Inteligencia Artificial Representaci

1
Inteligencia Artificial Representación del
conocimiento

• Primavera 2009
• profesor Luigi Ceccaroni

2
Conocimiento y razonamiento

• Las personas conocen cosas y realizan
  razonamientos de forma automática.
• Y los agentes artificiales?
• Conocimiento y razonamiento en forma de
  estructuras de datos y algoritmos.
• Para que el conocimiento sea accesible para los
  ordenadores, se necesitan sistemas basados en el
  conocimiento (SBCs).

2
3
Conocimiento y razonamiento

• En los SBCs se usan lenguajes declarativos
• Expresiones más cercanas a los leguajes humanos
• Los SBCs expresan el conocimiento en una forma
  que tanto los humanos como los ordenadores puedan
  entender.
• Esta parte de la asignatura analiza cómo expresar
  el conocimiento sobre el mundo real en una forma
  computacional.

3
4
Logic, ontology and computation

• Knowledge representation is an interdisciplinary
  subject that applies theories and techniques from
  three fields
• Logic provides the formal structure and rules of
  inference.
• Ontology defines the kinds of things that exist
  in the application domain.
• Computation supports the applications that
  distinguish knowledge representation from pure
  philosophy.

5
Inferencia en lógica

• Se quieren conseguir algoritmos que puedan
  responder a preguntas expresadas en forma lógica.
• Tres grandes familias de algoritmos de
  inferencia
• encadenamiento hacia delante y sus aplicaciones
  en los sistemas de producción
• encadenamiento hacia atrás y los sistemas de
  programación lógica
• sistemas de demostración de teoremas basados en
  la resolución

6
Sistemas de producción

• La representación mediante formalismos lógicos es
  declarativa pero puede representar
  procedimientos.
• Se describen cuales son los pasos para resolver
  un problema como una cadena de deducciones.
• La representación se basa en dos elementos
• hechos proposiciones o predicados
• reglas formulas condicionales

7
Sistemas de producción

• Un problema queda definido por
• Base de hechos que describen el problema
  concreto.
• Base de reglas que describen los mecanismos de
  razonamiento que permiten resolver problemas.
• Motor de inferencia que ejecuta las reglas y
  obtiene una cadena de razonamiento que soluciona
  el problema.

8
Hechos terminología

• Base de hechos (BH)
• Memoria de trabajo
• Memoria a corto plazo
• Aserciones
• Ejemplos
• x es un gato
• x es un animal doméstico

9
Reglas terminología

• Si entonces
• condiciones - acciones
• antecedentes - consecuentes
• premisas - conclusiones
• Base de reglas
• Base de conocimiento (BC)
• Memoria a largo plazo
• Implicaciones
• Ejemplo Si x es un gato entonces x es un animal
  doméstico

10
Motor de inferencia terminología

• El motor de inferencia o mecanismo de control
  está compuesto de dos elementos
• Interprete de reglas o mecanismo de inferencia
• Mecanismo de razonamiento que determina qué
  reglas de la BC se pueden aplicar para resolver
  el problema, y las aplica
• Estrategia de control o estrategia de resolución
  de conflictos
• Función del motor de inferencia
• Ejecutar acciones para resolver el problema
  (objetivo) a partir de un conjunto inicial de
  hechos y eventualmente a través de una
  interacción con el usuario
• La ejecución puede llevar a la deducción de
  nuevos hechos.

11
Motor de inferencia

• Fases del ciclo básico
• Detección (filtro) Reglas pertinentes
• Interprete de reglas Obtención, desde la BC, del
  conjunto de reglas aplicables a una situación
  determinada (estado) de la BH
• formación del conjunto de conflictos
• Selección Qué regla?
• Estrategia de control Resolución de conflictos
• selección de la regla a aplicar

12
Motor de inferencia

• Fases del ciclo básico
• Aplicación
• Aplicación de la regla sobre una instanciación de
  les variables modificación de la memoria de
  trabajo
• Vuelta al punto 1, o parada si el problema está
  resuelto
• Si no se ha encontrado una solución y no hay
  reglas aplicables fracaso.

13
1. Detección

• Construcción del conjunto de reglas aplicables
• El intérprete de reglas realiza los cálculos
  necesarios para obtener las instanciaciones que
  son posibles en cada estado de resolución del
  problema (comparación o matching).
• Una regla puede instanciarse más de una vez, caso
  de existir variables que lo permitan.

14
2. Selección

• Las reglas son o no aplicadas dependiendo de la
  estrategia de control
• estrategia fija
• estrategia dinámica prefijada
• estrategia guiada por meta-reglas
• Selección de la mejor instanciación
• Posible combinación de criterios

15
2. Selección

• Ejemplos de estrategia de control
• 1ª regla por orden en la base de conocimiento
• la regla más/menos utilizada
• la regla más específica (con más literales) / más
  general
• la regla que tenga el grado de certeza más alto
• la instanciación que satisfaga los hechos
• más prioritarios
• más antiguos (instanciación más antigua)
• más nuevos (instanciación más reciente)
• aplicación de todas las reglas (sólo si se
  quieren todas las soluciones posibles)
• la regla usada más recientemente
• meta-reglas, que indican dinámicamente como
  seleccionar las reglas a aplicar

16
3. Aplicación

• Ejecución de la regla ?
• Modificación de la base de hechos (en el
  razonamiento hacia delante)
• Nuevos cálculos, nuevas acciones, preguntas al
  usuario
• Nuevos sub-objetivos (en el razonamiento hacia
  atrás)
• Propagación de las instanciaciones
• Propagación del grado de certeza
• El proceso de deducción acaba cuando
• se encuentra la conclusión (el objetivo) buscado
  ? éxito
• no queda ninguna regla aplicable ? éxito? /
  fracaso?

17
Tipos de razonamiento

• Deductivo, progresivo, encadenamiento hacia
  delante, dirigido por hechos
• evidencias, síntomas, datos ? conclusiones
• Inductivo, regresivo, encadenamiento hacia atrás,
  dirigido por objetivos
• conclusiones ? datos, evidencias, síntomas
• Mixto, encadenamiento híbrido

18
Encadenamiento hacia delante

• Basado en modus ponens A, A?B - B
• La base de hechos (BH) se inicializa con los
  hechos conocidos inicialmente.
• Se obtienen las consecuencias derivables de la
  BH
• se comparan los hechos de la BH con la parte
  izquierda de las reglas se seleccionan las
  reglas aplicables las que tienen antecedentes
  conocidos (que están en la BH)
• las nuevas conclusiones de las reglas aplicadas
  se añaden a la BH (hay que decidir cómo)
• se itera hasta encontrar una condición de
  finalización.

19
Encadenamiento hacia delante

• Problemas
• No focaliza en el objetivo
• Explosión combinatoria
• Ventajas
• Deducción intuitiva
• Facilita la formalización del conocimiento al
  hacer un uso natural del mismo
• Ejemplo de lenguaje CLIPS

20
Encadenamiento hacia atrás

• Basado en el método inductivo
• guiado por un objetivo que es la conclusión que
  se trata de validar reconstruyendo la cadena de
  razonamiento en orden inverso.
• Cada paso implica nuevos sub-objetivos hipótesis
  que han de validarse.

21
Encadenamiento hacia atrás

• Funcionamiento
• se inicializa la BH con un conjunto inicial de
  hechos
• se inicializa el conjunto de hipótesis (CH) con
  los objetivos a verificar
• mientras existan hipótesis a validar en CH se
  escoge una de ellas y se valida
• se comparan los hechos de la BH y la parte
  derecha de las reglas con las hipótesis
• si una hipótesis está en BH eliminarla de CH
• si no buscar reglas que tengan como conclusión
  la hipótesis seleccionar una y añadir las
  premisas a CH.

22
Encadenamiento hacia atrás

• El encadenamiento hacia atrás es un tipo de
  razonamiento dirigido por el objetivo.
• Sólo se considera lo necesario para la resolución
  del problema.
• El proceso de resolución consiste en la
  exploración de un árbol.
• Ejemplo de lenguaje Prolog
• W. F. Clocksin y C. S. Mellish . Programming in
  Prolog Using the ISO Standard. Springer, 2003
  (primera edición de 1981).

23
Prolog lenguaje de programación lógica

• Programa Prolog
• conjunto de aserciones lógicas
• cada aserción es una cláusula de Horn
• proceso de comparación unificación
• el orden de las aserciones (reglas) es
  significativo
• Ejemplo
• gato (bufa).
• animaldomestico (X) - gato (X).
• animaldomestico (X) - pequeño (X), conplumas
  (X).
• p ? q ? q - p
• Consultas ?- predicado.
• La negación se representa con la falta de la
  aserción correspondiente asunción de mundo
  cerrado.

24
Cláusula de Horn

• De Wikipedia
• Las cláusulas de Horn (instrucciones ejecutables
  de PROLOG) tienen el siguiente aspecto
• hija (A, B) - mujer (A), padre (B, A). que
  podría leerse así "A es hija de B si A es mujer
  y B es padre de A".
• Obsérvese que, en PROLOG, el símbolo - separa la
  conclusión de las condiciones. En PROLOG, las
  variables se escriben comenzando con un
  asterisco. Todas las condiciones deben cumplirse
  simultáneamente para que la conclusión sea
  válida. Por tanto, la coma que separa las
  distintas condiciones es equivalente a la
  conjunción copulativa (en algunas versiones de
  PROLOG se sustituye la coma por el símbolo ). La
  disyunción, en cambio, no se representa mediante
  símbolos especiales, sino definiendo reglas
  nuevas, como la siguiente
• hija (A, B) - mujer (A), madre (B, A). que
  podría leerse así "A es hija de B si A es mujer
  y B es madre de A".
• Cláusulas con como mucho un literal positivo.

25
Encadenamiento híbrido

• Partes de la cadena de razonamiento que conduce
  de los hechos a los objetivos se construyen
  deductivamente y otras partes inductivamente
  exploración bi-direccional
• El cambio de estrategia suele llevarse a cabo a
  través de meta-reglas. Ejemplos
• función del número de estados iniciales y finales
• función de la dirección de mayor ramificación
• función de la necesidad de justificar el proceso
  de razonamiento
• Se evita la explosión combinatoria del
  razonamiento deductivo.

26
Factores para decidir el sentido del
encadenamiento

• Número de estados iniciales y finales
• Preferible del conjunto más pequeño hacia el más
  grande
• Factor de ramificación
• Preferible en el sentido del factor más pequeño
• Necesidad de justificar el proceso de
  razonamiento
• Preferible el sentido de razonamiento habitual
  del usuario

27
Comparación (matching)

• Es más complicada en el razonamiento hacia
  delante.
• Si las condiciones de una regla se cumplen, una
  vez aplicada se puede entrar en un ciclo.
• Existen mecanismos eficientes de comparación y
  selección que evitan repasar todas las reglas de
  la BC
• OPS-5 usa el algoritmo RETE
• Prolog indexa las cláusulas según los predicados

28
Bibliografía complementaria

• J. F. Sowa. Knowledge Representation.
  Brooks/Cole, 2000.
• W. F. Clocksin y C. S. Mellish. Programming in
  Prolog Using the ISO Standard. Springer, 2003
  (primera edición de 1981).

29
Hacia las ontologías

• El conocimiento ha de permitir guiar a los
  mecanismos de IA para obtener una solución más
  eficiente
• Cómo escoger el formalismo que nos permita hacer
  una traducción fácil del mundo real a la
  representación?
• Cómo ha de ser esa representación para que pueda
  ser utilizada de forma eficiente?

30
Información y conocimiento

• Llamaremos información al conjunto de datos
  básicos, sin interpretar, que se usan como
  entrada del sistema
• los datos numéricos que aparecen en una analítica
  de sangre
• los datos de los sensores de una planta química
• Llamaremos conocimiento al conjunto de datos que
  modelan de forma estructurada la experiencia que
  se tiene sobre un cierto dominio o que surgen de
  interpretar los datos básicos
• la interpretación de los valores de la analítica
  de sangre o de los sensores de la planta química
  para decir si son normales, altos o bajos,
  preocupantes, peligrosos...
• el conjunto de estructuras de datos y métodos
  para diagnosticar a pacientes a partir de la
  interpretación del análisis de sangre, o para
  ayudar en la toma de decisiones de qué hacer en
  la planta química

31
Información y conocimiento

• Los sistemas de IA necesitan diferentes tipos de
  conocimiento que no suelen estar disponibles en
  bases de datos y otras fuentes clásicas de
  información
• Conocimiento sobre los objetos en un entorno y
  posibles relaciones entre ellos
• Conocimiento difícil de representar de manera
  sencilla, como intencionalidad, causalidad,
  objetivos, información temporal, conocimiento que
  para los humanos es de sentido común
• Intuitivamente podemos decir que
• Conocimiento información interpretación

32
Qué es una representación del conocimiento (RC)?

• Representación del conocimiento o esquema de
  representación, Davis et al. (MIT), 1993
• Un substituto de lo que existe en el mundo real o
  imaginario.
• Un conjunto de cometidos ontológicos En qué
  términos hay que pensar acerca del mundo?
• Una teoría fragmentaria del razonamiento
  inteligente Qué es la inteligencia? Qué se
  puede inferir de lo que se conoce? Qué se
  debería inferir de lo que se conoce? (Qué
  inferencias son recomendadas?)
• Un medio para la computación eficiente Cómo se
  debería organizar la información para facilitar
  la manera de pensar y razonar?
• Un medio de expresión humana Un lenguaje que las
  personas usan para hablar entre ellas y con las
  máquinas.

33
1 Es un substituto

• Es un substituto de los objetos del mundo real o
  imaginario.
• Las operaciones sobre la RC substituyen acciones
  en el mundo.
• El mismo razonamiento es un substituto de la
  acción.
• Inversamente, las acciones pueden sustituir el
  razonamiento.

34
Preguntas

• Un substituto de qué? ? semántica
• Hasta que punto exacto como substituto? ?
  fidelidad
• Más fidelidad no es automáticamente mejor
• La fidelidad perfecta es imposible
• Las mentiras son inevitables
• Las inferencias incorrectas son inevitables

35
Terminología y perspectiva

• Inferencia obtención de nuevas expresiones
  desde expresiones previas
• Tecnologías de representación del conocimiento
  (TRCs)
• Lógica
• Reglas
• Marcos
• Redes semánticas
• Ontologías

36
2 Conjunto de cometidos ontológicos (COs)

• Los substitutos son inevitablemente imperfectos ?
  La selección de una RC inevitablemente hace un CO
• Determina lo que se puede conocer, enfocando una
  parte del mundo y desenfocando las otras
• El cometido ocurre incluso al nivel de las
  técnicas de representación del conocimiento
  (TRCs)
• Diagnosis en forma de reglas vs. marcos
• An ontological commitment is an agreement to use
  a vocabulary (i.e., ask queries and make
  assertions) in a way that is consistent (but not
  complete) with respect to the theory specified by
  an ontology. We build agents that commit to
  ontologies. We design ontologies so we can share
  knowledge with and among these agents.
• Tom Gruber ltgruber_at_ksl.stanford.edugt

37
3 Fragmento de una teoría de razonamiento
inteligente

• Cuáles son todas las inferencias que está
  permitido hacer?
• Cuáles inferencias están especialmente
  impulsadas?

38
Cuáles son las inferencias que está permitido
hacer?

• Ejemplos
• Lógica formal clásica inferencias bien
  fundamentadas
• Reglas inferencias plausibles
• Ontologías inferencia con valores por defecto
• Estilos de respuestas
• Precisas, formuladas en términos de un lenguaje
  formal
• Imprecisas, no basadas en un lenguaje formal
• Utilidad del pluralismo

39
Qué inferencias están especialmente impulsadas?

• Ejemplos
• Ontologías propagación de valores, enlaces
• Reglas encadenamiento, asociaciones
• Lógica proposiciones subordinadas (lemas),
  grafos de conexión
• Explosión combinatoria
• Necesidad de guía sobre lo que se debería hacer,
  no sólo lo que se puede hacer

40
4 Medio para la computación pragmáticamente
eficiente

• Razonar con una RC significa hacer algún tipo de
  computación.
• Cómo se puede organizar la información para
  facilitar el razonamiento?
• Ejemplos
• Marcos, ontologías triggers, jerarquías
  taxonómicas
• Lógica theorem provers de grafos de conexión

41
5 Medio de expresión y comunicación

• Cómo se expresan las personas acerca del mundo?
• Cómo se comunican las personas entre ellas y con
  el sistema de razonamiento?
• RC como medio de expresión
• Cómo es de general, preciso? Proporciona una
  expresividad adecuada?
• RC como medio de comunicación
• Cómo es de transparente? Los humanos pueden
  entender lo que se está diciendo?
• Se pueden generar las expresiones que interesan?

42
Qué debería ser una RC?

• Los cinco roles tienen importancia.
• Los roles caracterizan el núcleo de una
  representación.
• Hay que tenerlos en cuenta cuando se crea una RC.
• Cada RC es sólo una de muchas posibles
  aproximaciones a la realidad.

43
Cómo debería ser una RC?

• Pragmática en su visión de validez y eficiencia
• Pluralista en la definición de las inferencias
  posibles
• Efectiva en recomendar inferencias y organizar la
  información
• Efectiva como medio de comunicación
• Capaz de capturar la riqueza del mundo natural

44
RC desde el punto de vista informático

• Estructuras de datos representan el dominio y el
  problema de manera estática.
• Procedimientos manipulan las estructuras de
  manera dinámica
• Operaciones procedimientos para crear, modificar
  o destruir las representaciones o sus elementos.
• Predicados procedimientos para acceder a campos
  concretos de información.

45
Tipos de conocimiento

• Procedimental funciones, reglas de producción,
  lenguajes de programación convencionales
• Declarativo (o no procedimental) lógica
• Pero la lógica puede representar el mismo tipo de
  procedimientos de un lenguaje de programación.
  (!)
• Diferencia primaria la lógica requiere
  relaciones o predicados explícitos para expresar
  la secuencia, mientras que los lenguajes
  procedimentales dependen de la secuencia
  implícita en la estructura del programa.

45
46
Conocimiento declarativo

• Conocimiento relacional simple
• Conjunto de relaciones del mismo tipo que las de
  una base de datos
• Conocimiento heredable
• Estructuración jerárquica
• Relaciones es-un (clase-clase), instancia-de
  (clase-instancia)
• Herencia de propiedades y valores
• Herencia simple y múltiple
• Valores por defecto
• Conocimiento inferible
• Descripción vía lógica tradicional
• Ejemplo de uso en la resolución

47
Nivel de granularidad

• A qué nivel de detalle se tiene que representar
  el mundo?
• Primitivas
• Ej. relación de parentesco
• Primitivas madre, padre, hijo, hija, hermano,
  hermana
• Bruno es abuelo de Kora
• Iain es primo de Ricardo
• Si la representación es de muy bajo nivel, las
  inferencias son muy simples, pero ocupan mucho
  espacio.

48
El frame problem

• Nihil omnino fit sine aliqua ratione
• Nothing at all can happen without some reason
• Ejemplo
• El semáforo se pone verde cada minuto par.
• El semáforo se pone rojo cada minuto impar.
• Persistencia
• Un programa puede determinar qué pasa en los
  puntos de tiempo discretos en que el semáforo
  cambia de color.
• Pero se necesita más información para determinar
  qué pasa en los intervalos entre cambios de color.

49
El frame problem

• La declaración en castellano que el semáforo se
  queda en verde o en rojo no es necesariamente
  capturada por los axiomas de un programa.
• Se necesitan dos axiomas de persistencia
  adicionales
• Son una manera engorrosa de decir algo que
  debería ser obvio.
• Desafortunadamente, los ordenadores no reconocen
  lo obvio, a menos que no se les diga
  explícitamente cómo.
• Estos axiomas son la solución de un caso especial
  del más general frame problem.

50
El frame problem

• La aproximación general al frame problem se basa
  en el principio de razón suficiente de Leibniz
  Nothing at all can happen without some reason
• Es un axioma de meta-nivel que se usa para
  generar uno o más axiomas de nivel más bajo para
  cada ejemplo concreto.
• Implica que el color del semáforo debería
  quedarse igual a menos que no haya alguna razón
  para que cambie.

51
Historia de la representación del conocimiento

• Los bloques de construcción primarios para
  cualquier esquema de representación del
  conocimiento son las categorías.
• Se considerará la evolución desde redes
  semánticas a marcos a ontologías.
• Se considerarán también los mapas conceptuales.

52
Redes semánticas

• Históricamente, las redes semánticas
  proporcionan
• una ayuda gráfica para visualizar una base de
  conocimiento
• algoritmos eficientes para inferir propiedades de
  un objeto en base a su pertenencia a una
  categoría.

53
Redes semánticas

• Charles S. Peirce (1909) desarrolló los grafos
  existenciales como el primer formalismo de redes
  semánticas usando lógica moderna.
• Ross Quillian (1961) inició el trabajo con las
  redes semánticas dentro del campo de la IA.

54
Redes semánticas

• Una red semántica es un grafo donde
• los nodos representan conceptos
• los arcos (dirigidos) representan relaciones
  entre conceptos
• Mecanismos de razonamiento específicos permiten
  responder a preguntas sobre la representación
• Están relacionados dos conceptos?
• Que relaciona dos conceptos?
• Cuál es el concepto mas cercano que relaciona
  dos conceptos?

55
Marcos

• Un artículo influyente de Marvin Minsky (1975)
  presentó una nueva versión de las redes
  semánticas los marcos.
• Un marco era una representación de un objeto o
  categoría o concepto, con atributos y relaciones
  con otros objetos o categorías o conceptos.
• El artículo fue criticado por ser un conjunto de
  ideas recicladas desarrolladas en el campo de la
  programación orientada a objetos, como la
  herencia y el uso de valores por defecto.

56
Marcos

• A los marcos se asocia normalmente una parte
  procedimental.
• Las relaciones y atributos, y no solo las
  categorías, tienen una estructura que permite
  describir su semántica.
• Ejemplo de marco
• Arteria
• superclases Vaso sanguíneo
• pared Muscular
• forma

57
Marcos

• Un marco está generalmente dividido en
• una parte declarativa (atributos o slots)
• una procedimental (métodos o demons)
• La parte procedimental permite obtener más
  información o hacer cálculos sobre sus
  características o las relaciones que pueda tener
  con otros marcos.
• La descripción de los atributos también está
  estructurada un atributo puede tener propiedades
  (facets).
• En el caso más general se pueden tener taxonomías
  de atributos.

58
Marcos

• Las relaciones poseen una descripción formal que
  establece su semántica y su funcionamiento.
• Dividimos las relaciones en dos simples clases
• taxonómicas
• enlace ES-UN (subclase/clase)
• enlace INSTANCIA-DE (instancia/clase)
• no taxonómicas

59
Marcos

• Los atributos poseen un conjunto de propiedades
  que permiten establecer su semántica
• dominio
• rango
• cardinalidad
• valor por defecto
• métodos
• ...
• Permiten definir procedimientos de manera que se
  realicen cálculos bajo ciertos eventos (a través
  de los métodos).

60
Marcos

• Los métodos pueden ser
• if-needed (se activan al consultar el atributo)
• if-added (se activan al asignar valor al
  atributo)
• if-removed (se activan al borrar el valor del
  atributo)
• if- modified (se activan al modificar el valor
  del atributo).
• Se puede declarar como el mecanismo de herencia
  afecta a los atributos.

60
61
Marcos atributos

• Etiqueta
• nombre
• valor
• dominio lista de marcos donde puede aparecer
• rango (tipo de valores que admite) lista, clase
• cardinalidad máxima
• cardinalidad mínima (si es 1, el atributo es
  obligatorio)
• valor-por-defecto (a usar si no hay valor)
• función para calcular valor
• métodos (funciones con activación condicionada)
• condiciones de herencia (atributo valor) sí/no
  (por defecto relaciones taxonómicas sí otras
  no)
• Para acceder al valor de un atributo se usa la
  sintaxis
• ltnombre marcogt.ltnombre atributogt (valor o lista
  de valores)

62
Marcos ejemplo de atributo

• Edad
• nombre Edad
• valor
• dominio (lista de marcos donde puede aparecer)
  Persona
• rango (tipo de valores que admite) entero
  0..140 joven/viejo
• cardinalidad máxima 1
• cardinalidad mínima (si es 1, el atributo es
  obligatorio) 0
• valor-por-defecto (a usar si no hay valor)
• función para calcular valor
• métodos (funciones con activación condicionada)
• condiciones de herencia (atributo valor) sí/no
  (por defecto relaciones taxonómicas sí otras
  no)
• Para acceder al valor del atributo se usa la
  sintaxis
• Persona.edad

62
63
Marcos métodos

• Son acciones o funciones que permiten obtener
  información sobre el mismo marco u otros marcos.
• Los métodos pueden invocarse desde marcos
  abstractos (clases) o marcos concretos
  (instancias).
• Pueden ser heredables (se permite invocarlos en
  los descendientes) o no heredables (exclusivos
  del marco donde están definidos).
• A veces, pueden ser invocados con parámetros.
• Ejemplo de método if-modified
• Si Deunan.edad tenía valor 28 y se modifica a 32,
  se activa un método que cambia el valor del
  atributo Deunan.ganas-de-casarse de 1 a 5.

63
64
Marcos relaciones

• Permiten conectar los marcos entre sí.
• Se define su semántica mediante un conjunto de
  propiedades
• dominio
• rango
• cardinalidad
• inversa
• transitividad
• composición

64
65
Marcos relaciones

• Se pueden establecer métodos que tienen efecto
  ante ciertos eventos
• if-added si se establece la relación entre
  instancias
• if-removed si se elimina la relación entre
  instancias
• Se puede establecer el comportamiento de la
  relación respecto al mecanismo de herencia (que
  atributos permite heredar).

65
66
Marcos relaciones

• Etiqueta
• nombre
• dominio lista de marcos
• rango lista de marcos
• cardinalidad 1 o N
• inversa ltnombregt (cardinalidad 1 o N)
• transitiva sí/no (por defecto es no)
• compuesta no / descripción de la composición
• métodos if-added / if-removed ltnombre.accióngt
• condiciones de herencia lista de atributos (por
  defecto lista vacía)

66
67
Marcos relaciones

• Las acciones asociadas a los métodos no tienen
  parámetros.
• La expresión ltnombre marcogt.ltnombre relacióngt
  devuelve el marco (si la cardinalidad es 1) o la
  lista de marcos (si es N) con los que está
  conectado ltnombre marcogt a través de ltnombre
  relacióngt.

67
68
Marcos relaciones

• Para consultar la cardinalidad se usa la función
  card(ltnombre marcogt.ltnombre relacióngt) que
  devuelve un entero.
• Relaciones predefinidas
• enlace ES-UN (inversa tiene-por-subclase)
• transitiva
• enlace INSTANCIA-DE (inversa tiene-por-instancia)
  
• se puede obtener por composición INSTANCIA-DE ?
  ES-UN

68
69
Marcos relaciones

• Funciones booleanas que quedan definidas
• atributo?(ltmarcogt) cierto si ltmarcogt posee este
  atributo.
• relación?(ltmarcogt) cierto si ltmarcogt está
  conectado con algún otro marco a través de la
  relación indicada por la función.
• relación?(ltmarco-ogt,ltmarco-dgt) cierto si existe
  una conexión entre ltmarco-ogt y ltmarco-dgt
  etiquetada con la relación indicada por la
  función.

69
70
Marcos herencia

• La herencia permite obtener en un marco el valor
  o los valores de un atributo a través de otro
  marco con el que esta relacionado.
• En el caso de las relaciones taxonómicas (caso
  más común) la herencia (de atributos y valores)
  se da por defecto.
• En el resto de las relaciones se ha de establecer
  de manera explícita.
• Hay atributos no heredables. Ejemplo
• tiene-por-instancia
• Dado un marco es posible que la representación
  permita heredar un valor a través de múltiples
  relaciones (herencia múltiple) hay que
  establecer criterios (ejemplo camino más corto).

70
71
Herencia simple y múltiple

• La herencia es simple si las relaciones son
  taxonómicas en forma de árbol.
• La herencia es múltiple si
• la taxonomía es un grafo (dirigido acíclico)
• hay otras relaciones (no taxonómicas) que
  permiten herencia
• Puede haber conflicto de valores!
• (obviamente, sólo si hay herencia de atributo y
  valor)

71
72
Marcos herencia múltiple

• Cuáles son el tamaño, el peso y el color de
  Clyde?
• El algoritmo de distancia inferencial permite
  establecer cual es el marco del que se ha de
  heredar.

73
Herencia distancia inferencial

• Buscar el conjunto de marcos que permiten heredar
  el valor del atributo ? Candidatos
• Eliminar de la lista Candidatos todo marco que
  sea padre de otro de la lista
• Si el nuevo número de candidatos es
• 0 ? No se puede heredar el atributo
• 1 ? Ese es el valor que se hereda
• N gt 1 ? Problema de herencia múltiple si la
  cardinalidad del atributo no es N

73
74
Mapas conceptuales (MCs)

• Forma de representación del conocimiento
  concebida en el contexto de las ciencias
  pedagógicas a finales de la década de los 70.
• Fueron propuestos por Novak et al., y definidos
  como una técnica que representa, simultáneamente
• una estrategia de aprendizaje
• un método para captar lo más significativo de un
  tema
• un recurso esquemático para representar un
  conjunto de significados conceptuales incluidos
  en una estructura de proposiciones.

75
Mapas conceptuales (MCs)

• Están compuestos por
• nodos asociados a conceptos
• enlaces etiquetados por una palabra-enlace, que
  definen el tipos de relación que se establece
  entre los nodos
• proposiciones formadas por dos o más
  nodos-conceptos relacionados por una
  palabra-enlace.

76
Mapas conceptuales (MCs)

• Los elementos de un MC son distribuidos
  gráficamente con los nodos-conceptos más
  inclusivos arriba y los más específicos abajo.
• Los MC son un tipo de red semántica más flexible
  y orientada a ser usada e interpretada por
  personas.

77
Mapas conceptuales ejemplo
78
Ontología

• En filosofía, la ontología es una disciplina que
  se identifica con la metafísica.
• Ontología teoría del ser, es decir, el estudio
  de todo lo que es qué es, cómo es y cómo es
  posible.
• La ontología se ocupa de la definición del ser y
  de establecer las categorías fundamentales de las
  cosas a partir del estudio de sus propiedades,
  estructuras y sistemas.

78
79
Ontologías

• En los años 90, en el campo de la IA, se adoptó
  el termino ontología para los esquemas de
  representación del conocimiento basados en redes
  semánticas o marcos
• una especificación formal y explícita de una
  conceptualización compartida, que puede ser leída
  por un ordenador
• (Gruber, 1993 Borst, 1997 Studer et al., 1998
  Ceccaroni, 2001)

80
Formalidad

• Las ontologías son (deberían ser) formales
  tienen que ser leíbles por los ordenadores.
• Nivel de formalidad
• de altamente informal lenguaje natural
• a rigurosamente formal términos con semántica
  formal y axiomas
• En las ontologías maduras, las descripciones
  permitidas son sólo las consistentes con un
  conjunto de axiomas, que determinan su uso.

80
81
Especificación explícita

• Los tipos de los conceptos y las restricciones
  sobre su uso están (deberían estar) definidos
  explícitamente.
• Accesibilidad y transparencia
• documentación de los detalles técnicos

81
82
Comprensión compartida del conocimiento

• Las ontologías contienen (deberían contener)
  conocimiento consensual, aceptado por un grupo de
  personas expertas lo más amplio posible.

82
83
Conceptualización

• Las ontologías son un modelo abstracto de algún
  dominio de algún mundo posible.
• Compromiso común hacer el mínimo número de
  afirmaciones posible (sólo las necesarias) sobre
  el dominio que se está modelando, dejando a los
  reutilizadores de la ontología la libertad de
  especializarla e instanciarla tanto como haga
  falta.

83
84
Algunos desafíos actuales de la IA

• Comprensión del lenguaje natural
• Comprensión de requisitos de software
• Comprensión de imágenes y vídeos
• Comprensión de procesos, agentes y servicios
• Comprensión de bases de datos
• Comprensión de la web

85
Por qué son útiles las ontologías?
86
Por qué son útiles las ontologías?
87
Por qué son útiles las ontologías?
88
Por qué son útiles las ontologías?
89
Por qué son útiles las ontologías?
90
Por qué son útiles las ontologías?
91
Por qué son útiles las ontologías?
92
Por qué son útiles las ontologías?

• Modelado y uso compartido del conocimiento
• comunicación entre personas/agentes con
  diferentes necesidades y puntos de vistas debidos
  a contextos diferentes
• marco unificado dentro de una organización para
  reducir la confusión conceptual y terminológica
• interoperabilidad entre sistemas a través de
  traducciones entre diferentes paradigmas,
  lenguajes, herramientas informáticas y métodos de
  modelado
• ontologías como ínter-lengua
• integración de ontologías

93
Por qué son útiles las ontologías?

• Ingeniería de sistemas
• re-usabilidad
• Ontologías altamente configurables y bibliotecas
  de ontologías facilitan la re-usabilidad entre
  diferentes sistemas de software.
• fiabilidad
• Las ontologías formales permiten la comprobación
  de consistencia, dando lugar a sistemas más
  fiables.

93
94
Amplia gama de aplicaciones

• Gestión del conocimiento
• Generación de lenguaje natural
• Modelado de los procesos de empresa
• SBCs
• Navegadores de Internet
• Interoperabilidad entre sistemas
• Ingeniería de sistemas especificación,
  fiabilidad, reutilización

94
95
Ontologías ejemplo

• Conceptos, organizados en taxonomías, enlazados
  por relaciones, en acuerdo con los axiomas.

95
96
Ingenieros de ontologías

• Los ingenieros del conocimiento construyen
  ontologías basadas en conocimiento consensual
  sobre un dominio.
• Permiten a un grupo de agentes determinado
  (usuarios de la ontología) compartir y reutilizar
  ese conocimiento dentro del área de trabajo
  seleccionada (el dominio).

96
97
Metodologías

• Existen y están disponibles varias metodologías
  para la construcción de ontologías
• Mike Uschold
• Michael Grüninger
• Asunción Gómez-Pérez
• John Sowa
• Enlace de referencia general
• http//www.lsi.upc.edu/luigi/ontologies.htm

97
98
Construcción cooperativa

• De facto estándar
• Protégé (Stanford University) http//protege.stan
  ford.edu
• versión 4.0 beta (basada en OWL)
• versión 3.4 (basada en marcos)

98
99
Protégé
99
100
Protégé
100
101
Implementación

• Uschold directamente en lenguajes específicos
  para ontologías (por ejemplo, Ontolingua, LOOM,
  KIF)
• Gómez-Pérez a nivel de conocimiento del dominio,
  a través de un shell que traduce a Ontolingua
• Protégé entorno visual con entrada y salida en
  OWL

101
102
Ejemplo ontología para gestión de aguas
residuales

• Metodología utilizada
• Determinación de los requerimientos
• Utilidad (necesidad?)
• Finalidad
• Adquisición del conocimiento
• Conceptualización
• Lista preliminar de términos principales
• Definición del entorno de desarrollo
• Reutilización de otras ontologías
• Formalización

102
103
Situación inicial

• Presencia de expertos en varios dominios
• IA
• Ingeniería química
• Microbiología
• Informática
• Uso de diferentes vocabularios
• No siempre hay una terminología común.
• No hay reglas sobre cómo usar los términos, ni
  los sinónimos.

103
104
Objetivos de la ontología

• Obtener una terminología unificada (pero
  multilingüe), completa y coherente del dominio de
  las aguas residuales
• Ayudar en la diagnosis de situaciones
  problemáticas relacionadas con aguas residuales
• Ayudar en la gestión de plantas de tratamiento de
  aguas residuales

104
105
Adquisición del conocimiento

• Reutilización de conocimiento existente
  codificado de manera específica para el dominio
  en cuestión
• Entrevistas con expertos
• Análisis de textos

105
106
Conceptualización

• Criterios seguidos
• modelo fácilmente comprensible
• modelo que refleje los conocimientos de los
  expertos
• conocimiento fácilmente ampliable
• fácil integración con otras ontologías
• posibilidad de elegir un subconjunto de los
  conocimientos y utilizarlos en otras aplicaciones
  o ontologías

106
107
Términos y jerarquía

• Actuator
• Body-Of-Water
• Descriptor
• Descriptor-Off-Line
• Descriptor-Qualitative
• Appearance-Floc
• Appearance-Surface-Clarifier
• Descriptor-Quantitative
• BOD
• Chlorine Cod
• Descriptor-On-Line
• Water-Flow

107
108
Entorno de desarrollo

• Jerarquía de términos Ontolingua (era el año
  2000)
• Axiomas antes en Lisp, luego en KIF (asociado a
  Ontolingua)
• Alternativa Protégé OWL

108
109
Reutilización

• The ontology is mainly built from scratch.
• Two other ontology are partially reused
• Frame ontology its Ontolingua meta-ontology
• Cyc ontology (Lenat and Guha, 1990) manual
  encoding of millions of encyclopedic facts
  (Ontolingua version)

109
110
Re-engineering

• Frame-ontology as is
• Cyc little re-engineering to adapt the concepts
  to the specific domain
• No ontology integration (and consistency
  checking) needed.

110
111
Términos detalles

• The ontology use the English language to describe
  the world at the highest level.
• Nevertheless the documentation of each term
  contains the translation of the term name to
  Spanish, Catalan and Italian.

111
112
Formalización

• The Ontolingua Ontology Server automatically
  translates to Lisp.
• The translation has been checked and evaluated.

112
113
Conclusiones

• Success in unifying terminology and as a way of
  communication between AI researchers and chemical
  engineers.
• Evaluation as a tool of support to diagnosis.
• Partial success in using the ontology for
  reasoning.

113
114
Vale, y ahora qué?

• Desarrollo de Ontologías - 101 Guía Para Crear
  Tu Primera Ontología
• Noy McGuinness
• (2000, 2005)
• http//protege.stanford.edu/publications/ontology
  _development/ontology101-es.pdf