Tema%206%20Razonamiento%20aproximado

1
Tema 6Razonamiento aproximado

• Ampliación de Ingeniería del Conocimiento
• Eva Millán

2
Esquema del tema

• 6.1. Introducción al razonamiento aproximado
• 6.2. El modelo de factores de certeza
• 6.3. Conjuntos difusos
• 6.4. Redes bayesianas
• 6.5. El lenguaje Fuzzy Clips y la herramienta
  HUGIN
• 6.6 Aplicaciones al diagnóstico y el control

TEORÍA
PRÁCTICA
3
6.1. Introducción al razonamiento aproximado

• Necesidad de razonamiento aproximado
• Apuntes históricos

4
Necesidad de razonamiento aproximado (I)

• El modelo ideal del razonamiento (humano o
  mecánico) es el razonamiento exacto.
• En mundo real se suele razonar con información
  que es
• incierta
• imprecisa

5
Necesidad de razonamiento aproximado (II)

• Clasificación de las fuentes de incertidumbre
• Deficiencias de la información,
• Características del mundo real,
• Deficiencias del modelo.

6
Necesidad de razonamiento aproximado (III)

• Ejemplos
• Información incompleta
• Información errónea
• Información imprecisa
• Mundo real no determinista
• Modelo incompleto
• Modelo inexacto

7
Necesidad de razonamiento aproximado (IV)

• Todas estas fuentes de incertidumbre se dan en
• ciencias naturales,
• ingeniería,
• derecho,
• humanidades
• problemas típicos de AI
• reconocimiento del lenguaje natural
  (hablado/escrito),
• aprendizaje,
• visión artificial,
• robótica,
• recuperación de información,
• juegos complejos
• sistemas adaptativos

8
Necesidad de razonamiento aproximado (V)

• En resumen, el tratamiento de la incertidumbre
  es, junto con la representación del conocimiento
  y el aprendizaje, uno de los problemas
  fundamentales de la Inteligencia Artificial
• Nos centraremos en los llamados métodos numéricos

9
Apuntes históricos (I)

• 1. Método probabilista clásico
• En el siglo XVIII, Bayes y Laplace propusieron la
  probabilidad como una medida de la creencia
  personal.
• Con el método probabilístico clásico se
  construyeron los primeros sistemas de diagnóstico
  médico
• Inconvenientes principales
• gran cantidad de parámetros (probabilidades)
• gran complejidad computacional
• poca verosimilitud de las hipótesis
  simplificadoras

10
Apuntes históricos (II)

• 2. Programación basada en reglas (años 60-70)
• Dendral utiliza con éxito la programación basada
  en reglas
• Los creadores de MYCIN buscaban un método de
  computación eficiente que pudiera adaptarse al
  razonamiento mediante encadenamiento de reglas.
• Desarrollan un método propio, consistente en
  asignar a cada regla un factor de certeza.
• Aunque el sistema obtiene excelentes resultados,
  éstos se deben más a la potencia del conjunto de
  reglas que al modelo de factores de certeza en
  sí, que hoy en día sabemos que tiene graves
  deficiencias.

11
Apuntes históricos (III)

• 3. A principio de los años 80, Judea Pearl retoma
  el modelo probabilístico creando las redes
  bayesianas
• Este acontecimiento cambia completamente el
  escenario
• Modelo probabilista inspirado en la causalidad
• El modelo probabilístico tiene asociado un modelo
  gráfico, cuyos nodos representan variables y
  cuyos arcos representan mecanismos causales
• Extraordinario desarrollo experimentado por las
  redes bayesianas en las dos últimas décadas
• Se han construido modelos de diagnóstico y
  algoritmos eficientes para problemas con miles de
  variables
• Las universidades más importantes y las empresas
  punteras de informática tienen grupos de
  investigación dedicados a este tema

12
Apuntes históricos (IV)

• Ejemplos de empresas que utilizan redes
  bayesianas
• Microsoft (Windows 95/98, Office 97/200)
• Digital,
• Hewlett Packard, diagnóstico de problemas de
  impresión
• IBM,
• Intel,
• Siemens
• Nokia

13
Apuntes históricos (V)

• 4. En paralelo, Lofti Zadeh sienta las bases de
  la lógica difusa.
• Motivación inicial estudio de la vaguedad
• Relación vaguedad ? incertidumbre
• Paradoja del céntimo de euro
• Solución definir conjuntos con grados de
  pertenencia
• Muchas áreas de las matemáticas y la lógica se
  han difuminado desde entonces.

14
Resumen

• Métodos numéricos de tratamiento de la
  incertidumbre más importantes
• Método probabilístico clásico
• Factores de certeza
• Lógica difusa
• Redes bayesianas relaciones
  causa-efecto
• El debate sobre el método más adecuado permanece
  abierto.

reglas SI...ENTONCES