UNIDAD 3 SISTEMAS DE RAZONAMIENTO LOGICO

UNIDAD 3 SISTEMAS DE RAZONAMIENTO LOGICO

3.1.- REGLAS DE PRODUCCION

Regla se entiende como una proposición lógica que relaciona 2 o más objetos e incluye 2 partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o ó no.

Reglas de producción. Es un método procedimental de representación del conocimiento, pone énfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposición a los métodos declarativos (hechos).

La estructura de una regla es:

SI <antecedentes>

ENTONCES <consecuentes>

Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hipótesis.

Cada regla por si misma constituye un gránulo completo de conocimiento.

La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay dos tipos, según el sentido:

• Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema.

• Sistemas de encadenamiento hacia atrás: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.

Arquitectura de los Sistemas Basados en Reglas:

• Base de Conocimientos: reúne todo el conocimiento del sistema (Hechos + Reglas).

• Memoria Activa: contiene los hechos que representan el estado actual del problema (iniciales + inferidos a posteriori) y las reglas activadas (en condiciones de ser ejecutadas).

• Motor de Inferencias: decide que reglas activadas se ejecutarán.

3.2.- SINTAXIS DE LAS REGLAS DE PRODUCCION

Método procedimental de representación del conocimiento

Estructura

SI <condiciones>

ENTONCES <conclusiones, acciones, hipótesis>

Cada regla SI-ENTONCES establece un granulo completo de conocimiento

Regla_ Operador valido en un espacio de estados

CONDICIONES (tb. premisas, precondiciones, antecedentes,...)

Formadas por clausulas y conectivas (AND, OR, NOT)

Representación clausal debe corresponderse con conocimiento del dominio

Formato típico: <parámetro/relación/valor>

PARÁMETRO: característica relevante del dominio

RELACIÓN: entre parámetro y valor

VALOR: numérico, simbólico o literal

También en forma de predicados lógicos

CONCLUSIONES, ACCIONES, HIPÓTESIS (tb. consecuentes,...)

Conclusiones, Hipótesis: conocimiento declarativo

Acciones: cq. Acción procedimental (actualiza. conocimiento, interacción con

Exterior etc...)

REGLAS ESPECIALES

Reglas IF ALL: equivalen a reglas con las clausulas de las condiciones conectadas con AND

Reglas IF ANY/ IF SOME: equivalen a reglas con las clausulas de las condiciones

conectadas con OR

EJEMPLO

IF: temperatura = alta

AND sudoración = presente

AND dolor_muscular = presente

THEN: diagnostico_preliminar = gripe

IF: diagnostico_preliminar = gripe

AND descompos_organos_internos = presente

THEN: diagnostico_preliminar = _abola

SISTEMAS BASADOS EN REGLAS DE PRODUCCIÓN

Reglas_ Operadores en búsquedas en espacio de estados

Inferencia similar al MODUS PONENS (con restricciones)

Sintaxis relajada

Se permiten acciones en los consecuentes

Mecanismo de control determina que inferencias se pueden realizar

TIPOS de SISTEMAS

En función de sintaxis de reglas y de mecanismos de control (_búsqueda)

SISTEMA ENCADENAMIENTO HACIA ADELANTE (dirigidos por los datos)

Regla ACTIVADA si antecedentes emparejan con algunos hechos del sistema

En IF ALL, todos. En IF ANY, al menos uno.

Se parte de los hechos ya confirmados en el sistema

Se razona hacia adelante buscando antecedentes que emparejen

SISTEMA ENCADENAMIENTO HACIA ATRÁS (dirigido por los objetivos)

Regla ACTIVADA si consecuentes emparejan con algunos hechos del sistema

Se comienza con una hipótesis

Se razona hacia atrás buscando consecuentes que emparejen

MOTOR DE INFERENCIAS elige que reglas ACTIVADAS ejecutar (resolución de conflictos)

Consecuentes y antecedentes pueden verse como submetas a verificar a partir de los hechos o hipótesis, respectivamente.

CARACTERÍSTICAS Modularidad: reglas = pequeñas cantidades de conocimiento (relativamente) independiente

Incrementalidad/Modificabilidad: posible añadir/cambiar reglas con relativa independencia

Naturalidad y Transparencia: representación del conocimiento próxima y comprensible por personas

Capacidad de generar explicaciones

GENERACIÓN de EXPLICACIONES

Posibilidad de \explicar" el porqué de un resultado

Devolver a usuario la cadena de reglas empleadas

Combinar reglas y hechos del árbol de búsqueda según las conectivas Incrementan la \aceptación" del resultado ofrecido (dominios críticos)

3.3.- SEMANTICA DE LA REGLA DE PRODUCCIONES

• Es una representación formal de una relación, una información semántica o una acción condicional. Una regla de producción tiene, generalmente, la siguiente forma: SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creación y la modificación de la base de conocimiento. Permite introducir coeficientes de verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento mediante unas fórmulas de cálculo establecidas) y, en teoría, el método asegura que cuantas más reglas posea más potente es. Sin embargo, aunque es la forma de representación más intuitiva y rápida, cuando el número de reglas es grande aumenta la dificultad de verificación de todas las posibilidades con el consiguiente riesgo de perder la coherencia lógica en la base de conocimiento.

Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y también sobre el campo de validez de algunas de las reglas. Para el manejo de la incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres más conocidos son los Factores de Certeza (utilizados en MYCIN), la lógica de Dempster Shafer, y la Lógica Difusa (Fuzzy Logic). El método de tratar la incertidumbre es una de las características más importantes de las herramientas de desarrollo, y actualmente se encuentra en discusión la validez de estas lógicas para tratar con la incertidumbre. En sustitución se han propuesto las Redes Bayesianas que tienen una base matemática más firme. De todas formas es un campo actual de investigación que permanece abierto.

3.3.1.- CONOCIMIENTO CASUAL

Relación que vincula dos ideas a través de una conexión supuestamente necesaria.

Es uno de los tres principios de asociación.

La causalidad no tiene carácter necesario cuando se aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repetición (o conjunción constante) no es más que una creencia; es algo que esperamos que suceda, no algo que deba suceder necesariamente sino algo que debe ser evaluado en términos de posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a hechos que todavía no han sucedido, porque no tenemos evidencia lo todavía no acaecido, la falta de un concepto de causalidad nos conduce necesariamente al escepticismo.

3.3.2.- CONOCIMIENTO DE DIAGNOSTICO

El problema del diagnostico ha sido, desde los comienzos de la IA, uno de los más estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos. El diagnostico en el campo de la medicina es sin duda, una de las áreas de la IA que supone todavía una gran desafió. Una de las características más frecuentes en resolución del problema del diagnostico en dominios reales es la necesidad de trata con la dimensión temporal. Así, una vez propuesto un modelo teórico, una tendencia cada vez más habitual a la hora de desarrollar sistemas de diagnostico temporal es necesario abordar el problema del diagnostico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximación más adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.

3.4.- ARQUITECTURA DE UN SISTEMA DE PRODUCCION

Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones diversas, pero fundamentalmente son usados para:

•Modelado de sistemas

Usado para representar escenarios de actuación con variables

...