SISTEMAS BASADOS EN EL CONOCIMIENTO: SISTEMAS EXPERTOS. Técnicas Básicas, Metodologías, Entornos y Aplicaciones

Transcripción

1 TEMA-I SISTEMAS BASADOS EN EL CONOCIMIENTO: SISTEMAS EXPERTOS. Técnicas Básicas, Metodologías, Entornos y Aplicaciones 1.- Introducción n a la Ingeniería a del Conocimiento 2.- SBC. Funcionalidad. Estructura. Sistemas Expertos. 3.- Representación n del Conocimiento: Base de Conocimiento. 4.- Inferencia y Control: Motor de Inferencia. 5.- Aplicaciones de los S.E. 6.- Entornos de desarrollo de SBC 7.- Metodologías de Desarrollo. KADS 8.- Verificación n y Validación n de SBC. Demos Demos en en web web (aplets (aplets java): java): Bibliografía + Artículos en Poliformat Inteligencia Artificial. Técnicas, T métodos m y aplicaciones. Palma, Marín. McGraw Hill (2008) Ingeniería a del Conocimiento, Aspectos Metodológicos. A. Alonso, B. Guijarro, A. Lozano, J. Palma, Mª Jesús Tabeada. Prentice-Hall (2004). Analysis for Knowledge-Based Systems, a practical guide to the KADS methodology. Frank R. Hickman, Ellis Horwood (1989). A guide to Expert Systems D. A. Waterman Addison-Wesley (1986) Inteligencia Artificial, nueva síntesis N. Nilsson McGraw Hill (2000). Engineering of Knowledge and Management: The CommonKADS Methodology. Schreiber, J. Akkermans. MIT Press (2000).

2 1.- Introducción n a la Ingeniería a del Conocimiento Ingeniería del Conocimiento? --Adquisición. --Representación. n. --Utilización n (Procesamiento, Razonamiento). --Reutilización n y Mantenimiento. --Validación n y verificación. del Conocimiento para la Resolución de Problemas Bien Tipificados. Sistemas Basados en el Conocimiento Sistema Experto: Sistema de IA para responder a preguntas, aconsejar, diagnosticar, etc actuando como un experto humano.

3 Técnicas de Representación n del Conocimiento. Adquisición / Análisis del conocimiento: Modelo del experto. Representación del Conocimiento: Hechos (frames), Métodos y Reglas. Diseño o y Construcción n de una Base de Conocimiento. Conceptos y Técnicas a Tratar Modelos de Razonamiento (Proceso del Conocimiento). Métodos Convencionales (métodos, monitores). Herencia. Inferencia, Control (Búsqueda), Encadenamiento. Incierto. Difuso. Hipotético. No-monótono. Temporal,... Desarrollo de Sistemas Basados en el Conocimiento. Entornos de Desarrollo. Metodología a Desarrollo. Adquisición n y Análisis Conocimiento. Verificación n y Validación problemas irresolubles problemas frontera problemas apropiados para la tecnología de SBC problemas apropiados para la tecnología de software tradicional

4 Frames / Objetos Estructuración: clases, subclases, instancias Métodos, Monitores. Razonamiento: Instanciación / Generalización estructural. Herencia. Método inferencial procedural. Encadenamiento. Control Sistema más general Sistema Basado en Reglas: Reglas. Meta-reglas. Incertidumbre. Imprecisión. Aplicación: Ingeniería del Conocimiento Sistemas Basados en el Conocimiento Sistemas Expertos Conocimiento de la Ingeniería del Conocimiento: a) Conocimiento de Métodos y Técnicas de Representación y Razonamiento. b) Metodología de Desarrollo. Práctica. No No es es posible comprender la la Ingeniería del del Conocimiento tan tan solo solo hablando de de ella ella Técnicas + Metodología + Aplicación Real.

5 2.- SBC: FUNCIONALIDAD. ESTRUCTURA. SISTEMAS EXPERTOS. Qué es un SBC? Un SBC es un sistema informático capaz de soportar la representación n explícita de conocimiento de algún n dominio de competencia específico y explotarlo a través s de mecanismos de razonamiento (técnicas de resolución n de problemas) apropiados con el fin de proporcionar resoluciones de problemas de alto nivel. Qué Quées es un un Sistema Experto? Un Un S.E. S.E. es es un un sistema sistema informático informático que que incorpora incorpora una una componente componente basada basada en en el el conocimiento, conocimiento, que que se se obtiene obtiene a partir partir de de la la habilidad habilidad de de un un experto experto humano, humano,, de de forma forma que que el el sistema sistema puede puede dar dar consejos consejos o tomar tomar decisiones decisiones inteligentes inteligentes y es es capaz capaz de de justificar/explicar justificar/explicar las las mismas. mismas. Conocimiento Del Dominio problema solución Base de Conocimiento Mecanismo de Razonamiento Memoria de Trabajo SBC

6 Simulación n de la capacidad de un experto humano en la resolución n de problemas difíciles. El experto humano conoce el dominio de aplicación. El experto humano conoce el problema a resolver. El experto humano es razonable. El experto humano aplica un esquema de razonamiento adecuado al problema. El experto humano tiene experiencia. Un S.E. razona utilizando: Conocimiento experto para resolver problemas complejos de un dominio Conocimiento que el sistema posee del problema concreto. Cómo razona?: buscando en un espacio de alternativas y con un nivel de competencia similar a los de un ser humano experto en dicho dominio. Además debe ser capaz, bajo demanda, de justificar y explicar su propia línea de razonamiento de forma inteligible para el usuario. Definición: Estructural / Funcional Experto Humano Solución Muy Complejo! EXPERTO Datos Muy Complejo! Problema Conocimiento, Juicio, Experiencia PROBLEMA Conocimiento Dominio Conocimiento Resolución Problemas Sistema Experto Solución B.C. Datos B.H. Cómo Cómo replicar replicar este este comportamiento? comportamiento? Ingeniería Ingeniería a del del Conocimiento: Conocimiento: Representación Representación y utilización utilización del del Conocimiento Conocimiento para para la la resolución resolución de de problemas problemas M.I. SISTEMA EXPERTO

7 Experto: conocimiento, experiencia, inteligencia Problema / Dominio Solución n / Respuesta Qué conoce? Representación del Conocimiento Cómo razona? Razonamiento, Inferencia, Control Cómo interactúa? a? Percepción, Interfaz Emulación n del Experto Humano (IA Simbólica) En procesos de percepción n y de razonamiento avanzados se requiere componentes de simulación n de conducta

8 Arquitectura Básica B de un SBC / SE Base de Conocimiento Relaciones y Hechos en el Dominio Base de Trabajo Hechos del Problema Subsistema de Explicación Motor de Inferencia ( Razonamiento con incertidumbre) I / O USUARIO Interfaz Usuario Sistema Adquisición Conocimiento Interfaz Desarrollo EXPERTO Ingeniero del Conocimiento Organización n del del conocimiento separada: Dominio Dominio de de aplicación aplicación (BC):Reutilizable, (BC):Reutilizable, Permanente Permanente Problema Problema (BH): (BH): Retractable, Retractable, Dinámica. Dinámica. Resolución Resolución de de problemas problemas (MI) (MI) Interacción Interacción con con el el usuario, usuario, aprendizaje, aprendizaje, etc. etc.

9 Base de Conocimiento Relaciones yhechos enel Dominio Base detrabajo Hechos delproblema Subsistema de Explicación Motor deinferencia (Razonamiento con incertidumbre) I / O USUARIO InterfazUsuario Base de Conocimiento Conocimiento del experto sobre el dominio de aplicación: Hechos del dominio. / Relaciones de conocimiento. Reutilizable y Permanente Sistema Adquisición Conocimiento EXPERTO InterfazDesarrollo Ingenierodel Conocimiento Base de hechos (Trabajo): Retractable / Dinámica. Representa: Datos del problema / Conclusiones intermedias. Integrada de forma diferenciada en la BC. No integrada en BC: Bases de Datos. Técnicas de Representación n del Conocimiento: Conocimiento Factual (Hechos). Conocimiento Normativo (Reglas): Conocimiento Procedural.

10 Base de Conocimiento Relaciones yhechos enel Dominio Base detrabajo Hechos delproblema Subsistema de Explicación Motor deinferencia (Razonamiento con incertidumbre) I / O USUARIO InterfazUsuario Motor de Inferencia: Sistema de encadenamiento inferencial. Mecanismo de control del espacio de soluciones. Es: Dependiente del continente BC Sistema Adquisición Conocimiento InterfazDesarrollo Independiente del contenido BC Reutilizable: El MI es un programa reutilizable sobre una estructura de BC. EXPERTO Ingenierodel Conocimiento Inferencia y Control. Control Inferencial. Encadenamiento Inferencial Tipología a del Razonamiento: Inferencias Múltiples y Simultáneas. Razonamiento Simbólico. Solución Heurística / Aproximada. Posiblemente Inconsistente. Posiblemente Incompleto. Metaconocimiento.

11 Base de Conocimiento Relaciones yhechos enel Dominio Base detrabajo Hechos delproblema Subsistema de Explicación Motor deinferencia (Razonamiento con incertidumbre) I / O USUARIO InterfazUsuario Justificación n / Explicación Justificación de preguntas. Explicación de conclusiones y línea de razonamiento. Adquisición n del Conocimiento El desarrollo de SE se basa en la resolución del problema por los expertos humanos. Sistema Adquisición Conocimiento InterfazDesarrollo La BC es una representación de la experiencia y del conocimiento adquirido por los humanos mediante la práctica y el estudio. EXPERTO Ingenierodel Conocimiento Sistemas para extraer, formalizar, y validar el conmocimiento. Interfaz con el usuario. Otras Problemáticas: Aprendizaje, Incertidumbre, Imprecisión, Volumen y focalización del conocimiento, Incompletitud, Razonamiento hipotético, no-monótono, aproximado, temporal, etc. Dinámica del problema. Restricciones de Tiempo real, Integración en el entorno: acceso a BD, on-line, etc., Interfaz y acceso a datos, Sensorización, etc, etc, etc.

12 Características Funcionales SBC /SE Resolución n de problemas difíciles. Razonamiento heurístico, no algorítmico. Interacción n eficaz/cómoda usuario: gráficos. Manipulación n de símbolos. s Posibilidad de trabajar con datos inciertos e imprecisos, temporales, hipótesis, etc. Contemplar simultáneamente soluciones alternativas. Explicación n y justificación n de: Preguntas Conclusiones. Línea de razonamiento.

13 Ingeniería del Conocimiento vs Ingeniería del Software Ingeniería del Software Conocimiento del Dominio Problema Conocimiento sobre desarrollo de programas Método de Resolución Programa algoritmo diseñador de software analista programador 1 persona Datos Usuario Resultados Computador

14 Ingeniería del Conocimiento vs Ingeniería del Software Ingeniería del Conocimiento Técnicas de representación del Conocimiento y Métodos de Razonamiento generales ingeniero del conocimiento diseñador de SBC programador conocimiento Conocimiento del Dominio experto ingeniero del conocimiento Problema 2 personas BASE DE CONOCIMIENTO HERRAMIENTA DE DESARROLLO DE SBC COMPU TADOR Representación del Problema Solución Usuario

15 Ingeniería del Conocimiento vs Ingeniería del Software a) Aspectos Generales Ingeniería a del Conocimiento Ingeniería a del Software Elección Método de Representación Elección lenguaje programación Conocimiento (Qué es verdad). Construcción de una BC Datos (Qué es verdad) Algoritmo: Método (Cómo) Elaboración de un programa Teoría de la demostración (Cómo) Inferencia de nuevos hechos Ejecución del programa

16 Ingeniería del Conocimiento vs Ingeniería del Software Ingeniería a del Conocimiento b) Representación n del Conocimiento Conocimiento del dominio explícito en la BC, organizado, estructurado y natural. Conocimiento de control y de resolución de problemas separado. Conocimiento representado principalmente de forma declarativa. Ingeniería a del Software Conocimiento de control y de resolución de problemas integrado en el programa Conocimiento principalmente procedural. Sólo puede ser representado conocimiento algorítmico y estructurado c) Modo de Operación No determinista Razonamiento heurístico, cualitativo, incierto, impreciso, no algorítmico, etc. Conocimiento utilizado dinámicamente por el MI para guiar y construir una solución del problema considerado. Estrictamente determinista

17 Ingeniería del Conocimiento vs Ingeniería del Software d) Cualidades 1.Robusto: los SBC pueden operar con datos incompletos. La calidad de respuesta puede depender de la cantidad y calidad del conocimiento disponible 2.Transparente: los SBC pueden explicar y justificar su modo de operación 3.Natural: los SBC reproducen modelos y procesos mentales humanos 4.Amplio alcance: los SBC pueden tratar con una amplia variedad de problemas de un dominio de aplicación dado. 5.Flexible: los SBC son fáciles de refinar, mantener y extender durante su vida operacional. 1. Frágil: los sistemas software tradicionales sólo pueden operar con información completa 2. Opacos: difícilmente pueden explicar y justificar su modo de operación 3. No naturales: difícilmente siguen modelos o procesos mentales humanos 4. Alcance estrecho: sólo pueden tratar con los problemas para los que han sido explícitamente diseñados 5. Rígidos: es generalmente difícil refinarlos, modificarlos y extenderlos después de que han sido puestos en uso operacional: su nivel de performance es fijo, siendo determinado en el momento de diseñar el sistema.

18 Sistema Experto vs Experto Humano Permanente SISTEMA EXPERTO Trasladable/Ubicuidad Fácil Desarrollar/Copiar Coherente Barato Disponibilidad (tiempo, lugar) Mortal Difícil De Trasladar HUMANO Costoso De Aprender Impredecible Caro Restrictivo VENTAJAS DESVENTAJAS No Inspirado Fijo Mecánico Miras Estrecha Entradas Simbólicas Creativo Sentido Común Adaptativo Miras Amplias Amplitud Sensorial

19 Algunos Ejemplos

20 Pre-Inicio : GPS (Newell ) Evolución n de los S.E. Iniciación n / Invención n (1965/1970): Dendral. Experimentación n y Desarrollo (1970/1980) Internist, Mycin, Prospector Sistemas Esenciales (Skeletal). Entornos Simples. Comercialización/Entornos/Industrializaci n/entornos/industrialización n (1980/...) Empresas Comerciales. Entornos: Art, Kee Aplicaciones. Nuevas restricciones / problemáticas. Segunda Evolución n (1990/... S.E. Segunda Generación: Extensión de los modelos de Razonamiento. Conocimiento Superficial Conocimiento Profundo Metodologías de Desarrollo. Arquitec. Avanzadas: Blackboard, Cooperativos, etc. Requerimientos: Percepción, Tiempo Real, Sistemas Expertos Multiagentes (2000/ Arquitecturas multiagente: cooperación, negociación. Sistemas proactivos.

21 3.- Representación de Conocimiento: Base de Conocimiento Representación del conocimiento sobre el Dominio (BC) y sobre el Problema de Aplicación (BH) Problemas de la Representación: Adecuación Expresiva: Qué podemos representar Adecuación Computacional: Facilidad y eficiencia en el procesamiento. Representación n del Conocimiento: Conocimiento Declarativo / Factual (Hechos): Variables, Patrones. Calculo de predicados. Redes Semánticas. Frames Conocimiento Normativo: Reglas de producción (Conocimiento Heurístico) IF condición THEN conclusión DO acción. Conocimiento Procedural: Métodos (procedimientos, funciones) Valores activos (demonios).

22 Otras Problemáticas: Incertidumbre (conocimiento incierto): Probabilidades de Bayes Lógica Difusa Imprecisión (conocimiento impreciso): Lógica Difusa Incompletitud (conocimiento incompleto): Lógicas no-monótonas. Hipótesis. Sistemas de Mantenimiento. Temporalidad (entornos dinámicos): Lógicas temporales. Razonamiento temporal + Metaconocimiento Qué Quéprocesos inferenciales inferencialesaplicar. aplicar. Cómo Cómo utilizar utilizar el el conocimiento. conocimiento. Qué Quéconocimiento es es aplicable/útil aplicable/útil en en cada cada problema problema Para Para qué quésirve cada cada conocimiento conocimiento Qué Quéfiabilidad tenemos/queremos tenemos/queremos de de los los datos/resultados. datos/resultados. + Conocimiento Profundo: Esquema Inferencial

23 3.1. Conocimiento Factual: Frames,, Objetos El conocimiento del dominio es organizado en una jerarquía o taxonomía de frames: grafo dirigido acíclico (generalmente un árbol), donde cada nodo denota una frame y en el que solo se dan las relaciones: CLASE PERSONAS instancia-de subclase-de DNI Frames clase: Representan clases de objetos. Frames instancia: Representan objetos individuales. Raíz del árbol: descripción más general del dominio. Hojas del árbol: descripciones de conceptos más específicos. Atributos / Slots: Propiedades que caracterizan a una frame (compuestos de facetas). nombre apellidos edad sexo telefono Herencia: Las propiedades de las frame más generales son heredadas por sus especializaciones.

24 Jerarquía de Frames: Herencia Las frames proporcionan un formalismo para agrupar el conocimiento (propiedades) sobre los objetos individuales, y agrupar y relacionar los objetos con las clases de objetos. subclase ROOT subclase subclase PERSONAS VEHICULOS subclase HERENCIA HOMBRES MUJERES COCHES CAMIONES MOTOS instancia instancia subclase juan ana maria UTILITARIOS TODO-TERRENO instancia instancia 1011CBS V-9887-GH

25 Representación n basada en frames Jerarquía de frames: Clases e Instancias Subclase-de, Instancia-de Cada frame (concepto) se caracteriza por: Atributos o slots: Información factual Métodos: Información procedural ( Objetos) PERSONA DNI nombre apellidos edad sexo telefono

26 Dominio de Problemas y Problemas Clase 1 SubClase 11 Instancia 111 Instancia 111 Dominio de Problemas SubClase 12 SubClase 121 Instancia 111 SubClase 122 Instancia 111 Instancia 2221 Instancia de un Problema Clase 2 SubClase 21 SubClase 221 SubClase 222 Instancia 2221 Instancia-P1 1 Instancia-P1 2 SubClase 22 Instancia-P2 1 Instancia-P1 3 Instancia-P2 2 Se deduce información Instancia-P2 3

27 Propiedades de los Objetos: Slots Las características de los atributos o slots están definidas por sus facetas: Valor: Valor del atributo (usualmente en instancias) (NULL, si no tiene) Tipo valor: Tipo de datos del valor del atributo (clase de valores). Cardinalidad: Atributo mono o multivaluado. Monitores (valores activos o demonios): Procedimiento que es invocado en un momento determinado durante la manipulación del atributo donde ha sido especificado. Si-necesario, Si-accedido, Antes-cambio, Despues-cambio Tipo Herencia: Atributo heredable o no heredable.

28 Herencia La herencia es un método inferencial que, que, en en base base a la la información La herencia es un método especificada en en una una frame frame (clase), permite inferir inferir información para para sus sus especializaciones: subclases, instancias. Una subclase o instancia hereda los atributos de sus superclases predecesoras en la jerarquía: A la información especificada en una frame se le debe añadir la información 'inferida por herencia'. No es necesario definir la información heredada en los descendientes. La herencia se efectúa en toda la jerarquía de especializaciones. Se pueden definir nuevos slots en las clases adicionalmente a aquellos que son heredados de sus superclases. Se puede bloquear la herencia de slots de una clase a sus subclases definiendo una faceta especial en la definición del slot de la clase. Información heredada: Relación jerárquica. Atributos de de una una frame. frame. Información sobre sobre los los atributos: Valores Valores (excepciones) (excepciones) Tipo Tipo Valores Valores (excepciones) (excepciones) Cardinalidad Cardinalidad Monitores. Monitores.

29 3.2.- Métodos y Monitores Incorporación de información procedural en las frames. OBJETO Atributos Métodos Frames Objetos: Encapsulación: datos y procedimientos (métodos) internos del objeto. Inaccesibilidad por procesos externos. Accesibilidad al objeto: mensajes Conducta del objeto: Respuesta a los mensajes. El objeto puede hacer alguna acción externa. Puede modificar sus datos. Puede enviar mensajes a otros objetos. Da un retorno al mensaje recibido. Operatividad: Envío de Mensajes Cooperación / Interactividad mediante el paso de mensajes. Objeto.1 mensaje retorno Objeto.1 Los métodos y monitores permiten definir un comportamiento procedural del SE: Calcular valores por métodos procedurales. Lanzar tipos de razonamiento. Respuesta a cambios en la Base de Hechos (monitores). Lanzar interfaces I/O, etc

30 Métodos y Monitores Métodos: Medio para realizar una acción procedural. Se activa explícitamente: enviar un mensaje. SendMessage (objeto, metodo, parámetros) Monitores: Tipo especial de método que se disparan automáticamente para realizar ciertas acciones antes o después de acceder a los slots. If Needed, When Accessed, Before Change After Change

31 3.3.- Conocimiento Normativo: Reglas de Producción Representan: Conocimiento contrastable de resolución de problemas de un dominio específico (ejemplo: reglas físicas) Conocimiento heurístico o reglas de experiencia, que deben ser traducidas a Reglas de Producción. if then el paciente sufre dolor abdominal, y un murmullo abdominal es percibido por auscultación, y una masa pulsante es palpada en el abdomen el paciente padece una aneurisma aórtico El antecedente (LHS) de una regla de producción representa condiciones sobre la BH: Valores de atributos y condiciones sobre ellos. Pertenencia a una Jerarquía El consecuente (RHS) de una regla de producción consta de: Aserciones de valores a slots Aserciones o eliminaciones de frames Acciones externas.

32 Pattern Matching: Instancias Aplicables Pattern-Matching: Instanciación de los antecedentes sobre hechos, asociando (enlazando) variables con constantes de los hechos. Aplicabilidad de una regla en base al estado de la Base de Hechos. Una regla puede dar lugar a diversas instancias de reglas aplicables (REGLA COMER Igual (HAMBRIENTO?PERSONA) Igual (COMESTIBLE?ALIMENTO) añadir( Come?PERSONA el?alimento) ) BASE DE REGLAS BASE DE REGLAS CONTROL H1: (HAMBRIENTO PEDRO) H2: (HAMBRIENTO PABLO) H3: (COMESTIBLE MANZANA) H4: (COMESTIBLE MELOCOTON) H5: (COMESTIBLE PERA) BASE DE HECHOS BASE DE HECHOS REGLA DE PRODUCCION SI antecedenteentonces consecuente LHS (LEFT-HAND SIDE) RHS (RIGTH-HAND SIDE) I1: {?PERSONA = PEDRO,?ALIMENTO = MANZANA} {H1, H3} I2: {?PERSONA = PEDRO,?ALIMENTO = MELOCOTON} {H1, H4} I3: {?PERSONA = PEDRO,?ALIMENTO = PERA} {H1, H5} I4: {?PERSONA = PABLO,?ALIMENTO = MANZANA} {H2, H3} I5: {?PERSONA = PABLO,?ALIMENTO = MELOCOTON} {H2, H4} I6: {?PERSONA = PABLO,?ALIMENTO = PERA} {H2, H5}

33 Reglas en KAPPA-PC Variables Instancia:Slot? Instancia:Slot = Las reglas pueden agruparse en clases.

34 4.- Inferencia y Control: MOTOR DE INFERENCIA El Motor de Inferencia (MI) utiliza el conocimiento de la BC para construir (buscar) la línea de razonamiento que conduce a la solución del problema. BASE DE CONOCIMIENTO BASE DE REGLAS R1 C1--->A1 R2 C2--->A2.. ENCADENAMIENTO INFERENCIAL H1 H2.. BASE DE HECHOS PATTERN-MATCHING AÑADIR/ ELIMINAR HECHOS Conceptos Conceptosdel del Motor Motor de de Inferencias: Inferencias: Encadenamiento EncadenamientoInferencial (Qu (Quéobtener): Encadenamiento Encadenamientohacia haciaadelante adelante Encadenamiento Encadenamientohacia haciaatrás atrás Mixto. Mixto. CONTROL PATTERN-MATCHING SELECCION REGLAS APLICABLES RESOLUCION DE CONFLICTOS REGLA A APLICAR EJECUCION Control Control Inferencial Inferencial (Cómo (Cómo obtenerlo): obtenerlo): Anchura Anchura // Profundidad Profundidad // Estrategias Estrategias de de Control Control MOTOR DE INFERENCIA Ciclos de inferencia PASOS

35 Evolución Programa Convencional S.B.C. P R O G R A M A C O N V E N C I O N A L P R O G R A M A D A T O S C O N T R O L S E C U E N C I A L I F..... T H E N R E S U L T A D O S P R O G R A M A D A T O S C O N T R O L + I T E R A C I O N I F..... T H E N E L E C C I O N D A T O S R E S U L T A D O S D A T O S I F..... T H E N I T E R A C I O N R E S U L T A D O S D REGLAS A T O S DATOS Y RESULTADOS M. I. I F..... T H E N B. T. E N C A D E N A M I E N T O I N F E R E N C I A L E S T R A T E G I A D E C O N T R O L B. C. S. B. C.

36 M.I.: Un Proceso Inferencia Cíclico y Controlado Razonamiento: Inferencias Múltiples y Simultáneas. DATOS BLOQUE DE INFERENCIA IF... THEN... Razonamiento Simbólico RESULTADOS Solución Heurística DATOS1 Posiblemente Inconsistente DATOS2 RESULTADOS2 Posiblemente Incompleto RESULTADOS Metaconocimiento Razonamiento No-Monótono INFERENCIAS IMBRICADAS DATOS RESULTADOS DATOS RESULTADOS B.C. + M.I. DATOS RESULTADOS DATOS RESULTADOS

37 Encadenamiento Inferencial Encadenamiento Hacia-Adelante Adelante: Dirigido por los datos (forward): fbf implicación usadas como F-reglas que operan sobre la BH inicial hasta satisfacer las fbf objetivos. (se deduce todo lo que se puede deducir) ESTADO INICIAL (HECHOS) CONCLUSIONES INTERMEDIAS Reglas SOLUCIONES Encadenamiento Hacia-Atr Atrás: Dirigido por los objetivos (backward): fbf implicación usadas como B- reglas, partiendo de la fbf objetivo, que van obteniendo BH objetivos parciales hasta que se satisface la condición de terminación representada por la BH inicial. (se deduce solo lo que es necesario en la demostración) ESTADO OBJETIVO SUBOBJETIVOS Reglas, Hechos y Preguntas SOLUCIONES

38 Encadenamiento Inferencial dirigido por los datos HECHOS INICIALES GRAFO AND / OR ENCONTR AR REG LAS POSIBLES (PREMISAS SATISFECHAS POR LA BH) PATTERN MATCHING HAY REGLAS NO FIN SI SELECCIONAR UNA REGLA RESOLUC ION DE CONFLICTOS M ODIFIC ACION BH (AÑ ADIR/ELIM INAR) OPERACIONES E/S EJECUCION NO PROBLEM A RESUELTO SI FIN

39 Encadenamiento inferencial dirigido por el objetivo OBJETIVOS SE SATISFACEN OBJETIVOS EN BH SI FIN NO SELECCIONAR REGLAS CUYAS CONCLUSIONES SE IDENTIFICAN CON OBJETIVOS PATTERN MATCHING HAY REGLAS APLICABLES NO PREGUNTAR A USUARIO POR OBJETIVOS SI SELECCIONAR UNA REGLA RESOLUCION DE CONFLICTOS OBJETIVOS = PREMISAS REGLA SELECCIONADA GRAFO AND / OR EJECUCION

40 Ejemplo Encadenamiento hacia delante HECHOS INICIALES: EL COCHE NO ARRANCA EL DEPOSITO NO ESTA VACIO LAS LUCES FUNCIONAN REGLA BATERIA: SI LAS LUCES FUNCIONAN ENTONCES LA BATERIA ESTA BIEN REGLA STARTER: SI EL COCHE NO ARRANCA (ASERCION) Y LA BATERIA ESTA BIEN Y ENTONCES EL DEPOSITO NO ESTA VACIO HAY UN PROBLEMA EN EL STARTER (ASERCION) CONCLUSIONES: LA BATERIA ESTA BIEN HAY UN PROBLEMA EN EL STARTER Ejemplo Encadenamiento hacia atrás HECHO INICIAL: EL COCHE NO ARRANCA Hipótesis: EL COCHE TIENE UN PROBLEMA EN EL STARTER? USANDO LA REGLA DEL STARTER: SI EL COCHE NO ARRANCA (hecho conocido) Y LA BATERIA ESTA BIEN (regla batería) Y EL DEPOSITO NO ESTA VACIO (preguntado al usuario y asertado) ENTONCES HAY UN PROBLEMA DE STARTER USANDO LA REGLA BATERIA: SI LAS LUCES FUNCIONAN (preguntado al usuario y asertado) ENTONCES LA BATERIA ESTA BIEN CONCLUSION: HAY UN PROBLEMA DE STARTER (demostrado verdadero y asertado)

41 Encadenamiento Inferencial Hacia Adelante Procedimiento Razona-adelante (BH: BH inicial, S: Reglas aplicables) Mientras S no vacío y problema noresuelto hacer: Recorrer BH y definir el conjunto S de instancias de reglas aplicables. Seleccionar R de S. Aplicar R, redefiniendo BH Suprimir R de S Redefinir S Guiado por los Datos. Sistemas generativos. Obtiene todos los hechos deducibles. Control no importante si: Monótono (no retracta) No acciones Aplicaciones: No delimitación respuesta. Todas las respuestas posibles Configuración, Control, Predicción, Simulación, Monitorización. Hacia Atrás Procedimiento Razona-atrás (G: Objetivo) Recorrer BH y definir S, conjunto de instancias de reglas con consecuentes en G Si S esta vacío, preguntar al usuario Si-No: Mientras G sin definir y S no vacío, hacer: Seleccionar R de S. Considerar los antecedentes A Si A' A) no definido, Razona-atrás (A') Si A está definido, definir G. Guiado por los objetivos. Más parecido a la conducta humana (eficacia). Necesita objetivos explícitos: Obtiene respuestas a preguntas. Permiten preguntar al usuario. Control importante: Orden preguntas, satisfacción subobjetivos (eficacia) Aplicaciones: Sistema con Respuesta Definida. Consultivos, Clasificativos, De Interpretación, Diagnóstico, Planificación.

42 Control Inferencial Reglas Producción Base Hechos Añadir / Eliminar /Modificar Selección de de la la instancia de de regla reglaa aplicar aplicarde de entre entre las las posibles: Control por por Agenda de de Instancias de de Reglas Reglas Pattern-Matching BH-i Control 1) Pattern-Matching -> Instancias Reglas Aplicables Agenda Monótono: No requiere revisar las instancias previas 2) Selección Instancia de Regla 3) Aplicación Instancia de Regla: BH-i -> BH-i+1

43 En amplitud En profundidad Control Inferencial Control inferencial (resolución de conflictos): Complejidad de premisas Peso de las reglas Combinación: peso, complejidad Mayor frecuencia Última utilizada Metarreglas (Cómo utilizar el conocimiento): Cambio encadenamiento Clases de Reglas:» Utilización de reglas.» Exclusión de reglas. Asignación dinámica de pesos / Prioridades.

44 BDInicial = A, F, G Estrategia en Amplitud R1: A^I --> N R4: A^G --> P R2: A^G --> H R5: A^H^F --> R R3: I^N --> Z R6: G^F --> I ESTRATEGIA EN AMPLITUD Las Las reglas reglasque quese se satisfacen satisfacenantes antes son son prioritarias. prioritarias. Los Los hechos hechosdefinidos (o (o asertados) asertados) antes antesson son prioritarios. prioritarios. A F G R2 A F G H R4 A F G H P R6 A F G H P I R5 (R2, R4, R6) (R4, R6, R5) (R6, R5) (R5, R1) A F G H P I R (R1, R3) R1 A F G H P I R N (R3) R3 A F G H P I R N Z ()

45 Estrategia en Profundidad BDInicial = A, F, G R1: A^I --> N R4: A^G --> P R2: A^G --> H R5: A^H^F --> R R3: I^N --> Z R6: G^F --> I ESTRATEGIA EN PROFUNDIDAD Las Las reglas reglasque quese se satisfacen satisfacen últimas últimasson son prioritarias. prioritarias. Los Los hechos hechosdefinidos (o (o asertados) asertados) más mástarde tardeson son prioritarios. prioritarios. A F G R6 A F G I R1 A F G I N R3 A F G I N Z R2 (R6, R2, R4) (R1, R2, R4) (R3, R2, R4) (R2, R4) A F G I N Z H (R5, R4) R5 A F G I N Z H R (R4) R4 A F G I N Z H R P ()

46 ESTRATEGIAS EN KAPPA-PC PC (Agenda: RuleList) SELECTIVE (defecto!) SetForwardChainMode(SELECTIVE); En cada ciclo inferencial, solo se tienen en cuenta las nuevas reglas (respecto al ciclo anterior) que se satisfacen. Las antiguas se borran (aunque se sigan satisfaciendo!). Estrategia muy eficiente: Sólo sigue una línea de razonamiento. Estrategia no completa. Se ejecuta solo la más prioritaria en cada ciclo. DEPTHFIRST SetForwardChainMode(DEPTHFIRST); Las nuevas reglas se añaden al principio de la Rule List de acuerdo a su prioridad. Las demás no se borran. Se diferencia de la estrategia SELECTIVE en que no borra la Rule List después de encontrar una regla que se cumple. Es completa. BREADTHFIRST SetForwardChainMode(BREADTHFIRST); Las nuevas reglas se añaden al final de la Rule List de acuerdo a su prioridad. Las demás no se borran. Es completa. BESTFIRST SetForwardChainMode(BESTFIRST); Las nuevas reglas se entremezclan con las reglas ya existentes en la Rule List de acuerdo a su prioridad. Es completa.

47 Control vs Encadenamiento Inferencial El control inferencial en el razonamiento hacia adelante no es relevante (salvo retractaciones o acciones externas) Reglas: R1: A C R2: A H R3: C D R4: D E R5: B F X R6: D G B R7: C F P R8: A H D R9: A C H B R10: A B C H F BH-inicial: {A} 8 X 3 2 A,C,H A,C,H,D A, C A,C,H,D,B A, C, H, D, B, E 5 10 A A, C, H, D, E, B, F A, C, H, D, E, B, F, X 7 10 Si A, C, H, D, E, B, F, X, P 7 2 R9: A C H D no monótono impediría R4 A, C A,C,D A,C,D,E A,C,D,E,H 9 A, C, D, E, H, B X A, C, D, E, H, B, F, P A, C, D, E,H, B, F, P, X A 8 A, C, D, E, H, B, F ANCHURA PROFUNDIDAD

48 8 X 3 2 A,C,H A,C,H,D 9 8 A, C A,C,H,D,B A 2 Misma profundidad A, C A,C,D A,C,D,E A,C,D,E,H 9 4 X A 8 2 Misma profundidad X A, C X A 1 2 A,C,D nueva 4 A,C,D,E nueva SELECTIVE A, C, H, D, B, E A, C, D, E, H, B 5 10 A, C, H, D, E, B, F A, C, H, D, E, B, F, X 7 A, C, H, D, E, B, F, X, P ANCHURA A, C, D, E, H, B, F A, C, D, E, H, B, F, P 5 A, C, D, E, H, B, F, P, X + PESO PROFUNDIDAD + PESO 5 R1: A C R2: A H R3: C D R4: D E R5: B F X R6: D G B R7: C F P R8: A H D R9: A C H B R10: A B C H F

49 Control vs Encadenamiento Inferencial El control inferencial en el razonamiento hacia atrás determina la senda para alcanzar el objetivo (y preguntas que se harán al usuario): fiabilidad, rapidez,, etc.. Reglas: R1: A C R6: D G B R2: A H R7: C F B R3: C D R8: A H D R4: D E R9: A C H B R5: B F X R10: A B C H F BH-inicial: {A} Objetivo: : {X} CONTROL R6 R7 R9 R5 Rama correcta R10 No haría a falta preguntar por G G R1 R10 R2 R1 No haría a falta ir por esta rama Objetivo: {X} Preguntas: G? B? B-H FINAL: {A, H, C, B, F, X}

50 Encadenamiento Inferencial Backward (Meta: (Meta: Animal:Nombre?) R1: si Animal:Cubre#=pelo entonces Animal:Tipo=mamifero. R2 si Animal:Cubre#=plumas y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave. R3 si Animal:Tipo#=mamifero y Animal:Come#=carne y Animal:Garras#=si Animal:Alimenta=carnivoro. entonces R4 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Piel#=manchas entonces Animal:Nombre=guepardo. R5 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal-Rayas#=negras entonces Animal:Nombre=tigre. R6 si Animal:Tipo#=ave y Animal-Vuela#=mal y Animal:Nada#=bien Animal:Nombre=pinguino. entonces R7 si Animal:Tipo#=ave y Animal:Vuela#=muy_bien entonces Animal:Nombre=gaviota. R8 si Animal:Da_leche#=si entonces Animal:Tipo=mamifero. R9 si Animal:Pico#=Si y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave.

51 Encadenamiento Inferencial Backward R1: si Animal:Cubre#=pelo entonces Animal:Tipo=mamifero. R2 si Animal:Cubre#=plumas y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave =ave. R3 si Animal:Tipo#=mamifero y Animal:Come#=carne y Animal:Garras#=si entonces Animal:Alimenta=carnivoro carnivoro. R4 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Piel#=manchas entonces Animal:Nombre=guepardo =guepardo. R5 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Rayas#=negras entonces Animal:Nombre=tigre =tigre. R6 si Animal:Tipo#=ave y Animal:Vuela#=mal y Animal:Nada#=bien Entonces Animal:Nombre=pinguin pinguino. R7 si Animal:Tipo#=ave y Animal:Vuela#=muy_bien entonces Animal:Nombre=gaviota =gaviota. R8 si Animal:Da_leche#=si entonces Animal:Tipo=mamifero. R9 si Animal:Pico#=si y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave =ave. Meta: Animal:Nombre? Metas se instancian con RHS R4 carnivoro pardo manchas R5 carnivoro pardo ave Rayas-Negras R6 Vuela=bien Nada=bien R7 ave Vuela=muy-bien Sub-metas (control)

52 carnivoro pardo pregunta guepardo manchas R4 nivel AND pregunta carnivoro pardo pregunta Meta: Animal:Nombre? tigre R5 Rayas-Negras pregunta ave R6 pinguino Vuela=mal pregunta nivel OR R7 Nada=bien pregunta gaviota ave Sub-metas (control) Vuela=muy-bien pregunta R3 mamifero come=carne R1 nivel OR Cubre=pelo pregunta R8 Da=leche R3 garras pregunta Plumas pregunta R2 Oviparo pregunta nivel OR Pico R9 pregunta Oviparo pregunta Animal:Nombre = gaviota pregunta pregunta R1: si Animal:Cubre#=pelo entonces Animal:Tipo=mamifero. R2 si Animal:Cubre#=plumas y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave =ave. R3 si Animal:Tipo#=mamifero y Animal:Come#=carne y Animal:Garras#=si entonces Animal:Alimenta=carnivoro carnivoro. R4 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Piel#=manchas entonces Animal:Nombre=guepardo =guepardo. R5 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Rayas#=negras entonces Animal:Nombre=tigre =tigre. R6 si Animal:Tipo#=ave y Animal:Vuela#=mal y Animal:Nada#=bien Entonces Animal:Nombre=pinguin pinguino. R7 si Animal:Tipo#=ave y Animal:Vuela#=muy_bien entonces Animal:Nombre=gaviota =gaviota. R8 si Animal:Da_leche#=si entonces Animal:Tipo=mamifero. R9 si Animal:Pico#=si y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave =ave.

53 Para resolver el problema de clasificación de animales previo: R1: si Animal:Cubre#=pelo entonces Animal:Tipo=mamifero. R2 si Animal:Cubre#=plumas y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave. R3 si Animal:Tipo#=mamifero y Animal:Come#=carne y Animal:Garras#=si entonces Animal:Alimenta=carnivoro. R4 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Piel#=manchas entonces Animal:Nombre=guepardo. R5 si Animal:Alimenta#=carnivoro y Animal:Color#=pardo y Animal:Rayas#=negras entonces Animal:Nombre=tigre. R6 si Animal:Tipo#=ave y Animal:Vuela#=mal y Animal:Nada#=bien Entonces Animal:Nombre=pinguino. R7 si Animal:Tipo#=ave y Animal:Vuela#=muy_bien entonces Animal:Nombre=gaviota. R8 si Animal:Da_leche#=si entonces Animal:Tipo=mamifero. R9 si Animal:Pico#=si y Animal:Reproduce#=Oviparo entonces Animal:Tipo=ave. Pasos: 1. Caracterización n del dominio: clases, subclases, instancias, atributos, valores. 2. Obtención n de las reglas de conocimiento (para clasificación) 3. Determinación n del encadenamiento inferencial / control Es suficiente?

54 SBC: Técnicas Básicas Representación del Conocimiento (frames, objetos, reglas, métodos, ). Motor de Inferencia (Control, Encadenamiento). Pero esto no es suficiente: El conocimiento a representar es más complejo: incertidumbre, imprecisión, hipótesis, temporalidad, etc. Cómo Introducir el MetaConocimiento? Qué tareas Inferenciales se realizan? El cuello de la Adquisición del Conocimiento. Cómo validar el conocimiento? Utilización de Casos Previos: Razonamiento Basado en Casos. Metodología de Desarrollo.

55 5.- Aplicaciones de los S.E. Tipología de las Aplicaciones de los S.E. "Un SE para la ayuda al diagnóstico de enfermedades infecciosas de la sangre Uso Experto No - Experto Discente Responsabilidad. Comprobación / Crítica Ayuda o Consulta Decisión Actividad (o Tarea) Dominio de Aplicación

56 Actividades (Tareas) Básicas B de los Sistemas Expertos Tarea: Tipo de problema del mundo real (conjunto de problemas que admiten la misma estructura de resolución, independiente del dominio y del método de resolución) Interpretación: Análisis / Síntesis de datos para obtener el significado de la situación. Diagnóstico: Identificación causas de una situación (disfunción). Depuración: Prescripción de remedios para disfunciones. Reparación: Plan de reparación de disfunciones. Control: Gobierno supervisor de la conducta del sistema. Predicción: Inferencia de consecuencias desde las situaciones. Diseño: Configuración de objetos con restricciones. Planificación: Diseño de acciones. Monitorización: Comparación de observaciones respecto a datos esperados o correctos / estado óptimo ( Interpretación). Instrucción: Control de la conducta del discente. Control disfunción Predicción Monitorización datos PROBLEMA datos datos plan fallo Interpretación Diagnóstico Depuración Reparación CONTROL Disfunción causas remedios

57 Dominios de Aplicación de los Sistemas Expertos Química (interpretación, diseño,...) Arquitectura de computadores (predicción, diagnosis, diseño,...) Electrónica (diagnosis, diseño, planificación,...) Ingeniería ( interpretación, monitorización, instrucción, diseño...) Geología ( interpretación, diagnosis, depuración,...) Medicina ( interpretación, diagnosis, monitorización,...) Militares (interpretación, predicción, planificación,...) Economía, Finanzas, Gestión (planificación, diagnosis,...)

58 APLICACIONES DE LOS SISTEMAS EXPERTOS Gestión empresarial y finanzas: - Soporte de decisión - Promoción y selección de personal - Análisis estado de la organización - Estrategias tácticas - Estrategias de negociación - Análisis de operaciones crediticias - Análisis de mercados - Análisis financieros y contables - Análisis y gestión de riesgos - Planificación de inversiones - Asesoría fiscal. Educación Leyes: - Asesoría legal. - Análisis aplicación leyes Geología: - Ayuda prospecciones geológicas - Int. datos prospecciones geológicas - Cálculo de la superficie geológica Química: - Cálculo de estructuras moleculares - Identificación de componentes Supervisión y diagnóstico: - Centrales eléctricas - Sistemas electrónicos - Máquinas herramienta - Análisis de vibraciones - Trafico urbano y aéreo - Otros procesos industriales - Análisis de seguridad. Operación y control - Ferrocarriles - Sistemas termoeléctricos - Centrales nucleares - Refinerías de petróleo - Industrias cerámicas - Cementeras - Centrales eléctricas - Redes telefónicas Planificación: - Maniobras en sistemas eléctricos. - Empresas de transporte aéreo. - Empresas de transporte terrestre - Empresas de transporte marítimo - Robots Defensa: - Planificación estratégica / táctica. - Interpretación de señales. - Control y guiado vehículos. Medicina. Diagnóstico y Tratamiento: - Enfermedades infecciosas - Enfermedades pulmonares - Glaucoma - Neumonía - Medicina interna - Nefrología. - Enfermedades oncológicas Ayuda al diseño: - Máquinas eléctricas - Sistemas espaciales - Circuitos electrónicos - Computadores - Sistemas termoeléctricos Artículos en Poliformat

59 6.- Entornos de desarrollo de SBC Alternativas de implementación de S.B.C. Lenguajes de programación: - Programación imperativa (C, Java...) - Programación lógico-declarativa (Prolog) - Manipulación de símbolos: Lisp Frames / Objetos Base de Conocimiento (Hechos / Reglas) Forward / Backward Motor de Inferencia Lenguajes de ingeniería del conocimiento - Entornos de desarrollo Skeletal Prospector Kas Mycin Emycin Casnet Expert Utilidades de traza / justificación y explicación Interfaz Gráfica Desarrollo / Usuario - Entornos de desarrollo (propósito general)

60 Características entornos de desarrollo de SBC Construcción Base Hechos: Estructura representación del conocimiento. Facilidades edición ENTORNO DESARROLLO Adquisición Conocimiento BASE CONOCIMIENTO S. B. C. INTERFAZ MOTOR INFERENCIA ENTORNO EJECUCION Bases de Datos Motor de Inferencia parametrizable: Encadenamiento: Forward / Backward Estrategia de resolución de conflictos. Modelos de Razonamiento (incertidumbre, temporal, etc.) Interfaz de Desarrollo: Adquisición, Traza, Depuración. Mantenimiento BC Validación BC Diseño Interfaz Usuario REPRESENTAC. CONOCIMIENTO RESOLVEDOR PROBLEMAS ENTORNO DE PROGRAMACION LENGUAJE DE PROGRAMACION SISTEMA OPERATIVO COMPUTADOR Redes Comunicación Infraestructura Informática Sensores Desarrollo de Interfaz de usuario: Explicación y justificación Interfaz de I / O Otras características: Entorno de desarrollo / ejecución (run-time). Integración con otro software / entornos / BD / on-line. Arquitectura (sistema distribuido,...). Coste, Lenguaje de implementación, etc.

61 Entornos y Herramientas para el Desarrollo de SBC (I) Insigth, Personal Consultant, OPS5, etc (inicios 80 s): PC-win, no interfaz usuario, Simples, no ayudas depuración, no backward. KEE: Lisp (no compatible), muy potente, flexible, frames/objetos, interfaz. Comercial (80 s). ART: Unix (no compatible), muy potente, flexible, frames/objetos, interfaz. Comercial (80 s). ART-IM: Versión PC de ART. Comercial. Goldworks: PC-win (derivado de Lisp), frames, flexible. Comercial. (80-90 s) ( FLEX / VisiRule: (90 s) PC-win (prolog), flexible, frames, no interfaz usuario. Comercial. ( Guru: PC, Orientado a real-time. No interfaz. (80 s). ACQUIRE: PC-win (especial para adquisición conocimiento mediante pattern-maching de casos). No backward, No interfaz, Comercial.

62 Entornos y Herramientas para el Desarrollo de SBC /2 (más s actuales) G2: Orientado a tiempo real (control y aplicaciones críticas), windows/linux. Frames, Entorno limitado, No interfaz, Comercial. No backward (even driven). Nexpert Object: PC, flexible, frames, interfaz. Comercial. KappaPC: versión n PC de KEE (90 s) Pros: flexible, frames, backward,, interfaz gráfica, explicación, depuración, libre Cons: Win-16 bits (32 bits, posible con emulación n sobre Linux 64 bits) Jess (~clips en Java): No backward (simulacion compleja y no natural), No interfaz usuario, ( ). Inspirado en CLIPS. Distribución n libre. Protégé ( Orientado al modelado. No razonamiento (Jess / Clips). No interfaz usuario. CLIPS: Libre, No interfaz gráfica usuario, no ayudas depuración, No backward chainning. Variantes de CLIPS: Eclipse: Variante Clisp con backward limitado. No interfaz gráfica, depuración. Comercial. CLIPS/R2 ( Clips con backward, No interfaz gráfica, No depuración, Comercial Otros: EZ-Xpert ( Amzi! ( ESI ( EXSYS ( etc...

63 Entornos y Herramientas para el Desarrollo de SBC /3 ENTORNO S.O. Interfaz Gráfica Repre. Conoc. Razonamiento Distribución Manten. Otras G2 Windows Linux No Usuario Frames/ Objetos FC Event-driven Comercial SI Tiempo- Real Reglas Nexpert Windows SI Frames/ Objetos Reglas FC & BC Comercial NO C JESS Windows NO Frames/ FC Libre SI Java Linux Objetos Reglas (no BC) CLISP Windows Linux NO Usuario Frames/ Objetos FC (no BC) Libre SI C Reglas CLIPS/R2 Windos Linux NO Usuario Frames/ Objetos FC & BC Comercial SI C Reglas Kappa-PC Windows SI Frames/ Objetos Reglas FC & BC Libre NO C

64 Como simular Backward-Chaining en Clips (y Jess) El motor de inferencia es naturalmente forward y el razonamiento backward debe ser simulado Para simular un proceso BC, se debe: 1. Declarar cada meta y cada submeta de forma explícita: (deffacts P (necesito-meta1. ) (necesito-submeta1 ) ) #se declara que se necesita la meta1 #se declara que se necesita la submeta1 2. Declarar reglas para obtener cada meta (o cada submeta) ) en base a la obtención n de un dato o de otra condición: n: (defrule atrasauxiliar1 (defrule atrasauxiliar2 (necesito-submeta1... ) (necesito-meta1... ) => (submeta1...) (printout t Dime la submeta1") => (bind?a (read)) (assert (meta1...))) (assert (submeta1...))) No se puede establecer un control backward declarativo (está implícito en la declaración de las reglas)

65 (deffacts Simulacion-BACKWARD (necesito-meta nivel x) (necesito-submeta presion x temperatura y)) (defrule uno ;Para poder preguntar (necesito-submeta presion? temperatura?) => (printout t "Dime la presion") (bind?a (read)) (printout T "Dime la temperatura") (bind?b (read)) (assert (submeta presion?a temperatura?b))) (defrule meta1 ;submetas necesarias (necesito-meta nivel?) (submeta presion alta temperatura alta) => (assert (meta nivel alto))) (defrule meta2 ;submetas necesarias (necesito-meta nivel?) (submeta presion alta temperatura media) => (assert (meta nivel medio))) Encadenamiento BACKWARD (defgoal (meta nivel?x)) ; declaracion meta (defrule meta1 ( presion alta temperatura alta) => (assert (meta nivel alto))) (defrule meta2 (presion alta temperatura media) => (assert (meta nivel medio))) (defrule meta3 (presion baja temperatura baja) => (assert (meta nivel bajo))) (defrule meta3 ;submetas necesarias (necesito-meta nivel?) (submeta presion baja temperatura baja) => (assert (meta nivel bajo)))

66 7.- Metodologías de Desarrollo de S.B.C. Mientras no sea posible replicar completamente el comportamiento humano de resolución de problemas de forma inteligente en un computador, el software basado en el conocimiento tendrá problemas al resolver procesos. Tradicionalmente, falta de una metodología de desarrollo adecuada. Las metodologías software están más apoyadas en el proceso de datos, mientras que la Ingeniería del Conocimiento es un proceso del conocimiento. No es posible comprender la Ingeniería a del Conocimiento tan solo hablando de ella. Tipos de Metodologías: a) Basadas en el Prototipado Método tradicional común. Rápido e iterativo: Refinamiento iterativo de una solución inicial. El prototipado en sí supone una metodología. b) Metodologías de desarrollo de S.B.C. Metodologías de desarrollo de software específicas para el desarrollo de S.B.C. Abstracción del comportamiento: Incidencia en la fase de análisis. El prototipado es admitido, como una particularidad, dentro de la metodología.

67 A n á lis i s P r o b le m a A n á li s is R e q u e r im ie n to s : E s p e c ific a c io n e s P R O B L E M A M é t o d o d e R e s o lu c i ó n ( c o n o c id o ) Ingeniería del Software E s p e c if ic a c io n e s D is e ñ o A r q u ite c tu r a D i s e ñ o d e M ó d u lo s C o d ific a c ió n d e M ó d u lo s In te g r a c ió n y V a lid a c ió n S I S T E M A S O F T W A R E C O N V E N C IO N A L A n á li s is D o m i n i o A p lic a c ió n D O M IN IO A P L IC A C IÓ N A n á l is i s V ia b il id a d C o n o c i m i e n t o d e l D o m i n i o ( n o e s e l m é t o d o d e r e s o l u c ió n!! ) A n á li s i s R e q u e r im i e n to s : E s p e c ifi c a c io n e s E s p e c i f i c a c io n e s M o d e li z a c i ó n C o n c o c i m ie n to E le c c i ó n H e r r a m i e n ta Ingeniería del Conocimiento G u i a d o p o r l a H e r r a m i e n t a d e D e s a r r o llo A d q u i s i c i ó n C o n o c im i e n to C o n tr u c c i ó n B C P R O T O T IP O V a li d a c i ó n y E v a l u a c i ó n S i s t e m a B a s a d o e n e l C o n o c im ie n t o

68 7.1.- El Prototipado como Metodología de Desarrollo EVALUACIÓN IMPLEMENTACIÓN PRODUCTO Análisis ESPECIFICACIÓN DISEÑO Modelo orientado a la implementación. Cada prototipo actúa como modelo para el siguiente y evoluciona en base a nuevos requerimientos, hasta llegar al sistema deseado (ampliación cubrimiento dominio). Método muy común de desarrollar S.B.C. (pasado) El prototipado se utiliza como base para las sesiones de obtención del conocimiento con el experto. La adquisición del conocimiento es dirigida por los formalismos de implementación y por los mecanismos de inferencia (fijos y predefinidos) impuestos por el entorno (base del prototipo). Diseño Implementación Evaluación Prototipo Ventajas: Inmediata presentación de un sistema parcial, construido rápidamente en fase muy temprana del desarrollo. Trata sobre problemas acotados en cada nivel del prototipado. Es rápidamente motivante y convincente.

69 Fases Fases en en el el prototipado prototipado Basada Basada en en el el típico típico modelo modelo en en cascada cascada de de la la IS. IS. IDENTIFICACIÓN caracterización del problema Crisis Crisis del del modelo: modelo: Complejidad Complejidad del del proceso proceso de de adquisición adquisición para para grandes grandes problemas. problemas. Mantenimiento Mantenimiento complicado complicado debido debido al al volumen, volumen, no no caracterización caracterización y y dispersión dispersión del del conocimiento. conocimiento. Rediseño Refinamiento Requerimientos CONCEPTUALIZACION conceptos necesarios para producir una solución Conceptos FORMALIZACIÓN representación formal del conocimiento del dominio Estructura IMPLEMENTACIÓN Implementación de la BC. Parametrización de MI P R O T O T I P A D O ADQUISICIÓN DEL CONOCIMIENTO IMPLEMENTACIÓN S.E.: BC + MI + INTERFAZ Hechos y Reglas VALIDACIÓN validación del conocimiento pruebas y depuración Reformulación, Refinamiento. VALIDACIÓN Mantenimiento, Aprendizaje