00-1-Introduccion a AI.pdf - Departamento de Ciencias e Ingeniería ...

cs.uns.edu.ar

00-1-Introduccion a AI.pdf - Departamento de Ciencias e Ingeniería ...

AArgumentation t ti

in Artificial Intelligence:

Theoretical Foundations and

Technological Applications

Carlos Chesñevar & Guillermo Simari

CONICET and Laboratory of R&D in A.I.

Department of Computer Science and

Engineering

Universidad Nacional del Sur

Bahía Blanca, Argentina


¿Qué Q é es

Inteligencia?


¿Qué es Inteligencia?

(1) La habilidad de manejarse en situaciones nuevas

de manera exitosa ajustando el comportamiento.

(2) La habilidad de percibir las interrelaciones entre

los hechos en fforma

tal de guiar la acción hacia una

meta deseada.

(Diccionario)

La primera de las frases puede asociarse con la idea

de “aprendizaje” aprendizaje y la segunda con “resolución resolución de

problemas”, “comportamiento orientado a las metas” o

“comprensión”. p

Sin embargo, parecería haber más que decir acerca

de la Inteligencia.

3


¿Qué es Inteligencia?

Es la facultad o habilidad de comprehender y razonar

con hechos, verdades o proposiciones. Racionalidad.

(Diccionario)

La inteligencia es la parte computacional de la

habilidad de lograr alcanzar metas en el mundo.

(J (John h MMcCarthy) C th )

“Entendemos los procesos mentales humanos

apenas mejor que lo que un pez entiende los

procesos involucrados en la natación”.

(John McCarthy)

¿?

4


¿Qué es Inteligencia?




El “paseo del caballo” consiste en recorrer todo el tablero

comenzando desde una esquina y visitando las casillas

utilizando tili d movidas id llegales l ddel l caballo.

b ll


5


¿Qué es Inteligencia?

¿Es posible cubrir el tablero con piezas de dominó?

6


¿Qué es Inteligencia?

Y ahora, ¿es posible cubrir el tablero con piezas de dominó?

7


Atributos de una Entidad Inteligente

Actitudes mentales (creencias, deseos, intenciones)

Aprendizaje (capacidad de adquirir conocimiento nuevo)

Capacidad para resolver problemas, incluyendo la

hhabilidad bilid d dde ddescomponer problemas bl complejos l j en

otros más simples.

Comprensión (incluyendo la habilidad de para encontrar

sentido en información ambigua o contradictoria).

Capacidad de planear y predecir las consecuencias de

las acciones consideradas (incluyendo la habilidad para

evaluar y comparar p alternativas). )

Comprender los límites de su conocimiento y

habilidades.

8


Atributos de una Entidad Inteligente

Poder distinguir entre situaciones similares. similares

Ser original, poder sintetizar conceptos e ideas nuevas

y poder d ddesarrollar ll y emplear l analogías. l í

Generalizar, es decir ser capaz de encontrar un patrón

subyacente común en un conjunto de situaciones

aparentemente distintas.

Percibir y modelar el mundo.

Comprender y utilizar lenguaje y otras herramientas

simbólicas.

9


Teorías de Inteligencia

Una Teoría de Inteligencia se refiere a la identificación de

los principales componentes independientes del

comportamiento inteligente.

A partir de esta identificación se determina la importancia

de los componentes de los mecanismos del

comportamiento p inteligente g se determina la importancia p

de cada uno y las interacciones entre el mecanismo y

Conocimiento Co oc e o necesario ecesa o pa para a eel co comportamiento

po a e o

Representación de ese conocimiento

Procesos requeridos para efectivizarlo

Metas del comportamiento.

A continuación se mencionan algunos tipos de Teorías de

Inteligencia.

10


Teorías de Inteligencia

Teorías de Desempeño: ¿Como puede testearse la

presencia y/o grado de inteligencia? inteligencia?, ¿Cuáles son los

componentes funcionales esenciales de un sistema

capáz p de exhibir inteligencia? g

Teorías Estructurales/Funcionales: ¿Cuáles son los

mecanismos por los que puede lograrse inteligencia?

Teorías Contextuales: ¿Cuál es la relación entre el

comportamiento inteligente y el entorno con el que la

entidad inteligente debe contender?

Teorías Existenciales: ¿Cuáles son las condiciones

necesarias y/o suficientes para producir

comportamiento inteligente?

11


Racionalidad

Racional:

1. Fundado o ajustado a la Razón.

22. Dotado de Razón Razón.

Razón:

11. Facultad de discurrir (pensar). (pensar)

2. Argumento que tiende a justificar una cosa.

33. Causa o motivo motivo.

4. Facultad por la que la persona conoce, ordena sus

experiencias experiencias, tendencias y conducta en su relación

con la totalidad de lo real.

12


Conocimiento

Acción o efecto de conocer conocer.

Entendimiento, Inteligencia, Razón

natural.

Conciencia de la propia existencia.

Noción, Ciencia, Sabiduría.

Relaciones conocidas.

Verdad aprehendida.

aprehendida

Lo contrario de opinión.

13


Epistemología y Ontología

Epistemología (griego: Epistéme, Conocimiento +

LLogos, TTeoría): í ) Teoría T í del d l Conocimiento.

C i i t

• Rama de la Filosofía que estudia el origen, la

estructura, los métodos y la validez del

conocimiento.

• Sistema que explica las relaciones entre el

pensamiento y los objetos, y entre el hombre y el

mundo. d

Ontología (Del griego Ontos (ὄν, ὄντος), el ser, y -logía,

Logos, Teoría):

• Rama de la Filosofía que estudia el ente (lo ( que es) )

en cuanto a tal y de sus propiedades transcentales.

14


Racionalidad

La visión filosófica se inclina a estudiar el problema

desde el punto de vista de producir estándares de

racionalidad, y a partir p de ellos comparar p como los

seres humanos piensan con la forma como deberían

pensar.

Una visión ingenieril propone tomar una postura de

diseño en la que la racionalidad surge de proponer

una solución a ciertos problemas de diseño.

Una visión de teoría de la decisión propone p p qque

la

racionalidad surge al actuar con el objetivo de

maximizar la utilidad esperada.

15


Entonces ¿qué es Inteligencia Artificial?

Resulta muy difícil lograr una definición precisa del

objeto bj t dde estudio t di y esto t por sí í mismo i resulta lt en un

atractivo para este campo de la ciencia.

El problema bl de d la l ddefinición fi i ió tiene, i al l menos, ddos

partes:

• La calidad de ser Artificial

• La Inteligencia que se debe lograr

Será Artificial por ser un producto de la creación

artesanal humana.

La Inteligencia así producida será Artificial en

oposición a la Inteligencia producida en forma Natural.

16


El Problema

de la

Definición


¿Qué es Inteligencia Artificial?

Es la Ciencia e Ingeniería de construir artefactos

inteligentes inteligentes, en especial programas inteligentes de

computadora.

Por analogía, se relaciona con el uso de computadoras

para entender la inteligencia humana por medio de la

simulación simulación, pero la IA no tiene que limitarse a métodos

que sean biológicamente observables.

What is ArtificiaI Intelligence?

JJohn h MMcCarthy C th

http://www-formal.stanford.edu/jmc/

John McCarthy

18


¿Qué es Inteligencia Artificial?

Es el estudio de los procesos computacionales que

hacen posible percibir, razonar y actuar.

Patrick Winston

Es el estudio de como lograr que las máquinas

hagan g cosas qque ppor

el momento los seres

humanos hacen mejor.

Elaine Rich, Kevin Knight

Es la rama de las Ciencias de la Computación que

se ocupa de la automatización del comportamiento

iinteligente. t li t

George Luger, William Stubblefield

19


Pensar Racionalmente

Se considera que q el ppensamiento es ggobernado ppor

leyes formales.

Aristóteles parece haber sido el primero en

intentar codificar el “pensamiento correcto”.

Para él, “pensar” es un proceso y este

proceso puede ser formalizado.

De hecho, esta forma de ver al

pensamiento ha alimentado primero el

progreso de la Lógica y luego el de las

Ciencias de la Computación.

Aristoteles (384-322 ac)

20


Pensar Racionalmente

Gottfried Wilhelm Leibniz

(1646-1716)

Hilbert, David

(1862-1943)

Bertrand Russell

(1872-1970)

Carnap, Rudolf

(1891-1970)

21


Pensar Racionalmente

EEn 1854 1854, GG.Boole B l publicó bli ó un ttrabajo b j seminal i l en

Lógica Matemática titulado “An Investigation of the

Laws of Thought on Which Are Founded the

Mathematical Theories of Logic and Probabilities”.

Este trabajo dió un impulso

enorme al tratamiento formal de

la Lógica.

George Boole

(1815-1864)

22


Lograr g

Inteligencia

Atifi Artificial

i l


Inteligencia Artificial

¿Inteligencia Artificial Artificial o Sintética?

• Artificial sugiere algo cuya calidad es diferente de

lo natural (Corazón Artificial)

• Sintético solo sugiere algo manufacturado

(Perla de Cultivo)

Una analogía sugerente:

Máquinas voladoras y

Máquinas q ppensantes

24


Inteligencia Artificial

Se distinguen dos metas que se entrelazan fuertemente:

La Meta Científica de determinar cuales son las ideas y

principios para la Representación de Conocimiento,

para el uso del Conocimiento y para el ensamblaje de

Sistemas que explican los diversos tipos de

Inteligencia

Inteligencia.

La Meta Ingenieríl de resolver problemas en el mundo

real usando herramientas de IA para la Representación

de Conocimiento, para el uso del Conocimiento y para

el ensamblaje de Sistemas en el mundo real (Artefactos

útiles, inteligentes).

25


Inteligencia Artificial

¿Inteligencia Computacional?

Esta denominación claramente hace explicito un

Propósito y una Metodología.

El propósito es entender como es posible producir

comportamiento inteligente.

LLa metodología t d l í es di diseñar, ñ construir t i y experimentar i t

con Sistemas Computacionales que realicen tareas

que se consideran inteligentes

inteligentes.

26


Inteligencia Computacional

Se aceptan dos supuestos fundamentales:

La hipótesis del Sistema de Símbolos Físicos:

1. La condición necesaria y suficiente para que

un Sistema Físico exhiba actividad inteligente

es que sea un Sistema de Símbolos Físicos Físicos.

A. Newell y H. Simon (1976)

La Tesis de Church-Turing:

22. Cualquier manipulación algorítmica de

símbolos puede realizarse sobre una Máquina

de Turing.

27


Inteligencia Computacional

Observemos que la máquina de Turing es el modelo

teórico ói dde llas computadoras d actuales. l

Luego, aceptando la Tesis de Church-Turing,

Church Turing,

cualquier clase de manipulación de símbolos puede

realizarse en una computadora.

(de tamaño apropiado)

Así la conjunción de los supuestos (1) y (2)

implicará que cualquier clase actividad inteligente

puede realizarse en una computadora.

(de tamaño apropiado)

Es decir, decir la inteligencia es algorítmica algorítmica.

28


Inteligencia Computacional

Es interesante remarcar que la afirmación

precedente no es formalmente demostrable

dado que se funda en supuestos que no

son en si mismos demostrables.

Al aceptar esos supuestos se condiciona de

fuertemente la forma de resolver el

problema de lograr razonamiento

inteligente.

29


Inteligencia Computacional

¿Cuáles son las consecuencias de esta

visión computacional del razonamiento?

No debe interpretarse que cada función en

nuestro cerebro sea de naturaleza

simbólica.

Solo se asume que en el nivel de

abstracción adecuado el razonamiento

inteligente puede considerarse como una

manipulación p

de símbolos.

30


Inteligencia Computacional

Es Ciencia e Ingeniería.

Se deben crear y verificar teorías refutables,

pero p ...

Las teorías son exploradas y explotadas en

fforma empírica í i a partir ti de d su iimplementación. l t ió

Tanto el aspecto científico como el ingenieríl

son absolutamente inseparables.

31


Líneas de Investigación y Desarrollo

Hay dos líneas de trabajo:

Una es biológica y se basa en la idea de que dado

que los seres humanos son inteligentes, la ciencia

de IA debe estudiarlos e imitar su fisiología y/o

sicología.

La otra es fenomelógica fenomelógica, orientada a la reproducción

de los fenómenos inteligentes y basada en el

estudio y formalización del uso del sentido común

acerca del mundo.

32


Inteligencia Artificial

Tomaremos la siguiente como definición

operativa de Inteligencia Artificial:

“ … es el estudio del diseño e implementación

de Agentes Inteligentes y la teoría asociada

con esta actividad.”

33


Razonamiento de

Sentido Común


Algunos Escenarios *

En el living, Lisa tomó un diario y caminó hacia la cocina.

¿Donde terminó el diario?

Marta dejó un libro sobre la mesita del living y salió del

cuarto. cuarto Cuando volvió el libro no estaba estaba.

¿Qué sucedió con el libro?

Guillermo se acerca a la p pileta de la cocina, , coloca el tapón, p ,

abre la canilla y sale de la cocina.

¿Qué sucederá como resultado de esto?

Sonia acciona la tecla de encendido del ventilador.

¿Qué sucederá a continuación?

UUn gato t hambriento h b i t ve comida id en una mesa próxima ó i a él él.

El gato salta a una silla cercana a la mesa.

¿Qué ¿Q está p por hacer el g gato?

* Extraído de: Commonsense Reasoning, Erik T. Muller, Elsevier 2006

35


Observaciones Iniciales

Al analizar los ejemplos anteriores utilizamos una

herramienta natural en nuestro pensamiento a la que

usualmente describimos como Sentido Común.

Podría describirse con más precisión como

Razonamiento de Sentido Común (Common Sense

Reasoning).

A pesar de ser algo que los seres humanos poseen

como parte de su “equipamiento básico”, y parece

simple, es en realidad extremadamente complejo.

36


Observaciones Iniciales

De todos los posibles componentes * De todos los posibles componentes del sentido común

que podrían mencionarse, dos de ellos se destacan

de manera singular: g

Representación: Para poder aplicar el razonamiento

en llos ejemplos j l anteriores, t i necesitamos it que el l

escenario se mapee en una representación que

podamos manipular manipular.

Razonamiento: Dada esa representación p

resulta

posible realizar inferencias a partir de la misma.

* Ver otros componentes en Commonsense Reasoning, Erik T. Muller, Elsevier 2006

37


Observaciones Iniciales

Al hablar de representación algunos elementos de la

misma aparecen como simples: el diario diario, el libro libro, el living living,

la cocina, etc.

Sin embargo, otras partes son más complicadas: el gato y

los seres humanos involucrados.

Estos últimos parecen tener una característica que los

hace capaces de ejecutar acciones por su propia voluntad.

Si además de representar queremos también predecir esas

acciones necesitamos considerar como estos “agentes” agentes

llegan a seleccionar las mismas.

Necesitamos considerar sus Estados Mentales.

38


Abstracción Basada en Posturas

La idea es que cuando explicamos y predecimos el

comportamiento de un objeto, podemos elegir hacerlo a

diferentes niveles de abstracción.

Cuanto más concreto sea el nivel más precisas serán,

en principio, nuestras predicciones. Cuanto más

abstracto sea el nivel mayor será la capacidad

computacional ganada al alejarse eliminando detalles

irrelevantes

irrelevantes.

Daniel Dennett define tres niveles o posturas (stances)

dde abstracción. b t ió

Ver: http://en.wikipedia.org/wiki/Intentional_stance

39


Postura Física

La más concreta es la postura física que representa el

nivel de las ciencias físicas y químicas químicas.

En este nivel nos preocupamos de cosas como la masa,

lla energía, í velocidad, l id d composición i ió química, í i etc. t

Cuando arrojamos un objeto y predecimos donde va a

tterminar i bbasandonos d en su ttrayectoria t i actual t l estamos t

utilizando la postura física.

OOtro

ejemplo, de este tipo de análisis se da cuando

consideramos un par de cintas metálicas, de diferentes

metales metales, pegadas una a la otra y la predicción del

comportamiento al cambiar la temperatura se basa en

las propiedades p p

físicas de los metales.

40


Postura de Diseño

Esta postura p se encuentra a nivel más abstracto, , este

es el nivel de la ingeniería y la biología.

Aquí nos preocupamos de detalles como el propósito propósito, la

función, y el diseño adecuado para ese propósito y/o

función.

Cuando predecimos que un pájaro se dispone a volar

cuando comienza a agitar sus alas alas, tomamos una

postura de diseño basandonos en que las alas tienen la

función de habilitar el vuelo.

Algo similar ocurre cuando observamos que un avión

enciende sus motores y se dirije a la pista.

41


Postura de Diseño

Analogamente, podemos entender la cinta bimetálica

como un ti tipo particular ti l de d termómetro t ó t sin i considerar id llos

detalles de como funciona.

TTambién bié podemos d reconocer el l propósito ó i que este

termómetro tiene como parte de un termostato, e incluso

podemos generalizarlo a otros tipos de termostatos que

pueden usar otros tipos de termómetros.

Además Además, es posible explicar el termostato en términos

de su utilidad diciendo que mantiene registro de la

temperatura p y qque

enciende el calefactor cuando la

temperatura baja de un mínimo y lo apaga cuando llega

a un máximo.

42


Postura Intencional

Primero se decide tratar a un objeto cuyo comportamiento

se quiere predecir como si fuera un agente racional racional.

Luego se postula que creencias debe tener este agente

dado su propósito y su lugar en el mundo mundo.

A continuación, se postulan los deseos que debería tener

basandose en las mismas consideraciones

consideraciones.

Finalmente, se predice que este agente racional actuará

dde manera dde alcanzar l sus metas t en el l contexto t t de d sus

creencias.

PPartiendo ti d ddel l conjunto j t dde creencias i y ddeseos, un poco dde

razonamiento práctico ,en la mayoria de los casos

permitirá predecir que es lo que el agente debería hacer hacer.

De: Daniel Dennett, The Intentional Stance, MIT Press, 1989 p. 17

43


Postura Intencional

En este nivel, se consideran cosas tales como creencias,

pensamientos i t e intención. i t ió

Cuando predecimos que un pájaro volará alejandose

porque sabe b que el l gato se acerca, estamos tomando d lla

postura intencional.

Tomando la postura intencional, se puede predecir que

el gato hambriento que saltó a la silla cercana a la mesa

con comida lo hizo para tratar de comersela comersela.

Predecir que María, que sabemos está hambrienta, al

terminar la película dejará el cine e irá a un restaurant restaurant,

es un ejemplo similar.

44


Representación y Razonamiento

Recapitulando

Recapitulando,

Para poder razonar sobre un escenario

es necesario representarlo.

Razonamos para poder predecir el

comportamiento del escenario.

Estos dos procesos están íntimamente ligados

y dependen p uno del otro.

45


Representación de

Conocimiento y

Razonamiento


Ramón Lull

Arbol Naturalis

et Logicalis

Siglo XIII


Gottfried Wilhelm Leibniz [1646-1716]

“Cuando todavía era un niño con conocimiento

solo de la lógica g común, , y sin instrucción

matemática, vino a mi el pensamiento, no sé

de donde, que podría crearse un análisis de

las ideas de manera tal que en alguna forma

combinatoria las verdades podrían aparecer y

ser evaluadas como si fueran números

(Elementa Rationis)” Rationis) *

Leibniz se ocupó constantemente de tales

nociones y trató de construir un alfabeto del

pensamiento (Characteristica Universalis),

para representar las ideas en una manera

lógica, g qque fueran operables p mecánicamente,

en forma inambigua y no cuantitativa.

* The Encyclopedia of Philosophy, Vol 4, p. 538, traducción propia.

49


Representación de Conocimiento

La noción de Representación de Conocimiento

(K (Knowledge l d RRepresentation t ti o KR en iinglés) lé ) resulta l

engañosamente simple.

La estructuración del conocimiento y el acceso

posterior al mismo es uno de los aspectos más

iimportantes t t en Ciencias Ci i dde lla CComputación. t ió

En Inteligencia Artificial este problema se estudia

en su forma general.

Como dijimos, su importancia surge del hecho que

un comportamiento inteligente necesita disponer de

un repositorio de conocimiento para realizarse.

50


Representación de Conocimiento

En principio, consiste en realizar, en algún lenguaje,

descripciones que se correspondan de alguna manera

con el mundo, o con algún estado particular del mismo.

Esta definición informal, informal que corresponde a una noción

muy general, se particulariza en IA con el propósito de

dar a un agente g autónomo la capacidad de internalizar

una “imágen” de su entorno (su mundo) y por la

manipulación estas descripciones obtener conclusiones

acerca ddel l mismo. i

La dificultad no se encuentra solo en el acto de

ddescribir ibi el l conocimiento, i i t sino i que comienza i a

manifestarse al tratar de descubrir qué es lo que hay

que describir describir.

51


Representación de Conocimiento

La propia noción de conocimiento es

controversial t i l entre t los l especialistas i li t en AI y

ha sido estudiada en Filosofía desde la

antigüedad antigüedad.

La Epistemología, o Teoría del Conocimiento,

es lla rama dde lla Fil Filosofía fí que ttrata t los l

problemas filosóficos del conocimiento.

La Epistemología se ocupa de la definición del

conocimiento y los conceptos relacionados, las

clases l dde conocimiento i i posibles ibl y el l grado d en

que estas clases son ciertas, y la relación entre

el que conoce y el objeto conocido conocido.

52


Conocimiento

¿Qué es conocimiento?

Esta pregunta ha sido ponderada desde la

Grecia antigua y sigue siendolo en el

presente tanto en Filosofía como en IA.

Por supuesto, aquí no daremos la respuesta

pero si exploraremos la idea de qué

consideramos conocimiento.

Una forma de comprender mejor la pregunta

es observar el uso corriente del término

conocimiento

conocimiento.

53


Cuando decimos:

Conocimiento

“Juan conoce que …”

la sentencia se puede completar con una

sentencia declarativa (proposición) tal como:

“María María irá a la fiesta” fiesta

formando la sentencia:

“Juan conoce que María irá a la fiesta”

Esto sugiere, g , entre otras cosas, , que q el

conocimiento es una relación entre el que

conoce y lo que es conocido.

54


Cuando decimos:

Conocimiento

“Juan conoce bien a José” o

“Juan Juan conoce como tocar la guitarra” guitarra

no parece estar involucrada una proposición.

En esta presentación, dada la complejidad del

tema, no discutiremos el tipo de conocimiento

del que hablan estas sentencias.

Existen otras nociones relacionadas con la de

conocimiento, entre ellas la de creencia que

será explorada más adelante adelante.

55


Representación

Informalmente, Representación es una relación entre

ddos ddominios i i ddonde d uno dde ellos ll se bbusca que ttome

el lugar del otro.

UUsualmente, l el l ddominio i i que representa es un ddominio i i

más concreto (o inmediato o accesible) que el dominio

que es representado

representado.

Por ejemplo, el dígito “4” representa el número 4 de la

misma forma que lo hace el grupo de letras “IV” IV

cuando se usa la numeración romana.

Este ejemplo utiliza un dominio símbolico (dígitos)

para representar el dominio abstracto de los números.

56


Representación de Conocimiento

Es el campo de estudio dedicado al uso de símbolos

formales para representar una colección de

proposiciones p p qque se creídas ppor un agente. g

Esto no quiere decir que esa colección de símbolos

representa todas las posibles proposiciones que es

posible creer.

Claramente, es posible que el número de proposiciones

no sea fi finito it y solo l una cantidad tid d fi finita it podrá d á ser

representada.

El razonamiento ra onamiento será el encargado de obtener las

proposiciones que son creídas a partir de las que son

representadas

representadas.

57


La Hipótesis de Representación de Conocimiento

Es la siguiente presuposición metodológica:

Cualquier proceso inteligente corporizado (embodied)

comprenderá componentes estructurales tales que:

a) Un observador externo puede interpretarlos como

una descripción proposicional del conocimiento que

tal proceso exhibe en conjunto.

b) Independientemente de esta atribución semántica

externa, estos elementos juegan un rol formal, pero

causal y esencial, , en la generación g del

comportamiento que pone de manifiesto este

conocimiento.

58


La Hipótesis de Representación de Conocimiento

En otras palabras, esta hipótesis implica que los

sistemas i t a construir, t i por su di diseño, ñ establecen t bl una

postura intencional (Intentional Stance) a partir de

representaciones simbólicas (discretas) (discretas).

Tales sistemas reciben el nombre de Sistemas Basados

en Conocimiento

Conocimiento.

Las representaciones simbólicas involucradas serán sus

BBases de d CConocimiento i i t ( KB ) ).

La Hipótesis p fue introducida ppor

Brian C. Smith en el

Prólogo a su tesis doctoral “Reflection and Semantics in

a Procedural Language” en 1982, MIT TR-272.

59


La Hipótesis del Modelo

Una versión más compatible con la visión moderna de

los sistemas inteligentes se expresa en la Hipótesis del

Modelo de Kenneth Craik:

“Si Si un organismo lleva un modelo a escala de la realidad

externa y de sus posibles acciones en su cabeza, será

capaz considerar varias alternativas, decidir cual de ellas

es la mejor, reaccionar a futuras situaciones antes de

que aparezcan, utilizar su conocimiento de evantos en el

pasado para desempeñarse en el presente y en el

futuro, y en todo caso reaccionar en una manera más

completa completa, segura y competente a las situaciones

emergentes que enfrente.”

Observemos que este modelo no necesita ser discreto discreto.

60


Representación de Conocimiento

La hipótesis que subyace en el trabajo en esta área es

que se construirán sistemas que contendrán

representaciones simbólicas con dos propiedades

importantes: p

• Desde el exterior es posible entenderlos como representando

proposiciones.

• El sistema está diseñado para comportarse en la forma en que

lo hace por esta representación simbólica.

Esto es, la postura intencional está basada en

representaciones simbólicas.

Estos sistemas se denominarán Sistemas Basados en

Conocimiento y las representaciones simbólicas serán

sus Bases de Conocimiento.

Conocimiento

61


Razonamiento

Es la manipulación de los símbolos que representan una

colección de proposiciones para producir nuevas

proposiciones.

p p

En esta frase está escondida la suposición de que los

símbolos son más sencillos de acceder que las

proposiciones mismas.

Estos símbolos deberán ser accesibles para poder

manipularlos en tal forma de construír representaciones

de nnuevas e as proposiciones

proposiciones.

62


Razonamiento


¿Qué es Razonamiento Inteligente?

Existen varias formas diferentes de considerar la

naturaleza de lo que puede considerarse

Razonamiento Inteligente. g

Estas conceptualizaciones provienen de

disciplinas que han considerado el problema

desde el comienzo del pensamiento filosófico

primero y más tarde del pensamiento científico.

La Lógica, la Sicología, la Biología, la Estadística

ylaEconomía y la Economía han aportado visiones diferentes

pero complementarias de este problema.

64


¿Qué es Razonamiento Inteligente?

La Lógica g toma como punto p de ppartida la hipótesis p de

que el razonamiento inteligente es alguna forma de

cálculo formal.

Estos cálculos involucran alguna forma de deducción.

La Psicología ve al razonamiento como un

comportamiento característico de los seres humanos.

El estudio de este comportamiento ha dado

nacimiento a un área de investigación enorme en

Resolución de Problemas y Sistemas Basados en

Conocimiento.

65


¿Qué es Razonamiento Inteligente?

Otro camino para aproximarse a este problema es

tomado desde la Biología.

El presupuesto p p fundamental es qque

la clave del

razonamiento está en la arquitectura de la maquinaria

que realiza esta tarea.

Luego, el razonamiento es caracterizado por un

comportamiento p de estímulo/respuesta p emergente g de

la interacción de una enorme cantidad de

procesadores muy simples conectados en paralelo.

El área recibe el nombre de Coneccionismo.

66


¿Qué es Razonamiento Inteligente?

Un cuarto punto de vista vista, derivado de la teoría de la

probabilidad agrega a la lógica la noción de

incertidumbre.

Así, razonar inteligentemente significaría obedecer

alguna g forma de los axiomas de la pprobabilidad.

Finalmente, la visión de la Economía agrega la

noción de valor y preferencia

p

Luego, el razonamiento inteligente sería el que

obedeciera a los principios de la teoría de la

utilidad.

67


Componentes

de un

Sistema de RC&R


Representación y Razonamiento

En el análisis y la resolución de los problemas que se

abordan en IA es necesario una cantidad masiva de

conocimiento y, en consonancia con este

requerimiento, q , los mecanismos para p manipularlo p se

vuelven complejos.

A lo largo del desarrollo de la disciplina, se han

propuesto una gran diversidad de formas de

representación de conocimiento.

Todas ellas presentan alguna habilidad especial en

relación a un clase particular de dominios.

Esto es natural dado que pueden aprovechar las

características particulares del dominio.

69


Representación y Razonamiento

Las diferentes tecnologías comparten los elementos

para ddefinirlos. fi i l

En un sistema de Representación de Conocimiento y

Ra Razonamiento onamiento se disting distinguen en los sig siguientes ientes

componentes.

1. Un Lenguaje Formal.

22. Una Semántica Semántica.

3. Una Teoría de Razonamiento o

Teoría de Prueba o

Procedimento de Prueba.

70


1. Un Lenguaje Formal

Este se utiliza para describir las fórmulas

legales utilizables para expresar conocimiento

acerca del dominio (“mundo”) ( mundo ).

El lenguaje define los símbolos legales y como

pueden formarse expresiones a partir de ellos.

Un lenguaje se específica por medio de una

gramática.

UUna BBase dde CConocimiento i i t es un conjunto j t dde

sentencias legales del lenguaje.

71


2. Una Semántica

Esta especifica el significado de las

sentencias del lenguaje.

Explicita un compromiso en la relación de

los símbolos del lenguaje con el dominio.

Este compromiso semántico permite discutir

la correctitud y/o la veracidad del

conocimiento de manera independiente del

uso que de él se haga. haga

72


3. Teoría de Razonamiento

Especifica como se obtiene una respuesta de una

Base de Conocimiento.

Típicamente, esta teoría consiste de un conjunto de

Reglas de Inferencia de algún tipo.

Es posible que la Teoría de Razonamiento y la

Semántica no se adecuen.

Si la Teoría de Razonamiento solo infiere respuestas

correctas en acuerdo con la Semántica se dice que es

Sana o Sensata.

Si genera todas las respuestas correctas se dice que

es Completa. p

73


Implementación

En la creación de un sistema de RC y R se deben

definir al menos dos entidades:

Un procesador de lenguaje que distingue las

sentencias legales g y pproduce

estructuras de

almacenamiento a partir de ellas.

Un procedimiento o proceso de razonamiento

que implementa, de alguna forma, la teoría de

razonamiento.

74


Proceso de Razonamiento

Una de las dificultades de las teorías de

razonamiento es la presencia del

nodeterminismo en su especificación.

especificación

De esta manera, al llegar a la efectivización

computacional t i l dde una tteoría í dada d d en un

procedimiento se debe resolver este

problema problema.

Usualmente, esto define una estrategia de

búsqueda.

75


Proceso de Razonamiento

Dada una teoría de razonamiento pueden existir una

variedad i d d dde procedimientos di i o procesos dde

razonamiento asociados a ella.

Esto puede aparecer al utilizar diferentes estrategias

de búsqueda, diferentes estructuras de respaldo, etc.

Un procedimiento particular puede ser incompleto por

diferentes razones.

Por ejemplo, la teoría puede ser incompleta o el

procedimiento de búsqueda puede serlo, entre otras

posibilidades.

76


Representaciones y Mapeos

Al definir una representación particular se deben

tener en cuenta dos clases de entidades diferentes:

• Hechos que son verdades en el mundo en

consideración.

• Representaciones de esos hechos según algún

formalismo.

LLos hhechos h son llas

cosas que queremos

representar.

Las representaciones son las cosas que podremos

manipular.

77


Representaciones y Mapeos

Una forma de considerar estas dos entidades en dos

niveles i l es lla siguiente: i i

El Nivel del Conocimiento es el nivel en que q se

considera el lenguaje de representación y su

semántica. En este nivel se describen los hechos,

iincluyendo l d llos posibles ibl comportamientos t i t y metas t ddel l

agente.

El Nivel Simbólico en el cual las representaciones de

los objetos conceptualizados al Nivel de Conocimiento

se definen en términos de símbolos que pueden ser

manipulados en forma computacional.

78


Nivel N de Conocimien

C nto

Nivel dee

Simbólicco

Propiedades

Adecuación Representacional: Poseer la habilidad de

representar todos los tipos de conocimiento necesario en

el dominio.

Adecuación Inferencial: Poseer la habilidad de manipular p las

estructuras de representación en tal forma de poder

derivar nuevas estructuras correspondientes al nuevo

conocimiento inferido inferido.

Eficiencia Inferencial: Poseer la habilidad de incorporar en la

estructura de conocimiento información adicional que

pueda ser usada para enfocar la atención del mecanismo

inferencial.

Eficiencia Adquisitiva: Poseer la habilidad de adquirir

facilmente nueva información.

79


AAgente t Basado B d

en Conocimiento


Agente Basado en Conocimiento

El objetivo es implementar una concepción de agente

en la que estos pueden pensarse como si tuvieran

conocimiento acerca del mundo y tuvieran la capacidad p

de razonar acerca de sus posibles acciones.

Un agente g Basado en Conocimiento es capaz p de

aceptar nuevas tareas en la forma de metas descriptas

en forma explícita.

Pueden desarrollar nuevas habilidades por adquisición

de nuevo conocimiento.

Se puede adaptar a los cambios en el entorno

actualizando el conocimiento relevante.

81


Agente Basado en Conocimiento

A este tipo p de agente g le resulta necesario

conocer el estado actual del mundo.

TTambién bié necesita it ttener lla hhabilidad bilid d dde iinferir f i

propiedades del entorno utilizando sus

percepciones. i

Además de poseer una variedad de acciones

que pueden afectar el entorno, necesita

conocer o inferir cuales serían los efectos de

esas acciones si estas son ejecutadas.

82


Agente Basado en Conocimiento

La parte más relevante de un agente de este tipo es

la Base de Conocimiento (KB).

Ésta está formada por representaciones de los

hechos del mundo que q se consideran relevantes.

Cada hecho individual se denomina Sentencia.

Estas sentencias están expresadas en un lenguaje

ddenominado i d LLenguaje j dde RRepresentación t ió dde

Conocimiento.

83


Agente Basado en Conocimiento

El agente debe tener la habilidad de actualizar

y consultar su Base de Conocimiento.

La forma de incorporar información a KB es

utilizando la primitiva Tell. ( * )

La manera de consultar a KB isatravésdelaprimitiva

is a través de la primitiva

Ask. ( * )

Una restricción importante sobre el comportamiento de

Ask es que siempre las respuestas sean coherentes con

lo que se le ha informado a través de Tell o de lo que se

siga de ello.

( * ) Para mantener las referencias al texto mantendremos los nombres en inglés.

84


Terminología

El término Inferencia tiene un significado g ggenérico

que se refiere casi a cualquier forma de obtener

ciertas expresiones a partir de otras.

Como se ha dicho, es importante conocer las

propiedades de este mecanismo

mecanismo.

Las diferentes Tecnologías de Representación de

CConocimiento i i t nos proveerán á dde llas hherramientas i t

para efectivizar la representación de la Base de

Conocimiento

Conocimiento.

85


BBases de d

Conocimiento


Sentencias

Sentencias

Se Se infiere

Hechos Se siguen

Hechos

¿≡?

?


Extensional

Base de Conocimiento

Sentencias

Se infiere

Entorno

Sentencias

Intensional


Máquina de Inferencia

Consultas Respuestas

Algoritmos Independientes del Dominio

Base de Conocimiento

Contenido correspondiente al Dominio

Actualización


Máquina de Inferencia

Al Algoritmos it IIndependientes d di t ddel l DDominio i i

Base de Conocimiento

Contenido correspondiente p al Dominio

Tell se usa para decirle lo que

necesita saber (contenido de la

KB).

Entondes utiliza Ask para

preg preguntarse ntarse que q e hacer, hacer y las

respuestas deben inferirse de la

KB.

Una Base de Conocimiento es

un conjunto de sentencias

descriptas p en algún g lenguaje g j

formal (el nivel Lógico).

Este es la forma declarativa de

construir un agente. agente

Los agentes pueden verse al Nivel

de Conocimiento, es decir, qué

conocen, sin tener en cuenta como

se implementan.

OalNivel O al Nivel de Implementación, Implementación es

decir, las estructuras de datos de la

KB y los algoritmos que las

implementan


Agente Basado en Conocimiento

function KB-Agent( KB Agent( Percept ) returns an Action

static KB, a Knowledge Base

T T, a counter counter, initially in 0 0, indicating time. time

tell ( KB KB, make make-percept-sentence( percept sentence( Percept Percept, T ) )

Action ← ask ( KB, make-action-query ( T ) )

tell ( KB KB, make make-action-sentence( action sentence( Action Action, T ) )

T ← T + 1

return Action

De: Artificial Intelligence: A Modern Approach. S. Russell, P. Norvig. Prentice Hall. 2003

91


Bases de Conocimiento

El Lenguaje de Representación:

• Expresividad: ¿Qué tan expresivo es?

• Habilidad: ¿Qué ¿ puede p y qqué no ppuede

decirse?

El Procedimiento de inferencia:

• Sanidad: ¿Las conclusiones siguen racionalmente

de los os hechos ec os y las as reglas? eg as

• Completitud: Si una conclusión sigue racionalmente

de la KB, , ¿es ¿ posible p deducirla?

• Eficiencia: ¿Cuál es la complejidad del

procedimiento?

92


RRepresentación t ió

de

Conocimiento

y

Razonamiento


Razonamiento

Existen diferentes maneras en las que un ser

hhumano mano obtiene información util til a partir de lo

que considera su cuerpo de conocimiento.

Ll Llamaremos a este t repositorio it i BBase de d

Conocimiento y usaremos KB para referirnos al

mismo mismo.

El dispositivo por el que logra elaborar

información a partir de KB se denomina

Mecanismo Inferencial o Máquina de Inferencia.

El proceso que utiliza el mecanismo inferencial

se denomina Razonamiento.

94


Razonamiento

El Razonamiento permite obtener información que se

encuentra t explícita lí it en KB o que se hhalla ll iimplícita lí it en

KB.

El siguiente sig iente es un n ejemplo de base de conocimiento

expresada en términos del lenguaje de la Lógica

Proposicional:

KB = { a, a → b }

Si suponemos que su mecanismo de inferencia se

basa en Modus Ponens podemos ver que:

KB a (trivial ( y explícitamente)

p )

KB a → b (trivial y explícitamente)

KB b (por (p aplicación p de Modus Ponens) )

95


Representación y Razonamiento

Al realizar la introducción de la problemática de los

Sistemas de Representación de Conocimiento y

Razonamiento vimos que en ellos se distinguen

llos siguientes i i t componentes. t

1. Un Lenguaje g j Formal de Representación.

p

2. Una Semántica que vincula la representación con

su significado significado.

3. Una Teoría de Razonamiento o Teoría de Prueba

o Procedimento de Prueba que implementa la

máquina de inferencia.

96


Bases de Conocimiento

Lenguaje de Representación:

• ¿Qué tan expresivo es?

• ¿Qué puede y qué no puede decirse?

Procedimiento de inferencia:

• Sanidad: ¿Las conclusiones siguen racionalmente

de los hechos y las reglas?

• Completitud: Si una conclusión sigue racionalmente

de la KB KB, ¿es posible deducirla?

• Eficiencia: ¿Cuál es la complejidad computacional

del procedimiento

procedimiento.

97


Suposición del Mundo

Cerrado


Suposición de Mundo Cerrado (CWA)

Esta suposición se basa en asumir que toda la

información positiva que es necesario saber está en

la KB.

Al asumir esto resulta posible obtener la información

negativa. g

La información que no es mencionada en la KB se

toma como falsa, , esto es, , si no se encuentra una

instancia positiva en KB entonces se supone que

vale la negación.

Suposición del Mundo Cerrado =

Close World Assumption.

99


Suposición de Mundo Cerrado (CWA)

Supongamos la siguiente base de datos sobre

vuelos entre Aeroparque y Bahía Blanca:

Parte Arriba Hora

AEP BHI 08 08:10 10

AEP BHI 19:25

BHI AAEP

09:50

BHI AEP 21:15

Una consulta sobre la existencia de un vuelo de AEP a

BHI a las 08:10 se responderá afirmativamente.

Una consulta sobre la existencia de un vuelo de AEP a

BHI a las 17:00 se responderá negativamente, i.e. la

negación ió dde lla existencia i t i es cierta.

i t

100


Suposición de Mundo Cerrado (CWA)

Formalmente:

CWA(KB) = KB ∪ { ¬p(t) (t) si iKB KB p(t) (t) }

donde p(t) es una instancia fija (ground), y el operador

CWA(⋅) representa la clausura de KB por la Suposición

de Mundo Cerrado.

Notemos que este tipo de razonamiento no es

monótono, , i.e. puede p suceder qque KB 1 ⊆ KB 2 y sin

embargo CWA(KB1) CWA(KB2). En nuestro ejemplo de los vuelos si se agregará el vuelo

de las 17:00 de AEP a BHI ya no se podría inferir la

negación.

101


Suposición de Mundo Cerrado (CWA)

Si se incluye información disjuntiva pueden existir

problemas problemas.

Sea KB = { a ∨ b }, de esta base de conocimiento no se

puede d iinferir f i ni i a ni i bb.

La CWA(KB) = KB ∪ { ¬p(t) si KB p(t) }, esto es

{ a ∨ b } ∪ { ¬a, ¬b } ∪ N = { a ∨ b, ¬a, ¬b } ∪ N

donde N es el resto de los literales ¬p(t) tales que

KB p(t)

Luego Luego, de la CWA(KB) que incluye tanto ¬aa como ¬bb se

puede inferir a y b.

EEs ddecir, i CWA(KB) es iinconsistente i t t en este t caso.

102


Suposición de Mundo Cerrado (CWA)

Existe una relación aparente entre la Suposición del

Mundo C Cerrado ( (CWA) ) y la Negación por Falla ( (NAF ) ).

En el caso de tener un programa p g lógico g definido P y

un elemento A de la base de Herbrand de P si la

consulta A tiene un árbol SLD que falla finitamente

entonces A no es consecuencia de P y se puede

inferir ¬A.

Si P es { p(a) → p(a) }entonces p(a) no se deduce de

P y por esa razón ¬p(a) ∈ CWA(P).

Por otro lado, la consulta a P por p(a) tiene una única

rama infinita y entonces ¬p(a) ∉ NAF(P) NAF(P).

103


Suposiciones Adicionales

Domain Closure Assumption, DCA, o Suposición de

Dominio Cerrado postula que el dominio del sistema

lógico se restringe a los objetos que es posible definir

con las constantes y letras funcionales que aparecen en

la Base de Conocimiento.

UUnique i NName AAssumption, ti UNA UNA, o SSuposición i ió dde

Nombres Únicos estipula que los nombres diferentes

representan objetos diferentes y solo se tomarán como

iguales cuando se pueda probar que lo son.

PPara poder d aplicar li lla UNAA es necesario i axiomatizar i ti lla

relación de igualdad.

104

More magazines by this user
Similar magazines