0.IntroSBC

Sistemas Basados en el ConocimientoISBC
11/1/1998 *
Última revisión: Nov. 2009
Departamento de Informática e Ingeniería de Sistemas
C.P.S. Universidad de Zaragoza
1
These slides, handouts and notes are a generic OMG and CORBA presentation presented by
Object Management Group, Inc.
492 Old Connecticut Path
ISBC
11/1/1998 *
Componentes de un SE
2. Desarrollo de SBC
2.2 Clasificación de tareas
Búsquedas
Sistemas de Mantenimiento de la verdad
Razonamiento bajo incertidumbre
IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt
ISBC
11/1/1998 *
Introducción
El periodo Clásico
Desde los 50 hasta los 60 la IA se centró en resolutores de Problemas Genéricos
Búsqueda en el espacio de estados
El periodo Romántico
Desde mediados de los 60 hasta mediados de los 70 se centran en modelar el comportamiento humano al resolver problemas
Exploración de diferentes formas de representar hechos y principios sobre el mundo para emplearse en un computador
Reglas, redes semánticas, objetos/frames, fórmulas lógicas.
En la actualidad
Representar explícitamente el conocimiento relevante
- Técnicas para representar el conocimiento en módulos que se activan por patrones.
- No se piensa en mecanismos de inferencia sofisticados ni en complejas funciones de evaluación.
ISBC
11/1/1998 *
IA en el Futuro
“Proyectando las tendencias actuales en el futuro, pienso que habrá un nuevo énfasis sobre sistemas autónomos- robots y softbots. Softbots son angentes software que navegan por Internet, buscando información que pueda ser interesante para sus usuarios. La presión para mejorar las capacidades de los robots y los agentes software motivarán y guiarán la investigación en IA durante los próximos años.”
(Artificial Intelligence, A new Synthesis. Nilsson 1998)
ISBC
11/1/1998 *
Sistema Experto Basado en el Conocimiento
Programa que se comporta como un experto en un dominio de aplicación
Un experto reduce rápidamente la búsqueda al reconocer situaciones (patrones) y utilizar los métodos y reglas adecuados para descubrir la solución.
El conocimiento heurístico no representa un análisis en profundidad del problema, sino una solución “aceptable”
El número de posibilidades a analizar es grande
La función algorítmica de evaluación de cada posibilidad es demasiado compleja o desconocida.
El conocimiento heurístico en los sistemas expertos
No se refiere a conocimiento general para guiar la búsqueda
Es el conocimiento específico aplicable a cada situación específica del dominio.
ISBC
11/1/1998 *
Diferencias entre la solución algorítmica y heurística
El constructor determina el precio de una casa mediante una análisis detallado
suma materiales, llamada a proveedores para obtener precios, evaluación de precios de subcontratistas, estimar contingencias razonables, etc.
Ventajas: El presupuesto es correcto
Desventaja: El posible comprador quiere el presupuesto HOY
El constructor tiene gran experiencia en presupuestos y estima el precio comparando la construcción con otras realizadas
Recuerda el precio de una casa de los mismo metros cuadrados
Busca diferencias que podrían reducir o bajar el precio
Añade una piscina => un 1000000 mas
Los muebles de la cocina de pino en vez de roble => 150000 menos
Un baño menos => 800000 menos
ISBC
11/1/1998 *
conocimiento
usuario
Hechos
Reglas
Plan
Agenda
Solucion
Explicación
Intérprete
Planificador
Mantenimiento
consistencia
Interfaz
usuario
Interfaz de usuario: El usuario interactua con el SE en un lenguage própio del tipo de problema, con frecuencia un español restringido y en algunos casos mediante algún gráfico o formulario
La pizarra: almacena hipótesis y decisiones intermedios que el sistema manipula. Pocos sistemas representan de forma explícita estos elementos
- Plan:Plan general de solución del problema. Ejemplo primero procesar todos los sensores, 2) Formular un número pequeño de hipótesis, 3) Refinar y elaborar cada una de las hipótesis hasta que una sea la más prometedora.
- Agenda : Reglas relevantes para la situación en curso.
- Solución: Hipótesis candidatas y decisiones generadas hasta el momento
El planificador: Determina cual es la acción pendiente que se ejecutará a continuación. Da a cada elemento de la agenda una prioridad e acuerdo con el plan y las soluciones alcanzadas.
El intérprete: Ejecuta la regla escogida por el planificador.
Manteniemiento de la consistencia: Mantiene una representación consistente de la solución mediante
Revisión de la probabilidad de una solución cuando se introducen nuevos hechos
Sistemas de mantenimiento de la verdad cuando las soluciones son deducciones logicas
El modulo de explicación: Explica el porque de las acciones del sistema al usuario.
Reglas y hechos: Registran reglas, hecho e información del problema.
ISBC
11/1/1998 *
Explicación componentes
Interfaz de usuario: El usuario interactúa con el SE en un lenguaje propio del tipo de problema
Pizarra: almacena hipótesis y decisiones intermedios que manipula el SE
Plan: Plan general de solución del problema.
Agenda : Reglas relevantes para la situación en curso.
Solución: Hipótesis candidatas y decisiones generadas hasta el momento
Planificador: Determina cual es la acción pendiente que se ejecutará a continuación. El intérprete: Ejecuta la regla escogida.
Mantenimiento de la consistencia: Mantiene una representación consistente de la solución mediante:
Revisión de la probabilidad de una solución cuando se introducen nuevos hechos.
Sistemas de mantenimiento de la verdad cuando las soluciones son deducciones lógicas
El modulo de explicación: Explica el porqué de las acciones del sistema
Reglas y hechos: Registran reglas, hecho e información del dominio
ISBC
11/1/1998 *
La respuesta puede ser potencialmente dañina
Es una forma comprensible de chequear el comportamiento
Tutores
Poder responder a preguntas como las siguiente
¿Cómo se tomó o no cierta decisión? ¿Cuando, cómo y porqué se utiliza una información determinada? ¿Qué decisión se tomo ante un subproblema?
Ser fácil de usar
SE
R.I.P.
ISBC
11/1/1998 *
Programas convencionales y SBC
Programas: Sentencias sobre datos que se realizan en un orden predeterminado.
Solución única
SBC = Conocimiento + Control
Programas = Estructuras de Datos + Algoritmos
SBC: Se distingue el conocimiento del dominio de la estrategia de control
Esto permite la incorporación de más conocimiento sin manipular la estructura global del sistema
Se pueden obtener varias soluciones
El programa puede explicar como llega a su solución.
ISBC
11/1/1998 *
2. Desarrollo de un SBC
¿Se pueden clasificar las aplicaciones de SEs sobre la base de características de las tareas o del dominio?
¿Se pueden identificar métodos de resolución de problemas bien diferenciados que sean útiles para ciertas clases de aplicaciones de SEs?
¿Podemos identificar estilos de representación e inferencia más adecuados para un método de resolución de problemas dado?
ISBC
11/1/1998 *
ISBC
11/1/1998 *
Niveles de descripción
El desarrollo de un SBC puede verse como un proceso de transformación desde el nivel de especificación al de herramienta
Nivel de Especificación: Se describe el problema, las restricciones sobre el problema y la solución.
Nivel de Tarea: Se describe los tipos de problemas, como diagnóstico, planificación, etc.
Nivel de resolución del Problema: Estrategias de resolución que se utilizan para resolver las diferentes tareas
Nivel de Base de conocimiento: Heurísticas, asociaciones causales, relaciones matemáticas describiendo fenómenos físicos.
Nivel de Herramienta: Implementación del SBC
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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
Diagnóstico
Interpretación
Planificación
Control
Monitorización
Educación
Simulación
Diseño
analíticas
Constructivas
ISBC
11/1/1998 *
Clasificación
preestablecidas, a partir de datos reconocidos.
Se utiliza en gran cantidad de tareas como diagnóstico de enfermedades o
evaluación prospectiva de depósistos de minales.
Datos
Datos
Abstraidos
Soluciones
Abstraidas
Soluciones
Abstracción
Datos
Emparejamiento
Refinamiento
Solución
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
Técnicas de resolución
ISBC
11/1/1998 *
Búsquedas
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.
.
.
ISBC
11/1/1998 *
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
no veo trampas
entonces merodear cerca
entonces intentar otra alternativa
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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 ...
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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)
q
justificación
verdad
v
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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(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
ISBC
11/1/1998 *
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
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.
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
¿Cuál es su ámbito?
CONCEPTUALIZACIÓN
FORMALIZACIÓN
y estrategias de los sistemas expertos?
IMPLEMENTACIÓN
ISBC
11/1/1998 *
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.
Conocimiento
del
Experto
ISBC
11/1/1998 *
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:
Utilización de algún shell para el desarrollo de SEs.
Verificación y refinamiento:
ISBC
11/1/1998 *
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
ISBC
11/1/1998 *
ISBC
11/1/1998 *
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)
Incorporación de cientos de reglas utilizadas por expertos
ISBC
11/1/1998 *
MYCIN (Univ Standford, 1976)
Alrededor de 400 reglas que relaciones condiciones a posibles interpretaciones
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.
ISBC
11/1/1998 *
ISBC
11/1/1998 *
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.

Documents

0.IntroSBC