclusiones).
Inteligencia Artificial
41. Necesitan:
Memoria de trabajo
Afirmaciones sobre los objetos a manipular
Cuál es el paso que se esta efectuando
Qué objetos ha manipulado
Cuáles falta por manipular.
Inteligencia Artificial
42. BAGGER (pasos)
1. Verificación de la orden: Analiza los productos,
detecta cuáles productos lleva y sugiere al cliente
productos que faltan.
2. Empaque de productos grandes: Empaca los
productos grandes. Botellas primero.
3. Empaque de productos medianos: Empaca
productos de tamaño mediano, productos congelados
enEmpaque de productos pequeños: Empaca los
4. empaque especial.
Inteligencia Artificial
productos de tamaño pequeño.
43. Artículos
P roducto T ipo de T am año C ongelado
em p aq ue
G alletas envase cartón M ediano no
Y ogurt vaso plástico pequeño no
P apas fritas bolsa plástico m ediano no
H elado envase cartón m ediano si
P ollo bolsa plástico m ediano si
Inteligencia Artificial
G aseosa botella grande no
B ocadillo caja m adera grande no
44. BAGGER requiere saber
Cuál es el paso que esta Paso = verificar orden
Bolsa actual = 1
efectuando. artículos bolsa actual = 0
artículos por empacar = 7
Cuál bolsa es la que se Galletas
Yogurt
está llenando. Papas fritas
Helado
Qué productos se han Pollo
empacado. Gaseosa
Bocadillo
Inteligencia Artificial
45. B1: SI Paso = verificar orden
Papas fritas se van a empacar
No existe gaseosa en los productos
ENTONCES sugiera llevar gaseosa
Inteligencia Artificial
B2: SI Paso = verificar orden
ENTONCES Paso = no verificar orden
Paso = empacar productos grandes
46. B2: SI Paso = verificar orden
ELIMINE Paso = verificar orden
ADICIONE Paso = empacar productos grandes
B3: SI Paso = empacar productos grandes
Empacar producto grande
Inteligencia Artificial
Producto grande es botella
Bolsa con menos de 6 productos
ELIMINE Empacar producto grande
ADICIONE Producto grande en bolsa actual
47. B4: SI Paso = empacar productos grandes
Empacar producto grande
Bolsa con menos de 6 productos
ELIMINE Empacar producto grande
ADICIONE Producto grande en bolsa actual
Inteligencia Artificial
48. B5: SI Paso = empacar productos grandes
Empacar producto grande
Bolsa vacía disponible
ELIMINE Bolsa actual
ADICIONE Bolsa vacía es bolsa actual
B6: SI Paso = empacar productos grandes
Inteligencia Artificial
ELIMINE Paso = empacar productos grandes
ADICIONE Paso = empacar productos medianos
49. Paso = empacar productos
medianos
Bolsa actual = 1
artículos bolsa actual = 2
artículos por empacar = 5
Galletas
Yogurt
Inteligencia Artificial
Papas fritas
Helado
Pollo
50. B7: SI Paso = empacar productos medianos
Empacar producto mediano
Producto congelado, no empaque especial
ELIMINE Producto congelado no empaque especial
ADICIONE Producto congelado empaque especial.
B8: SI Paso = empacar productos medianos
Empacar producto mediano
Inteligencia Artificial
Bolsa actual vacía y sin productos grandes
Bolsa con menos de 12 productos
ELIMINE Empacar producto mediano
ADICIONE Producto mediano en bolsa actual
51. B9: SI Paso = empacar productos medianos
Empacar producto mediano
Bolsa vacía disponible
ELIMINE Bolsa actual
ADICIONE Bolsa vacía es bolsa actual
B10: SI Paso = empacar productos medianos
Inteligencia Artificial
ELIMINE Paso = empacar productos medianos
ADICIONE Paso = empacar productos pequeños
52. Paso = empacar productos pequeños
Bolsa actual = 2
artículos bolsa actual = 4
artículos por empacar = 1
Yogurt
Inteligencia Artificial
53. B11: SI Paso = empacar productos pequeños
Empacar producto pequeño
Bolsa actual sin productos grandes
Bolsa actual sin productos medianos
Bolsa con menos de 18 productos
ELIMINE Empacar producto pequeño
ADICIONE Producto pequeño en bolsa actual
Inteligencia Artificial
54. B12: SI Paso = empacar productos pequeños
Empacar producto pequeño
Bolsa vacía disponible
ELIMINE Bolsa actual
ADICIONE Bolsa vacía es bolsa actual
B13: SI Paso = empacar productos pequeños
Inteligencia Artificial
ELIMINE Paso = empacar productos pequeños
ADICIONE Empaque finalizado
Terminar
55. Paso = empaque finalizado
Bolsa actual = 3
artículos bolsa actual = 1
artículos por empacar = 0
Inteligencia Artificial
57. Sistemas Basados en Casos
El ingeniero observa el mensaje de error que
existe en pantalla, apaga el computador,
busca en su maletín algo. Un diskette. Lo
coloca en la unidad. Prende el computador,
contesta rápidamente a un conjunto de
Inteligencia Artificial
mensajes y luego dice, listo.
58. El ingeniero nuevo observa el mensaje de error que
existe en pantalla, busca en su maletín un libro, pasa
cerca de 15 minutos leyendo algunos apartes, pasado
ese tiempo, apaga el computador.
Busca un diskette en el maletín, comparando la
referencia o titulo del diskette con el que esta en el
libro.
Inteligencia Artificial
Al fin coloca uno en la unidad, prende el
computador, contesta cada uno de los mensajes en
pantalla después de leerlos adecuadamente y
observando el libro; al fin dice, listo.
59. En ambos casos la acción tomada fue la misma, sin
embargo, los procedimientos usados para llegar a
la conclusión fue diferente.
El primer ingeniero, se baso en su experiencia.
El segundo se remitió a una documentación que
contenía solución de problemas, es decir, contenía
Inteligencia Artificial
modelos o casos de solución de problemas.
60. Un SRBC
Utiliza una biblioteca, en lugar de un conjunto de principios
iniciales.
Debe saber responder a:
Los casos en la memoria y su organización.
Método a utilizar para recobrar los casos.
Cómo adaptar casos almacenados a los nuevos complejos
Inteligencia Artificial
mecanismos para la creación de índices.
Capacidad de recordar experiencias pasadas.
Tomar el mejor caso y adaptarlo a la situación.
61. Sistemas Basados en Modelos
Dependen del conocimiento de la estructura,
del comportamiento del equipo,
se razona usando los primeros principios
Los modelos: matemáticos o estructurales,
especialmente frames y reglas
Inteligencia Artificial
Las reglas pueden ser:
reglas de simulación o reglas de inferencia.