Una introducción a la Inteligenca Artificial (IA)


UNIDAD II REPRESENTACIÓN DEL CONOCIMIENTO



Descargar 2.01 Mb.
Página5/29
Fecha de conversión20.03.2018
Tamaño2.01 Mb.
Vistas532
Descargas0
1   2   3   4   5   6   7   8   9   ...   29

UNIDAD II REPRESENTACIÓN DEL CONOCIMIENTO




2.1 INTRODUCCIÓN

la representación constituye el núcleo de la ciencia de las computadoras. Cada pieza de código escrita es significativa para la representación de algún objeto. En la actualidad la representación del conocimiento es potencialmente investigada, de tal forma que cualquier libro que trate sobre inteligencia artificial o sistemas expertos considera a la representación del conocimiento como un estado central.


la inteligencia aparece siempre asociada a una base de conocimientos, la cual deberá de ser muy extensa si se desea resolver problemas que vayan más allá de situaciones triviales.

A diferencia de las aplicaciones "tradicionales" de la programación, donde se tiene un conjunto de datos almacenados en estructuras que son manipulados a través de procedimientos o instrucciones precisas para resolver solo un tipo de problemas, la IA trabaja sobre una base de conocimientos sobre los cuales pueden hacerse inferencias que permiten resolver varios problemas diferentes.

Uno de los resultados que surgieron de las primeras investigaciones en IA fue que la inteligencia necesita conocimiento. El conocimiento posee algunas propiedades poco deseables como:


  • Es voluminoso.

  • Es difícil caracterizarlo con exactitud.

  • Cambia constantemente.

  • Se distingue de los datos en que se organiza en forma tal que se corresponde con la forma en que va a ser utilizado. Técnicas de IA Una técnica de IA es un método que utiliza el conocimiento, de tal forma que:

  • No sea necesario representar en forma separada cada situación individual, el conocimiento debe incluir las características importantes de una agrupación de situaciones.

  • El conocimiento debe ser comprendido por la persona que lo proporciona.

  • Puede modificarse el conocimiento para corregir errores y reflejar cambios en el mundo y su visión.

  • El conocimiento puede utilizarse en gran cantidad de situaciones, aunque no sea totalmente preciso.

  • El conocimiento puede ayudarnos a superar su propio volumen, ayudando a acotar el rango de posibilidades que normalmente deben considerarse.

Una técnica de IA es un método que explota el conocimiento representado de manera que se cumpla que:

 


  • Representa generalizaciones, es decir, no es necesario representar cada situación individual, sino que las situaciones que comparten propiedades importantes se agrupan.

  • Debe ser entendido por las personas que lo provean.

  • Puede ser modificado para corregir errores y reflejar cambios en el mundo

  • Puede usarse en muchas situaciones aun sin ser totalmente exacto o completo

  • Puede usarse para superar su propio volumen, y disminuir el rango de posibilidades que normalmente deben considerarse

Se pueden caracterizar las técnicas de IA con independencia del problema a tratar.


Para solucionar problemas complicados, los programas que utilizan las técnicas de IA presentan numerosas ventajas con respecto a los que no lo hacen:

  • son menos frágiles, es decir, que no se despistan frente a una perturbación pequeña de la entrada

  • el conocimiento del programa es comprendido fácilmente por la gente

  • usa generalizaciones

  • tiene facilidad de extensión


El conocimiento representa la piedra angular de un sistema o agente inteligente. La idea es poder representarlo abstractamente y utilizarlo para apoyar el proceso de razonamiento.

La representación del conocimiento abarca:

Estructura: empleada para describir los elementos del conocimiento.

Proceso Interpretativo: que se requiere para emplear el conocimiento descrito. Existen muchas formas diferentes de representar el conocimiento en IA, pero la característica común a todas las representaciones es que tienen en cuenta 2 tipos de entidades:

Hechos: verdades en un cierto mundo. Lo que queremos representar.

Representaciones de los hechos en un determinado formalismo: Lo que realmente somos capaces de manipular

Podemos clasificar estos tipos de entidades en dos niveles:


Del conocimiento: se describen los hechos (contiene el comportamiento y objetivos de cada agente).

Simbólico: se describen los objetos del nivel del conocimiento en términos de símbolos manipulables por programas.

La figura siguiente muestra : hechos, representaciones y correspondencia entre ambos.


Si no podemos establecer una correspondencia adecuada entre representaciones para un determinado problema entonces el programa no obtendrá respuestas que se correspondan con las respuestas reales, por muy bueno que sea resolviendo ese problema.

Entonces, considerando estas ideas, el diseño de un agente inteligente basado en el conocimiento implica la necesidad de una gica, es decir de un lenguaje formal para expresar el conocimiento y de diferentes formas de razonar utilizando el lenguaje.
Las componentes principales son las siguientes:
Base de conocimiento (BC): Conjunto de representaciones de ciertos hechos del mundo

Motor de Inferencia (MI): razona sobre la BC.

Podemos decir que un agente basado en el conocimiento tend los siguientes niveles:

De conocimiento (epistomológico.): lo que sabe

Lógico: conocimiento codificado como oraciones

De Implementación: arquitectura del agente y representaciones físicas de las oraciones


La idea es utilizar un enfoque declarativo para poder dar conocimiento al agente oración por oración.
Si un agente, además del conocimiento y la forma de razonar con él, consta con mecanismos de aprendizaje, decimos que este agente es autónomo.

2.2. CRITERIOS DE EVALUACIÓN DE LA REPRESENTACIÓN
Los modelos de representación actuales son los resultados de investigaciones y análisis empíricos antes que de consideraciones filosóficas. En los modelos de representación actuales no existe una técnica de representación universal considerada la mejor. Todo depende del área de aplicación. Podemos de todas formas evaluar los esquemas de representación según ciertos criterios generales:
Transparencia: hasta qué punto podemos identificar fácilmente el conocimiento almacenado.

Claridad: hasta qué punto el conocimiento se puede representar directamente

Naturalidad: hasta qué punto el conocimiento se puede representar en su forma original Eficiencia: facilidad relativa con la cual se puede acceder a conocimientos específicos durante la ejecución

Adecuación: hasta qué punto una estructura dada se puede emplear para representar todos los conocimientos que requiere el sistema.

Modularidad: hasta qué puntos los fragmentos de conocimiento se pueden almacenar independientemente uno del otro.

2.3 NIVEL DE REPRESENTACION
El conocimiento en el proceso de razonamiento implica múltiples niveles diferentes de detalle (granuralidad). En el nivel inferior encontramos los principios primarios (bloques de construcción básicos en los cuales se basa el dominio del experto) Ej.: Ley de gravedad Idea: especie de forma canónica.

A partir de principios básicos se pueden obtener principios más específicos. De ahí, constituir teoremas, reglas de acción que serán la base para la derivación de conocimientos adicionales. Esto es un proceso de síntesis que mezcla elementos de más bajo nivel para obtener elementos más claros (que se comprenden mejor). En general, el conocimiento de bajo nivel no es útil para aplicarlo directamente. Ej.: un examen con libro abierto, se tienen los principios básicos pero para poder responder a preguntas más complejas puede llevar un tiempo tendiendo a infinito, entonces esto no es bueno.
Una característica inherente a la granuralidad es que la flexibilidad del conocimiento aumenta si ésta disminuye y viceversa. Se debe lograr un compromiso con respecto al nivel de detalle en la representación para obtener flexibilidad y buenos tiempos de respuesta.

2.4 ESQUEMAS DE REPRESENTACIÓN DEL CONOCIMIENTO

Existen 2 grandes clases :
a. representación declarativa b. representación procedural
a. El conocimiento está especificado, pero no la manera de utilizarlo. Entonces, existe la necesidad de un programa que especifique: qué hacer y de qué modo. Ej.: de un conjunto de aserciones gicas más un demostrador de teorema por resolución, se obtiene un programa completo de resolución de problemas.
Un modo diferente de considerar las aserciones es como programas no como datos. Las sentencias de implicación pueden ser caminos de razonamiento (as de ejecución de 1 prog., Ej.. estructura if - then - else en programas tradicionales). Las aserciones atómicas, puntos de partida (o de finalización). Entonces, consideramos a las aserciones gicas como representaciones procedurales del conocimiento.
b. La información de control necesaria para utilizar el conocimiento se encuentra embebida en el propio conocimiento. Para utilizarla , existe la necesidad de un intérprete que siga las instrucciones dadas por el conocimiento. Entonces, la diferencia entre a) y b) es dónde se encuentra la información de control.
Hubo grandes controversias en IA para decidir cuál de estos dos enfoques era el mejor, pero no existe una conclusión clara y la diferencia entre las dos es muy confusa. Todo depende del problema que se desea resolver.




Compartir con tus amigos:
1   2   3   4   5   6   7   8   9   ...   29


La base de datos está protegida por derechos de autor ©psicolog.org 2019
enviar mensaje

enter | registro
    Página principal


subir archivos