2.2 Clasificación de las tareas Clasificación de Hayes-Roth y col (1983) Interpretación: Análisis de datos para determinar su significado. Con frecuencia la información lleva asociada incertidumbre Predicción: Inferir el futuro a partir de situaciones o eventos. Por ejemplo, predicción del tiempo o predicción financiera. Diagnóstico: Deduce fallos a partir de síntomas. Incluye un amplio espectro de aplicaciones médicas, mecánicas, y electrónicas. Diseño: Desarrolla configuraciones de objetos que satisfacen ciertas restricciones. Por ejemplo, diseño de circuitos, o disposición de maquinaria en un espacio reducido. Planificación: Genera secuencias de acciones para lograr objetivos. Monitorización: Observación del comportamiento del sistema. Depuración y Reparación: Generar remedios para fallos de sistemas. Instrucción: Sistemas tutores Control: Se anticipa a problemas, planifica soluciones y monitoriza.
Clasificación por operaciones genéricas Clancey (1985) Propone un análisis alternativo en término de operaciones genéricas sobre el sistema: Operaciones sintéticas que construyen un sistema Operaciones analíticas que interpretan un sistema (Gp:) Diagnóstico (Gp:) Interpretación (Gp:) Planificación (Gp:) Control (Gp:) Monitorización (Gp:) Educación (Gp:) Simulación (Gp:) Diseño (Gp:) analíticas (Gp:) Constructivas
Clasificación (Gp:) Datos (Gp:) Datos Abstraidos (Gp:) Soluciones Abstraidas (Gp:) Soluciones (Gp:) Abstracción Datos (Gp:) Emparejamiento (Gp:) Refinamiento Solución
Clasificación: Proceso que selecciona soluciones, entre un conjunto de soluciones preestablecidas, a partir de datos reconocidos. Se utiliza en gran cantidad de tareas como diagnóstico de enfermedades o evaluación prospectiva de depósistos de minales.
Configuración Especificaciones Submodelo funcionalidades Emparejamiento especificación/estructura Configuración:Selecciona partes y los junta. Se utiliza para construir planes de fabricación o recomendaciones de terápias Submodelo de Partes (Gp:) Soluciones Abstraidas y parciales (Gp:) Soluciones Refinadas y Expandidas
Submodelo de configuración Especificaciones Adicionales Especificaciones Espacio de configuración
2.3 Nivel de resolución de Problemas Técnicas de resolución y arquitecturas (Gp:) Basadas en Búsqueda (Gp:) Simple (Gp:) *Profundidad *Anchura *Genete-and-Test *Satisfacción restricciones *Aleatoria (Gp:) Juegos (Gp:) No Estocática
*Escalada *Primero el mejor * A* (Gp:) Evaluación (Gp:) Estocática
*Simulated Annealing *Algo. Genéticos
(Gp:) *FC *Bayes *Fuzzy *Dempster-Shaper
(Gp:) Inexacto (Gp:) Otros (Gp:) Basadas en el Conocimiento (Gp:) *Forward Chainig *Backward Chainig *Prueba Teoremas *GPS (MEA + OS) (Gp:) Objetivos y datos (Gp:) *TMS *Manejo restricciones (Gp:) Mantenimiento consistencia (Gp:) *Refinamiento Jerárquico *Heuristic-inc- generate&test
(Gp:) Abstracciones
Nivel de resolución de Problemas Búsquedas Búsquedas ciega Dirección: Dirigida por objetivo, Dirigida por datos, Bidireccional Orden sistemático de visita de nodos: Profundidad y Anchura Búsqueda heurística Información específica del dominio que guía la búsqueda Función de evaluación que da una estimación del esfuerzo que supone seguir un camino. Las funciones de evaluación deben caracterizar el espacio de estados adecuadamente Es engañoso pensar que una simple función aritmética como estilo de representación del conocimiento es suficiente. Los sistemas expertos utilizan grandes cantidades de conocimiento simbólico .
. f(n) = d(n) + h(n)
Razonamiento Basado en el Conocimiento Razonamiento basado en el conocimiento El razonamiento basado en el conocimiento suele ser no monótono Requiere razonar con conocimiento impreciso Considerar Justificaciones y hacer tentativas sobre creencias Este razonamiento dinámico requiere gran cantidad de conocimiento
regla 101 Si huele a queso por aqui y no veo trampas entonces merodear cerca
regla 103 Si ya he pasado por aqui entonces intentar otra alternativa
comida queso Emmental Bola
Razonamiento BC (cont.) Suposiciones y compromisos Los expertos actúan con recursos de tiempo y conocimiento limitado El sentido común permite extraer conclusiones a partir de informaciones parciales, y la gente acepta conclusiones aceptables para las cuales no tiene prueba. El sentido común requiere que el sistema sea capaz de revisar sus creencias a la luz de nueva información => Razonamiento No monoto
Sistema de razonamiento no monótono Dependencias y Justificaciones Para revisar sus creencias frente a nuevas informaciones, el resolutor debe razonar sobre dependencias entre sus creencias. Estas técnicas son una extensión del backtraking en búsqueda Un fallo en la búsqueda da lugar a backtracking: Eliminación de todas las acciones e inferencias desde el punto de elección más reciente y continuar con la siguiente alternativa. Debido al orden LIFO del backtraking la memoria de las creencias activas se puede implementar como una pila. Backtraking cronológico es ineficiente porque la razón del fallo se olvidan cuando se abandona el camino
Ejemplo del robot Robie El robot tiene como objetivo coger un bloque. Levanta la mano derecha. Se mueve hasta donde está el bloque. Coge el bloque con su mano derecha, pero está muy calienta y se quema la mano. Deja el bloque, baja la mano y retrocede. Levanta la mano izquierda, se mueve hasta donde está el bloque. Coge el bloque con su mano izquierda, pero …
Desafortunadamente, en muchos dominios de problemas no es posible crear modelos completos, consistentes e inalterables La historia del asesino ABC ilustra con claridad muchos aspectos fundamentales que estas técnicas deben proporciona [The Web of Belief de Quine y Ullian 1978]:
Sean Abbott, Babbitt y Cabot los sospechosos en un caso de asesinato. Abbott tiene una coartada en el registro de un respetable hotel de Albany. Babbitt también tiene una coartada, la de su cuñado, al cual estaba viendo en Brooklyn en el momento del crimen. Cabbott defiende también su coartada, asegurando que se encontraba viendo un campeonato de esquí en Catskills, pero sólo puede aportar su propio testimonio. Por lo tanto, creemos: (1) Que Abbot no cometió el crimen (2) Que Babbit no lo hizo (3) Que o Abbott o Babbitt o Cabot lo hizo Sistema de razonamiento no monótono
En principio el sospechoso principal es Cabot, pero … … Cabot puede posteriormente presentar pruebas de su coartada. Tuvo muy buena suerte y fue captado por las cámaras de TV en las gradas de la pista. De esta forma aparece una nueva creencia que es:
(4) Cabot no lo hizo. Las creencias (1) a (4) son inconsistentes, por lo que una debe desestimarse. ¿Cuál es la evidencia más débil? La base de (1) en un hotel es buena, ya que se trata de un hotel prestigioso. La base (2) es más débil, ya que puede ser que el cuñado de Babbitt esté mintiendo. La base de (3) es doble: No existen signos de robo y sólo Abbott, Babbitt y Cabot parecen salir beneficiados con el asesinato. La base de (4) es concluyente Sistema de razonamiento no monótono
Dependencias y Justificaciones Se debe seguir la pista de los pasos de inferencia que dieron lugar a errores e inconsistencias Registro de los paso inferenciales => Registros de dependencia Un método de búsqueda que analice dependencias y decide qué invalidar se llama no cronológica o dirigida por dependencias. Elementos de los registros de dependencia: Creencias, reglas de inferencia y justificaciones Si se encuentra que q es falso el sistema permitirá eliminar p o (¬ p v q) (Gp:) q (Gp:) justificación (Gp:) verdad (Gp:) v (Gp:) ¬ p v q (Gp:) regla (Gp:) v (Gp:) p (Gp:) v (Gp:) q (Gp:) v (Gp:) ¬p v q (Gp:) justificación (Gp:) verdad (Gp:) v (Gp:) p (Gp:) justificación (Gp:) verdad (Gp:) v
Razonamiento Bajo incertidumbre Razonamiento bajo incertidumbre Los tipos de incertidumbre que pueden ocurrir en un SBC son Los datos necesarios no están disponibles Hay datos poco fiables o ambiguos debido a errores en las medidas o distintas medidas en conflicto La representación de los datos no es precisa Los datos son adivinados por el usuario o por el experto a partir de valores razonable o estadísticos Los datos don valores por defecto y puede haber excepciones. Normalmente se debe razonar con datos sobre los que existe cierto grado de incertidumbre ¿Cómo se representa la incertidumbre de los datos? ¿Cómo se combina la incertidumbre de dos o más datos? ¿Como se razona con datos con incertidumbre? Se han propuesto diferentes métodos numéricos Modelos Bayesianos, Factores de certidumbre, Lógica Fuzzy, Teoría de la Evidencia de Dempster-Shafer
Incertidumbre (cont.) Modelo de Bayes => Teoría clásica de la probabilidad Teorema de Bayes: P(H | E) = P (E | H) * P(H) / P(E) Ejemplo: ¿Qué podemos decir si observamos que el paciente estornuda? SI el paciente tiene un catarro ENTONCES estornudará (0.75) * Supongamos que conocemos que P(H)=P(paciente este acatarrado) = 0.2 P(E | H)= P(Paciente estornude | paciente tiene catarro) = 0.75 P(E | ~H)= P(Paciente estornude | paciente no tiene catarro) = 0.2
*ENTONCES podemos deducir P(E) = P(paciente estornude) = P(E | H) * P(H) +P(E | ~H ) * P(~H) = 0.75*0.2 + 0.2*0.8= 0.31 P(H | E) =P(Paciente está acatarrado | paciente estornuda) = 0.75 * 0.2 / 0.31 = 0.48387 P(H | ~E) =P(Paciente está acatarrado | paciente no estornuda) = P (H | ~E) * P(H) / P(~E) = (1 – 0.75) * 0.2 / (1 – 0.31) = 0.07246 Estornudar multiplica la probabilidad de estar acatarrado por 2.5 No estornudar divide la probabilidad de estar acatarrado por 3
Incertidumbre, Modelos probabilisticos Problemas de los métodos Bayesianos Requieren una gran cantidad de datos para construir una base de conocimiento => Las redes Bayesianas reducen el número de probabilidades requeridas. Una red Bayesiana es un grafo que muestra las dependencias entre las variables. ¿En que se basan las probabilidades a priori y condicionadas? Muestra estadística grande Valor suministrado por un experto No son capaces de explicar el proceso de razonamiento Los sistemas de diagnóstico médico basados en Bayes no son aceptados porque no explican como llegan a las conclusiones.
Técnicas de razonamiento Avanzadas Razonamiento basado en el modelo Representan los sistmas físicos mediante su estructura y funcionalidad. Razona utilizando principios básicos de ingeniería y ciencias Tipos de modelos: Ecuaciones, Estocásticos, y modelos causales (Centrados en dispositivos). Conocimiento profundo en lugar de conocimiento superficial sobre el comportamiento del sistema. EJEMPLO Aplicación típica: Diagnóstico de circuitos digitales. Un técnico de reparación de televisores expertimentado utiliza: *Unas pocas medidas en los dispositivos * Con su conocimiento de dispositivos puede mirar un esquema de la televisión e identificar el componente que falla
Técnicas de razonamiento Avanzadas Razonamiento Cualitativo Simulación cuantitativa: Modelado del comportamiento exacto mediante la descripción completa y determinista de sus parámetros. Simulación cualitativa de un sistema: Determina sólo sus posibles estados generales basándose en algunas restricciones. Razonamiento basado en casos Objetivo: Reemplazar el conocimiento de un experto con una base de datos de casos
3. Proceso de desarrollo Adecuación de una aproximación basada en el conocimiento No hay una solución algorítmica La tarea del dominio la realizan expertos Los expertos no son simples aficionados La tarea no debe ser ni muy difícil ni muy complicada para el experto El problema no debe requerir "sentido común" La utilización del SBC reportará beneficios
Proceso de desarrollo IDENTIFICACIÓN ¿Cuáles son las características del dominio? ¿Cuál es su ámbito? ¿Quienes participarán y con que recursos? CONCEPTUALIZACIÓN ¿Qué información y técnicas utiliza el experto? FORMALIZACIÓN ¿Cómo encajan estas técnicas en las estructuras y estrategias de los sistemas expertos? IMPLEMENTACIÓN Acquiere y comprueba iterativamente las habilidades del sistema CHEQUEO Test de comprobación final
Proceso de desarrollo Pasos principales: Identificación: Caracterización de los aspectos más importantes del dominio del problema Conceptualización: Se extraen los conceptos, subtareas y restricciones necesarias para resolver el problema. Ingeniero del Conocimiento: Persona que traslada el conocimiento de un experto a algún formalismo. Es útil un modelo conceptual (mental) entre el experto y el implementador. (Gp:) Conocimiento del Experto (Gp:) if p(x) ^ q(x, y) then r(y)
if u(x) ^ v(x, y) then s(y)
if r(x) ^ sq(x, y) then t(y) (Gp:) motor de inferencia (Gp:) Modelo Conceptual (Gp:) Sistema Implementado (Gp:) Adquisición del conocimiento (Gp:) Programación
Proceso de desarrollo Formalización: Los conceptos de la etapa de conceptualización se representan con las herramientas y esquemas de representación disponibles. ¿Herramienta de adquisición?, ¿chequeos de la base de datos?, ¿Reglas? ¿Redes semánticas?, ¿Frames?, ¿Esquema de razonamiento?, ¿Módulo de explicación? … Implementación: Desarrollo de una herramienta de propósito específico Utilización de algún shell para el desarrollo de SEs. Verificación y refinamiento: El prototipo es comprobado con el experto.
Proceso de desarrollo Dos aproximaciones Prototipado: Es el método más popular para el desarrollo de SBC – Depende mucho más de la involucración de los usuarios – Necesidad de comprobar el comportamiento del sistema según se desarrolla – Adquisición del conocimiento y desarrollo del software se pueden combinar en el prototipado Problemas: Desarrollo ad hoc e indisciplinado Estructurado: KADS (Knowledge Acquisition and Design process): – Metodología de modelado, con una fase rigurosa de análisis antes del diseño – El prototipado se utiliza para experimentar, no como metodogía
4. Herramientas (Gp:) Cómo hacer una tarea (Gp:) Qué tarea hacer (Gp:) Lisp C Ada (Gp:) Reglas OPS5 Lógica: PROLOG Objetos: Smalltalk-80 C++ Java (Gp:) Lenguajes tradicionales (Gp:) Un paradigma de programación (Gp:) Integran distintos paradigmas (Gp:) LOOPS CLIPS K-CRAFT ART NEXPERT KAPPA CLOS
(Gp:) KEE VPEXPERT PC+ (Gp:) Shells
5. Revisión histórica de los SEs GPS (Newell 1963) Búsqueda secuencia de operadores que eliminan la diferencia entre un estado inicial y un estado objetivo Separación entre el conocimiento y como utilizarlo DENDRAL (Universidad de Standford, finales 60-70) Utilización de conocimiento específico del dominio Infiere la estructura molecular a partir del análisis de espectográfico de masas mediante resonancia magnética. Variación de la estrategia generate&test. SAINT, MACSYMA (MIT, 1961-1971) Matemáticas simbólicas, cálculo diferencial e integral. Incorporación de cientos de reglas utilizadas por expertos
Revisión histórica de los SEs MYCIN (Univ Standford, 1976) Diagnóstico y tratamiento de desordenes de la sangre Alrededor de 400 reglas que relaciones condiciones a posibles interpretaciones Razonamiento bajo incertidumbre Separa base de conocimiento del motor de inferencia. EMYCIN: Empty MYCIN TERESIAS: UN programa que asiste en la construcción de grandes bases de conocimiento. PROSPECTOR (SRI, 1979-1981) Ayuda a la exploración geológica. Proceso de clasificación dirigido por los datos. Razonamiento bajo incertidumbre HERSAY II (Carnegie-Mellon, 1980) Comprensión del lenguaje hablado. Arquitectura de pizarra. OTROS: Medicina CASNET, INTERNIST, PUFF Fabricación: XCON
Tiempos empleados 1965 1970 1975 1980 0 10 20 30 40 50 Dendral Macsyma Internist Mycin Casnet Harpy Prospector Puff Xcon Año de comienzo Años-Persona
Bibliografía – Building Expert Systems. Frederick Hayes-Roth, Donald A. Waterman, Douglas B. Lenant. Addison-Wesley 1983 – Intelligent Systems for Engineering. Ram D. Sriram. Springer-Verlag 1997. – Introduction to Expert Systems. 2nd Edition. Peter Jackson. Addison-Wesley 1990 – The Engineering of Knowledge-Based Systems. Theory and Practice. Avelino J. Gonzalez and Douglas D. Dankel. Prentice-Hall 1993 – Introduction to Knowledge Systems. Stefik, M. Morgan Kaufmann, 1995.
| Página siguiente |