• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Ia
 

Ia

on

  • 172 views

 

Statistics

Views

Total Views
172
Views on SlideShare
172
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Ia Ia Presentation Transcript

    • Inteligencia artificial
    • Sistemas de producción/razonamiento Rn: SI condición ENTONCES acción condición = {afirmaciones simples-identidad objeto}Inteligencia Artificial acción = {conclusión identificación del objeto}
    • Pares de condición-acción SI condición (o premisa o antecedente) ocurre; ENTONCES acción (resultado, conclusión o consecuente) deberá (o debería) ocurrir. Pueden ser vistas como una simulación del comportamiento cognitivo de especialistas humanos.Inteligencia Artificial Cada regla representa un “pedazo” de conocimiento independiente. Representan el conocimiento de forma modular.
    • Sistemas de razonamiento Utilizan: Lenguaje de representación de conocimiento (KRL) Lenguaje lógico Lógica proposicional Lógica de 1er orden Reglas de producción Lógica temporal Lenguaje objetos Frames (marcos)Inteligencia Artificial Redes semánticas Scripts (guiones) - De clases - De actores
    • Tipos de inferencia Deducción: a partir de hechos de conocimiento representados adecuadamente, se utilizan reglas de inferencia válidas para generar nuevos hechos. Ej.: SI hay fuego, habrá humo. Abducción: inverso de deducción. Ej.: SI hay humo, hay fuego.Inteligencia Artificial
    • Inducción: Se parte de los hechos en reglas generales. Ej.: SI Isabel no canta bien, y también Sheila no canta bien, ENTONCES ninguna alumna canta bien. Analógico: Resolución basada en experiencias pasadas. Ej.: Demostración automática de teoremas.Inteligencia Artificial
    • Sistemas de razonamiento Probadores de teoremas Utilizan resolución para probar sentencias en lógica de 1er orden. Usados para tareas matemáticas y de razonamiento científico. Ejemplos: SAM, AURA, OTTER. Lenguajes de programación lógica Restringen a la lógica, no permiten el tratamiento completo de la negación, disyunción y/o igualdad.Inteligencia Artificial Generalmente usan encadenamiento regresivo. Pueden poseer algunas características no lógicas de los lenguajes de programación. Ejemplos: Prolog, MRS, Life.
    • Sistemas de razonamiento Sistemas de redes semánticas Consisten en nodos conectados por arcos, donde los nodos representan usualmente objetos del mundo y los arcos una relación binaria entre ellos. Ejemplos: SNEPS, NETL, Conceptual Graphs. Sistemas framesInteligencia Artificial Consisten en una jerarquía de frames (marcos) conectados por atributos, donde los frames representan objetos del mundo y los atributos muestran usualmente la relación entre ellos. Ejemplos: OWL, FRAIL, KODIAK.
    • Sistemas de razonamiento Sistemas de lógica descriptiva Expresan y razonan con definiciones complejas de objetos y clases y, relaciones entre ellas, utilizando redes semánticas como principio de organización. Ejemplos: KL-ONE, CLASSIC, LOOM. Sistemas de producción Son representaciones de patrones de sistemas que usan implicaciones. Las acciones son consecuencias de las implicaciones.Inteligencia Artificial Las acciones pueden ser insertadas y removidas de las bases de conocimiento. Utilizan encadenamiento progresivo. Usualmente poseen mecanismos de resolución de conflictos. Ejemplos: OPS-5, CLIPS, SOLAR.
    • Arquitectura: sistema de razonamiento Agente sensores ambiente Base de conocimiento Máquina de inferencia Mecanismo de aprendizajeInteligencia Artificial efectores
    • Operaciones básicas en los sistemas de razonamiento Adicionar un hecho nuevo a la base de conocimiento. Adicionar nuevas reglas (Un hecho nuevo, genera nuevas conclusiones). Decidir si una base de conocimiento atiende a una consulta realizada.Inteligencia Artificial Decidir si una consulta está explícitamente almacenada en la base de conocimiento. Remover hechos y reglas de la base de conocimiento.
    • Mantenimiento: base de conocimiento Técnicas para mantener una base de conocimiento con recuperación eficiente: Unificación Recuperación IndexaciónInteligencia Artificial Basada en tablas Basada en árboles
    • Encadenamiento progresivo y regresivo A través del encadenamiento, poder adicionar un nuevo hecho p a una base de conocimiento. A través de inferencia, encontrar respuestas para las cuestiones hechas a la base de conocimiento. Usar denominación. Ex.:Inteligencia Artificial Practica (x, Natación) y Practica (y, Natación) - son denominaciones Practica (x, x) e Practica (x,y) - no son denominaciones Usar composición de sustituciones.
    • Modos de razonamiento Encadenamiento progresivo (Forward Chaining): Se parte de sentencias (reglas de inferencia) de la base de conocimiento para producir conclusiones (afirmaciones); También se llama procedimiento dirigido a datos (Data Driven), pues el proceso de inferencia no es direccionado para resolver un problema particular. Encadenamiento regresivo (Backward Chaining):Inteligencia Artificial Se parte de una hipótesis a probar, procurando reglas en la base de conocimiento retroactivamente para analizar las asertivas que soportan la hipótesis en cuestión; SI la premisa (antecedente) es una conjunción, sus términos son procesados uno a uno para que sea obtenido o sea unificador.
    • Arquitectura Base de conocimiento Memoria de trabajo Conocimiento • hechos • reglas de producción Datos simbólicos • Redes semánticas • hipótesis actuales • Frames • objetivos actuales • estrategias de resolución de • estado actual del problemas problema • estrategias de recuperación ... ... Agenda Conocimiento del problema Mecanismo • conjunto de posibles * aserciones relevantes de reglas a ser aplicadas InferenciaInteligencia Artificial • reglas relevantes ... Metaconocimiento • como activar un conocimiento relevante
    • Sistemas de producción Componentes Memoria de trabajo de un sistema consiste en una colección de asertivas verdaderas. Base de reglas es el conjunto de sentencias (reglas de inferencia) que determinan las acciones que deben tomarse de acuerdo con las percepciones.Inteligencia Artificial Motor de inferencia es la parte del sistema que determina el método de razonamiento, utiliza estrategias de búsqueda y resuelve conflictos.
    • Funcionamiento de los sistemas de producción Tres fases: casamiento, resolución de conflictos y ejecución. Casamiento El sistema, en cada ciclo computa un subconjunto de reglas cuya izquierda es satisfecha por los contenidos actuales de la memoria de trabajo. La forma más simple de realizar unificación y eficiencia,Inteligencia Artificial entonces como solución tenemos el algoritmo Rete (rede). Ventajas del algoritmo Rete: elimina duplicación entre reglas; elimina duplicación a lo largo del tiempo.
    • Funcionamiento de los sistemas de producción Resolución de conflictos El sistema decide cuáles reglas deben ser activadas. En esta fase podemos utilizar algunas estrategias de control: No duplicación: no ejecutar la misma regla ni los mismos argumentos dos veces. Regencia: preferir reglas que se refieren a elementos de la memoria de trabajo creados recientemente. Especificidad: preferir reglas que son mas específicas.Inteligencia Artificial Prioridad de operación: preferir acciones con prioridad mayor, especificada por alguna categoría. Ejecución de acciones
    • Un sistema deductivo que identifica animales: ZOOKEEPER Características de ZOOKEEPER: Utiliza reglas con antecedentes; Genera asertivas intermedias a partir de las reglas; Combina estas asertivas con las originales para producir una conclusión;Inteligencia Artificial Observa hábitos y características físicas para identificar los animales;
    • Reglas: R1: SI x es carnívoro, x es color leonado, x tiene manchas oscuras ENTONCES x es una ONZA R2: SI x da leche ENTONCES x es mamífero R3: SI x tiene plumasInteligencia Artificial ENTONCES x es ave R4: SI x vuela, x pone huevos ENTONCES x es ave
    • R5: SI x es ave, x no vuela, x tiene cuello largo ENTONCES x es AVESTRUZ R6: SI x es mamífero, x tiene garras, x tiene dientes agudos. ENTONCES x es carnívoro.Inteligencia Artificial R7: SI x es mamífero, x tiene pezuñas ENTONCES x es ungulado. R8: SI x es mamífero, x rumia. ENTONCES x es ungulado.
    • R9: SI x tiene pelo ENTONCES x es mamífero R10: SI x es carnívoro, x es color leonado, x tiene franjas negras ENTONCES x es TIGRE R11: SI x es ungulado, x tiene patas largas, x tieneInteligencia Artificial cuello largo, x es color leonado, x tiene manchas oscuras ENTONCES x es JIRAFA
    • R12: SI x es mamífero, x come carne ENTONCES x es carnívoro R13: SI x es ungulado, x es color blanco, x tiene franjas negras ENTONCES x es CEBRAInteligencia Artificial R14: SI x es ave, x no vuela, x nada ENTONCES x es PINGUINO
    • R15: SI x es ave, x vuela, x vive en rocas ENTONCES x es ALBATROS R16: SI x es ave, x vuela, x tiene garras ENTONCES x es AGUILA R17: SI x es ave, x vuela, x vive hogarInteligencia Artificial ENTONCES x es GALLINA
    • Rk: SI xx1, xx2, xx3, ENTONCES yyy Rn: SI zz1, zz2, zz3, ENTONCES cxsInteligencia Artificial
    • Encadenamiento progresivo en ZOOKEEPER Para identificar un animal con ZOOKEEPER: Hasta que las reglas no produzcan nuevas asertivas; Hasta que el animal sea identificado. Para cada regla Concordar cada uno de los antecedentes de las reglas con los hechos conocidos. SI todos los antecedentes de reglas están confrontados,Inteligencia Artificial ejecute el consecuente, a menos que ya exista una asertiva idéntica. Repetir las alternativas que deben ser consultadas.
    • Encadenamiento hacia delante (Progresivo) Hechos H1: z tiene pelo H2: z tiene patas largas H3: z rumia H4: z tiene cuello largoInteligencia Artificial H5: z es color leonado H6: z tiene manchas oscuras
    • R9 establece que z es un mamífero R8 concluye que z es ungulado, porque z rumia y es mamífero.Inteligencia Artificial R11 conduce a que z es una jirafa,
    • El flujo de información se da a través de una serie de reglas antecedente-consecuente, a partir de las asertivas para las conclusiones. Tiene pelo R9 es un mamífero Rumia R8 es un ungulado Tiene piernas largasInteligencia Artificial Tiene cuello largo R11 es una jirafa Tiene color leonado Tiene manchas oscuras
    • Algoritmo Enc_adelante() HQ ninguna regla produzca una afirmación o el objeto sea identificado – Seleccionar regla – Comprobar cada antecedente contra hechos conocidos – Si corroborados los antecedentes de la regla, instancie el valor de la variable en el consecuente (nuevo hecho) FHQInteligencia Artificial FinEnc_adelante.
    • Encadenamiento hacia atrás hipótesis: ¿Z es ONZA? hechos: Y tiene pelo, Y es de color leonado,Inteligencia Artificial Y tiene manchas oscuras
    • R1 = necesita: Z sea carnívoro, de color leonado y tiene manchas oscuras se busca que Z es carnívoro. Existen 2 reglasInteligencia Artificial R6 = debe verificar que Z es mamífero de nuevo existen dos alternativas R2 y R9.
    • R9 = Z tiene pelo, luego Z es mamífero para cumplir que sea carnívoro se requiera que Z coma carne o que tenga garras o. Aunque se tienen los hechos de : Z es de color leonado y Z tiene manchas oscuras no se cumple carnívoroInteligencia Artificial se concluye NO Z es ONZA.
    • Algoritmo Enc_atrás() HQ todas las hipótesis se hayan intentado y alguna no se pueda comprobar o hasta que los objetos sean identificados – Para cada regla cuyo consecuente coincida con la hipótesis confronte antecedentes con hechos, SI se cumple V: continúe F: considere el antecedente como hipótesis – SI todos los antecedentes se corroboraron con hechosInteligencia Artificial – V: anuncie ÉXITO (hipótesis es verdadera) – F: anuncie FALLO FHQ Fin_alg_enc_atrás.
    • ¿Cuál encadenamiento emplear? Encadenamiento regresivo Conjunto antecedentes lleve a muchas conclusiones. Si hechos conducen a conclusiones, pero número de reglas es reducido muchos consecuentes. Si no tiene hechos, y le interesa saber si unaInteligencia Artificial conclusión es verdadera.
    • Encadenamiento progresivo Una hipótesis conduce a muchas preguntas Si número de reglas es grande, número de conclusiones es reducido;Inteligencia Artificial Si tiene los hechos y desea saber que puede concluir.
    • Ventajas y desventajas de los sistemas de producción Ventajas Las reglas son de fácil comprensión. Inferencia y explicaciones son fácilmente derivadas. El mantenimiento es relativamente simple, debido a la modularidad. La “Incertidumbre” es fácilmente combinada en las reglas. Cada regla es (normalmente) independiente de las otras. DesventajasInteligencia Artificial Conocimiento complejo requiere muchas (millares de) reglas. El exceso de reglas crea problemas para utilizar y mantener el sistema. No es robusto y no aprende. La adquisición del conocimiento es difícil.
    • Sistemas de inferencia dirigidos a patrones Programas IA Convencional PDIS Otros Orientados a Imperativos Funcionales Objetos SBR SBNInteligencia Artificial Donde: PS TS PDIS - Sistemas de inferencia dirigidos a patrones SBR - Sistemas basados en reglas Sistemas Sistemas SBN - Sistemas basados en redes Lógicos Gramaticales PS - Sistemas de producción TS - Sistemas de transformación
    • Preguntas ¿Se razona de manera natural con reglas? ¿Las reglas son fáciles de construir? Sistemas de producción versus Programación lógica.Inteligencia Artificial
    • Sistemas de Reacción Basados en Reglas La parte del SI – especifican condiciones que deben satisfacerse. La parte ENTONCES – especifica una acción o una operación que debe realizarse (conclusiones).Inteligencia Artificial
    • Necesitan: Memoria de trabajo Afirmaciones sobre los objetos a manipular Cuál es el paso que se esta efectuando Qué objetos ha manipulado Cuáles falta por manipular.Inteligencia Artificial
    • BAGGER (pasos) 1. Verificación de la orden: Analiza los productos, detecta cuáles productos lleva y sugiere al cliente productos que faltan. 2. Empaque de productos grandes: Empaca los productos grandes. Botellas primero. 3. Empaque de productos medianos: Empaca productos de tamaño mediano, productos congelados enEmpaque de productos pequeños: Empaca los 4. empaque especial.Inteligencia Artificial productos de tamaño pequeño.
    • Artículos P roducto T ipo de T am año C ongelado em p aq ue G alletas envase cartón M ediano no Y ogurt vaso plástico pequeño no P apas fritas bolsa plástico m ediano no H elado envase cartón m ediano si P ollo bolsa plástico m ediano siInteligencia Artificial G aseosa botella grande no B ocadillo caja m adera grande no
    • BAGGER requiere saber Cuál es el paso que esta Paso = verificar orden Bolsa actual = 1 efectuando. artículos bolsa actual = 0 artículos por empacar = 7 Cuál bolsa es la que se Galletas Yogurt está llenando. Papas fritas Helado Qué productos se han Pollo empacado. Gaseosa BocadilloInteligencia Artificial
    • B1: SI Paso = verificar orden Papas fritas se van a empacar No existe gaseosa en los productos ENTONCES sugiera llevar gaseosaInteligencia Artificial B2: SI Paso = verificar orden ENTONCES Paso = no verificar orden Paso = empacar productos grandes
    • B2: SI Paso = verificar orden ELIMINE Paso = verificar orden ADICIONE Paso = empacar productos grandes B3: SI Paso = empacar productos grandes Empacar producto grandeInteligencia Artificial Producto grande es botella Bolsa con menos de 6 productos ELIMINE Empacar producto grande ADICIONE Producto grande en bolsa actual
    • B4: SI Paso = empacar productos grandes Empacar producto grande Bolsa con menos de 6 productos ELIMINE Empacar producto grande ADICIONE Producto grande en bolsa actualInteligencia Artificial
    • B5: SI Paso = empacar productos grandes Empacar producto grande Bolsa vacía disponible ELIMINE Bolsa actual ADICIONE Bolsa vacía es bolsa actual B6: SI Paso = empacar productos grandesInteligencia Artificial ELIMINE Paso = empacar productos grandes ADICIONE Paso = empacar productos medianos
    • Paso = empacar productos medianos Bolsa actual = 1 artículos bolsa actual = 2 artículos por empacar = 5 Galletas YogurtInteligencia Artificial Papas fritas Helado Pollo
    • B7: SI Paso = empacar productos medianos Empacar producto mediano Producto congelado, no empaque especial ELIMINE Producto congelado no empaque especial ADICIONE Producto congelado empaque especial. B8: SI Paso = empacar productos medianos Empacar producto medianoInteligencia Artificial Bolsa actual vacía y sin productos grandes Bolsa con menos de 12 productos ELIMINE Empacar producto mediano ADICIONE Producto mediano en bolsa actual
    • B9: SI Paso = empacar productos medianos Empacar producto mediano Bolsa vacía disponible ELIMINE Bolsa actual ADICIONE Bolsa vacía es bolsa actual B10: SI Paso = empacar productos medianosInteligencia Artificial ELIMINE Paso = empacar productos medianos ADICIONE Paso = empacar productos pequeños
    • Paso = empacar productos pequeños Bolsa actual = 2 artículos bolsa actual = 4 artículos por empacar = 1 YogurtInteligencia Artificial
    • B11: SI Paso = empacar productos pequeños Empacar producto pequeño Bolsa actual sin productos grandes Bolsa actual sin productos medianos Bolsa con menos de 18 productos ELIMINE Empacar producto pequeño ADICIONE Producto pequeño en bolsa actualInteligencia Artificial
    • B12: SI Paso = empacar productos pequeños Empacar producto pequeño Bolsa vacía disponible ELIMINE Bolsa actual ADICIONE Bolsa vacía es bolsa actual B13: SI Paso = empacar productos pequeñosInteligencia Artificial ELIMINE Paso = empacar productos pequeños ADICIONE Empaque finalizado Terminar
    • Paso = empaque finalizado Bolsa actual = 3 artículos bolsa actual = 1 artículos por empacar = 0Inteligencia Artificial
    • Sistemas Basados en CasosInteligencia Artificial
    • Sistemas Basados en Casos El ingeniero observa el mensaje de error que existe en pantalla, apaga el computador, busca en su maletín algo. Un diskette. Lo coloca en la unidad. Prende el computador, contesta rápidamente a un conjunto deInteligencia Artificial mensajes y luego dice, listo.
    • El ingeniero nuevo observa el mensaje de error que existe en pantalla, busca en su maletín un libro, pasa cerca de 15 minutos leyendo algunos apartes, pasado ese tiempo, apaga el computador. Busca un diskette en el maletín, comparando la referencia o titulo del diskette con el que esta en el libro.Inteligencia Artificial Al fin coloca uno en la unidad, prende el computador, contesta cada uno de los mensajes en pantalla después de leerlos adecuadamente y observando el libro; al fin dice, listo.
    • En ambos casos la acción tomada fue la misma, sin embargo, los procedimientos usados para llegar a la conclusión fue diferente. El primer ingeniero, se baso en su experiencia. El segundo se remitió a una documentación que contenía solución de problemas, es decir, conteníaInteligencia Artificial modelos o casos de solución de problemas.
    • Un SRBC Utiliza una biblioteca, en lugar de un conjunto de principios iniciales. Debe saber responder a: Los casos en la memoria y su organización. Método a utilizar para recobrar los casos. Cómo adaptar casos almacenados a los nuevos complejosInteligencia Artificial mecanismos para la creación de índices. Capacidad de recordar experiencias pasadas. Tomar el mejor caso y adaptarlo a la situación.
    • Sistemas Basados en Modelos Dependen del conocimiento de la estructura, del comportamiento del equipo, se razona usando los primeros principios Los modelos: matemáticos o estructurales, especialmente frames y reglasInteligencia Artificial Las reglas pueden ser: reglas de simulación o reglas de inferencia.
    • Existen otros tipos de sistemas como ...Inteligencia Artificial
    • Jackson Peter. Introduction to Expert Systems. 2a ed., Addison-Wesley Publishing Company, 1990. Russel Stuart; Norvig Peter. Artificial Intelligence. A Modern Approach. Prentice-Hall Inc., 2004. Winston Patrick Henry. Artificial Intelligence. Addison- Wesley Publishing Company, 1998.Inteligencia Artificial
    • Inteligencia Artificial