Ia

Sistemas de producción/razonamiento

Rn: SI condición
ENTONCES acción

condición = {afirmaciones simples-identidad objeto}
Inteligencia Artificial

acción = {conclusión identificación del objeto}

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.

Cada regla representa un “pedazo” de conocimiento
independiente.

Representan el conocimiento de forma modular.

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)

Redes semánticas
Scripts (guiones) - De clases - De actores

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.

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.


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.

Generalmente usan encadenamiento regresivo.
Pueden poseer algunas características no lógicas de los
lenguajes de programación.
Ejemplos: Prolog, MRS, Life.


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

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.


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.

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.

Arquitectura: sistema de razonamiento

Agente
sensores
ambiente

Base de conocimiento
Máquina de inferencia
Mecanismo de aprendizaje

efectores

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.

Decidir si una consulta está explícitamente almacenada en
la base de conocimiento.

Remover hechos y reglas de la base de conocimiento.

Mantenimiento: base de conocimiento

Técnicas para mantener una base de conocimiento
con recuperación eficiente:

Unificación
Recuperación
Indexación

Basada en tablas
Basada en árboles

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.:

Practica (x, Natación) y Practica (y, Natación) - son
denominaciones
Practica (x, x) e Practica (x,y) - no son denominaciones

Usar composición de sustituciones.

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):

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.

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

• reglas relevantes
...

Metaconocimiento
• como activar un
conocimiento relevante

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.

Motor de inferencia es la parte del sistema que determina
el método de razonamiento, utiliza estrategias de búsqueda
y resuelve conflictos.

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,

entonces como solución tenemos el algoritmo Rete (rede).

Ventajas del algoritmo Rete:
elimina duplicación entre reglas;
elimina duplicación a lo largo del tiempo.

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.

Prioridad de operación: preferir acciones con prioridad
mayor, especificada por alguna categoría.

Ejecución de acciones

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;

Observa hábitos y características físicas para
identificar los animales;

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

ENTONCES x es ave
R4: SI x vuela, x pone huevos
ENTONCES x es ave

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.

R7: SI x es mamífero, x tiene pezuñas
ENTONCES x es ungulado.
R8: SI x es mamífero, x rumia.
ENTONCES x es ungulado.

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

cuello largo, x es color leonado, x tiene manchas
oscuras
ENTONCES x es JIRAFA

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

R14: SI x es ave, x no vuela, x nada
ENTONCES x es PINGUINO

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

ENTONCES x es GALLINA

Rk: SI xx1, xx2, xx3,
ENTONCES yyy

Rn: SI zz1, zz2, zz3,
ENTONCES cxs

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,

ejecute el consecuente, a menos que ya exista una asertiva
idéntica.
Repetir las alternativas que deben ser consultadas.

Encadenamiento hacia delante
(Progresivo)

Hechos
H1: z tiene pelo
H2: z tiene patas largas
H3: z rumia
H4: z tiene cuello largo

H5: z es color leonado
H6: z tiene manchas oscuras

R9 establece que z es un mamífero

R8 concluye que z es ungulado,
porque z rumia y es mamífero.

R11 conduce a que z es una jirafa,

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

Tiene cuello largo
R11 es una jirafa
Tiene color leonado
Tiene manchas oscuras

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

FinEnc_adelante.

Encadenamiento hacia atrás

hipótesis: ¿Z es ONZA?
hechos:
Y tiene pelo,
Y es de color leonado,

Y tiene manchas oscuras

R1 = necesita: Z sea carnívoro, de color
leonado y tiene manchas oscuras

se busca que Z es carnívoro.
Existen 2 reglas

R6 = debe verificar que Z es mamífero
de nuevo existen dos alternativas R2 y R9.

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

se concluye NO Z es ONZA.

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

– V: anuncie ÉXITO (hipótesis es verdadera)
– F: anuncie FALLO
FHQ
Fin_alg_enc_atrás.

¿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

conclusión es verdadera.

Encadenamiento progresivo

Una hipótesis conduce a muchas preguntas
Si número de reglas es grande, número de
conclusiones es reducido;

Si tiene los hechos y desea saber que puede
concluir.

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

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.

Sistemas de inferencia dirigidos a patrones

Programas

IA Convencional

PDIS Otros Orientados a Imperativos Funcionales
Objetos

SBR SBN

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

Preguntas

¿Se razona de manera natural con reglas?

¿Las reglas son fáciles de construir?

Sistemas de producción versus
Programación lógica.

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).

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.

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.

productos de tamaño pequeño.

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

G aseosa botella grande no

B ocadillo caja m adera grande no

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

B1: SI Paso = verificar orden
Papas fritas se van a empacar
No existe gaseosa en los productos
ENTONCES sugiera llevar gaseosa

ENTONCES Paso = no verificar orden
Paso = empacar productos grandes

ELIMINE Paso = verificar orden
ADICIONE Paso = empacar productos grandes

B3: SI Paso = empacar productos grandes
Empacar producto grande

Producto grande es botella
Bolsa con menos de 6 productos
ELIMINE Empacar producto grande
ADICIONE Producto grande en bolsa actual

ELIMINE Empacar producto grande
ADICIONE Producto grande en bolsa actual

Bolsa vacía disponible
ELIMINE Bolsa actual
ADICIONE Bolsa vacía es bolsa actual


ELIMINE Paso = empacar productos grandes
ADICIONE Paso = empacar productos medianos

Paso = empacar productos
medianos
Bolsa actual = 1
artículos bolsa actual = 2
Galletas
Yogurt

Papas fritas
Helado
Pollo

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.


Bolsa actual vacía y sin productos grandes
ELIMINE Empacar producto mediano
ADICIONE Producto mediano en bolsa actual



ELIMINE Paso = empacar productos medianos
ADICIONE Paso = empacar productos pequeños

Paso = empacar productos pequeños
Bolsa actual = 2
Yogurt

B11: SI Paso = empacar productos pequeños
Empacar producto pequeño
Bolsa actual sin productos grandes
Bolsa actual sin productos medianos
ELIMINE Empacar producto pequeño
ADICIONE Producto pequeño en bolsa actual

Empacar producto pequeño


ELIMINE Paso = empacar productos pequeños
ADICIONE Empaque finalizado
Terminar

Paso = empaque finalizado
Bolsa actual = 3

Sistemas Basados en Casos

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

mensajes y luego dice, listo.

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.

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.

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

modelos o casos de solución de problemas.

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

mecanismos para la creación de índices.
Capacidad de recordar experiencias pasadas.
Tomar el mejor caso y adaptarlo a la situación.

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

Las reglas pueden ser:
reglas de simulación o reglas de inferencia.

Existen otros tipos de sistemas como
...

Jackson Peter. Introduction to Expert Systems. 2a ed.,
Addison-Wesley Publishing Company, 1990.
Russel Stuart; Norvig Peter. Artificial Intelligence. A
Modern Approach. Prentice-Hall Inc., 2004.
Winston Patrick Henry. Artificial Intelligence. Addison-
Wesley Publishing Company, 1998.

Ia

Más contenido relacionado

Similar a Ia

Ia