Representación de Conocimientos
Anuncio
Introducción a la Representación de Conocimientos Representación de Conocimientos Asunción Gómez-Pérez asun@fi.upm.es Despacho 2209 Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Campus de Montegancedo sn, 28660 Boadilla del Monte, Madrid, Spain Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Indice 1. Introducción. (1 hora) 2. Sistemas de Producción (6 horas) 3. Representaciones taxonómicas: Marcos. (8 horas) 3. Examen 15 de octubre a las 9.30. Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Bibliografía • Ingeniería del Conocimiento (ED Ceura) Reglas, Marcos, Redes Semánticas A. Gómez, N. Juristo, C. Montes, J. Pazos • Inteligencia Artificial (ED Ceura) D. Borrajo, N. Juristo, V. Martínez, J. Pazos Reglas • Artificial Intelligence Rich and Knight Libro de Consulta Transparencias en http://delicias.dia.fi.upm.es/wiki/index.php/InteligenciaArtificial-grado-11-12 Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Introducción a la Representación de Conocimientos Asunción Gómez-Pérez asun@fi.upm.es Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Campus de Montegancedo sn, 28660 Boadilla del Monte, Madrid, Spain Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Indice 1. Ciclo básico de un sistema inteligente 2. Sistemas tradicionales versus sistemas inteligentes 3. La Hipótesis Simbolista 4. Sintaxis versus Semántica 5. Criterios para seleccionar los formalismos Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Ciclo Básico de un Sistema Inteligente Yo Conozco y Razono Yo Intento Conocer y Razonar Motor de Inferencias Percibir ¿Cómo? Modelo Interno Razonar Mundo Externo EXPECTATIVAS Base de Conocimientos Facultad de Informática. Universidad Politécnica de Madrid Actuar ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Formalización Razonar Representar + Motor de Inferencia Estrategia de Control Formalismos Representar declarativamente los conceptos de un dominio, sus propiedades, Formalismos relaciones (de clasificación, de agregación, etc.) entre conceptos así como los elementos individuales que aparecen en el dominio Cada formalismo de representación tiene Motores de Inferencia asociados, Motor de Inferencia independientes del dominio de la aplicación, capaces de razonar con cualquier conjunto de conocimientos representados mediante su formalismo propietario La estrategia de control gobierna el sistema y decide qué hacer en cada momento Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Hipótesis Simbolista El módulo de la BC del sistema está separado del módulo de razonamiento Animal Base de Conocimientos: Contienen conocimientos del dominio: • conceptos • taxonomías • relaciones “a medida” entre conceptos • propiedades de conceptos • hechos Subclase Altura: número Peso: número Nombre: string Vertebrados Invertebrados Esqueleto: si Nº patas: [0 ...4] • heurísticas Subclase Esqueleto: no Nº patas: [0 ...4] Instancia Instancia • Restricciones • ..... Motor de Inferencias: Perro - 1 Gusano - 1 Altura: 50 Peso: 25 Nombre: Tuky Altura: 5 Peso: 3 Nombre: A •Permite que el sistema razone. •Apartir de los datos y conocimientos de entrada el sistema pueda producir una salida. Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Marcos • • Se representa utilizando taxonomías de conceptos en tiempo de diseño Conocimiento declarativo y procedimental Animal Subclase Vertebrados Esqueleto: si Nº patas: [0 ...4] Instancia Perro - 1 Altura: 50 Peso: 25 Nombre: Tuky Facultad de Informática. Universidad Politécnica de Madrid Altura: número Peso: número Nombre: string Subclase Invertebrados Esqueleto: no Nº patas: [0 ...4] Instancia Gusano - 1 Altura: 5 Peso: 3 Nombre: A ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Sistemas de Producción Si cond1 ^ cond2 ^ cond3^.... Entonces Acc1 ^ Acc2 ^.... Antecedentes Consecuentes R1: Si (Animal $A) ^ (Esqueleto $A sí) Entonces (Vertebrado $A) R2: Si (Animal $A) ^(Esqueleto $A no) Entonces (Invertebrado $A) R3: Si (Vertebrado $A) (Ladra $A) Entonces (Perro $A) Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Sintaxis versus Semántica • • Sintaxis: – Símbolos que se utilizan para representar – Aspectos de Notación – Cada formalismo tiene su sintaxis Semántica: – Significado de lo que se ha representado utilizando una sintaxis determinada Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Criterios para Seleccionar un Formalismo • Expresividad: hacer distinciones sutiles y precisas ¿Qué es lo que puedo decir con ese formalismo? • Completud: Todos los conocimientos conceptualizados pueden representar ¿Puedo expresar TODO lo que conozco? • Adecuación: al tipo de conocimientos que se va a representar: taxonomías, clases, relaciones, ... Al tipo de razonamiento que se va a simular Rendimiento del sistema inteligente Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez Introducción a la Representación de Conocimientos Introducción a la Representación de Conocimientos Asunción Gómez-Pérez asun@fi.upm.es Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Campus de Montegancedo sn, 28660 Boadilla del Monte, Madrid, Spain Facultad de Informática. Universidad Politécnica de Madrid ©Asunción Gómez Pérez
