Sistemas Expertos Introducción Arquitectura - Motor de Inferencias Ingeniería Electrónica Ingeniería del Conocimiento Inicio de los Sistemas Expertos 60´s 70´s Se buscaban soluciones generales 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. Sistemas basados en conocimiento (SBC-KBS) Definiciones. Sistemas que resuelven problemas aplicando una representación simbólica de la experiencia humana. Jackson. Sistemas que representan el conocimiento sobre el dominio en forma explícita y separada del resto del sistema. Waterman. 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 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. Sistema de computación Hardware + software Simulación Conducta inteligente Experto Dominio limitado Fuente de pericia humana en el dominio Específico y especializado Experiencia humana vs. SE. PERICIA ARTIFICIAL Permanente Siempre accesible Fácil de documentar Estable, confiable Costo manejable Fragilidad de las máquinas Sin inspiración Conocimiento técnico Estática - Dinámica Dominios estrechos PERICIA HUMANA Perecedera No siempre accesible No documentable Variable, flexible Costosa Fragilidad humana Creativa Sentido común Dinámica (aprendizaje) Dominios más extensos Los humanos son aún imprescindibles. SE/SBC: Tareas Síntesis: Clasificación, diagnóstico Tareas abordadas 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. Primeros Sistemas Expertos MYCIN PROSPECTOR INTERNIST CASNET R1 MOLGEN Stanford (Buchanan - Shortliffe 1976): Diagnóstico y tratamiento de enfermedades infecciosas (aprox. 500 reglas). Introduce factores de certeza. Stanford-US Geological Survey (Duda-GashningHart, 1979): Evaluación de yacimientos minerales y petrolíferos. (aprox 1600 reglas). Probabilidades condicionales y Teorema de Bayes. Pittsburg (Pople-Myers, 1977): Diagnóstico en Medicina interna. CADUCEUS: Analiza relaciones causales. Rutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma. Carnegie Mellon (Mc Dermott): Configuración de ordenadores VAX (aprox 500 reglas). Descompone el diseño en distintos niveles de abstracción. Stanford (Stefik): Diseño de experimentos genéticos. Utiliza abstracción. Conocimiento inexacto Razonamiento experto Modelos causales Reducción espacio de búsqueda Habilidades que se esperan de un SE Manipular con fluidez descripciones simbólicas. Buena perfomance, comparable al menos a la de los especialistas. 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. Estructura básica de un SE. Ingeniero del conocimiento Experto del dominio K A T Base de Conocimientos Motor de Inferencias I n t e r f a c e U s u a r i o Estructura básica de un Sistema Experto Base de Conocimientos Su estructura de datos queda definida en términos del esquema de representación elegido para incorporar el conocimiento del dominio de trabajo. Separados entre sí 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. 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. Problemas con la metodología de desarrollo Limitaciones propias del tipo de sistema. Comparable a la Crisis de los SI pero posterior CRISIS Ingeniería del Conocimiento (IC) Crisis SI Crisis SBC Desarrollo de la Ingeniería del Software Desarrollo de la Ingeniería del Conocimiento 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 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. 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 SE basados en reglas de producción Sistemas de producción BC (Reglas) 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. Memoria de trabajo (Hechos) Motor de Inferencias Mundo Exterior SE basados en reglas de producción Reglas de producción < CONDICION > < 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. 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. SE basados en reglas de producción MOTOR DE INFERENCIAS Dos formas de funcionamiento. Inductivo: A partir de un objetivo intenta verificar los hechos que los sostienen Deductivo: A partir de los hechos disponibles infiere todas las conclusiones posibles BACKWARD CHAINING FORWARD CHAINING SE basados en reglas de producción Encadenamiento hacia atrás - Backward Chaining. BH := CONOCIMIENTO INICIAL (HECHOS). HASTA OBJETIVO O SIN REGLAS PARA DISPARAR. Hechos iniciales REPITA (1) ENCONTRAR K CONJUNTO DE REGLAS, CUYAS CONCLUSIONES PUEDEN UNIFICARSE CON LA HIPÓTESIS (CONJUNTO DE CONFLICTO). (2) ELEGIR R DE K SEGÚN ESTRATEGIA DE SOLUCIÓN DE CONFLICTOS (POSIBLE BACKTRACKING). (3) SI LA PREMISA DE R NO ESTÁ EN BH, TOMARLA COMO SUBOBJETIVO. Objetivo SE basados en reglas de producción Backward Chaining: Ciclo base de un motor inductivo. DETECCIÓN: SI EL OBJETIVO ES CONOCIDO ÉXITO. SINO, TOMAR LAS REGLAS QUE LO CONCLUYEN (CC). ELECCIÓN: DECIDIR QUE REGLA APLICAR (RC) APLICACIÓN: REEMPLAZAR EL OBJETIVO POR LA CONJUNCIÓN DE LAS CONDICIONES DE LA PREMISA ELEGIDA. SE basados en reglas de producción Ejemplo Backward Chaining: Primer paso BASE DE REGLAS R1: p ∧ q → s R2: r → t R3: s ∧ t → u R4: s ∧ r → v BH: p q r OBJETIVO: v v ∈ BH ? v ∉ BH SIGUE SE basados en reglas de producción Ejemplo Backward Chaining: Segundo paso BASE DE REGLAS MATCHING CON v R1: p ∧ q → s CC = { R4 } R2: r → t s ∈ BH? R3: s ∧ t → u s ∉ BH R4: s ∧ r → v s SUBOBJETIVO SIGUE BH: p q r SE basados en reglas de producción Ejemplo Backward Chaining: Tercer paso BASE DE REGLAS R1: p ∧ q → s MATCHING CON s R2: r → t CC = { R1 } R3: s ∧ t → u p ∈ BH? SI. R4: s ∧ r → v q ∈ BH? SI. DISPARA R1. BH: p q r BH ← s SE basados en reglas de producción Ejemplo Backward Chaining: 4º paso BASE DE REGLAS R1: p ∧ q → s CC = { R4 } R2: r → t r ∈ BH? SI. R3: s ∧ t → u DISPARA R4. R4: s ∧ r → v BH ← v BH: p q r s SE basados en reglas de producción Ejemplo Backward Chaining: 5º paso BASE DE REGLAS R1: p ∧ q → s R2: r → t R3: s ∧ t → u R4: s ∧ r → v BH: p q r s v OBJETIVO OK. FIN SE basados en reglas de producción Encadenamiento hacia adelante - Forward Chaining. BH := CONOCIMIENTO INICIAL (HECHOS). HASTA OBJETIVO DISPARAR. O SIN REGLAS PARA Hechos iniciales REPITA: (1) ENCONTRAR K CONJUNTO DE REGLAS CUYAS PREMISAS CUMPLEN CON BH (CONJUNTO DE CONFLICTO-CC). (2) ELEGIR R DE K SEGÚN ESTRATEGIA DE SOLUCIÓN DE CONFLICTOS (RC). (3) DISPARAR R (RECORDAR R). Y ACTUALIZAR BH. Objetivo SE basados en reglas de producción Forward Chaining: Ciclo base de un motor deductivo. DETECCIÓN: DETERMINAR EL CONJUNTO DE REGLAS APLICABLES ELECCIÓN: DECIDIR QUE REGLA APLICAR (RC) APLICACIÓN DISPARAR LA REGLA ELEGIDA Y ACTUALIZAR BH. SE basados en reglas de producción Ejemplo Forward Chaining: Primer paso BASE DE REGLAS R1: p ∧ q → s R2: r → t R3: s ∧ t → u R4: s ∧ r → v BH: p q r CC = { R1, R2 } R1 ← RC DISPARA R1 BH ← s R1 APLICADA SE basados en reglas de producción Ejemplo Forward Chaining: 2º paso BASE DE REGLAS R1: p ∧ q → s R2: r → t R3: s ∧ t → u R4: s ∧ r → v BH: p q r s CC = { R2, R4 } R2 ← RC DISPARA R2 BH ← t R2 APLICADA SE basados en reglas de producción Ejemplo Forward Chaining: 3er paso BASE DE REGLAS R1: (p ∧ q → s) R2: (r → t) R3: s ∧ t → u R4: s ∧ r → v BH: p q r s t CC = { R3, R4 } R3 ← RC DISPARA R3 BH ← u R3 APLICADA SE basados en reglas de producción Ejemplo Forward Chaining: 4º paso BASE DE REGLAS (R1: p ∧ q → s) (R2: r → t) (R3: s ∧ t → u) R4: s ∧ r → v BH: p q r s t u CC = {R4 } R4 ← RC DISPARA R4 BH ← v R4 APLICADA SE basados en reglas de producción Ejemplo Forward Chaining: 5º paso BASE DE REGLAS (R1: p ∧ q → s) (R2: r → t) (R3: s ∧ t → u) (R4: s ∧ r → v) BH: p q r s t u v CC = { } FIN Sistemas expertos: Metaconocimiento Es el conocimiento estratégico vinculado a la utilización del conocimiento del dominio del Sistema Experto. Es conocimiento que predica sobre el conocimiento involucrado en el sistema. Métodos de implementación: Meta-reglas Funciones Activación o no de grupos de reglas específicas. Ordenación de las reglas dentro de los grupos. Definición de la búsqueda o no de conceptos asociados. PC-PLUS → FINDOUT - NOFINDOUT Orden de las reglas Posibilidad de asignarles “pesos” numéricos. PC-PLUS → UTILITY. KAPPA-PC → PRIORITY Sistemas expertos: Metaconocimiento Enriquece y aporta a la perfomance de un Sistema Experto y por sus características incluye: Elementos en el Motor de Inferencias: Demonios. Elementos en la Base de Conocimientos: Metareglas, PRIORITY, etc. Ejemplos de Metareglas en SEXP - 1 IF Litología_Principal = Arenisca THEN Tratar sólo el grupo de reglas asociadas. IF Litología_Principal = Roca_Ignea THEN NoAsk (Lista de valores) Motor de Inferencias: Estructuras de control Funcionamiento sistemático Tipo de búsqueda implementada Ruptura Demonios Son procedimientos especiales Elementos de metaconocimiento Se invocan a partir de cierto conocimiento deducido durante la ejecución de la aplicación. Estructuras de control: Demonios El demonio es una estructura de control que vigila constantemente el comportamiento del SE y se activa cuando encuentra determinadas condiciones en la BC. Disparador BC Procedimiento Difieren de los procedimientos tradicionales, en que estos últimos responden a un llamado específico que los identifica y pone en acción. Personal Consultant-xx Kappa-PC Forward Chaining es un demonio, manejado mediante la propiedad ANTECEDENT de las reglas. Monitores: Demonios que se activan a partir de cómo maneja el sistema los objetos con los que se los asocia. SE: Herramientas Una herramienta para la construcción de sistemas expertos (expert system building tools-shell) es un software para el desarrollo de sistemas expertos,: • un motor de inferencias, • forma/s de representar el conocimiento (BC vacía) y • una interfaz para el usuario final, permite construir sistemas expertos agregando el conocimiento específico sobre el dominio particular que se quiere resolver. SE: Herramientas • KAPPA-PC (C - Intellicorp, software liberado) • CLIPS (C – NASA, software libre) • JESS (Java - Lic. académica) ----------• M1 • Personal Consultant-Easy / PC-Pluss • INSIGHT 2 +. • VP-Expert permiten construir sistemas expertos agregando el conocimiento específico sobre el dominio particular que se quiere resolver. Herramientas: Kappa-PC KAPPA-PC Es un shell, cáscara o Sistema Experto vacío Reglas y Objetos Formalismos de representación Funcionamiento del Motor de Inferencias El funcionamiento sistemático está definido, pueden personalizarse características (Forward - B ackward) Posee herramientas de trace y debug. ¿ Qué es Jess ? • JESS (Java Expert System Shell). • Diseñado para integrar fácilmente Clips y Java. • Originalmente (1995) era un clon de Clips, programado en Java. • Hoy es mucho más. (versión actual: 7.1) • Objetivo: Aplicaciones Java + razonamiento de un sistema experto (reglas). Características • Utiliza el algoritmo de Rete para procesar las reglas. • Puede obtener mayor rapidez que CLIPS. • Incluye encadenamiento hacia atrás (5.0) • Permite manipulación directa de objetos Java •Incluye lógica difusa en la 5.0 (FuzzyJess): http://ai.iit.nrc.ca/IR_public/fuzzyJToolKit.html Interacción con Jess • Jess es una librería para programadores. • Posee 3 interfaces: mediante línea de comandos, consola o applets. • Permite ampliarlo con otras interfaces. Para ello, provee un editor llamado JessDe el cual se puede integrar con IDE’s como Eclipse (www.eclipse.org) Interacción con Jess (2) • Jess tiene una interfaz de línea de comandos a través de la clase “jess.Main” c:\jdk> java jess.Main jess> ... • Si se usa “jess.Console” se tiene una interfaz en modo gráfico (consola). Clases de Jess • Jess está programado en Java; sus clases se usan como cualquier otra del lenguaje. • La clase “jess.Rete” es el motor de inferencia e implementa el algoritmo de rete. • Existen clases para todo lo que se maneja con un lenguaje de reglas: Hechos, reglas, plantillas, clases, instancias, átomos, strings, agendas, funciones, .... • Además de otras clases interesantes (heredadas de la POO): Excepciones, routers, parser, estruct. de datos... Extender Jess • Se pueden añadir nuevas funciones a Jess programadas en Java (Userfunction) • También se puede añadir paquetes de funciones (Userpackage) Acceso a objetos Java • Desde Jess se puede crear una instancia de cualquier clase de Java y acceder a sus métodos y atributos públicos: (defglobal ?*str-buf* = (new java.lang.StringBuffer 100)) (call ?*str-buf* append "Some String Data To Append") • El orden de los argumentos es el que realiza el enlace entre la llamada y el método, y la equivalencia de tipos es la contemplada en la clase “jess.Value”. Jess en la WWW • El sitio oficial de Jess en Internet se encuentra en: http://herzberg.ca.sandia.gov/jess/ (ejfried@ca.sandia.gov) • Se permite el uso libre en ámbitos educativos, sin fines comerciales. •Es la página con información relevante sobre Jess Herramientas: JESS Las reglas predican sobre hechos (facts) . Ejemplo de Regla: IF the animal is a duck THEN the sound made is quack Syntaxis JESS Jess> (clear) TRUE Jess> (assert (animal-is duck)) <Fact-0> Jess> (defrule duck-sound (animal-is duck) => (assert (sound-is quack))) TRUE Jess> Herramientas: JESS Syntaxis de reglas (defrule rule-name "optional comment" (pattern-1) ; (pattern-2) ; (pattern-n) => (action-1) ; (action-2) ; (action-m) ) left-hand side (LHS) of the rule consisting of elements before the "=>" right-hand side (RHS) of the rule consisting of elements after the "=>"