sistemas expertos introducción arquitectura - motor de inferencias introducción a la inteligencia...

Sistemas ExpertosIntroducción

Arquitectura - Motor de Inferencias

Introducción a la Inteligencia Artificial

Licenciatura en Ciencias de la Computación

60´s

Inicio de los Sistemas Expertos

Se buscaban soluciones generales

70´s Los sistemas son más eficientes en dominios acotados

La calidad y cantidad de conocimiento son esenciales para una buena performance

Es importante independizar el conocimiento del dominio del mecanismo de inferencia.

Sistemas basados en conocimiento (SBC-KBS)Definiciones.

Sistemas que representan el conocimiento sobre el dominio en forma explícita y separada del resto del sistema.

Waterman.

Sistemas que resuelven problemas aplicando una representación simbólica de la experiencia humana.

Jackson.

Sistemas Expertos: Definición.

Es un sistema de cómputo capaz de simular la conducta inteligente de un experto humano en un dominio específico y especializado, con el objeto de resolver problemas.

Hardware + software

Fuente de pericia humana en el dominio

Sistema de computación

Simulación

Conducta inteligente

Experto

Dominio limitado Específico y especializado

Experiencia humana vs. SE.

PERI CI A ARTI FI CI AL PERI CI A HUMANA

Permanente PerecederaSiempre accesible No siempre accesible

Fácil de documentar No documentableEstable, confiable Variable, flexible Costo manejable Costosa

Fragilidad de las máquinas Fragilidad humanaSin inspiración Creativa

Conocimiento técnico Sentido común Estática Dinámica (aprendizaje)

Dominios estrechos Dominios más extensos

Los humanos son aún imprescindibles.

SE/SBC: Tareas

Tareas abordadas

Síntesis: Clasificación, diagnóstico

Análisis: Planificación, diseño o modelado

Las áreas de aplicación son muy variadas !!!

Los SBC abordan problemas complejos en dominios específicos en los que el peso de las heurísticas para acotar el espacio de búsqueda es importante.

Primeros Sistemas Expertos

MYCINStanford (Buchanan - Shortliffe 1976): Diagnóstico y tratamiento de enfermedades infecciosas (aprox. 500 reglas). Introduce factores de certeza.

PROSPECTOR

Stanford-US Geological Survey (Duda-Gashning-Hart, 1979): Evaluación de yacimientos minerales y petrolíferos. (aprox 1600 reglas). Probabilidades condicionales y Teorema de Bayes.

Conocimiento inexacto

INTERNISTPittsburg (Pople-Myers, 1977): Diagnóstico en Medicina interna. CADUCEUS: Analiza relaciones causales.

CASNETRutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma.

Razonamiento expertoModelos causales

R1

MOLGEN

Carnegie Mellon (Mc Dermott): Configuración de ordenadores VAX (aprox 500 reglas). Descompone el diseño en distintos niveles de abstracción. Reducción espacio

de búsquedaStanford (Stefik): Diseño de experimentos genéticos. Utiliza abstracción.

Habilidades que se esperan de un SE

Buena perfomance, comparable al menos a la de los especialistas.

Manipular con fluidez descripciones simbólicas.

Interfaz amigable, adecuada a las necesidades de la aplicación.

Habilidad para manipular conocimiento incompleto e impreciso.

Capacidad de explicar sus decisiones a los usuarios.

Posibilidad de justificar sus conclusiones.

Estructura básica de un SE.

Base de Conocimientos

Motor de Inferencias

Interface

Usuario

Ingeniero del conocimiento

Experto del dominio

KAT

Estructura básica de un Sistema Experto

Base de Conocimientos

Su estructura de datos queda definida en términos del esquema de representación elegido para incorporar el conocimiento del dominio de trabajo.


Es la estructura de control de un SE, contiene el programa que gestiona la BC y otros mecanismos necesarios para administrar un sistema de naturaleza interactiva.

Separados entre sí

Periodo industrial de la IA

Década de los 80

Importante apoyo económico a los esfuerzos de I+D.Gran cantidad de SE en distintos dominios.

CRISIS

Problemas con la metodología de desarrollo

Limitaciones propias del tipo de sistema.

Comparable a la Crisis de los SI pero posterior

Crisis SBC Desarrollo de la Ingeniería del Conocimiento

Crisis SI Desarrollo de la Ingeniería del Software

Ingeniería del Conocimiento (IC)

La Ingeniería del Software consiste en la aplicación de una aproximación sistemática, disciplinada y cuantificable al desarrollo,

funcionamiento y mantenimiento del software. (IEEE, 1999)

La IC tiene los mismos objetivos respecto de los SBC

Sistemas Basados en Conocimiento: Ventajas

El conocimiento no se pierde. Reducción del espacio de búsqueda con heurísticas para que el problema sea tratable en un tiempo razonable. Manejo de conocimiento incierto e incompleto. Posibilidad de justificar el razonamiento seguido. Hacer el conocimiento disponible en ambientes hostiles o con carencia de especialistas. Aumento de fiabilidad, evitando que prevalezcan las ultimas experiencias. Modificación sencilla de la BC por su característica modular.

Sistemas Basados en Conocimiento: Inconvenientes La adquisición del conocimiento es difícil y cara. La reutilización del conocimiento en contextos diferentes

no es simple. Falta de creatividad y sentido común. Obstáculos para el aprendizaje y la adaptación.

Quedan inmersos en el campo de los Sistemas Inteligentes.

Se trabaja sobre metodología de desarrollo

Se los combina con otras tecnologías

SE basados en reglas de producción

Sistemas de producción

Newell y Simon (1972): Al resolver problemas, las personas utilizan su memoria a largo plazo (permanente) que aplican a situaciones actuales contenidas en su memoria a corto plazo (transitoria). Esto puede generar modificaciones en la última.

BC (Reglas)

Memoria de trabajo (Hechos)


Mundo Exterior


Reglas de producción

< CONDICION > < ACCION>

Son “gránulos” de conocimiento.

Reúnen información relativa a las condiciones de disparo y a los efectos resultantes del disparo.

Son estructuras bidireccionales.

SI ?X ES MAMIFERO Y ?X COME CARNE

ENTONCES ?X ES CARNIVORO.

SE basados en reglas de producciónVentajas:

Naturaleza modular: El conocimiento es fácil de encapsular y expandir.

Explicaciones sencillas: El registro de reglas disparadas permite presentar la cadena de razonamiento asociada.

Semejanza con el proceso cognitivo humano: modelo natural del razonamiento humano.

Dificultades: Completitud y consistencia como responsabilidad del desarrollador.

Se necesitan otras estructuras para lograr una visión global del conocimiento del dominio.

Se las combina con otros formalismos de representación.


Inductivo: A partir de un objetivo intenta verificar los hechos que los

sostienen

Deductivo: A partir de los hechos disponibles infiere todas las conclusiones posibles

MOTOR DE INFERENCIAS Dos formas de funcionamiento.

BACKWARD CHAINING

FORWARD CHAINING

Hechos iniciales

Objetivo

SE basados en reglas de producciónEncadenamiento hacia atrás - Backward Chaining.

BH := CONOCIMIENTO INICIAL (HECHOS).

HASTA OBJETIVO O SIN REGLAS PARA DISPARAR.

REPITA

(1) ENCONTRAR K CONJUNTO DE REGLAS, CUYAS CONCLUSIONES PUEDEN UNIFICARSE CON LA HIPÓTESIS (CONJUNTO DE CONFLICTO).

(2) ELEGIR R DE K SEGÚN ESTRATEGIA DE SOLUCIÓN DE CONFLICTOS (POSIBLE BACKTRACKING).

(3) SI LA PREMISA DE R NO ESTÁ EN BH, TOMARLA COMO SUBOBJETIVO.

SE basados en reglas de producciónBackward Chaining: Ciclo base de un motor inductivo.

DETECCIÓN:

SI EL OBJETIVO ES CONOCIDO ÉXITO.

SINO, TOMAR LAS REGLAS QUE LO CONCLUYEN (CC).

ELECCIÓN:

DECIDIR QUE REGLA APLICAR (RC)

APLICACIÓN:

REEMPLAZAR EL OBJETIVO POR LA CONJUNCIÓN DE LAS CONDICIONES DE LA PREMISA ELEGIDA.


Ejemplo Backward Chaining: Primer paso

BASE DE REGLAS

R1: p q s

R2: r t

R3: s t u

R4: s r v

OBJETIVO: v

v BH ?

v BH

SIGUE

BH: p q r


Ejemplo Backward Chaining: Segundo paso

BASE DE REGLAS

R1: p q s

R2: r t

R3: s t u

R4: s r v

MATCHING CON v

CC = { R4 }

s BH?

s BH

s SUBOBJETIVO

SIGUE

BH: p q r


Ejemplo Backward Chaining: Tercer paso

BASE DE REGLAS

R1: p q s

R2: r t

R3: s t u

R4: s r v

BH: p q r

MATCHING CON s

CC = { R1 }

p BH? SI.

q BH? SI.

DISPARA R1.

BH s


Ejemplo Backward Chaining: Cuarto paso

BASE DE REGLAS

R1: p q s

R2: r t

R3: s t u

R4: s r v

BH: p q r s

CC = { R4 }

r BH? SI.

DISPARA R4.

BH v


Ejemplo Backward Chaining: Quinto paso

BASE DE REGLAS

R1: p q s

R2: r t

R3: s t u

R4: s r v

BH: p q r s v

OBJETIVO OK.

FIN


Formalismos de representación

Funcionamiento del Motor de Inferencias

Es un shell, cáscara o Sistema Experto vacío

Reglas y Objetos

El funcionamiento sistemático está definido, pueden

personalizarse características

KAPPA-PC

Posee herramientas de traceo y debug.


Otras características

Prototipado muy rápido

Conexión con BD y otros paquetes de software

Construcción de Interfaz básica

Help on line

Lenguaje de programación KAL (basado en C)

Biblioteca de funciones predefinidas

KAPPA-PC


KAPPA-PC Representación del dominio

Estructura de clasesDebe incluir los elementos del dominio sobre los que predicarán las reglas

Poseen Slots que las describen

Tipo: Texto, Numérico, Booleano, Objeto Cardinalidad: single o multi Valores permitidos (texto) Rango (numéricos) Prompt Monitores


Ejemplo “Animales Carnívoros” para volcar en Kappa-PC.

RCARNÍVORO1: SI EL ANIMAL MAMÍFERO COME CARNE

ENTONCES EL ANIMAL ES CARNÍVORO.

RCARNÍVORO2: SI EL ANIMAL MAMÍFERO TIENE GARRAS Y DIENTES AGUDOS

ENTONCES EL ANIMAL ES CARNÍVORO.

RTIGRE: SI EL ANIMAL ES CARNÍVORO Y SU COLOR ES LEONADO Y SU PELAJE TIENE FRANJAS NEGRAS

ENTONCES EL ANIMAL ES UN TIGRE.

RLEOPARDO: SI EL ANIMAL ES CARNÍVORO Y SU COLOR ES LEONADO Y SU PELAJE TIENE MANCHAS OSCURAS

ENTONCES EL ANIMAL ES UN LEOPARDO


Elementos sintácticos

Atomos: “animal carnívoro”, tigre, Juan. Pares: animal:dientes, persona:nombre. (Objeto:Slot) Expresiones: Operadores y operandos. Cierran con ; Bloques: Conjunto de expresiones en un {….}; Funciones: nombre( arg1, arg2,….). Biblioteca

KAPPA-PC


Elementos sintácticosKAPPA-PC

Las Expresiones contienen operadores de distinto tipo:

TESTEO (texto): #= , #<, #>TESTEO (números): = =, !=, <, <=,>,>= ASIGNACIÓN: = (todos los tipos)LÓGICOS: And, Or, XorARITMÉTICOS: ^, *, /, +, -


KAPPA-PC Representación del dominio

Las reglas predican sobre las instancias definidas .

Rcarnívoro1:

IF animal:comida #= carne;THEN { animal:grupo = carnivoro;

MoveInstance (animal, Carnivoro) };


KAPPA-PC ¿Qué es un hecho al realizar encadenamiento de reglas?

Al encadenar reglas, Kappa considera “hechos” a los valores de los pares objeto:slot.

Al redactar las reglas se deben incluir asignaciones de valor a los slots para que el motor pueda realizar el encadenamiento

El sistema reconoce los resultado de otras acciones, pero no los utiliza para construir el árbol de búsqueda.


Backward Chaininig en Kappa-PC.

BC

OBJETOS

REGLAS

MI

OBJETIVO

FASES

EXPANDING: EVALÚA LOS IF Y ABRE EL ÁRBOL CONSIDERANDO NUEVOS HECHOS.

COLLAPSING: TESTEA SI VERIFICA EL GOAL.

ASKING: PIDE INFORMACIÓN AL USUARIO.


Backward Chaininig en Kappa-PC.

Utilizando una función.

Desde el Inference Browser Lanzamiento del motor en BC

BackwardChain (< [NOASK]>, Goal, <Lista Reglas> )

Desde el Rule Trace

Ejemplo “Animales Carnívoros” en Backward Chaining.

En el Inference Browser puede seguirse la inferencia “paso a paso” para realizar el debug

Backward Chaininig en Kappa-PC: Conclusiones.

Es obligatorio definir un objetivo o test (Goal).

El THEN de las reglas debe incluir hechos que permitan realizar el encadenamiento (asignación de valores a Slots).

No responde a la exploración Primero Profundo definido en el Backward Chaining teórico.

Funcionamiento sistemático único, personalizable por la definición de objetivos o uso de monitores.

Si está habilitado, pide automáticamente información al usuario.

SE basados en reglas de producciónEncadenamiento hacia adelante - Forward Chaining.

BH := CONOCIMIENTO INICIAL (HECHOS).

HASTA OBJETIVO O SIN REGLAS PARA DISPARAR.

REPITA:

(1) ENCONTRAR K CONJUNTO DE REGLAS CUYAS PREMISAS CUMPLEN CON BH (CONJUNTO DE CONFLICTO-CC).

(2) ELEGIR R DE K SEGÚN ESTRATEGIA DE SOLUCIÓN DE CONFLICTOS (RC).

(3) DISPARAR R Y ACTUALIZAR BH. (RECORDAR R).

Hechos iniciales

Objetivo


Forward Chaining: Ciclo base de un motor deductivo.

DETECCIÓN:

DETERMINAR EL CONJUNTO DE REGLAS APLICABLES

ELECCIÓN:

DECIDIR QUE REGLA APLICAR (RC)

APLICACIÓN

DISPARAR LA REGLA ELEGIDA Y ACTUALIZAR BH.


Ejemplo Forward Chaining: Primer paso

BASE DE REGLAS

R1: p q s

R2: r t

R3: s t u

R4: s r v

CC = { R1, R2 }

R1 RC

DISPARA R1

BH s

R1 APLICADA

BH: p q r


Ejemplo Forward Chaining: Segundo paso

BASE DE REGLAS

(R1: p q s)

R2: r t

R3: s t u

R4: s r v

CC = { R2, R4 }

R2 RC

DISPARA R2

BH t

R2 APLICADA

BH: p q r s


Ejemplo Forward Chaining:Tercer paso

BASE DE REGLAS

(R1: p q s)

(R2: r t)

R3: s t u

R4: s r v

CC = { R3, R4 }

R3 RC

DISPARA R3

BH u

R3 APLICADA

BH: p q r s t


Ejemplo Forward Chaining:Cuarto paso

BASE DE REGLAS

(R1: p q s)

(R2: r t)

(R3: s t u)

R4: s r v

CC = {R4 }

R4 RC

DISPARA R4

BH v

R4 APLICADA

BH: p q r s t u


Ejemplo Forward Chaining:Quinto paso

BASE DE REGLAS

(R1: p q s)

(R2: r t)

(R3: s t u)

(R4: s r v)

CC = { }

FIN

BH: p q r s t u v


Forward Chaininig en Kappa-PC.

BC

MIOBJETOS

REGLASAGENDA DE

HECHOSLISTA DE REGLAS

SELECTIVE

DEPTH FIRST

BREATH FIRST

BEST FIRST

ESTRATEGIAS:

Ciclo de Forward Chaininig en Kappa-PC.

1) Se evalúa el hecho actual en la AGENDA.

CC = { REGLAS QUE MENCIONAN EL HECHO EN SUS PREMISAS} LISTA DE REGLAS (LR).

Se quita el hecho de la AGENDA.

2) Se evalúan las REGLAS de LR en orden, al disparar una:

Se agregan (si corresponde) hechos en la AGENDA.

Se quita la REGLA de la LISTA DE REGLAS.

3) Se evalúa finalización. Si hay GOAL y es TRUE FIN.

Si no es así Otro Ciclo.



Utilizando una función.

Lanzamiento del motor en FC

ForwardChain ( <[NOASSERT]>, <Goal>, <Lista Reglas> )

Desde el Rule Trace



Trabaja a partir de la Agenda y la Lista de Reglas

Se debe garantizar la presencia de objetos en estas estructuras

NOASSERT coloca todas las reglas en Lista de Reglas

Assert coloca en la Agenda los HECHOS de interés

Un hecho corresponde al valor de un slot

SE basados en reglas de producciónForward Chaininig en Kappa-PC.

Colocación de hechos en la Agenda:

1º) SetValue (animal:comida, carne) ;

2º) Assert (animal:comida) ;

3º) ForwardChain ( ) ;El motor busca las reglas que mencionan animal:comida en el IF y las ubica en la Lista de Reglas (CC).

Una vez lanzada la inferencia, los hechos establecidos al disparar las reglas, son colocados automáticamente en la Agenda.

En FC no se pregunta automáticamente al usuario, el diseñador debe garantizar el pedido de información para continuar la búsqueda


Para lanzarlo deben garantizarse hechos en la agenda (Assert inicial o Forward con [NOASSERT]).

Se debe asegurar la posterior introducción de hechos en la agenda durante la inferencia.

Las estrategias permiten recorrer el árbol de búsqueda de diferentes formas.

Las prioridades en las reglas permiten personalizar las estrategias.


Los objetivos no son imprescindibles pero permiten “cortar” la búsqueda.

La búsqueda puede polarizarse lanzando el Forward con diferentes grupos de reglas.

Pueden introducirse “patrones” para inferir sobre distintos objetos.

Motor de Inferencias: Estructuras de control

Funcionamiento sistemático Tipo de búsqueda implementada

Ruptura

Demonios

Se invocan a partir de cierto conocimiento deducido durante la ejecución de la aplicación.

Son procedimientos especiales

Elementos de metaconocimiento

Estructuras de control: Demonios

El demonio es una estructura de control que vigila constantemente el comportamiento del SE y se activa cuando encuentra determinadas condiciones en la BC. BC

Disparador

Procedimiento

Personal Consultant-xxForward Chaining es un demonio, manejado mediante la propiedad ANTECEDENT de las reglas.

Kappa-PCMonitores: Demonios que se activan a partir de cómo maneja el sistema los objetos con los que se los asocia.

Difieren de los procedimientos tradicionales, en que estos últimos responden a un llamado específico que los identifica y pone en acción.

Demonios en KAPPA-PC.

If Needed: Cuando el sistema necesita el slot pero su valor no se conoce. Pensado para asignar valores por defecto Debe retornar ese valor.

When Accesed: Cuando el sistema accede al slot sin importar si tiene valor asignado. Lleva como argumentos (slot, valor) y debe retornar valor.

Before Change: Antes de que se cambie el valor del slot. Lleva como argumentos (slot, valor) y debe retornar valor.

After Change: Después de cambiar el valor del slot.

Sistemas expertos: Metaconocimiento Es el conocimiento estratégico vinculado a la utilización del conocimiento del dominio del Sistema Experto.

Es conocimiento que predica sobre el conocimiento involucrado en el sistema.

Métodos de implementación:

Meta-reglas Activación o no de grupos de reglas específicas.

Ordenación de las reglas dentro de los grupos.

Funciones Definición de la búsqueda o no de conceptos asociados.

PC-PLUS FINDOUT - NOFINDOUT

Orden de las reglas

Posibilidad de asignarles “pesos” numéricos.

PC-PLUS UTILITY.

KAPPA-PC PRIORITY

Sistemas expertos: Metaconocimiento

Enriquece y aporta a la perfomance de un Sistema Experto y por sus características incluye:

Elementos en el Motor de Inferencias: Demonios.

Elementos en la Base de Conocimientos: Metareglas, PRIORITY, etc.

Ejemplos de Metareglas en SEXP-1

IF Litología_Principal = Arenisca THEN Tratar sólo el grupo de reglas asociadas.

IF Litología_Principal = Roca_Ignea THEN NoAsk (Lista de valores)

sistemas expertos introducción arquitectura - motor de inferencias introducción a la inteligencia...

Documents