copyright © 1999 josé angel bañares Última revisión: nov. 2009 sistemas basados en el...

Copyright © 1999 José Angel Bañares Última revisión: Nov. 2009

Sistemas Basados en el ConocimientoSistemas Basados en el Conocimiento

Departamento de Informática e Ingeniería de SistemasC.P.S. Universidad de ZaragozaDepartamento de Informática e Ingeniería de SistemasC.P.S. Universidad de Zaragoza

IA. José Angel BañaresII-99. Sistemas Basados en el Conocimiento.ppt

ISBCISBC

11/1/1998 2

1. Introducción Breve Historia de la IA Componentes de un SE

2. Desarrollo de SBC

2.1 Niveles para describir SBC

2.2 Clasificación de tareas

2.3 Técnicas de resolución de problemasBúsquedas

Razonamiento basado en el conocimiento

Sistemas de Mantenimiento de la verdad

Razonamiento bajo incertidumbre

Técnicas avanzadas de razonamiento

3. Proceso de desarrollo 4. Herramientas 5. Revisión histórica de los SEs


ISBCISBC

11/1/1998 3

Introducción

Breve Historia de la IA El periodo Clásico

Desde los 50 hasta los 60 la IA se centró en resolutores de Problemas Genéricos

Búsqueda en el espacio de estados

El periodo Romántico Desde mediados de los 60 hasta mediados de los 70 se centran en

modelar el comportamiento humano al resolver problemas Exploración de diferentes formas de representar hechos y principios

sobre el mundo para emplearse en un computador Reglas, redes semánticas, objetos/frames, fórmulas

lógicas.

En la actualidad Representar explícitamente el conocimiento relevante

- Técnicas para representar el conocimiento en módulos que se activan por patrones.

- No se piensa en mecanismos de inferencia sofisticados ni en complejas funciones de evaluación.


ISBCISBC

11/1/1998 4

IA en el Futuro

“Proyectando las tendencias actuales en el futuro, pienso que habrá un nuevo énfasis sobre sistemas autónomos- robots y softbots. Softbots son angentes software que navegan por Internet, buscando información que pueda ser interesante para sus usuarios. La presión para mejorar las capacidades de los robots y los agentes software motivarán y guiarán la investigación en IA durante los próximos años.”

(Artificial Intelligence, A new Synthesis. Nilsson 1998)


ISBCISBC

11/1/1998 5

Sistemas Basados en el Conocimiento

Sistema Experto Basado en el ConocimientoPrograma que se comporta como un experto en un dominio

de aplicación Un experto reduce rápidamente la búsqueda al reconocer

situaciones (patrones) y utilizar los métodos y reglas adecuados para descubrir la solución.

El conocimiento heurístico no representa un análisis en profundidad del problema, sino una solución “aceptable”

El número de posibilidades a analizar es grande La función algorítmica de evaluación de cada posibilidad es

demasiado compleja o desconocida.

El conocimiento heurístico en los sistemas expertos No se refiere a conocimiento general para guiar la búsqueda Es el conocimiento específico aplicable a cada situación

específica del dominio.


ISBCISBC

11/1/1998 6

Solución heurística / algorítmica

Diferencias entre la solución algorítmica y heurísticaEl constructor determina el precio de una casa mediante una

análisis detallado suma materiales, llamada a proveedores para obtener precios,

evaluación de precios de subcontratistas, estimar contingencias razonables, etc.

Ventajas: El presupuesto es correcto Desventaja: El posible comprador quiere el presupuesto HOY

El constructor tiene gran experiencia en presupuestos y estima el precio comparando la construcción con otras realizadas

Recuerda el precio de una casa de los mismo metros cuadrados Busca diferencias que podrían reducir o bajar el precio

• Añade una piscina => un 1000000 mas

• Los muebles de la cocina de pino en vez de roble => 150000 menos

• Un baño menos => 800000 menos


ISBCISBC

11/1/1998 7

2. Componentes de SBC

Hechos

Reglas

Plan

Agenda

Solucion

Explicación

Intérprete

Planificador

Mantenimientoconsistencia

Interfazusuario

pizarra

Base de conocimiento

usuario


ISBCISBC

11/1/1998 8

Explicación componentes

Interfaz de usuario: El usuario interactúa con el SE en un lenguaje propio del tipo de problema

Pizarra: almacena hipótesis y decisiones intermedios que manipula el SE Plan: Plan general de solución del problema. Agenda : Reglas relevantes para la situación en curso.

Solución: Hipótesis candidatas y decisiones generadas hasta el momento

Planificador: Determina cual es la acción pendiente que se ejecutará a continuación. El intérprete: Ejecuta la regla escogida.

Mantenimiento de la consistencia: Mantiene una representación consistente de la solución mediante:

Revisión de la probabilidad de una solución cuando se introducen nuevos hechos.

Sistemas de mantenimiento de la verdad cuando las soluciones son deducciones lógicas

El modulo de explicación: Explica el porqué de las acciones del sistema

Reglas y hechos: Registran reglas, hecho e información del dominio


ISBCISBC

11/1/1998 9

Componente de Explicación

Un SE debe contar con una componente de explicación La respuesta puede ser potencialmente dañina Es una forma comprensible de chequear el comportamiento Tutores

Una componente de SE debe idealmente Poder responder a preguntas como las siguiente

• ¿Cómo se tomó o no cierta decisión? ¿Cuando, cómo y porqué se utiliza una información determinada? ¿Qué decisión se tomo ante un subproblema?

Ser fácil de usar Dar respuestas comprensibles y completas

R.I.P.

SESE


ISBCISBC

11/1/1998 10

Programas convencionales y SBC

Programas: Sentencias sobre datos que se realizan en un orden predeterminado.

Solución única Para el usuario el programa es una caja negra

SBC = Conocimiento + Control

Programas = Estructuras de Datos + Algoritmos

SBC: Se distingue el conocimiento del dominio de la estrategia de control

Esto permite la incorporación de más conocimiento sin manipular la estructura global del sistema

Se pueden obtener varias soluciones El programa puede explicar como llega a su solución.


ISBCISBC

11/1/1998 11

2. Desarrollo de un SBC

¿Se pueden clasificar las aplicaciones de SEs sobre la base de características de las tareas o del dominio?

¿Se pueden identificar métodos de resolución de problemas bien diferenciados que sean útiles para ciertas clases de aplicaciones de SEs?

¿Podemos identificar estilos de representación e inferencia más adecuados para un método de resolución de problemas dado?


ISBCISBC

11/1/1998 12

Definición delProblemaSolución Especificación

DiagnósticoConfiguración Clasificación

...

Objetivosy datos

Abstracciones Simulacióncualitativa

...

HeurísticasRelacionescausales Cuantitativa

Orientada a Objeto

Basada enreglas..

2.1 Niveles de descripción

Especificación

Tarea

Método de resolución

Base de conocimiento

Herramienta

Seleccionartipo de problema

Seleccionarmétodo

SeleccionarRepresentación

Seleccionarparadigma


ISBCISBC

11/1/1998 13

Niveles de descripción

El desarrollo de un SBC puede verse como un proceso de transformación desde el nivel de especificación al de herramienta

Nivel de Especificación: Se describe el problema, las restricciones sobre el problema y la solución.

Nivel de Tarea: Se describe los tipos de problemas, como diagnóstico, planificación, etc.

Nivel de resolución del Problema: Estrategias de resolución que se utilizan para resolver las diferentes tareas

Nivel de Base de conocimiento: Heurísticas, asociaciones causales, relaciones matemáticas describiendo fenómenos físicos.

Nivel de Herramienta: Implementación del SBC


ISBCISBC

11/1/1998 14

2.2 Clasificación de las tareas

Clasificación de Hayes-Roth y col (1983) Interpretación: Análisis de datos para determinar su significado.

Con frecuencia la información lleva asociada incertidumbre

Predicción: Inferir el futuro a partir de situaciones o eventos. Por ejemplo, predicción del tiempo o predicción financiera.

Diagnóstico: Deduce fallos a partir de síntomas. Incluye un amplio espectro de aplicaciones médicas, mecánicas, y electrónicas.

Diseño: Desarrolla configuraciones de objetos que satisfacen ciertas restricciones. Por ejemplo, diseño de circuitos, o disposición de maquinaria en un espacio reducido.

Planificación: Genera secuencias de acciones para lograr objetivos.

Monitorización: Observación del comportamiento del sistema.

Depuración y Reparación: Generar remedios para fallos de sistemas.

Instrucción: Sistemas tutores

Control: Se anticipa a problemas, planifica soluciones y monitoriza.


ISBCISBC

11/1/1998 15

Clasificación por operaciones genéricas

Clancey (1985) Propone un análisis alternativo en término de operaciones genéricas sobre el sistema:

Operaciones sintéticas que construyen un sistema Operaciones analíticas que interpretan un sistema

DiagnósticoDiagnóstico

InterpretaciónInterpretación PlanificaciónPlanificación

ControlControl

MonitorizaciónMonitorización

EducaciónEducación

SimulaciónSimulación

DiseñoDiseño

analíticasanalíticas ConstructivasConstructivas


ISBCISBC

11/1/1998 16

Clasificación

Datos

Datos Abstraidos

SolucionesAbstraidas

Soluciones

AbstracciónDatos

Emparejamiento

RefinamientoSolución

•Clasificación: Proceso que selecciona soluciones, entre un conjunto de soluciones preestablecidas, a partir de datos reconocidos.• Se utiliza en gran cantidad de tareas como diagnóstico de enfermedades o evaluación prospectiva de depósistos de minales.


ISBCISBC

11/1/1998 17

Configuración

Especificaciones

Submodelofuncionalidades

Emparejamiento especificación/estructura

•Configuración:Selecciona partes y los junta.• Se utiliza para construir planes de fabricación o recomendaciones de terápias

Submodelode Partes

SolucionesAbstraidas y parciales

SolucionesRefinadas y Expandidas

Submodelode configuración

EspecificacionesAdicionales

Especificaciones Espacio de configuración


ISBCISBC

11/1/1998 18

2.3 Nivel de resolución de Problemas

Técnicas de resolución y arquitecturas

Técnicas de resolución y arquitecturas

Basadas en Búsqueda

Basadas en Búsqueda

SimpleSimple

*Profundidad*Anchura*Genete-and-Test*Satisfacción restricciones*Aleatoria

*Profundidad*Anchura*Genete-and-Test*Satisfacción restricciones*Aleatoria

JuegosJuegos

No Estocática

*Escalada*Primero el mejor* A*

No Estocática

*Escalada*Primero el mejor* A*

EvaluaciónEvaluación

Estocática

*Simulated Annealing*Algo. Genéticos

Estocática

*Simulated Annealing*Algo. Genéticos

*FC*Bayes*Fuzzy*Dempster-Shaper

*FC*Bayes*Fuzzy*Dempster-Shaper

InexactoInexacto OtrosOtros

Basadas en el Conocimiento

Basadas en el Conocimiento

*Forward Chainig*Backward Chainig*Prueba Teoremas*GPS (MEA + OS)

*Forward Chainig*Backward Chainig*Prueba Teoremas*GPS (MEA + OS)

Objetivos y datos

Objetivos y datos

*TMS*Manejo restricciones

*TMS*Manejo restricciones



*Refinamiento Jerárquico*Heuristic-inc- generate&test

*Refinamiento Jerárquico*Heuristic-inc- generate&test

AbstraccionesAbstracciones


ISBCISBC

11/1/1998 19

Nivel de resolución de Problemas

Búsquedas Búsquedas ciega

Dirección: Dirigida por objetivo, Dirigida por datos, Bidireccional

Orden sistemático de visita de nodos: Profundidad y Anchura

Búsqueda heurística Información específica del dominio que guía la búsqueda

Función de evaluación que da una estimación del esfuerzo que supone seguir un camino.

Las funciones de evaluación deben caracterizar el espacio de estados adecuadamente

Es engañoso pensar que una simple función aritmética como estilo de representación del conocimiento es suficiente. Los sistemas expertos utilizan grandes cantidades de conocimiento simbólico

.

.

f(n) = d(n) + h(n)


ISBCISBC

11/1/1998 20

Razonamiento Basado en el Conocimiento

Razonamiento basado en el conocimiento El razonamiento basado en el conocimiento suele ser no

monótono Requiere razonar con conocimiento impreciso Considerar Justificaciones y hacer tentativas sobre creencias Este razonamiento dinámico requiere gran cantidad de

conocimiento

regla 101Si huele a queso por aqui y no veo trampasentonces merodear cerca

regla 103Si ya he pasado por aqui entonces intentar otra alternativa

comida

queso

Emmental Bola


ISBCISBC

11/1/1998 21

Razonamiento BC (cont.)

Suposiciones y compromisos Los expertos actúan con recursos de tiempo y conocimiento

limitado El sentido común permite extraer conclusiones a partir de

informaciones parciales, y la gente acepta conclusiones aceptables para las cuales no tiene prueba.

El sentido común requiere que el sistema sea capaz de revisar sus creencias a la luz de nueva información

=> Razonamiento No monoto


ISBCISBC

11/1/1998 22

Sistema de razonamiento no monótono

Dependencias y Justificaciones Para revisar sus creencias frente a nuevas informaciones, el resolutor

debe razonar sobre dependencias entre sus creencias. Estas técnicas son una extensión del backtraking en búsqueda

• Un fallo en la búsqueda da lugar a backtracking:

• Eliminación de todas las acciones e inferencias desde el punto de elección más reciente y continuar con la siguiente alternativa.

• Debido al orden LIFO del backtraking la memoria de las creencias activas se puede implementar como una pila.

• Backtraking cronológico es ineficiente porque la razón del fallo se olvidan cuando se abandona el camino

Ejemplo del robot Robie

El robot tiene como objetivo coger un bloque. Levanta la mano derecha. Se mueve hasta donde está el bloque. Coge el bloque con su mano derecha, pero está muy calienta y se quema la mano. Deja el bloque, baja la mano y retrocede. Levanta la mano izquierda, se mueve hasta donde está el bloque. Coge el bloque con su mano izquierda, pero ...


ISBCISBC

11/1/1998 23

Desafortunadamente, en muchos dominios de problemas no es posible crear modelos completos, consistentes e inalterables

La historia del asesino ABC ilustra con claridad muchos aspectos fundamentales que estas técnicas deben proporciona [The Web of Belief de Quine y Ullian 1978]:

Sean Abbott, Babbitt y Cabot los sospechosos en un caso de asesinato. Abbott tiene una coartada en el registro de un respetable hotel de Albany. Babbitt también tiene una coartada, la de su cuñado, al cual estaba viendo en Brooklyn en el momento del crimen. Cabbott defiende también su coartada, asegurando que se encontraba viendo un campeonato de esquí en Catskills, pero sólo puede aportar su propio testimonio. Por lo tanto, creemos:

(1) Que Abbot no cometió el crimen(2) Que Babbit no lo hizo(3) Que o Abbott o Babbitt o Cabot lo hizo



ISBCISBC

11/1/1998 24

En principio el sospechoso principal es Cabot, pero ... ... Cabot puede posteriormente presentar pruebas de su

coartada. Tuvo muy buena suerte y fue captado por las cámaras de TV en las gradas de la pista. De esta forma aparece una nueva creencia que es:

(4) Cabot no lo hizo.

Las creencias (1) a (4) son inconsistentes, por lo que una debe desestimarse. ¿Cuál es la evidencia más débil?

La base de (1) en un hotel es buena, ya que se trata de un hotel prestigioso.

La base (2) es más débil, ya que puede ser que el cuñado de Babbitt esté mintiendo.

La base de (3) es doble: No existen signos de robo y sólo Abbott, Babbitt y Cabot parecen salir beneficiados con el asesinato.

La base de (4) es concluyente



ISBCISBC

11/1/1998 25

Dependencias y Justificaciones

Se debe seguir la pista de los pasos de inferencia que dieron lugar a errores e inconsistencias

Registro de los paso inferenciales => Registros de dependencia Un método de búsqueda que analice dependencias y decide qué

invalidar se llama no cronológica o dirigida por dependencias.

Elementos de los registros de dependencia: Creencias, reglas de inferencia y justificaciones

Si se encuentra que q es falso el sistema permitirá eliminar p o (¬ p v q)

qjustificación

verdad v

¬ p v q

regla

vp

vq

v

¬p v qjustificación

verdad v

pjustificación

verdad v


ISBCISBC

11/1/1998 26

Razonamiento Bajo incertidumbre

Razonamiento bajo incertidumbre Los tipos de incertidumbre que pueden ocurrir en un SBC son

Los datos necesarios no están disponibles Hay datos poco fiables o ambiguos debido a errores en las

medidas o distintas medidas en conflicto La representación de los datos no es precisa Los datos son adivinados por el usuario o por el experto a partir de

valores razonable o estadísticos Los datos don valores por defecto y puede haber excepciones.

Normalmente se debe razonar con datos sobre los que existe cierto grado de incertidumbre

¿Cómo se representa la incertidumbre de los datos? ¿Cómo se combina la incertidumbre de dos o más datos? ¿Como se razona con datos con incertidumbre?

Se han propuesto diferentes métodos numéricos Modelos Bayesianos, Factores de certidumbre, Lógica Fuzzy,

Teoría de la Evidencia de Dempster-Shafer


ISBCISBC

11/1/1998 27

Incertidumbre (cont.)

Modelo de Bayes => Teoría clásica de la probabilidad Teorema de Bayes: P(H | E) = P (E | H) * P(H) / P(E) Ejemplo: ¿Qué podemos decir si observamos que el paciente estornuda?

SI el paciente tiene un catarro ENTONCES estornudará (0.75)

* Supongamos que conocemos que

P(H)=P(paciente este acatarrado) = 0.2

P(E | H)= P(Paciente estornude | paciente tiene catarro) = 0.75

P(E | ~H)= P(Paciente estornude | paciente no tiene catarro) = 0.2

*ENTONCES podemos deducir

P(E) = P(paciente estornude) =

P(E | H) * P(H) +P(E | ~H ) * P(~H) = 0.75*0.2 + 0.2*0.8= 0.31

P(H | E) =P(Paciente está acatarrado | paciente estornuda) =

0.75 * 0.2 / 0.31 = 0.48387

P(H | ~E) =P(Paciente está acatarrado | paciente no estornuda) =

P (H | ~E) * P(H) / P(~E) = (1 - 0.75) * 0.2 / (1 - 0.31) = 0.07246

Estornudar multiplica la probabilidad de estar acatarrado por 2.5

No estornudar divide la probabilidad de estar acatarrado por 3


ISBCISBC

11/1/1998 28

Incertidumbre, Modelos probabilisticos

Problemas de los métodos Bayesianos Requieren una gran cantidad de datos para construir una base

de conocimiento => Las redes Bayesianas reducen el número de

probabilidades requeridas. Una red Bayesiana es un grafo que muestra las dependencias entre las variables.

¿En que se basan las probabilidades a priori y condicionadas?Muestra estadística grande

Valor suministrado por un experto

No son capaces de explicar el proceso de razonamiento Los sistemas de diagnóstico médico basados en

Bayes no son aceptados porque no explican como llegan a las conclusiones.


ISBCISBC

11/1/1998 29

Técnicas de razonamiento Avanzadas

Razonamiento basado en el modelo Representan los sistmas físicos mediante su estructura y

funcionalidad. Razona utilizando principios básicos de ingeniería y ciencias

Tipos de modelos: Ecuaciones, Estocásticos, y modelos causales (Centrados en dispositivos).

Conocimiento profundo en lugar de conocimiento superficial sobre el comportamiento del sistema.

EJEMPLO Aplicación típica: Diagnóstico de circuitos digitales. Un técnico de reparación de televisores expertimentado utiliza:

*Unas pocas medidas en los dispositivos

* Con su conocimiento de dispositivos puede mirar un esquema de la televisión e identificar el componente que falla


ISBCISBC

11/1/1998 30

Técnicas de razonamiento Avanzadas

Razonamiento Cualitativo Simulación cuantitativa: Modelado del comportamiento exacto

mediante la descripción completa y determinista de sus parámetros.

Simulación cualitativa de un sistema: Determina sólo sus posibles estados generales basándose en algunas restricciones.

Razonamiento basado en casos Objetivo: Reemplazar el conocimiento de un experto con una

base de datos de casos


ISBCISBC

11/1/1998 31

3. Proceso de desarrollo

Adecuación de una aproximación basada en el conocimiento No hay una solución algorítmica La tarea del dominio la realizan expertos Los expertos no son simples aficionados La tarea no debe ser ni muy difícil ni muy complicada para el

experto El problema no debe requerir “sentido común” La utilización del SBC reportará beneficios


ISBCISBC

11/1/1998 32

Proceso de desarrollo

IDENTIFICACIÓN¿Cuáles son las características del dominio?

¿Cuál es su ámbito?¿Quienes participarán y con que recursos?

IDENTIFICACIÓN¿Cuáles son las características del dominio?

¿Cuál es su ámbito?¿Quienes participarán y con que recursos?

CONCEPTUALIZACIÓN¿Qué información y técnicas utiliza el experto?

CONCEPTUALIZACIÓN¿Qué información y técnicas utiliza el experto?

FORMALIZACIÓN¿Cómo encajan estas técnicas en las estructuras

y estrategias de los sistemas expertos?

FORMALIZACIÓN¿Cómo encajan estas técnicas en las estructuras

y estrategias de los sistemas expertos?

IMPLEMENTACIÓNAcquiere y comprueba iterativamente

las habilidades del sistema

IMPLEMENTACIÓNAcquiere y comprueba iterativamente

las habilidades del sistema

CHEQUEOTest de comprobación final

CHEQUEOTest de comprobación final


ISBCISBC

11/1/1998 33


Pasos principales: Identificación: Caracterización de los aspectos más importantes del

dominio del problema

Conceptualización: Se extraen los conceptos, subtareas y restricciones necesarias para resolver el problema.

• Ingeniero del Conocimiento: Persona que traslada el conocimiento de un experto a algún formalismo.

• Es útil un modelo conceptual (mental) entre el experto y el implementador.

Conocimientodel

Experto

if p(x) ^ q(x, y)then r(y)

if u(x) ^ v(x, y)then s(y)

if r(x) ^ sq(x, y)then t(y)

motor de inferencia

ModeloConceptual Sistema

ImplementadoAdquisición del conocimiento

Programación


ISBCISBC

11/1/1998 34


Formalización: Los conceptos de la etapa de conceptualización se representan con las herramientas y esquemas de representación disponibles.

• ¿Herramienta de adquisición?, ¿chequeos de la base de datos?, ¿Reglas? ¿Redes semánticas?, ¿Frames?, ¿Esquema de razonamiento?, ¿Módulo de explicación? ...

Implementación:• Desarrollo de una herramienta de propósito específico

• Utilización de algún shell para el desarrollo de SEs.

Verificación y refinamiento:• El prototipo es comprobado con el experto.


ISBCISBC

11/1/1998 35


Dos aproximacionesPrototipado:

Es el método más popular para el desarrollo de SBC- Depende mucho más de la involucración de los

usuarios

- Necesidad de comprobar el comportamiento del sistema según se desarrolla

- Adquisición del conocimiento y desarrollo del software se pueden combinar en el prototipado

Problemas: Desarrollo ad hoc e indisciplinado

Estructurado: KADS (Knowledge Acquisition and Design process):

- Metodología de modelado, con una fase rigurosa de análisis antes del diseño

- El prototipado se utiliza para experimentar, no como metodogía


ISBCISBC

11/1/1998 36

4. Herramientas

Cómo hacer una tarea Qué tarea hacer

LispCAda

Reglas OPS5Lógica: PROLOGObjetos: Smalltalk-80 C++ Java

Lenguajes tradicionales

Un paradigma de programación

Integran distintosparadigmas

LOOPSCLIPSK-CRAFTARTNEXPERTKAPPACLOS

KEEVPEXPERTPC+

Shells


ISBCISBC

11/1/1998 37

5. Revisión histórica de los SEs

GPS (Newell 1963)• Búsqueda secuencia de operadores que eliminan la diferencia entre

un estado inicial y un estado objetivo

• Separación entre el conocimiento y como utilizarlo

DENDRAL (Universidad de Standford, finales 60-70)• Utilización de conocimiento específico del dominio

• Infiere la estructura molecular a partir del análisis de espectográfico de masas mediante resonancia magnética.

• Variación de la estrategia generate&test. SAINT, MACSYMA (MIT, 1961-1971)

• Matemáticas simbólicas, cálculo diferencial e integral.

• Incorporación de cientos de reglas utilizadas por expertos


ISBCISBC

11/1/1998 38

Revisión histórica de los SEs

MYCIN (Univ Standford, 1976) Diagnóstico y tratamiento de desordenes de la sangre Alrededor de 400 reglas que relaciones condiciones a posibles

interpretaciones Razonamiento bajo incertidumbre Separa base de conocimiento del motor de inferencia.

• EMYCIN: Empty MYCIN

• TERESIAS: UN programa que asiste en la construcción de grandes bases de conocimiento.

PROSPECTOR (SRI, 1979-1981) Ayuda a la exploración geológica. Proceso de clasificación dirigido

por los datos. Razonamiento bajo incertidumbre

HERSAY II (Carnegie-Mellon, 1980) Comprensión del lenguaje hablado. Arquitectura de pizarra.

OTROS: Medicina CASNET, INTERNIST, PUFF Fabricación: XCON


ISBCISBC

11/1/1998 39

Tiempos empleados

1965 1970 1975 19800

10

20

30

40

50

Dendral

Macsyma

Internist

Mycin

Casnet

Harpy Prospector

Puff Xcon

Año de comienzo

Año

s-P

erso

na


ISBCISBC

11/1/1998 40

Bibliografía

- Building Expert Systems. Frederick Hayes-Roth, Donald A. Waterman, Douglas B. Lenant. Addison-Wesley 1983

- Intelligent Systems for Engineering. Ram D. Sriram. Springer-Verlag 1997.

- Introduction to Expert Systems. 2nd Edition. Peter Jackson. Addison-Wesley 1990

- The Engineering of Knowledge-Based Systems. Theory and Practice. Avelino J. Gonzalez and Douglas D. Dankel. Prentice-Hall 1993

- Introduction to Knowledge Systems. Stefik, M. Morgan Kaufmann, 1995.

copyright © 1999 josé angel bañares Última revisión: nov. 2009 sistemas basados en el...

Documents