Crónicas de un informático

Crónicas de un informático es un blog enfocado a configurar nuevos servicios informáticos, informar de su utilidad y centrado en la Educación y la FP.


Tema 60 Sistemas basados en el conocimiento. Representación del conocimiento. Componentes y arquitectura.

Índice

Aquí deberías de colocar el índice de este tema. Dado que es posible que contemples mas apartados, opto por no incluirlo. 

Introducción

Se puede datar en nacimiento de la I.A. con el primer modelo de neurona artificial en 1943 siguiendo el siguiente modelo:

Modelo de neurona artificial

Posteriormente, Hebb plantea una regla de aprendizaje para redes neuronales. En 1956 en la conferencia de Dartmouth se propone el nombre de inteligencia artificial, existiendo dos enfoques:

  • Emular en funcionamiento de seres inteligentes.
  • Conseguir un comportamiento inteligente

Posteriormente existe un declive hasta 1970/1980 en los que nacen los sistemas basados en el conocimiento y existe un resurgir de las redes neuronales. En la actualidad se emplean aplicaciones industriales que usan sistemas expertos y existen nuevas aproximaciones como los genéticos, agentes inteligentes y sistemas híbridos.

1. Contextualización

Este tema está sujeto al Real Decreto 1147/2011 del 29 por el cual se establece la ordenación general de la F.P. (Tendrás que analizar si en tu oposición hay otras normativas que te aplican)

De la misma forma, aplica al alumnado de DAW/DAM para realizar aproximaciones de programación. De la misma forma, este temario puede ser de utilidad para el CURSO DE ESPECIALIZACIÓN EN INTELIGENCIA ARTIFICIAL Y BIG DATA

Finalmente, este tema nos puede permitir trabajar con el alumnado aspectos como la representación del conocimiento y la resolución de problemas o la búsqueda de rutas optimizadas.  

2. Propiedades de la seguridad y servicios

3 Introducción a la IA

3.1 Definición

John McCarthy la define como:

Ciencia e ingenio de hacer máquinas inteligentes, especialmente programadas para el cómputo inteligente.

También se ha definido como:

  • Ciencia que permite a las máquinas hacer tareas que requieren de inteligencia.
  • Estudiar como hacer que los ordenadores hagan tareas que las personas hacemos mejor.
  • Desplegar sistemas que adopten comportamientos que si fueran realizadas por seres humanos, las calificaríamos de inteligentes

A tal efecto, nace un concepto que deberá de ser tratado con el alumnado: la inteligencia.

3.2 Inteligencia

La inteligencia está condicionada a la perspectiva humana. Se puede definir a través de características encontradas en seres humanos:

  • Autonomía
  • Memoria
  • Aprendizaje
  • Razonamiento
  • Creatividad

A este respecto, hay que tener en cuenta que se procesa información para generar un resultado, a lo que llamamos: inferir

También destaca el razonamiento, que no deja de ser procesos con múltiples inferencias en cascada.

Asimismo, es necesario tener en cuenta que se puede construir inteligencia de dos formas:

  • Sistemas que piensan de forma inteligente (I.A. Subsimbólica)
  • Sistemas que actúan de forma inteligente (I.A. Simbólica)

3.3 Test de Turing

Desarrollado por Alan Turing, tiene como objetivo determinar si una máquina es inteligente. El jurado no sabe si interactua con una máquina o un ser humano y debe de identificar ambas figuras. Este test se supera si el jurada es incapaz de determinar quién es la máquina y quién el jurado.

Es necesario tener en cuenta que no es aplicable del todo en la práctica (debido al lenguaje natural o la percepción sensorial. Pero puede ser útil si se acota y controla el entorno en el que se realice la prueba.

3.4 Fundamentos

La I.A. puede tener unos fundamentos filosóficos:

  • ¿Qué gobierna el pensamiento?
  • ¿Los conocimiento son fruto de la percepción?

Matemáticos:

  • Reglas de razonamiento
  • Razonamiento con incertidumbres

Económicos:

  • Tomar decisiones beneficiosas
  • Teoría de la decisión (aplicable a la bolsa)

Neurociencia: ¿Cómo procesa el cerebro la información?

Psicológicos: ¿Cómo piensan y actúan las personas?

Computación: ¿Qué HW puede soportarlo? ¿Cómo programamos la I.A.?

Cibernético: ¿Cómo construimos sistemas autónomos?

Lingüísticos: ¿Cómo representamos el conocimiento?

4 Representación del conocimiento

Existen muchas formas de representar el conocimiento, pero a continuación se explican aquellas que pueden ser mas interesantes para el alumnado:

4.1 Lógica difusa

Empleado para representar o razonar sobre el conocimiento expresado de forma lingüística o verbal. Basado en la teoría de conjuntos clásica donde X es el universo del discurso y A un conjunto definido en X. Cada elemento pertenece al conjunto con un grado.

Ejemplo:

¿Es la gente joven? Si aceptamos únicamente respuestas binarias del tipo Si o No, nos encontramos que existe un rango de edad con pertenencia difusa a gente joven entre los 20 años y los 40 años de edad.

Se pueden emplear funciones con pertenencia difusa:

  • Triangular
  • Trapezoidal
  • Gaussiana.

Ejemplo2:

Si tuviéramos que elegir un jugador para un equipo de baloncesto con las siguientes premisas: altura >= 180cm y acierto >= 82%

Con la lógica clásica es necesario cumplir como ambas premisas. En cambio, con lógica difusa se busca la interacción entre jugadores altos y con buen porcentaje de aciertos. Es decir, un jugadr que mida 178 pero con un una tasa de acierto de 100% podría tener una oportunidad en el equipo con un grado de pertenencia del 0,66%

Gracias a la lógica difusa, se puede representar matemáticamente conceptos como calor o frio, bajo o alto e incluso mucho o poco. De la misma forma, también es necesario generar un conjunto de reglas difusas del siguiente tipo:

Si (proposición difusa) entonces (proposición difusa) => Si velocidad baja entonces el frenado se ejercitará de forma más baja.

Las aplicaciones de la lógica difusa pueden ser innumerables pero se destacan las siguientes:

  • Control de aires acondicionados.
  • Conducción autónoma
  • Control de sistemas industriales

4.2 Bioinspirados

Se basan en la optimización buscando la mejor solución sobre un conjunto de soluciones factibles. Entre sus aplicaciones se destacan las siguientes:

  • Rutas de vehículos
  • Planificación de procesos
  • Asignación de recursos
  • Clasificación de patrones

Utilizan analogías con sistemas naturales o sociales para resolver problemas de optimización. Emplean métodos heurísticos no determinísticos. Son adaptativos siendo uno de los campos de investigación mas prometedores. Algunos ejemplos serían los siguientes:

  • Evolutivos: basados en la evolución de Darwin (Selección, reproducción y mutación). Opera en los cromosomas.
  • Enjambre: inteligencia colectiva de un grupo de agentes simples “pájaros, abejas, hormigas…) Realizan acciones colectivas que no serían posibles para un único individuo.
  • Inmunológicos: basados en el comportamiento del sistema inmunológico
  • Neuronales: basados en el comportamiento del sistema nervioso.

Uno de los aspectos más importantes de los sistemas bioinspirados es la evolución artificial. Que usa modelos basados en la evolución genética y la selección natural. Usando poblaciones que contienen soluciones al problema. El proceso es una técnica de optimización probabilística. El procedimiento es el siguiente:

  1. Iniciar la población.
  2. Evaluar la población.
  3. Si no se cumple la condición de parada: se selecciona una nueva población, se cruzan los padres, se mutan los hijos y se reemplaza la población e hijos.
  4. Devolver el mejor individuo encontrado.

Tal y como se ha indicado previamente, la representación se basa en el genotipo en el que existen cromosomas, genes y alelos. Aquí es muy importante destacar la mutación, la cual debe de permitir alcanzar cualquier parte del espacio de búsqueda y debe de ser controlada.

4.3 Probabilístico

Nacen para dar respuesta a la incertidumbre, cuando tenemos un conocimiento parcial del problema, existen ruidos y errores o eventos no contemplados por nuestros modelos.

La teoría de la probabilidad requiere de una semántica clara basada en patrones. Se basan en grafos ya que son intuitivos. También se basan reglas ej: si fiebre y dolor de cabeza entonces puede tener gripes pero hay una incertidumbre y la certeza es del 0,7.

A tal efecto, la teoría de la probabilidad sirve como medio de representación del conocimiento incierto. Aquí nacen variables aleatorias, con distintos dominios (verdadero, falso, …) empleando elementos conectivos ( Y | Ó | Y NO)

Ejemplos:

Estado de la garganta = irritada Y NO congestión nasal

La probabilidad se puede distribuir, como en el tiempo:

P (tiempo=sol)=0,7

P (tiempo=lluvia)=0,2

P (tiempo=nubes)=0,08

P (tiempo=nieve)=0,02

P (tiempo)={0,7;0,2;0,08;0,02)

4.4 Neuronales

Los científicos han tratado de construir algoritmos que procesan información al igual que el cerebro humano. En la actualidad existen múltiples modelos de redes neuronales artificiales que tienen la capacidad de aprendizaje a partir de modelos.

El objetivo de una red neuronal radica en usar los principios de la organización de los cerebros biológicos para construir sistemas inteligentes. RNA: sistemas masivamente paralelos formados por un gran número de elementos simples “neuronas” interconectadas

Las redes neuronales puede tener las siguientes aplicaciones:

  • Tareas de clasificación.
  • Reconocimiento de patrones.
  • Reconocimiento y generación de voz.
  • Reconocimiento de formas.
  • Predicciones (bursátiles).

Por otra parte tenemos el concepto de neurona artificial. Cada neurona recibe diferentes señales de entrada (X1,X2,X3) de fuentes externas o incluso de otras neuronas. Cada señal se multiplica por un valor pesa (W1, W2,W3) que marca la fuerza de la conexión. La neurona calcula una salida usando una función de transferencia.

RNA de una capa

Las neuronas pueden calcular funciones boleanas simples (And, OR, Not). Varias neuronas se pueden conectar entre si formando una red neuronal artificial de forma que la salida de una neurona sirve de entrada de otras.

Finalmente, es necesario tener en cuenta que el proceso de aprendizaje se basa en el cambio de los pesos y que las redes neuronales requieren de ser entrenadas antes de ser utilizadas.

5 Sistemas basados en el conocimiento

Hacen uso del conocimiento separándolo de los mecanismos de inferencia. Se pueden definir como un conjunto de soluciones de HW, SW y humanos que orientan sobre la solución mas adecuada a un problema dado. Pueden cumplir las siguientes condiciones:

  • Almacenar el conocimiento en una base de conocimiento.
  • Mantener la seguridad e integridad.
  • Proveer al usuario de accesibilidad al conocimiento.

5.1 Sistemas expertos

Toman el conocimiento de un experto humano. Diseñados para tareas específicas, dando soluciones que normalmente tomarían expertos humanos. Emplean el conocimiento previo, para buscar una solución y obtener una justificación de las soluciones alcanzadas. Pueden ser empleando en las siguientes áreas de trabajo:

  • Interpretación
  • Diagnosis médica
  • Control
  • Monitorización “redes de monitorización”

Una de las ventajas de los sistemas expertos radica en que son mas baratos frente a expertos humanos y que pueden ser usados por personal no especializado.

5.2 Arquitectura y componentes

No existe una estructura de sistema experto común, pero la mayoría de los sistemas expertos tienen unos componentes básicos:

  • Interfaz con el usuario: permite al usuario describir el problema al sistema experto.
  • Base de conocimiento: estructura compuesta de hechos y reglas.
  • Motor de inferencia: algoritmo encargado de presentar resultados, transformando los datos de entrada.
  • Sistema de explicación: permite al usuario conocer como el sistema ha alcanzado una conclusión
  • Actualizador del conocimiento: permite añadir, modificar y eliminar conocimientos.

6 Conclusiones

Muchas de estos conceptos se pueden trabajar a través de Matlab que nos permite representar el conocimiento. Por otra parte, vivimos en un momento en los que tecnologías como ChatGPT y similares están cambiando la forma en la que trabajamos y deberán de ser tenidos en cuenta por parte del profesorado.

Bibliografía

Destacar el siguiente libro: Inteligencia Artificial Un Enfoque Moderno – Russel Norvig – Pearson.



Una respuesta a «Tema 60 Sistemas basados en el conocimiento. Representación del conocimiento. Componentes y arquitectura.»

Acerca de

Me llamo Iñigo Aramendi actualmente soy docente de formación profesional. Apasionado del mundo de las nuevas tecnologías, informática, ciberseguridad y la docencia. Siempre con ganas de seguir formándome y mejorando mis capacidades técnicas. Colegiado en el Colegio Oficial de Ingenieros en Informática.

suscríbete

Si quieres donarme uno o varios cafés…

1,00 €

Anuncios
A %d blogueros les gusta esto: