Mi comentario de la pelicula es de que con los avances tecnologicos vamos a llegar a consolidar el sueño del ser humano que es contruir robots que sean totalmente identicos a los humanos, en la peli tambien nos muestra el gran temor que tenemos en base a los robots que sean pensantes, tengan sueños y sentimientos, que es la extinsion del ser humano. Podra ser algo fantacioso lo de la pelicula pero yo creo que a lo mejor en un futuro si se podra hacer un robot identicamente al ser humano aunque no podra se organico como lo representan en la pelicula solo sera meca. att vero
INTELIGENCIA ARTIFICIAL Esta película trata sobre el desarrollo evolutivo que tienen los robots después de que ocurre el descongelamiento de los casquetes polares, provocando la muerte de millones de personas, la desaparición de ciudades enteras y destruyendo algunos de los recursos naturales que tenía la tierra. Después de este suceso, cuando los embarazos eran sancionados y prácticamente prohibidos, y con el gran avance tecnológico que aún se conservaba, se habían ya diseñado robots especiales llamados Mecas, construidos especialmente para realizar cualquier labor y satisfacer necesidades de los humanos, con excepción de desarrollar sentimientos, sueños y un razonamiento auto motivado. Éstas últimas características que hacían falta en los robots productivos, llevaron a los científicos de Cybertronics Manufacturing, a desarrollar al primer robot niño programado para amar. Al cabo de algunos meses, ya terminado este robot, es adoptado a modo prueba por una familia que ha sufrido la “pérdida temporal” de su hijo debido a una grave enfermedad, y decide tener al robot niño llamado David. Estando en casa, David empieza a conmover a Mónica, su madre, y ésta decide activarlo para quedarse con él y que empiece a “vivir” y actuar como fue programado. Con el paso del tiempo, el hijo de esta pareja se recupera y regresa a la casa, donde se encuentra con David y con quién empieza a competir por el amor de su madre. David se obsesiona con Mónica, debido a que tiene que vivir en competencia con “su hermano” por conseguir el amor de Mónica, por lo tanto la presencia de David en la casa se vuelve cada día una molestia, pues llega al grado de autodestrucción durante su competencia. Después de este suceso, Mónica decide abandonar a David en el bosque para que no sea destruido en Cybertronics y haga su vida en otro lugar; sin embargo David se enfrenta a la “feria de carnes” en donde los robots son destruidos por humanos por ser inservibles. David es atrapado y al momento de presentarlo antes de ser destruido con el fin de conservar la raza humana, logra conmover a los humanos y es puesto en libertad. Una vez que es libre, David se encuentra con un robot gigoló, quien lo ayuda en su búsqueda del hada azul, pues David quiere convertirse en un niño de verdad para que Mónica lo acepte y lo ame como el aun la ama. Cuando logra encontrar al hada, la raza humana desaparece completamente quedando en el mundo, después de 20 años, solo robots que quieren revivir a un humano a través de alguna cosa que sea prueba de su ADN. Éstos encuentran a David y su oso Teddy, y lo consideran valiosos por ser el único robot que conserva recuerdos de los humanos. Intentan revivir a Mónica a través un mechón de cabello que conservó Teddy durante 20 años para que David vuelva a ver a Mónica y sea feliz, y lo logran pero esta ilusión para David solo dura un día y después de éste David “muere” junto con Mónica. Esta película nos muestra como el avance tecnológico puede llegar a crecer tanto que se puedan desarrollar robots que habiten el mundo desplazando a la raza humana, estos robots ya no solo serán máquinas que faciliten el trabajo, sino maquinas pensantes, sin embargo esto último se sale de la realidad, pues los sentimientos son cambiantes en un ser humano no son predecibles y tampoco son “exactos”. Considero que se podrán crear robots con inteligencia según el coeficiente humano pero nunca un robot que tenga sentimientos, sueños y reacciones propias del ser humano.
Inteligencia artificial un tema de gran contradicción por talentosos científicos de todo el mundo Hablar de crear mentes totalmente biónicas capaces de sentir emociones es arriesgarnos a crear nuestra propia destrucción mas sin embargo no digo que sea en su totalidad malo. Para la raza humana ya que al proporcionar esa habilidad corre el riesgo de que las maquinas tomen como peligro su propio bienestar y nosotros como seres humanos seamos un factor negativo Para su desarrollo tal y como lo expresa un robot en la película el cual mencionaba que los robots eran el siguiente paso a evolucionar y por tal razón el ser humano deseaba tener capacidades biónicas. La inteligencia artificial es un tanto benéfica por que podrían realizar tareas que actualmente el ser humano no puede ejercer pero solo en ciertos factores industriales ya que si los implementan en su totalidad en las industrias traerán desempleo para los humanos, y consigo traerían guerras en todo el mundo ahora bien desarrollar un robot especial es un tanto desconcertante por que pueden llegar a ser hasta una molestia por que sus parámetros de programación no permiten acepciones tal (David) y como lo hace un humano. Maquinas totalmente capaces de tomar sus propias dedicaciones, soñar y tener deseos, anhelos de querer ser algo o convertirse por obra de magia, esas son características netamente humanas creo que será imposible crear un robot con esas características. En mi caso no me gustaría tener un robot porque podría ocasionarme problemas de salud ya que al tenerlo solo pediría que el asiera las cosas sin la necesidad de que yo las haga. ATT: Julio LoBel....
resumen 2 Adriana Angeles Teresita Serrano Veronica Alvarado 2.3 EL MOTOR DE INFERENCIA
Hay dos tipos de elementos: los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento). El motor de inferencia usa ambos para obtener nuevas conclusiones o hechos. Las conclusiones pueden clasificarse en dos tipos: simples y compuestas. Las conclusiones simples son las que resultan de una regla simple. Las conclusiones compuestas son las que resultan de más de una regla. Las reglas de inferencia Modus Ponens, Modus Tollens, Resolución, y las estrategias de inferencia Encadenamiento de reglas, Encadenamiento de reglas orientado a un objetivo,Compilación de reglas, que son utilizadas por el motor de inferencia para obtener conclusiones simples y compuestas. Las dos primeras reglas de inferencia se usan para obtener conclusiones simples y el resto de reglas y estrategias para obtener conclusiones compuestas. Modus Ponens y Modus Tollens El Modus Ponenses quizás la regla de inferencia más comúnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento. Esta regla de inferencia, que parece trivial, debido a su familiaridad, es la base de un gran número de sistemas expertos. La regla de inferencia Modus Tollensse utiliza también para obtener conclusiones simples. En este caso se examina la conclusión y si es falsa, se concluye que la premisa también es falsa. La regla Modus Ponens se mueve hacia adelante, es decir, de la premisa a la conclusión de una regla, mientras que la regla Modus Tollens se mueve hacia atrás, es decir, de la conclusión a la premisa. Las dos reglas de inferencia no deben ser vistas como alternativas sino como complementarias. La regla Modus Ponens necesita información de los objetos de la premisa para concluir, mientras que la regla Modus Tollens necesita información sobre los objetos de la conclusión. De hecho, para un motor de inferencia que solamente utiliza Modus Ponens, la incorporación de la regla de inferencia Modus Tollens puede ser considerada como una expansión de la base de conocimiento mediante la adición de reglas. El rendimiento del motor de inferencia depende del conjunto de reglas en su base de conocimiento. Hay situaciones en las que el motor de inferencia puede concluir utilizando un conjunto de reglas, pero no puede, utilizando otro (aunque éstos sean lógicamente equivalentes).
resumen 2 Adriana Angeles Teresita Serrano Veronica Alvarado .3 EL MOTOR DE INFERENCIA
Hay dos tipos de elementos: los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento). El motor de inferencia usa ambos para obtener nuevas conclusiones o hechos. Las conclusiones pueden clasificarse en dos tipos: simples y compuestas. Las conclusiones simples son las que resultan de una regla simple. Las conclusiones compuestas son las que resultan de más de una regla. Las reglas de inferencia Modus Ponens, Modus Tollens, Resolución, y las estrategias de inferencia Encadenamiento de reglas, Encadenamiento de reglas orientado a un objetivo,Compilación de reglas, que son utilizadas por el motor de inferencia para obtener conclusiones simples y compuestas. Las dos primeras reglas de inferencia se usan para obtener conclusiones simples y el resto de reglas y estrategias para obtener conclusiones compuestas. Modus Ponens y Modus Tollens El Modus Ponenses quizás la regla de inferencia más comúnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento. Esta regla de inferencia, que parece trivial, debido a su familiaridad, es la base de un gran número de sistemas expertos. La regla de inferencia Modus Tollensse utiliza también para obtener conclusiones simples. En este caso se examina la conclusión y si es falsa, se concluye que la premisa también es falsa. La regla Modus Ponens se mueve hacia adelante, es decir, de la premisa a la conclusión de una regla, mientras que la regla Modus Tollens se mueve hacia atrás, es decir, de la conclusión a la premisa. Las dos reglas de inferencia no deben ser vistas como alternativas sino como complementarias. La regla Modus Ponens necesita información de los objetos de la premisa para concluir, mientras que la regla Modus Tollens necesita información sobre los objetos de la conclusión. De hecho, para un motor de inferencia que solamente utiliza Modus Ponens, la incorporación de la regla de inferencia Modus Tollens puede ser considerada como una expansión de la base de conocimiento mediante la adición de reglas. El rendimiento del motor de inferencia depende del conjunto de reglas en su base de conocimiento. Hay situaciones en las que el motor de inferencia puede concluir utilizando un conjunto de reglas, pero no puede, utilizando otro (aunque éstos sean lógicamente equivalentes).
El Mecanismo de Resolución Las conclusiones compuestas, que se basan en dos o más reglas, se obtienen usando el llamado mecanismo de resolución. Esta regla de inferencia consiste en las etapas siguientes: 1. Las Reglas son sustituidas por expresiones lógicas equivalentes. 2. Estas expresiones lógicas se combinan en otra expresión lógica. 3. Esta última expresión se utiliza para obtener la conclusión. Estas etapas involucran conceptos tales como la combinación y simplificación de expresiones lógicas. Es importante señalar que la regla de inferencia correspondiente al mecanismo de resolución no siempre conduce a conclusiones, pues, de hecho, puede no conocerse la verdad o falsedad de ciertas expresiones. Si esto ocurre, el sistema experto, o más precisamente, su motor de inferencia, debe decidir entre: *Abandonar la regla, dada la imposibilidad de obtener conclusiones * Preguntar al usuario, mediante el subsistema de demanda de información, sobre la verdad o falsedad de una o varias expresiones para poder continuar el proceso de inferencia hasta que se obtenga una conclusión.
resumen 2 Adriana Angeles Teresita Serrano Veronica Alvarado Encadenamiento de Reglas Una de las estrategias de inferencia más utilizadas para obtener conclusiones compuestas es el llamado encadenamiento de reglas. Esta estrategia puede utilizarse cuando las premisas de ciertas reglas coinciden con las conclusiones de otras. Cuando se encadenan las reglas, los hechos pueden utilizarse para dar lugar a nuevos hechos. Esto se repite sucesivamente hasta que no pueden obtenerse más conclusiones. El tiempo que consume este proceso hasta su terminación depende, por una parte, de los hechos conocidos, y, por otra, de las reglas que se activan. La estrategia de encadenamiento de reglas se da en el algoritmo siguiente: Algoritmo 2.1 Encadenamiento de reglas. • Datos: Una base de conocimiento (objetos y reglas) y algunos hechos iniciales. • Resultado: El conjunto de hechos derivados lógicamente de ellos. 1. Asignar a los objetos sus valores conocidos tales como los dan los hechos conocidos o la evidencia 2. Ejecutar cada regla de la base de conocimiento y concluir nuevos hechos si es posible. 3. Repetir la Etapa 2 hasta que no puedan ser obtenidos nuevos hechos. Encadenamiento de Reglas Orientado a un Objetivo El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el algoritmo navega a través de las reglas en búsqueda de una conclusión para el nodo objetivo. Si no se obtiene ninguna conclusión con la información existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva información sobre los elementos que son relevantes para obtener información sobre el objetivo. Algunos autores llaman a los algoritmos de encadenamiento y de encadenamiento orientado a un objetivo encadenamiento hacia adelante y encadenamientohacia atrás, respectivamente. El algoritmo de encadenamiento de reglas orientado a un objetivo se describe a continuación.
Algoritmo 2.2 Encadenamiento de reglas orientado a un objetivo. • Datos: Una base de conocimiento (objetos y reglas), algunos hechos iniciales, y un nodo o variable objetivo. • Resultado: El valor del nodo o variable objetivo. 1. Asigna a los objetos sus valores conocidos tales como están dados en cuyo valor ha sido asignado. Si el nodo objetivo está marcado, ir a la Etapa 7; en otro caso: (a) Designar como objetivo inicial el objetivo en curso. (b) Marcar el objetivo en curso. (c) Sea Objetivos previos = φ, donde φ es el conjunto vacío. (d) Designar todas las reglas como activas (ejecutables). (e) Ir a la Etapa 2. 2. Encontrar una regla activa que incluya el objetivo en curso y ninguno de los objetos en Objetivos previos. Si se encuentra una regla, ir a la Etapa 3; en otro caso, ir a la Etapa 5. 3. Ejecutar la regla referente al objetivo en curso. Si concluye, asignar el valor concluido al objetivo en curso, e ir a la Etapa 6; en otro caso, ir a la Etapa 4. 4. Si todos los objetos de la regla están marcados, declarar la regla como inactiva e ir a la Etapa 2; en otro caso: (a) Añadir el objetivo en curso a Objetivos previos. (b) Designar uno de los objetos no marcados en la regla como el objetivo en curso. (c) Marcar el objetivo en curso. (d) Ir a la Etapa 2. 5. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, preguntar al usuario por el valor del objetivo en curso. Si no se da un valor, ir a la Etapa 6; en otro caso asignar al objeto el valor dado e ir a la Etapa 6. 6. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, designar el objetivo previo como objetivo en curso, eliminarlo de Objetivos previos, e ir a la Etapa 2. 7. Devolver el valor del objetivo en curso si es conocido. Compilación de reglas Otra forma de tratar con reglas encadenadas consiste en comenzar con un de datos (información) y tratar de alcanzar algunos objetivos. Esto se conoce con el nombre de compilación de reglas. Cuando ambos, datos y objetivos, se han determinado previamente, las reglas pueden ser compiladas, es decir, pueden escribirse los objetivos en función de los datos para obtener las llamadas ecuaciones objetivo.
En situaciones complejas, incluso verdaderos expertos pueden dar información inconsistente (por ejemplo, reglas inconsistentes y/o combinaciones de hechos no factibles). Por ello, es muy importante controlar la coherencia del conocimiento tanto durante la construcción de la base de conocimiento como durante los procesos de adquisición de datos y razonamiento. Si la base de conocimiento contiene información inconsistente (por ejemplo, reglas y/o hechos), es muy probable que el sistema experto se comporte de forma poco satisfactoria y obtenga conclusiones absurdas.
El objetivo del control de la coherencia consiste en
1. Ayudar al usuario a no dar hechos inconsistentes, por ejemplo, dándoleal usuario las restricciones que debe satisfacer la información demandada. 2. Evitar que entre en la base de conocimiento cualquier tipo de conocimiento inconsistente o contradictorio.
El control de la coherencia debe hacerse controlando la coherencia de las reglas y la de los hechos.
2.4.1 Coherencia de Reglas
Reglas coherentes. Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de valores de todos los objetos que producen conclusiones no contradictorias.
Un conjunto de reglas puede ser coherente, aunque algunos conjuntos de valores puedan producir conclusiones inconsistentes. Estosconjuntos de valores se llaman valores no factibles.
Valores no factibles. Se dice que un valor a para el objeto A no es factible si las conclusiones obtenidas al hacer A = a contradicencualquier combinación de valores del resto de los objetos.
Por ello, cualquier valor no factible debe ser eliminado de la lista de valores posibles de su correspondiente objeto para eliminar la posibilidad de queel motor de inferencia pueda obtener conclusiones inconsistentes.
Es suficiente realizar la comprobación de la coherencia de las reglas solo una vez, tras ser introducida cada regla, y que todos los valoresno factibles pueden ser eliminados de sus correspondientes listas, nada másser detectados.
adry, tere y vero El conjunto de reglas que forman el conocimiento debe ser coherente; enotro caso, el sistema podrá obtener conclusiones erróneas. Por ello, antes de añadir una regla a la base de conocimiento, hay que comprobar la consistenciade esta regla con el resto de ellas, incluidas en la base de conocimiento.
Si la regla fuese consistente con el resto de reglas, se añadiría a la base deconocimiento; en caso contrario, se devolvería al experto humano para su corrección.
2.4.2 Coherencia de hechos
Los datos o evidencias suministrados por los usuarios deben ser también consistentes en si y con el conjunto de reglas de la base de datos. Por ello, el sistema no debe aceptar hechos que contradigan el conjunto de reglas y/o el conjunto de hechos existente en cada instante del proceso.
El sistema debe también comprobar si existe o no, una solución factible e informar al usuario en consecuencia.
La coherencia de los hechos puede lograrse mediante las estrategias siguientes:
1. Eliminar todos los valores no factibles (los que contradicen el conjunto de reglas y/o hechos) de los objetos una vez detectados. Cuando se pregunte al usuario por información sobre los valores de un conjunto de objetos, el sistema experto debería aceptar solo los valores de cada objeto que sean consistentes con las reglas y con el conocimiento previo.
2. El motor de inferencia debe comprobar que los hechos conocidos nocontradicen el conjunto de reglas. 3. Suministrar al usuario una lista de objetos a los que no se ha asignado valores previamente. 4. Para cada uno de los objetos, mostrar y aceptar solo sus valores factibles. 5. Actualizar continuamente la base de conocimiento, es decir, tan pronto como se dé un hecho o se obtenga una conclusión, y eliminar los valores no factibles. El motor de inferencia obtiene todas las conclusiones posibles examinando, y posiblemente concluyendo, las reglas tan pronto como una simple unidad de informaciónllegan al sistema. Nótese que dar varias unidades de información simultáneamente puede conducir a inconsistencias en la base de datos.
La actualización continua de la base de conocimiento es muy importante puesto que no actualizar implica la posibilidad de que evidencias contradictorias puedan convivir en la base de conocimiento. Tanto la eliminaciónautomática de valores no factibles como la actualización continua del conocimiento aseguran la coherencia de la base de conocimiento.
Las conclusiones no bastan para satisfacer al usuario de un sistema experto. Normalmente, los usuarios esperan que el sistema les déalgún tipo de explicación que indique el porquéde las conclusiones. Durante el proceso realizado por el motor de inferencia, las reglas activas (las que han concluido) forman la base del mecanismo de explicación, que es regulado por el subsistema de explicación. En los sistemas expertos basados en reglas, es fácil dar explicaciones de las conclusiones obtenidas. El motor de inferencia obtiene conclusiones basándose en un conjunto de reglas y, por tanto, conoce de que regla procede cada conclusión. Por ello, el sistema puede dar al usuario la lista de hechos concluidos junto con las reglas que se han utilizado para obtenerlos.
2.6 Ejemplo de Aplicación Los sistemas de control de tráfico actuales son necesariamente complejos. U1, . . . , U8, y seis en la parte inferior, L1, . . . , L6. Todos los objetos y sus posibles valores se muestran en la Tabla 2.11. El objetivo de este sistema es diseñar un conjunto de reglas que eviten la colisión de los trenes. Estas reglas pueden obtenerse como sigue:
1. Si la señal de tráfico U1 está verde, entonces puede permitirse la salida de un tren que este en la vía S1 y no debe permitirse la salida de los trenes de la vía S2, por lo que L1 tiene que estar en rojo. Lo mismo es cierto para las vías S4 y S5. Esto da las dos primeras reglas de la Tabla 2.12. Nótese que si el motor de inferencia utiliza la regla de inferencia Modus Tollens, estas reglas garantizan también que cuando las señales de la parte baja de las vías estén en verde, las señales de sus correspondientes partes superiores estén en rojo. Es decir, las dos primeras reglas de la Tabla 2.12 implican las dos reglas siguientes: • Regla 1a: Si L1 = verde, entonces U1 = rojo. • Regla 2a: Si L6 = verde, entonces U6 = rojo. 2. Si la vía S1 está ocupada, entonces la señal U2 debe estar en rojo para evitar que un tren entre en la vía ocupada. Similarmente, para las demás vías.
2.7 Introduciendo Incertidumbre
Los sistemas basados en reglas descritos pueden aplicarse solo a situaciones deterministas. Sin embargo, hay muchos casos prácticos que implican incertidumbre. Por ejemplo, en el Ejemplo 1.4 del diagnósticomédico, la presencia de algunos síntomas no siempre implica la existencia de una enfermedad dada, incluso aunque haya una fuerte evidencia sobre la existencia de esa enfermedad. Por ello, es útil extender la lógica clásica para incorporar incertidumbre. Esto ha sido realizado mediante la introducción de varias medidas para tratar la incertidumbre. Castillo y ´Álvarez (1990, 1991) describen la aplicación de estas medidas para mejorar los Sistemas expertos basados en reglas. Por otra parte, Johnson y Keravnou (1988) describen algunos prototipos de sistemas expertos basados en lógicas Inciertas.
1.- Elementos que intervienen en los sistemas basados en reglas: a) La base de Conocimiento y los datos..(respuesta) b) Los datos y conjuntos de reglas c) La información almacenada y los objetos 2.- ¿Cuáles son las reglas de inferencia? a) Modus Ponens, Encadenamiento de Reglas, Resolución b) Modus Tollens, Encadenamiento de Reglas en orientado a un objeto, Resolución c) Modus Ponens, Modus Tollens, Resolución...(respuesta) 3.- El objetivo del control de la coherencia consiste en: a) Ayudar al usuario a no dar hechos inconsistentes b) Evitar que entre en la base de conocimiento cualquier tipo de conocimiento inconsistente o contradictorio. c) Ninguna d) Inciso a y b.....(Respuesta) 4.- ¿Que son las Reglas coherentes? a) Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de valores de todos los objetos que producen conclusiones no contradictorias.....(Respuesta) b) Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de objetos que producen conclusiones no contradictorias. c) Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de valores de todos los sujetos que producen conclusiones no contradictorias. 5.-¿Cuál es el objetivo de los sistemas de control de tráfico? a) es diseñar un conjunto de objetos que eviten la colisión b) es diseñar un conjunto de reglas coherentes que eviten la colisión de los datos c) es diseñar un conjunto de reglas que eviten la colisión....(respuesta)
Comentario de la pelicula Ma. del Rosario Marcos Cruz
La pelicula es una realidad no muy lejana, trata de un niño robot super avanzado que desarrolla caracteristicas propias de los humanos, como los sentimientos hacia los seres que pertenecen a la familia.
El robot es activado para reconocer a su Mamá como la persona a la que debe obedecer y la que siempre lo va a cuidar, despues de un tiempo, la familia recibe la noticia de que su hijo biologico se ha recuperado y regresa a casa. Como se esperaba, la relacion entre la familia ya no fue la misma, pues los niños competian por celos para tener la atencion de la Mamá. Entonces se deshacen del robot, pero como este ya estaba personalizado para estar con su Mamá, se confunde y hace todo lo posible para encontrarla, conoce a mas como el y se da cuenta que es diferente, pero e su deseo por ser un humano, un niño de verdad para su Mamá, termina en el fondo del Mar, pasan los Años y se congels y despues de mucho millones de Años lo encuentran unos seres super desarrollados y leen su memoria, entoces se dan cuenta de todo lo que paso.
Inteligencia Artificial super desarrollada Sentimientos mediante circuitos y sensores Reconocimiento de patrones Aceptacion en la Vida cotidiana de Maquinas pensantes
RESUMEN SEGUNDO CAPITULO CLARA NUÑEZ CHAYO MARCOS JULIO LOPEZ 2.2 La Base de Conocimiento
En los sistemas basados en reglas intervienen dos elementos importantes: la base de conocimiento y los datos.
Los datos están formados por la evidencia o los hechos conocidos en una situación particular. Elemento dinámico, puede cambiar de una aplicación a otra. No es de naturaleza permanente y se almacena en la memoria de trabajo.
El conocimiento se almacena en la base de conocimiento y consiste en un conjunto de objetos y un conjunto de reglas que gobiernan las relaciones entre esos objetos.
La información almacenada en la base de conocimiento es de naturaleza permanente y estática, es decir, no cambia de una aplicación a otra, a menos que se incorporen al sistema experto elementos de aprendizaje.
Regla. Una afirmación lógica que relaciona dos o más objetos e incluye dos partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o, o no.
Una regla se escribe normalmente como “Si premisa, entonces conclusión”. En general, ambas, la premisa y la conclusión de una regla, pueden contener afirmaciones múltiples objeto-valor.
Las conclusiones pueden clasificarse en dos tipos: simples y compuestas. Las conclusiones simples son las que resultan de una regla simple contiene solo una afirmación objeto-valor. Las conclusiones compuestas son las que resultan de más de una regla.
RESUMEN SEGUNDO CAPITULO CLARA NUÑEZ CHAYO MARCOS JULIO LOPEZ 2.3 El Motor de Inferencia
Hay dos tipos de elementos: los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento). El motor de inferencia usa ambos para obtener nuevas conclusiones o hechos. Por ejemplo, si la premisa de una regla es cierta, entonces la conclusión de la regla debe ser también cierta. Los datos iniciales se incrementan incorporando las nuevas Conclusiones. Por ello, tanto los hechos iniciales o datos de partida como las conclusiones derivadas de ellos forman parte de los hechos o datos de que se dispone en un instante dado.
Reglas de inferencia • Modus Ponens, • Modus Tollens, • Resolución, Y las estrategias de inferencia • Encadenamiento de reglas, • Encadenamiento de reglas orientado a un objetivo, • Compilación de reglas,
Las dos primeras reglas de inferencia se usan para obtener conclusiones simples y el resto de reglas y estrategias para obtener conclusiones compuestas.
Si alguna de las reglas anteriores se aplica sola no conduce a todas las conclusiones posibles por ello, se deben implementar varias reglas y estrategias en el sistema experto para que el motor de inferencia sea capaz de obtener tantas conclusiones como sea posible.
Modus Ponens y Modus Tollens El Modus Ponens es quizás la regla de inferencia más comúnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento.
Se tiene la regla, “Si A es cierto, entonces B es cierto” y que se sabe además que “A es cierto.” Entonces, la regla Modus Ponens concluye que “B es cierto.” Esta regla de inferencia, que parece trivial, debido a su familiaridad, es la base de un gran número de sistemas expertos.
La regla de inferencia Modus Tollens se utiliza también para obtener conclusiones simples. En este caso se examina la conclusión y si es falsa, se concluye que la premisa también es falsa. Se tiene la regla, “Si A es cierto, entonces B es cierto” pero se sabe que “B es falso.” Entonces, utilizando la regla Modus Ponens no se puede obtener ninguna conclusión, mientras que en la regla Modus Tollens concluye que “A es falso.” Aunque muy simple y con muchas aplicaciones útiles, la regla Modus Tollens es menos utilizada que la Modus Ponens. La regla Modus Ponens se mueve hacia adelante, es decir, de la premisa a la conclusión de una regla, mientras que la regla Modus Tollens se mueve hacia atrás, es decir, de la conclusión a la premisa. Las dos reglas de inferencia no deben ser vistas como alternativas sino como complementarias.
La regla Modus Tollens equivale a una expansión de la base de conocimiento. Supóngase que la base de conocimiento consiste solo en la Regla 1. Se puede utilizar la regla de inferencia Modus Tollens para “invertir” la Regla 1 y obtener alguna conclusión cuando se tiene información sobre los objetos de su conclusión.
Inferencia con dos conjuntos equivalentes de reglas.
Regla 1 Si Tarjeta = verificada y Fecha = no expirada y NIP = correcto y Intentos = no excedidos y Balance = suficiente y Límite = no excedido Entonces Pago = autorizado Regla 1b Si Pago = no autorizado Entonces Tarjeta = no verificada o Fecha = expirada o NIP = incorrecto o Intentos = excedidos o Balance = insuficiente o Límite=excedido
RESUMEN SEGUNDO CAPITULO CLARA NUÑEZ CHAYO MARCOS JULIO LOPEZ El Mecanismo de Resolución Esta regla de inferencia consiste en las etapas siguientes: 1. Las Reglas son sustituidas por expresiones lógicas equivalentes. 2. Estas expresiones lógicas se combinan en otra expresión lógica. 3. Esta última expresión se utiliza para obtener la conclusión.
Mecanismo de resolución 2. Es importante señalar que la regla de inferencia correspondiente al mecanismo de resolución no siempre conduce a conclusiones, pues, de hecho, puede no conocerse la verdad o falsedad de ciertas expresiones. Si esto ocurre, el sistema experto, o más precisamente, su motor de inferencia, debe decidir entre: • Abandonar la regla, dada la imposibilidad de obtener conclusiones, o • Preguntar al usuario, mediante el subsistema de demanda de información, sobre la verdad o falsedad de una o varias expresiones para poder continuar el proceso de inferencia hasta que se obtenga una conclusión.
2.3.3 Encadenamiento de Reglas Una de las estrategias de inferencia más utilizadas para obtener conclusiones compuestas es el llamado encadenamiento de reglas. Esta estrategia puede utilizarse cuando las premisas de ciertas reglas coinciden con las Conclusiones de otras. Cuando se encadenan las reglas, los hechos pueden utilizarse para dar lugar a nuevos hechos. Esto se repite sucesivamente hasta que no pueden obtenerse más conclusiones. El tiempo que consume este proceso hasta su terminación depende, por una parte, de los hechos conocidos y, por otra, de las reglas que se activan.
La estrategia de encadenamiento de reglas se da en el algoritmo siguiente:
Algoritmo 2.1 Encadenamiento de reglas. • Datos: Una base de conocimiento (objetos y reglas) y algunos hechos iniciales. • Resultado: El conjunto de hechos derivados lógicamente de ellos. 1. Asignar a los objetos sus valores conocidos tales como los dan los hechos conocidos o la evidencia 2. Ejecutar cada regla de la base de conocimiento y concluir nuevos hechos si es posible. 3. Repetir la Etapa 2 hasta que no puedan ser obtenidos nuevos hechos.
Este algoritmo puede ser implementado de muchas formas. Una de ellas comienza con las reglas cuyas premisas tienen valores conocidos.
Estas reglas deben concluir y sus conclusiones dan lugar a nuevos hechos. Estos nuevos hechos se añaden al conjunto de hechos conocidos, y el proceso continua hasta que no pueden obtenerse nuevos hechos.
RESUMEN SEGGUNDO CAPITULO 2.3.4 Encadenamiento de Reglas Orientado a un Objetivo
El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el algoritmo navega a través de las reglas en búsqueda de una conclusión para el nodo objetivo. Si no se obtiene ninguna conclusión con la Información existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva información sobre los elementos que son relevantes para obtener información sobre el objetivo. Algunos autores llaman a los algoritmos de encadenamiento y de encadenamiento orientado a un objetivo encadenamiento hacia adelante y encadenamiento hacia atrás, respectivamente.
Pero esta terminología puede ser confusa, puesto que ambos algoritmos pueden, en realidad, utilizar las dos reglas de inferencia Modus Ponens (hacia adelante) y Modus Tollens (hacia atrás).
Algoritmo 2.2 Encadenamiento de reglas orientado a un objetivo. • Datos: Una base de conocimiento (objetos y reglas), algunos hechos Iniciales, y un nodo o variable objetivo. • Resultado: El valor del nodo o variable objetivo. 1. Asigna a los objetos sus valores conocidos tales como están dados en los hechos de partida, si es que existe alguno. Marcar todos los objetos cuyo valor ha sido asignado. Si el nodo objetivo está marcado, ir a la Etapa 7; en otro caso: (a) Designar como objetivo inicial el objetivo en curso. (b) Marcar el objetivo en curso. (c) Sea Objetivos Previos = φ, donde φ es el conjunto vacío. (d) Designar todas las reglas como activas (ejecutables). (e) Ir a la Etapa 2. 2. Encontrar una regla activa que incluya el objetivo en curso y ninguno de los objetos en Objetivos Previos. Si se encuentra una regla, ir a la Etapa 3; en otro caso, ir a la Etapa 5. 3. Ejecutar la regla referente al objetivo en curso. Si concluye, asignar el valor concluido al objetivo en curso, e ir a la Etapa 6; en otro caso, ir a la Etapa 4. 4. Si todos los objetos de la regla están marcados, declarar la regla como inactiva e ir a la Etapa 2; en otro caso: (a) Añadir el objetivo en curso a Objetivos Previos. (b) Designar uno de los objetos no marcados en la regla como el objetivo en curso. (c) Marcar el objetivo en curso. (d) Ir a la Etapa 2. 5. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, preguntar al usuario por el valor del objetivo en curso. Si no se da un valor, ir a la Etapa 6; en otro caso asignar al objeto el valor dado e ir a la Etapa 6. 6. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, designar el objetivo previo como objetivo en curso, eliminarlo de Objetivos Previos, e ir a la Etapa 2. 7. Devolver el valor del objetivo en curso si es conocido. A, que los objetos {K, L, M} deben ser ciertos.
RESUMEN SEGUNDO CAPITULO CLARA NUÑEZ CHAYO MARCOS JULIO LOPEZ 2.3.4 Encadenamiento de Reglas Orientado a un Objetivo
El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el algoritmo navega a través de las reglas en búsqueda de una conclusión para el nodo objetivo. Si no se obtiene ninguna conclusión con la Información existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva información sobre los elementos que son relevantes para obtener información sobre el objetivo. Algunos autores llaman a los algoritmos de encadenamiento y de encadenamiento orientado a un objetivo encadenamiento hacia adelante y encadenamiento hacia atrás, respectivamente.
Pero esta terminología puede ser confusa, puesto que ambos algoritmos pueden, en realidad, utilizar las dos reglas de inferencia Modus Ponens (hacia adelante) y Modus Tollens (hacia atrás).
Algoritmo 2.2 Encadenamiento de reglas orientado a un objetivo. • Datos: Una base de conocimiento (objetos y reglas), algunos hechos Iniciales, y un nodo o variable objetivo. • Resultado: El valor del nodo o variable objetivo. 1. Asigna a los objetos sus valores conocidos tales como están dados en los hechos de partida, si es que existe alguno. Marcar todos los objetos cuyo valor ha sido asignado. Si el nodo objetivo está marcado, ir a la Etapa 7; en otro caso: (a) Designar como objetivo inicial el objetivo en curso. (b) Marcar el objetivo en curso. (c) Sea Objetivos Previos = φ, donde φ es el conjunto vacío. (d) Designar todas las reglas como activas (ejecutables). (e) Ir a la Etapa 2. 2. Encontrar una regla activa que incluya el objetivo en curso y ninguno de los objetos en Objetivos Previos. Si se encuentra una regla, ir a la Etapa 3; en otro caso, ir a la Etapa 5. 3. Ejecutar la regla referente al objetivo en curso. Si concluye, asignar el valor concluido al objetivo en curso, e ir a la Etapa 6; en otro caso, ir a la Etapa 4. 4. Si todos los objetos de la regla están marcados, declarar la regla como inactiva e ir a la Etapa 2; en otro caso: (a) Añadir el objetivo en curso a Objetivos Previos. (b) Designar uno de los objetos no marcados en la regla como el objetivo en curso. (c) Marcar el objetivo en curso. (d) Ir a la Etapa 2. 5. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, preguntar al usuario por el valor del objetivo en curso. Si no se da un valor, ir a la Etapa 6; en otro caso asignar al objeto el valor dado e ir a la Etapa 6. 6. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, designar el objetivo previo como objetivo en curso, eliminarlo de Objetivos Previos, e ir a la Etapa 2. 7. Devolver el valor del objetivo en curso si es conocido. A, que los objetos {K, L, M} deben ser ciertos.
-----QUESTION----- CLARA NUÑEZZ CHAYO MARCOS JULIO LOPEZ ++++++++++++++++++++++++++++++++++++++++++++++++ 1.-ELEMENTOS QUE INTERVIENENEN EN LOS SISTEMAS BASADOS EN REGLAS: R=Base del conocimiento y Datos. 2.-EN QUE CONSISTE LA BASE DEL CONOCIMIENTO R=Conjunto de reglas y objetos que gobiernan las relaciones. 3.-¿QUE ES EL MOTOR DE INFERENCIA?} R=conjunto de reglas y premisas que estraen conclusiones nuevas 4.-¿CUALES SON LOS ELEMENTOS DEL MOTOR DE INFERENCIA? R=Datos y el conocimiento 5.-MENCIONA LAS REGLAS DE INFERENCIA R=Modus ponens, modus tollens y resolucion 6.-OBTIENE CONCLUSIONES SIMPLES Y SI ES CIERTA LA CONCLUSION FORMA PARTE DEL CONOCIMIENTO R=Modus ponens 7.-EXAMINA LA CONCLUSION Y SI ES FALSA CONCLUYE QUE LA PREMISA TAMBIEN ES FALSA R=Modus Tollens
-------Explicando Conclusiones-------- CLARA NUÑEZ CHAYO MARCOS JULIO LOPEZ Los usuarios esperan que el sistema les muestre las conclusiones. Las reglas activas son las que forman la base del mecanismo de explicación, que se regulado por el subsistema de explicación. En los sistemas expertos basados en reglas, el motor de inferencia obtiene conclusiones basándose en un conjunto de reglas y, por tanto, conoce de que regla procede cada conclusión.
Existen diferentes sistemas complejos, uno de ellos es el del control de tráfico, que requiere de varias reglas que permitan que este funcione correctamente, es muy importante mantener actualizada la base de conocimientos de manera automática.
Que tal Lic. en mi blog esta mi comentario sobre la pelicula...
ResponderEliminarMi comentario de la pelicula es de que con los avances tecnologicos vamos a llegar a consolidar el sueño del ser humano que es contruir robots que sean totalmente identicos a los humanos, en la peli tambien nos muestra el gran temor que tenemos en base a los robots que sean pensantes, tengan sueños y sentimientos, que es la extinsion del ser humano. Podra ser algo fantacioso lo de la pelicula pero yo creo que a lo mejor en un futuro si se podra hacer un robot identicamente al ser humano aunque no podra se organico como lo representan en la pelicula solo sera meca. att vero
ResponderEliminarINTELIGENCIA ARTIFICIAL
ResponderEliminarEsta película trata sobre el desarrollo evolutivo que tienen los robots después de que ocurre el descongelamiento de los casquetes polares, provocando la muerte de millones de personas, la desaparición de ciudades enteras y destruyendo algunos de los recursos naturales que tenía la tierra. Después de este suceso, cuando los embarazos eran sancionados y prácticamente prohibidos, y con el gran avance tecnológico que aún se conservaba, se habían ya diseñado robots especiales llamados Mecas, construidos especialmente para realizar cualquier labor y satisfacer necesidades de los humanos, con excepción de desarrollar sentimientos, sueños y un razonamiento auto motivado.
Éstas últimas características que hacían falta en los robots productivos, llevaron a los científicos de Cybertronics Manufacturing, a desarrollar al primer robot niño programado para amar. Al cabo de algunos meses, ya terminado este robot, es adoptado a modo prueba por una familia que ha sufrido la “pérdida temporal” de su hijo debido a una grave enfermedad, y decide tener al robot niño llamado David. Estando en casa, David empieza a conmover a Mónica, su madre, y ésta decide activarlo para quedarse con él y que empiece a “vivir” y actuar como fue programado. Con el paso del tiempo, el hijo de esta pareja se recupera y regresa a la casa, donde se encuentra con David y con quién empieza a competir por el amor de su madre.
David se obsesiona con Mónica, debido a que tiene que vivir en competencia con “su hermano” por conseguir el amor de Mónica, por lo tanto la presencia de David en la casa se vuelve cada día una molestia, pues llega al grado de autodestrucción durante su competencia.
Después de este suceso, Mónica decide abandonar a David en el bosque para que no sea destruido en Cybertronics y haga su vida en otro lugar; sin embargo David se enfrenta a la “feria de carnes” en donde los robots son destruidos por humanos por ser inservibles. David es atrapado y al momento de presentarlo antes de ser destruido con el fin de conservar la raza humana, logra conmover a los humanos y es puesto en libertad.
Una vez que es libre, David se encuentra con un robot gigoló, quien lo ayuda en su búsqueda del hada azul, pues David quiere convertirse en un niño de verdad para que Mónica lo acepte y lo ame como el aun la ama. Cuando logra encontrar al hada, la raza humana desaparece completamente quedando en el mundo, después de 20 años, solo robots que quieren revivir a un humano a través de alguna cosa que sea prueba de su ADN. Éstos encuentran a David y su oso Teddy, y lo consideran valiosos por ser el único robot que conserva recuerdos de los humanos. Intentan revivir a Mónica a través un mechón de cabello que conservó Teddy durante 20 años para que David vuelva a ver a Mónica y sea feliz, y lo logran pero esta ilusión para David solo dura un día y después de éste David “muere” junto con Mónica.
Esta película nos muestra como el avance tecnológico puede llegar a crecer tanto que se puedan desarrollar robots que habiten el mundo desplazando a la raza humana, estos robots ya no solo serán máquinas que faciliten el trabajo, sino maquinas pensantes, sin embargo esto último se sale de la realidad, pues los sentimientos son cambiantes en un ser humano no son predecibles y tampoco son “exactos”. Considero que se podrán crear robots con inteligencia según el coeficiente humano pero nunca un robot que tenga sentimientos, sueños y reacciones propias del ser humano.
Atte. Teresita Serrano Garay
Inteligencia artificial un tema de gran contradicción por talentosos científicos de todo el mundo
ResponderEliminarHablar de crear mentes totalmente biónicas capaces de sentir emociones es arriesgarnos a crear nuestra propia destrucción mas sin embargo no digo que sea en su totalidad malo. Para la raza humana ya que al proporcionar esa habilidad corre el riesgo de que las maquinas tomen como peligro su propio bienestar y nosotros como seres humanos seamos un factor negativo
Para su desarrollo tal y como lo expresa un robot en la película el cual mencionaba que los robots eran el siguiente paso a evolucionar y por tal razón el ser humano deseaba tener capacidades biónicas.
La inteligencia artificial es un tanto benéfica por que podrían realizar tareas que actualmente el ser humano no puede ejercer pero solo en ciertos factores industriales ya que si los implementan en su totalidad en las industrias traerán desempleo para los humanos, y consigo traerían guerras en todo el mundo ahora bien desarrollar un robot especial es un tanto desconcertante por que pueden llegar a ser hasta una molestia por que sus parámetros de programación no permiten acepciones tal (David) y como lo hace un humano.
Maquinas totalmente capaces de tomar sus propias dedicaciones, soñar y tener deseos, anhelos de querer ser algo o convertirse por obra de magia, esas son características netamente humanas creo que será imposible crear un robot con esas características.
En mi caso no me gustaría tener un robot porque podría ocasionarme problemas de salud ya que al tenerlo solo pediría que el asiera las cosas sin la necesidad de que yo las haga.
ATT: Julio LoBel....
hay que ver hombre bicentenario:)
ResponderEliminarlos tamales para el martes profe k no se le olvide!!!!!
ResponderEliminarresumen 2
ResponderEliminarAdriana Angeles
Teresita Serrano
Veronica Alvarado
2.3 EL MOTOR DE INFERENCIA
Hay dos tipos de elementos: los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento). El motor de inferencia usa ambos para obtener nuevas conclusiones o hechos.
Las conclusiones pueden clasificarse en dos tipos: simples y compuestas. Las conclusiones simples son las que resultan de una regla simple. Las conclusiones compuestas son las que resultan de más de una regla.
Las reglas de inferencia Modus Ponens, Modus Tollens, Resolución, y las estrategias de inferencia Encadenamiento de reglas, Encadenamiento de reglas orientado a un objetivo,Compilación de reglas, que son utilizadas por el motor de inferencia para obtener conclusiones simples y compuestas. Las dos primeras reglas de inferencia se usan para obtener conclusiones simples y el resto de reglas y estrategias para obtener conclusiones compuestas.
Modus Ponens y Modus Tollens
El Modus Ponenses quizás la regla de inferencia más comúnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento. Esta regla de inferencia, que parece trivial, debido a su familiaridad, es la base de un gran número de sistemas expertos.
La regla de inferencia Modus Tollensse utiliza también para obtener conclusiones simples. En este caso se examina la conclusión y si es falsa, se concluye que la premisa también es falsa. La regla Modus Ponens se mueve hacia adelante, es decir, de la premisa a la conclusión de una regla, mientras que la regla Modus Tollens se mueve hacia atrás, es decir, de la conclusión a la premisa. Las dos reglas de inferencia no deben ser vistas como alternativas sino como complementarias. La regla Modus Ponens necesita información de los objetos de la premisa para concluir, mientras que la regla Modus Tollens necesita información sobre los objetos de la conclusión. De hecho, para un motor de inferencia que solamente utiliza Modus Ponens, la incorporación de la regla de inferencia Modus Tollens puede ser considerada como una expansión de la base de conocimiento mediante la adición de reglas.
El rendimiento del motor de inferencia depende del conjunto de reglas en su base de conocimiento. Hay situaciones en las que el motor de inferencia puede concluir utilizando un conjunto de reglas, pero no puede, utilizando otro (aunque éstos sean lógicamente equivalentes).
resumen 2
ResponderEliminarAdriana Angeles
Teresita Serrano
Veronica Alvarado
.3 EL MOTOR DE INFERENCIA
Hay dos tipos de elementos: los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento). El motor de inferencia usa ambos para obtener nuevas conclusiones o hechos.
Las conclusiones pueden clasificarse en dos tipos: simples y compuestas. Las conclusiones simples son las que resultan de una regla simple. Las conclusiones compuestas son las que resultan de más de una regla.
Las reglas de inferencia Modus Ponens, Modus Tollens, Resolución, y las estrategias de inferencia Encadenamiento de reglas, Encadenamiento de reglas orientado a un objetivo,Compilación de reglas, que son utilizadas por el motor de inferencia para obtener conclusiones simples y compuestas. Las dos primeras reglas de inferencia se usan para obtener conclusiones simples y el resto de reglas y estrategias para obtener conclusiones compuestas.
Modus Ponens y Modus Tollens
El Modus Ponenses quizás la regla de inferencia más comúnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento. Esta regla de inferencia, que parece trivial, debido a su familiaridad, es la base de un gran número de sistemas expertos.
La regla de inferencia Modus Tollensse utiliza también para obtener conclusiones simples. En este caso se examina la conclusión y si es falsa, se concluye que la premisa también es falsa. La regla Modus Ponens se mueve hacia adelante, es decir, de la premisa a la conclusión de una regla, mientras que la regla Modus Tollens se mueve hacia atrás, es decir, de la conclusión a la premisa. Las dos reglas de inferencia no deben ser vistas como alternativas sino como complementarias. La regla Modus Ponens necesita información de los objetos de la premisa para concluir, mientras que la regla Modus Tollens necesita información sobre los objetos de la conclusión. De hecho, para un motor de inferencia que solamente utiliza Modus Ponens, la incorporación de la regla de inferencia Modus Tollens puede ser considerada como una expansión de la base de conocimiento mediante la adición de reglas.
El rendimiento del motor de inferencia depende del conjunto de reglas en su base de conocimiento. Hay situaciones en las que el motor de inferencia puede concluir utilizando un conjunto de reglas, pero no puede, utilizando otro (aunque éstos sean lógicamente equivalentes).
El Mecanismo de Resolución
Las conclusiones compuestas, que se basan en dos o más reglas, se obtienen usando el llamado mecanismo de resolución. Esta regla de inferencia consiste en las etapas siguientes:
1. Las Reglas son sustituidas por expresiones lógicas equivalentes.
2. Estas expresiones lógicas se combinan en otra expresión lógica.
3. Esta última expresión se utiliza para obtener la conclusión.
Estas etapas involucran conceptos tales como la combinación y simplificación de expresiones lógicas. Es importante señalar que la regla de inferencia correspondiente al mecanismo de resolución no siempre conduce a conclusiones, pues, de hecho, puede no conocerse la verdad o falsedad de ciertas expresiones. Si esto ocurre, el sistema experto, o más precisamente, su motor de inferencia, debe decidir entre:
*Abandonar la regla, dada la imposibilidad de obtener conclusiones
* Preguntar al usuario, mediante el subsistema de demanda de información, sobre la verdad o falsedad de una o varias expresiones para poder continuar el proceso de inferencia hasta que se obtenga una conclusión.
resumen 2
ResponderEliminarAdriana Angeles
Teresita Serrano
Veronica Alvarado
Encadenamiento de Reglas
Una de las estrategias de inferencia más utilizadas para obtener conclusiones compuestas es el llamado encadenamiento de reglas. Esta estrategia puede utilizarse cuando las premisas de ciertas reglas coinciden con las conclusiones de otras. Cuando se encadenan las reglas, los hechos pueden utilizarse para dar lugar a nuevos hechos. Esto se repite sucesivamente hasta que no pueden obtenerse más conclusiones. El tiempo que consume este proceso hasta su terminación depende, por una parte, de los hechos conocidos, y, por otra, de las reglas que se activan. La estrategia de encadenamiento de reglas se da en el algoritmo siguiente:
Algoritmo 2.1 Encadenamiento de reglas.
• Datos: Una base de conocimiento (objetos y reglas) y algunos hechos iniciales.
• Resultado: El conjunto de hechos derivados lógicamente de ellos.
1. Asignar a los objetos sus valores conocidos tales como los dan los hechos conocidos o la evidencia
2. Ejecutar cada regla de la base de conocimiento y concluir nuevos hechos si es posible.
3. Repetir la Etapa 2 hasta que no puedan ser obtenidos nuevos hechos.
Encadenamiento de Reglas Orientado a un Objetivo
El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el algoritmo navega a través de las reglas en búsqueda de una conclusión para el nodo objetivo. Si no se obtiene ninguna conclusión con la información existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva información sobre los elementos que son relevantes para obtener información sobre el objetivo.
Algunos autores llaman a los algoritmos de encadenamiento y de encadenamiento orientado a un objetivo encadenamiento hacia adelante y encadenamientohacia atrás, respectivamente.
El algoritmo de encadenamiento de reglas orientado a un objetivo se describe a continuación.
Adry, tere y vero
ResponderEliminarAlgoritmo 2.2 Encadenamiento de reglas orientado a un objetivo.
• Datos: Una base de conocimiento (objetos y reglas), algunos hechos iniciales, y un nodo o variable objetivo.
• Resultado: El valor del nodo o variable objetivo.
1. Asigna a los objetos sus valores conocidos tales como están dados en cuyo valor ha sido asignado. Si el nodo objetivo está marcado, ir a la Etapa 7; en otro caso:
(a) Designar como objetivo inicial el objetivo en curso.
(b) Marcar el objetivo en curso.
(c) Sea Objetivos previos = φ, donde φ es el conjunto vacío.
(d) Designar todas las reglas como activas (ejecutables).
(e) Ir a la Etapa 2.
2. Encontrar una regla activa que incluya el objetivo en curso y ninguno de los objetos en Objetivos previos. Si se encuentra una regla, ir a la Etapa 3; en otro caso, ir a la Etapa 5.
3. Ejecutar la regla referente al objetivo en curso. Si concluye, asignar el valor concluido al objetivo en curso, e ir a la Etapa 6; en otro caso, ir a la Etapa 4.
4. Si todos los objetos de la regla están marcados, declarar la regla como inactiva e ir a la Etapa 2; en otro caso:
(a) Añadir el objetivo en curso a Objetivos previos.
(b) Designar uno de los objetos no marcados en la regla como el objetivo en curso.
(c) Marcar el objetivo en curso.
(d) Ir a la Etapa 2.
5. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, preguntar al usuario por el valor del objetivo en curso. Si no se da un valor, ir a la Etapa 6; en otro caso asignar al objeto el valor dado e ir a la Etapa 6.
6. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, designar el objetivo previo como objetivo en curso, eliminarlo de Objetivos previos, e ir a la Etapa 2.
7. Devolver el valor del objetivo en curso si es conocido.
Compilación de reglas
Otra forma de tratar con reglas encadenadas consiste en comenzar con un de datos (información) y tratar de alcanzar algunos objetivos. Esto se conoce con el nombre de compilación de reglas. Cuando ambos, datos y objetivos, se han determinado previamente, las reglas pueden ser compiladas, es decir, pueden escribirse los objetivos en función de los datos para obtener las llamadas ecuaciones objetivo.
adry, tere y vero
ResponderEliminar2.4 Control de la Coherencia
En situaciones complejas, incluso verdaderos expertos pueden dar información inconsistente (por ejemplo, reglas inconsistentes y/o combinaciones de hechos no factibles). Por ello, es muy importante controlar la coherencia del conocimiento tanto durante la construcción de la base de conocimiento como durante los procesos de adquisición de datos y razonamiento. Si la base de conocimiento contiene información inconsistente (por ejemplo, reglas y/o hechos), es muy probable que el sistema experto se comporte de forma poco satisfactoria y obtenga conclusiones absurdas.
El objetivo del control de la coherencia consiste en
1. Ayudar al usuario a no dar hechos inconsistentes, por ejemplo, dándoleal usuario las restricciones que debe satisfacer la información demandada.
2. Evitar que entre en la base de conocimiento cualquier tipo de conocimiento inconsistente o contradictorio.
El control de la coherencia debe hacerse controlando la coherencia de las reglas y la de los hechos.
2.4.1 Coherencia de Reglas
Reglas coherentes. Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de valores de todos los objetos que producen conclusiones no contradictorias.
Un conjunto de reglas puede ser coherente, aunque algunos conjuntos de valores puedan producir conclusiones inconsistentes. Estosconjuntos de valores se llaman valores no factibles.
Valores no factibles. Se dice que un valor a para el objeto A no es factible si las conclusiones obtenidas al hacer A = a contradicencualquier combinación de valores del resto de los objetos.
Por ello, cualquier valor no factible debe ser eliminado de la lista de valores posibles de su correspondiente objeto para eliminar la posibilidad de queel motor de inferencia pueda obtener conclusiones inconsistentes.
Es suficiente realizar la comprobación de la coherencia de las reglas solo una vez, tras ser introducida cada regla, y que todos los valoresno factibles pueden ser eliminados de sus correspondientes listas, nada másser detectados.
adry, tere y vero
ResponderEliminarEl conjunto de reglas que forman el conocimiento debe ser coherente; enotro caso, el sistema podrá obtener conclusiones erróneas. Por ello, antes de añadir una regla a la base de conocimiento, hay que comprobar la consistenciade esta regla con el resto de ellas, incluidas en la base de conocimiento.
Si la regla fuese consistente con el resto de reglas, se añadiría a la base deconocimiento; en caso contrario, se devolvería al experto humano para su corrección.
2.4.2 Coherencia de hechos
Los datos o evidencias suministrados por los usuarios deben ser también consistentes en si y con el conjunto de reglas de la base de datos. Por ello, el sistema no debe aceptar hechos que contradigan el conjunto de reglas y/o el conjunto de hechos existente en cada instante del proceso.
El sistema debe también comprobar si existe o no, una solución factible e informar al usuario en consecuencia.
La coherencia de los hechos puede lograrse mediante las estrategias siguientes:
1. Eliminar todos los valores no factibles (los que contradicen el conjunto de reglas y/o hechos) de los objetos una vez detectados. Cuando se pregunte al usuario por información sobre los valores de un conjunto de objetos, el sistema experto debería aceptar solo los valores de cada objeto que sean consistentes con las reglas y con el conocimiento previo.
2. El motor de inferencia debe comprobar que los hechos conocidos nocontradicen el conjunto de reglas.
3. Suministrar al usuario una lista de objetos a los que no se ha asignado valores previamente.
4. Para cada uno de los objetos, mostrar y aceptar solo sus valores factibles.
5. Actualizar continuamente la base de conocimiento, es decir, tan pronto como se dé un hecho o se obtenga una conclusión, y eliminar los valores no factibles. El motor de inferencia obtiene todas las conclusiones posibles examinando, y posiblemente concluyendo, las reglas tan pronto como una simple unidad de informaciónllegan al sistema.
Nótese que dar varias unidades de información simultáneamente puede conducir a inconsistencias en la base de datos.
La actualización continua de la base de conocimiento es muy importante puesto que no actualizar implica la posibilidad de que evidencias contradictorias puedan convivir en la base de conocimiento. Tanto la eliminaciónautomática de valores no factibles como la actualización continua del conocimiento aseguran la coherencia de la base de conocimiento.
adry, tere y vero
ResponderEliminar2.5 Explicando Conclusiones
Las conclusiones no bastan para satisfacer al usuario de un sistema experto. Normalmente, los usuarios esperan que el sistema les déalgún tipo de explicación que indique el porquéde las conclusiones. Durante el proceso realizado por el motor de inferencia, las reglas activas (las que han concluido) forman la base del mecanismo de explicación, que es regulado por el subsistema de explicación.
En los sistemas expertos basados en reglas, es fácil dar explicaciones de las conclusiones obtenidas. El motor de inferencia obtiene conclusiones basándose en un conjunto de reglas y, por tanto, conoce de que regla procede cada conclusión. Por ello, el sistema puede dar al usuario la lista de hechos concluidos junto con las reglas que se han utilizado para obtenerlos.
2.6 Ejemplo de Aplicación
Los sistemas de control de tráfico actuales son necesariamente complejos.
U1, . . . , U8, y seis en la parte inferior, L1, . . . , L6. Todos los objetos y sus posibles valores se muestran en la Tabla 2.11. El objetivo de este sistema es diseñar un conjunto de reglas que eviten la colisión de los trenes. Estas reglas pueden obtenerse como sigue:
1. Si la señal de tráfico U1 está verde, entonces puede permitirse la salida de un tren que este en la vía S1 y no debe permitirse la salida de los trenes de la vía S2, por lo que L1 tiene que estar en rojo. Lo mismo es cierto para las vías S4 y S5. Esto da las dos primeras reglas de la Tabla 2.12. Nótese que si el motor de inferencia utiliza la regla de inferencia Modus Tollens, estas reglas garantizan también que cuando las señales de la parte baja de las vías estén en verde, las señales de sus correspondientes partes superiores estén en rojo. Es decir, las dos primeras reglas de la Tabla 2.12 implican las dos reglas siguientes:
• Regla 1a: Si L1 = verde, entonces U1 = rojo.
• Regla 2a: Si L6 = verde, entonces U6 = rojo.
2. Si la vía S1 está ocupada, entonces la señal U2 debe estar en rojo para evitar que un tren entre en la vía ocupada. Similarmente, para las demás vías.
2.7 Introduciendo Incertidumbre
Los sistemas basados en reglas descritos pueden aplicarse solo a situaciones deterministas. Sin embargo, hay muchos casos prácticos que implican incertidumbre.
Por ejemplo, en el Ejemplo 1.4 del diagnósticomédico, la presencia de algunos síntomas no siempre implica la existencia de una enfermedad dada, incluso aunque haya una fuerte evidencia sobre la existencia de esa enfermedad. Por ello, es útil extender la lógica clásica para incorporar incertidumbre. Esto ha sido realizado mediante la introducción de varias medidas para tratar la incertidumbre. Castillo y ´Álvarez
(1990, 1991) describen la aplicación de estas medidas para mejorar los Sistemas expertos basados en reglas. Por otra parte, Johnson y Keravnou (1988) describen algunos prototipos de sistemas expertos basados en lógicas
Inciertas.
vero, tere y adry
ResponderEliminarPREGUNTAS:
1.- Elementos que intervienen en los sistemas basados en reglas:
a) La base de Conocimiento y los datos..(respuesta)
b) Los datos y conjuntos de reglas
c) La información almacenada y los objetos
2.- ¿Cuáles son las reglas de inferencia?
a) Modus Ponens, Encadenamiento de Reglas, Resolución
b) Modus Tollens, Encadenamiento de Reglas en orientado a un objeto, Resolución
c) Modus Ponens, Modus Tollens, Resolución...(respuesta)
3.- El objetivo del control de la coherencia consiste en:
a) Ayudar al usuario a no dar hechos inconsistentes
b) Evitar que entre en la base de conocimiento cualquier tipo de conocimiento inconsistente o contradictorio.
c) Ninguna
d) Inciso a y b.....(Respuesta)
4.- ¿Que son las Reglas coherentes?
a) Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de valores de todos los objetos que producen conclusiones no contradictorias.....(Respuesta)
b) Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de objetos que producen conclusiones no contradictorias.
c) Un conjunto de reglas se denomina coherente si existe, al menos, un conjunto de valores de todos los sujetos que producen conclusiones no contradictorias.
5.-¿Cuál es el objetivo de los sistemas de control de tráfico?
a) es diseñar un conjunto de objetos que eviten la colisión
b) es diseñar un conjunto de reglas coherentes que eviten la colisión de los datos
c) es diseñar un conjunto de reglas que eviten la colisión....(respuesta)
Comentario de la pelicula
ResponderEliminarMa. del Rosario Marcos Cruz
La pelicula es una realidad no muy lejana, trata de un niño robot super avanzado que desarrolla caracteristicas propias de los humanos, como los sentimientos hacia los
seres que pertenecen a la familia.
El robot es activado para reconocer a su Mamá
como la persona a la que debe obedecer y la que siempre lo va a cuidar, despues de un tiempo, la familia recibe la noticia de que su hijo biologico se ha recuperado y regresa a casa.
Como se esperaba, la relacion entre la familia ya no fue la misma, pues los niños competian por celos para tener la atencion de la Mamá.
Entonces se deshacen del robot, pero como este ya estaba personalizado para estar con su Mamá, se confunde y hace todo lo posible para encontrarla, conoce a mas como el y se da cuenta que es diferente, pero e su deseo por ser un humano, un niño de verdad para su Mamá, termina en el fondo del Mar, pasan los Años y se congels y despues de mucho millones de Años lo encuentran unos seres super desarrollados y leen su memoria, entoces se dan cuenta de todo lo que paso.
Inteligencia Artificial super desarrollada
Sentimientos mediante circuitos y sensores
Reconocimiento de patrones
Aceptacion en la Vida cotidiana de Maquinas pensantes
RESUMEN SEGUNDO CAPITULO
ResponderEliminarCLARA NUÑEZ
CHAYO MARCOS
JULIO LOPEZ
2.2 La Base de Conocimiento
En los sistemas basados en reglas intervienen dos elementos importantes: la base de conocimiento y los datos.
Los datos están formados por la evidencia o los hechos conocidos en una situación particular. Elemento dinámico, puede cambiar de una aplicación a otra. No es de naturaleza permanente y se almacena en la memoria de trabajo.
El conocimiento se almacena en la base de conocimiento y consiste en un conjunto de objetos y un conjunto de reglas que gobiernan las relaciones entre esos objetos.
La información almacenada en la base de conocimiento es de naturaleza permanente y estática, es decir, no cambia de una aplicación a otra, a menos que se incorporen al sistema experto elementos de aprendizaje.
Regla. Una afirmación lógica que relaciona dos o más objetos e incluye dos partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o, o no.
Una regla se escribe normalmente como “Si premisa, entonces conclusión”.
En general, ambas, la premisa y la conclusión de una regla, pueden contener afirmaciones múltiples objeto-valor.
Las conclusiones pueden clasificarse en dos tipos: simples y compuestas.
Las conclusiones simples son las que resultan de una regla simple contiene solo una afirmación objeto-valor. Las conclusiones compuestas son las que resultan de más de una regla.
RESUMEN SEGUNDO CAPITULO
ResponderEliminarCLARA NUÑEZ
CHAYO MARCOS
JULIO LOPEZ
2.3 El Motor de Inferencia
Hay dos tipos de elementos: los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento).
El motor de inferencia usa ambos para obtener nuevas conclusiones o hechos. Por ejemplo, si la premisa de una regla es cierta, entonces la conclusión de la regla debe ser también cierta.
Los datos iniciales se incrementan incorporando las nuevas
Conclusiones. Por ello, tanto los hechos iniciales o datos de partida como las conclusiones derivadas de ellos forman parte de los hechos o datos de que se dispone en un instante dado.
Reglas de inferencia
• Modus Ponens,
• Modus Tollens,
• Resolución,
Y las estrategias de inferencia
• Encadenamiento de reglas,
• Encadenamiento de reglas orientado a un objetivo,
• Compilación de reglas,
Las dos primeras reglas de inferencia se usan para obtener conclusiones simples y el resto de reglas y estrategias para obtener conclusiones compuestas.
Si alguna de las reglas anteriores se aplica sola no conduce a todas las conclusiones posibles por ello, se deben implementar varias reglas y estrategias en el sistema experto para que el motor de inferencia sea capaz de obtener tantas conclusiones como sea posible.
Modus Ponens y Modus Tollens
El Modus Ponens es quizás la regla de inferencia más comúnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento.
Se tiene la regla, “Si A es cierto, entonces B es cierto” y que se sabe además que “A es cierto.” Entonces, la regla Modus Ponens concluye que “B es cierto.”
Esta regla de inferencia, que parece trivial, debido a su familiaridad, es la base de un gran número de sistemas expertos.
La regla de inferencia Modus Tollens se utiliza también para obtener conclusiones simples. En este caso se examina la conclusión y si es falsa, se concluye que la premisa también es falsa.
Se tiene la regla, “Si A es cierto, entonces B es cierto” pero se sabe que “B es falso.” Entonces, utilizando la regla Modus Ponens no se puede obtener ninguna conclusión, mientras que en la regla Modus Tollens concluye que “A es falso.”
Aunque muy simple y con muchas aplicaciones útiles, la regla Modus Tollens es menos utilizada que la Modus Ponens.
La regla Modus Ponens se mueve hacia adelante, es decir, de la premisa a la conclusión de una regla, mientras que la regla Modus Tollens se mueve hacia atrás, es decir, de la conclusión a la premisa.
Las dos reglas de inferencia no deben ser vistas como alternativas sino como complementarias.
La regla Modus Tollens equivale a una expansión de la base de conocimiento. Supóngase que la base de conocimiento consiste solo en la Regla 1. Se puede utilizar la regla de inferencia Modus Tollens para “invertir” la Regla 1 y obtener alguna conclusión cuando se tiene información sobre los objetos de su conclusión.
Inferencia con dos conjuntos equivalentes de reglas.
Regla 1
Si
Tarjeta = verificada y
Fecha = no expirada y
NIP = correcto y
Intentos = no excedidos y
Balance = suficiente y
Límite = no excedido
Entonces
Pago = autorizado
Regla 1b
Si
Pago = no autorizado
Entonces
Tarjeta = no verificada o
Fecha = expirada o
NIP = incorrecto o
Intentos = excedidos o
Balance = insuficiente o
Límite=excedido
RESUMEN SEGUNDO CAPITULO
ResponderEliminarCLARA NUÑEZ
CHAYO MARCOS
JULIO LOPEZ
El Mecanismo de Resolución
Esta regla de inferencia consiste en las etapas siguientes:
1. Las Reglas son sustituidas por expresiones lógicas equivalentes.
2. Estas expresiones lógicas se combinan en otra expresión lógica.
3. Esta última expresión se utiliza para obtener la conclusión.
Mecanismo de resolución 2.
Es importante señalar que la regla de inferencia correspondiente al mecanismo de resolución no siempre conduce a conclusiones, pues, de hecho, puede no conocerse la verdad o falsedad de ciertas expresiones. Si esto ocurre, el sistema experto, o más precisamente, su motor de inferencia, debe decidir entre:
• Abandonar la regla, dada la imposibilidad de obtener conclusiones, o
• Preguntar al usuario, mediante el subsistema de demanda de información, sobre la verdad o falsedad de una o varias expresiones para poder continuar el proceso de inferencia hasta que se obtenga una conclusión.
2.3.3 Encadenamiento de Reglas
Una de las estrategias de inferencia más utilizadas para obtener conclusiones compuestas es el llamado encadenamiento de reglas. Esta estrategia puede utilizarse cuando las premisas de ciertas reglas coinciden con las
Conclusiones de otras.
Cuando se encadenan las reglas, los hechos pueden utilizarse para dar lugar a nuevos hechos. Esto se repite sucesivamente hasta que no pueden obtenerse más conclusiones. El tiempo que consume este proceso hasta su terminación depende, por una parte, de los hechos conocidos y, por otra, de las reglas que se activan.
La estrategia de encadenamiento de reglas se da en el algoritmo siguiente:
Algoritmo 2.1 Encadenamiento de reglas.
• Datos: Una base de conocimiento (objetos y reglas) y algunos hechos iniciales.
• Resultado: El conjunto de hechos derivados lógicamente de ellos.
1. Asignar a los objetos sus valores conocidos tales como los dan los hechos conocidos o la evidencia
2. Ejecutar cada regla de la base de conocimiento y concluir nuevos hechos si es posible.
3. Repetir la Etapa 2 hasta que no puedan ser obtenidos nuevos hechos.
Este algoritmo puede ser implementado de muchas formas. Una de ellas comienza con las reglas cuyas premisas tienen valores conocidos.
Estas reglas deben concluir y sus conclusiones dan lugar a nuevos hechos. Estos nuevos hechos se añaden al conjunto de hechos conocidos, y el proceso continua hasta que no pueden obtenerse nuevos hechos.
RESUMEN SEGGUNDO CAPITULO
ResponderEliminar2.3.4 Encadenamiento de Reglas Orientado a un Objetivo
El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el algoritmo navega a través de las reglas en búsqueda de una conclusión para el nodo objetivo. Si no se obtiene ninguna conclusión con la
Información existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva información sobre los elementos que son relevantes para obtener información sobre el objetivo.
Algunos autores llaman a los algoritmos de encadenamiento y de encadenamiento orientado a un objetivo encadenamiento hacia adelante y encadenamiento hacia atrás, respectivamente.
Pero esta terminología puede ser confusa, puesto que ambos algoritmos pueden, en realidad, utilizar las dos reglas de inferencia Modus Ponens (hacia adelante) y Modus Tollens (hacia atrás).
Algoritmo 2.2 Encadenamiento de reglas orientado a un objetivo.
• Datos: Una base de conocimiento (objetos y reglas), algunos hechos
Iniciales, y un nodo o variable objetivo.
• Resultado: El valor del nodo o variable objetivo.
1. Asigna a los objetos sus valores conocidos tales como están dados en los hechos de partida, si es que existe alguno. Marcar todos los objetos cuyo valor ha sido asignado. Si el nodo objetivo está marcado, ir a la Etapa 7; en otro caso:
(a) Designar como objetivo inicial el objetivo en curso.
(b) Marcar el objetivo en curso.
(c) Sea Objetivos Previos = φ, donde φ es el conjunto vacío.
(d) Designar todas las reglas como activas (ejecutables).
(e) Ir a la Etapa 2.
2. Encontrar una regla activa que incluya el objetivo en curso y ninguno de los objetos en Objetivos Previos. Si se encuentra una regla, ir a la Etapa 3; en otro caso, ir a la Etapa 5.
3. Ejecutar la regla referente al objetivo en curso. Si concluye, asignar el valor concluido al objetivo en curso, e ir a la Etapa 6; en otro caso, ir a la Etapa 4.
4. Si todos los objetos de la regla están marcados, declarar la regla como inactiva e ir a la Etapa 2; en otro caso:
(a) Añadir el objetivo en curso a Objetivos Previos.
(b) Designar uno de los objetos no marcados en la regla como el objetivo en curso.
(c) Marcar el objetivo en curso.
(d) Ir a la Etapa 2.
5. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, preguntar al usuario por el valor del objetivo en curso.
Si no se da un valor, ir a la Etapa 6; en otro caso asignar al objeto el valor dado e ir a la Etapa 6.
6. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, designar el objetivo previo como objetivo en curso, eliminarlo de Objetivos Previos, e ir a la Etapa 2.
7. Devolver el valor del objetivo en curso si es conocido.
A, que los objetos {K, L, M} deben ser ciertos.
RESUMEN SEGUNDO CAPITULO
ResponderEliminarCLARA NUÑEZ
CHAYO MARCOS
JULIO LOPEZ
2.3.4 Encadenamiento de Reglas Orientado a un Objetivo
El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el algoritmo navega a través de las reglas en búsqueda de una conclusión para el nodo objetivo. Si no se obtiene ninguna conclusión con la
Información existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva información sobre los elementos que son relevantes para obtener información sobre el objetivo.
Algunos autores llaman a los algoritmos de encadenamiento y de encadenamiento orientado a un objetivo encadenamiento hacia adelante y encadenamiento hacia atrás, respectivamente.
Pero esta terminología puede ser confusa, puesto que ambos algoritmos pueden, en realidad, utilizar las dos reglas de inferencia Modus Ponens (hacia adelante) y Modus Tollens (hacia atrás).
Algoritmo 2.2 Encadenamiento de reglas orientado a un objetivo.
• Datos: Una base de conocimiento (objetos y reglas), algunos hechos
Iniciales, y un nodo o variable objetivo.
• Resultado: El valor del nodo o variable objetivo.
1. Asigna a los objetos sus valores conocidos tales como están dados en los hechos de partida, si es que existe alguno. Marcar todos los objetos cuyo valor ha sido asignado. Si el nodo objetivo está marcado, ir a la Etapa 7; en otro caso:
(a) Designar como objetivo inicial el objetivo en curso.
(b) Marcar el objetivo en curso.
(c) Sea Objetivos Previos = φ, donde φ es el conjunto vacío.
(d) Designar todas las reglas como activas (ejecutables).
(e) Ir a la Etapa 2.
2. Encontrar una regla activa que incluya el objetivo en curso y ninguno de los objetos en Objetivos Previos. Si se encuentra una regla, ir a la Etapa 3; en otro caso, ir a la Etapa 5.
3. Ejecutar la regla referente al objetivo en curso. Si concluye, asignar el valor concluido al objetivo en curso, e ir a la Etapa 6; en otro caso, ir a la Etapa 4.
4. Si todos los objetos de la regla están marcados, declarar la regla como inactiva e ir a la Etapa 2; en otro caso:
(a) Añadir el objetivo en curso a Objetivos Previos.
(b) Designar uno de los objetos no marcados en la regla como el objetivo en curso.
(c) Marcar el objetivo en curso.
(d) Ir a la Etapa 2.
5. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, preguntar al usuario por el valor del objetivo en curso.
Si no se da un valor, ir a la Etapa 6; en otro caso asignar al objeto el valor dado e ir a la Etapa 6.
6. Si el objetivo en curso es el mismo que el objetivo inicial, ir a la Etapa 7; en otro caso, designar el objetivo previo como objetivo en curso, eliminarlo de Objetivos Previos, e ir a la Etapa 2.
7. Devolver el valor del objetivo en curso si es conocido.
A, que los objetos {K, L, M} deben ser ciertos.
-----QUESTION-----
ResponderEliminarCLARA NUÑEZZ
CHAYO MARCOS
JULIO LOPEZ
++++++++++++++++++++++++++++++++++++++++++++++++
1.-ELEMENTOS QUE INTERVIENENEN EN LOS SISTEMAS BASADOS EN REGLAS:
R=Base del conocimiento y Datos.
2.-EN QUE CONSISTE LA BASE DEL CONOCIMIENTO
R=Conjunto de reglas y objetos que gobiernan las relaciones.
3.-¿QUE ES EL MOTOR DE INFERENCIA?}
R=conjunto de reglas y premisas que estraen conclusiones nuevas
4.-¿CUALES SON LOS ELEMENTOS DEL MOTOR DE INFERENCIA?
R=Datos y el conocimiento
5.-MENCIONA LAS REGLAS DE INFERENCIA
R=Modus ponens, modus tollens y resolucion
6.-OBTIENE CONCLUSIONES SIMPLES Y SI ES CIERTA LA CONCLUSION FORMA PARTE DEL CONOCIMIENTO
R=Modus ponens
7.-EXAMINA LA CONCLUSION Y SI ES FALSA CONCLUYE QUE LA PREMISA TAMBIEN ES FALSA
R=Modus Tollens
-------Explicando Conclusiones--------
ResponderEliminarCLARA NUÑEZ
CHAYO MARCOS
JULIO LOPEZ
Los usuarios esperan que el sistema les muestre las conclusiones. Las reglas activas son las que forman la base del mecanismo de explicación, que se regulado por el subsistema de explicación.
En los sistemas expertos basados en reglas, el motor de inferencia obtiene conclusiones basándose en un conjunto de reglas y, por tanto, conoce de que regla procede cada conclusión.
Existen diferentes sistemas complejos, uno de ellos es el del control de tráfico, que requiere de varias reglas que permitan que este funcione correctamente, es muy importante mantener actualizada la base de conocimientos de manera automática.