Conceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 16 CIA Clase 9 SIA. Sistemas basados en Conocimiento

Transcripción

1 Conceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 16 CIA Clase 9 SIA Sistemas basados en Conocimiento Dr. Luciano H. Tamargo Departamento de Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Bahía Blanca Argentina Temario Representación de conocimiento y conflictos Tratamiento de conflicto 1: Conocimiento con factores de certeza Tratamiento de conflicto 2: Múltiples informantes con diferente credibilidad Otros puntos de conflicto entre derivaciones 1

2 Sistema Basado en Conocimiento Arquitectura básica de un Sistema Basado en Conocimiento: Máquina de inferencia Base de conocimiento (KB) Interface entorno o usuario Arquitectura de un sistema: es un modelo conceptual que define la estructura de un sistema, indicando (generalmente en forma gráfica) los elementos que lo componen y como se relacionan. 5 Ejemplo: SBC Merval Como ejemplo, usaremos un dominio de aplicación reducido del Mercado de Valores (Merval). Expertos del dominio de aplicación Conocimiento dinámico, obtenido automáticamente: sensores, web, etc. Ingeniero en conocimiento Máquina de inferencia Base de conocimiento (KB) Interface entorno o usuario Podemos representar información de expertos, y además, obtener información dinámica de Internet. 6 2

3 Dominio de Aplicación (Mer-Val) Información de expertos: - Si las acciones de la empresa X están a buen precio, entonces hay una buena razón para comprarlas. comprar_acciones(x) :- buen_precio(x). - Generalmente las acciones están a buen precio si así lo indican páginas especializadas en la web. buen_precio(x) :- buen_precio_web(x). De sitios especializados se podría obtener de manera automática (percibir) información particular sobre empresas: 7 Dominio de Aplicación (Mer-Val) Podemos extender Prolog e introducir un operador para la negación. :- op(190,fx,~). % Strong negation Una buena razón para NO comprar acciones de X, es que X sea riesgosa. ~comprar_acciones(x) :- riesgosa(x). Una empresa es riesgosa cuando está en fusión. riesgosa(x) :- en_fusion(x,y). Está en fusión si está publicado en un sitio en_fusion(x,y) :- listado_fusiones_web(x,y). De un sitio especializado se obtiene por ejemplo: 8 3

4 Dominio de Aplicación (Mer-Val) Si hay rumores de venta o deuda, es riesgosa. riesgosa(x) :- rumores_deuda_web(x). Una empresa no es riesgosa cuando está en fusión con otra que es fuerte. ~riesgosa(x) :- en_fusion(x,y), fuerte(y). Si la empresa es fuerte, no es riesgosa. ~riesgosa(x) :- fuerte(x). Es fuerte si está informado en un sitio. fuerte(x) :- listado_fuertes_web(x). De un sitio especializado se obtiene por ejemplo: rumores_deuda_web(strong) :- true. listado_fuertes_web(strong) :- true. 9 Derivación que sustenta comprar acme comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. c(a) d 1 Abreviaturas: a = acme, s = strong c(a) = comprar_acciones(acme) r(a) = riesgosa(acme) 10 4

5 Derivación que sustenta no comprar acme comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. ~c(a) d 2 Abreviaturas: a = acme, s = strong c(a) = comprar_acciones(acme) r(a) = riesgosa(acme) 11 Conclusiones en conflicto comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. c(a) d 1 ~c(a) d 2 Abreviaturas: a = acme, s = strong c(a) = comprar_acciones(acme) r(a) = riesgosa(acme) 12 5

6 Conclusiones en conflicto comprar_acciones(acme) :- buen_precio(acme). buen_precio(acme) :- buen_precio_web(acme). ~comprar_acciones(acme) :- riesgosa(acme). riesgosa(acme) :- en_fusion(acme,strong). en_fusion(acme,strong):-listado_fusiones_web(acme,strong). Del programa anterior es posible derivar dos conclusiones en conflicto: comprar_acciones(acme) y su complemento. Note que una conclusión C está sustentada por una derivación que expresa una razón a favor de C; y por otro lado, una conclusión para ~C está dando una razón en contra de C (podemos decir que cada una ataca a la otra). 13 Tratamiento de información contradictoria En Prolog, no hay un tratamiento ya definido para la información contradictoria. Por lo tanto, habrá una derivación para comprar_acciones(acme) y también para ~comprar_acciones(acme). 1?- comprar_acciones(acme). true. 2?- ~comprar_acciones(acme). true. Cuando se tiene información contradictoria, el mecanismo de inferencia debería poder decidir que información prefiere ante una situación de conflicto. 14 6

7 Comparando razones contradictorias A continuación introduciremos dos propuestas para el tratamiento de información contradictoria: 1. Conocimiento con factores de certeza. 2. Múltiples informantes con diferente credibilidad. 15 Temario Representación de conocimiento y conflictos Tratamiento de conflicto 1: Conocimiento con factores de certeza Tratamiento de conflicto 2: Múltiples informantes con diferente credibilidad Otros puntos de conflicto entre derivaciones 7

8 Conocimiento con factores de certeza La representación del conocimiento podría incluir un valor que represente cuan creíble es cada regla o hecho. Por ejemplo, un número real: [0.6] riesgosa(x) :- rumores_deuda_web(x). [0.7] ~riesgosa(x) :- en_fusion(x,y), fuerte(y). [ 1 ] en_fusion(x,y) :- listado_fusiones_web(x,y). [0.9] fuerte(x) :- listado_fuertes_web(x). [0.9] [0.5] rumores_deuda_web(strong) :- true. [0.8] listado_fuertes_web(strong) :- true. Los valores pueden representar la fuente o la confianza en la regla. La inferencia podría usar estos valores para decidir ante un conflicto. 17 Inferencia con factores de certeza: Mycin Mycin fue uno de los primeros sistemas expertos en utilizar factores de certeza. Fue desarrollado para diagnosticar y recomendar tratamientos para ciertas infecciones en la sangre. En Mycin cada sentencia tiene asociado un factor de certeza CF (certain factor), que es un valor real en [-1..1]. - CF = -1 indica que la sentencia es falsa. - CF = 1 indica que la sentencia es verdadera. - Cuanto más cerca está CF a 1 representa más certeza que la sentencia es verdadera, y cuanto más cerca a -1 más certeza que es falsa. - CF = 0 indica que se tiene la misma certeza que sea verdadera o falsa. 18 8

9 Propagación de FC en Mycin Los factores de certeza o CF (certain factor) de una sentencia compuesta se calculan en Mycin de esta manera: - El CF de una conjunción es el mínimo de los CF de cada uno de los elementos de la conjunción: CF(P1,, Pn) = mínimo(cf(p1),, CF(Pn)) - Al usar una regla, el CF se propaga multiplicando los CF cuando el CF del antecedente es positivo: Si CF(P) = c y CF(Q P) = d, entonces: CF(Q) = c * d si c es positivo o CF(Q) = 0 si c es 0 o c es negativo 19 Dominio de Aplicación (Mer-Val) 0.7 comprar_acciones(x) :- buen_precio(x). 0.9 buen_precio(x) :- buen_precio_web(x). 0.7 ~comprar_acciones(x) :- riesgosa(x). 0.8 riesgosa(x) :- en_fusion(x,y). 1 en_fusion(x,y) :- listado_fusiones_web(x,y). 0.6 riesgosa(x) :- rumores_deuda_web(x). 0.7 ~riesgosa(x) :- en_fusion(x,y), fuerte(y). 0.8 ~riesgosa(x) :- fuerte(x). 0.9 fuerte(x) :- listado_fuertes_web(x) rumores_deuda_web(strong) :- true. 0.8 listado_fuertes_web(strong) :- true. 23 9

10 Resolución del conflicto con información numérica [0.7] comprar_acciones(acme) :- buen_precio(acme). [0.9] buen_precio(acme) :- buen_precio_web(acme). [0.7] [0.7] ~comprar_acciones(acme) :- riesgosa(acme). [0.8] riesgosa(acme) :- en_fusion(acme,strong). [1] en_fusion(acme,strong):-listado_fusiones_web(acme,strong). [0.9] Para resolver el conflicto, usando la propuesta de Mycin, se puede obtener un valor para cada literal derivado. Ejemplo: CF( comprar_acciones(acme))= CF( ~comprar_acciones(acme))= La derivación preferida prevalece y vence a la otra. 24 Decisión basada en factores de certeza Si dos literales complementarios (como Q y ~Q) son derivables, se pueden utilizar sus CF para comparar y decidir por el de mayor CF. Si hay más de una forma de derivar Q uso el máximo CF. Una forma de hacer un mecanismo de inferencia es: respuesta(q,si) :- derivable(q,fcq), complement(q,c), \+ derivable(c,fcc). respuesta(q,si) :- derivable(q,fcq), complement(q,c), derivable(c,fcc), FCq > FCc. respuesta(q,no) :- \+ derivable(q,fcq). respuesta(q,no) :- derivable(q,fcq), complement(q,c), derivable(c,fcc), FCq <= FCc

11 Temario Representación de conocimiento y conflictos Tratamiento de conflicto 1: Conocimiento con factores de certeza Tratamiento de conflicto 2: Múltiples informantes con diferente credibilidad Otros puntos de conflicto entre derivaciones Múltiples informantes con diferente credibilidad En un entorno multi-agente es posible recibir información de un conjunto de informantes. { Ag1, Ag2, Ag3 } Entonces, para cada sentencia, en lugar de tener un número real asociado, se puede asociar un elemento de un conjunto discreto (los informantes). Si estos informantes no son igualmente creíbles, se puede establecer un orden de credibilidad entre ellos. Ag1 > Ag2 > Ag3 Si se dispone de un orden de credibilidad entre los informantes, entonces se puede usar esta información para decidir que información preferir, en aquellos casos que sea posible derivar un literal y su complemento

12 Dominio de Aplicación (Mer-Val) e1 comprar_acciones(x) :- buen_precio(x). e2 buen_precio(x) :- buen_precio_web(x). e3 ~comprar_acciones(x) :- riesgosa(x). e1 riesgosa(x) :- en_fusion(x,y). e3 en_fusion(x,y) :- listado_fusiones_web(x,y). e2 riesgosa(x) :- rumores_deuda_web(x). e2 ~riesgosa(x) :- en_fusion(x,y), fuerte(y). e3 ~riesgosa(x) :- fuerte(x). e1 fuerte(x) :- listado_fuertes_web(x). e3 > e1 > e2 > w2 > w1 w1 w2 w2 rumores_deuda_web(strong) :- true. w1 listado_fuertes_web(strong) :- true. 28 Resolución del conflicto con información simbólica [e1] comprar_acciones(acme) :- buen_precio(acme). [e2] buen_precio(acme) :- buen_precio_web(acme). [w1] [e3] ~comprar_acciones(acme) :- riesgosa(acme). [e1] riesgosa(acme) :- en_fusion(acme,strong). [e3] en_fusion(acme,strong):-listado_fusiones_web(acme,strong). [w2] e3 > e1 > e2 > w2 > w1 Para resolver el conflicto, se puede asociar el menor informante de la derivación, y se obtiene: infor( comprar_acciones(acme)) = w1 w2 > w1 infor( ~comprar_acciones(acme)) = w

13 Inferencia con informantes Una forma cauta (y bastante usual en IA) para determinar una preferencia entre dos conclusiones contradictorias es: - Dada una derivación, asociar a su conclusión el agente menos creíble de la derivación. - Si hay más de una derivación, se puede asociar el mejor de todas. Luego, una conclusión A es preferida a B si el informante asociado a A es mejor que el informante asociado a B. preferir(a, B):- obtenerderiv(a,deria), obtenerinformante(deria,ia), obtenerderiv(b,derib), obtenerinformante(derib,ib), mejorinformante(ia,ib). 30 Temario Representación de conocimiento y conflictos Tratamiento de conflicto 1: Conocimiento con factores de certeza Tratamiento de conflicto 2: Múltiples informantes con diferente credibilidad Otros puntos de conflicto entre derivaciones 13

14 Fuentes de conflicto comprar_acciones(acme) :- buen_precio(acme). buen_precio(acme) :- buen_precio_web(acme). ~comprar_acciones(acme) :- riesgosa(acme). riesgosa(acme) :- en_fusion(acme,strong). en_fusion(acme,strong):-listado_fusiones_web(acme,strong). La conclusion, es el único punto de ataque? Y los puntos intermedios de una derivación? Por ejemplo, una derivación para ~buen_precio(acme) podría representar una razón en contra de comprar_acciones(acme) y una derivación para ~riesgosa(acme) que representaría? 32 Derivaciones en conflicto comprar_acciones(acme) :- buen_precio(acme). buen_precio(acme) :- buen_precio_web(acme). ~comprar_acciones(acme) :- riesgosa(acme). riesgosa(acme) :- en_fusion(acme,strong). en_fusion(acme,strong):-listado_fusiones_web(acme,strong). ~riesgosa(acme) :- en_fusion(acme,strong), fuerte(strong). en_fusion(acme,strong) :- listado_fusiones_web(acme,strong). fuerte(strong) :- listado_fuertes_web(strong). listado_fuertes_web(strong) :- true

15 Derivación que sustenta comprar acme comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. c(a) d 1 Abreviaturas: a = acme, s = strong c(a) = comprar_acciones(acme) r(a) = riesgosa(acme) 34 Conclusiones en conflicto comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. c(a) d 1 ~c(a) d 2 Abreviaturas: a = acme, s = strong c(a) = comprar_acciones(acme) r(a) = riesgosa(acme) 35 15

16 Conflicto en puntos internos a una derivación comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). c(a) ~c(a) ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). r(a) en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). d 1 ~r(a) d 2 ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. d 3 36 Conflicto en puntos internos a una derivación comprar_acciones(x) :- buen_precio(x). buen_precio(x) :- buen_precio_web(x). c(a) ~c(a) ~comprar_acciones(x) :- riesgosa(x). riesgosa(x) :- en_fusion(x,y). r(a) en_fusion(x,y) :- listado_fusiones_web(x,y). riesgosa(x) :- rumores_deuda_web(x). d 1 ~r(a) d 2 ~riesgosa(x) :- en_fusion(x,y), fuerte(y). ~riesgosa(x) :- fuerte(x). r(a) fuerte(x) :- listado_fuertes_web(x). rumores_deuda_web(acme) :- true. listado_fuertes_web(strong) :- true. d 3 d

17 Razones a favor, en contra y defensa. c ~c r ~r A B F La derivación A expresa una razón para la conclusión c. B expresa una razón para la conclusión ~c. ~c y c son conclusiones contradictorias y están en conflicto. B expresa una razón en contra de c, y A en contra de ~c. B y A están en conflicto (se atacan mutuamente). Si F está en conflicto con un punto interno a la derivación B, entonces también está en conflicto con B. Si F está en contra de B entonces está indirectamente defendiendo a lo que ataca B. Se podría considerar a F como una razón a favor de c. 38 Sistema argumentativo A B F Un sistema argumentativo está formado por: - un conjunto de argumentos que expresan razones a favor de ciertas conclusiones, - y una relación de ataque que expresa el conflicto entre los argumentos

18 Análisis exhaustivo de argumentos a favor y en contra c En la clase que viene veremos un sistema argumentativo estructurado que a partir de una consulta c realiza un análisis exhaustivo de argumentos a favor y en contra de c. Este análisis incluye a todos los argumentos que atacan al que sostiene a c, a los que atacan a estos, y así siguiendo. 40 FIN Gracias por su atención 41 18