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