Professional Documents
Culture Documents
INTRODUCCIN
Los primeros desarrollos de la Inteligencia Artificial (IA) consistan en tcnicas muy generales que producan resultados espectaculares sobre pequeos problemas de prueba importancia del conocimiento y su representacin, en la resolucin de problemas
Uno de los grandes xitos de la IA reciente ha sido el desarrollo de los llamados Sistemas Expertos (SE).
INTRODUCCIN
SE Rene y representa los conocimientos preciso de expertos humanos en un rea
especfica ms poderoso
si permite incluir grados de certeza en las relaciones y afirmaciones inherentes a ese conocimiento
para representar tanto la incertidumbre (grado de creencia) como la imprecisin (grado de adecuacin)
En un conjunto difuso a cada elemento se le asocia un grado de pertenencia al conjunto, en el intervalo [0,1].
INTRODUCCIN
El desarrollo de la ingeniera es fundamental el anlisis de la incertidumbre e imprecisin asociada con los fenmenos reales y con la percepcin, interpretacin y modelamiento de la
realidad
USO DE LA LGICA DIFUSA
sistemas confiables,
econmicos y seguros
INTRODUCCIN
Qu es un Sistema Experto?
Un S.E. es un sistema informtico que incorpora una componente basada en el conocimiento, que se obtiene a partir de la habilidad de un experto humano, de forma que el sistema puede dar consejos o tomar decisiones inteligentes, y es capaza de justificar/explicar las mismas
INTRODUCCIN
SISTEMAS DE IA: exhiben conducta inteligente, simulando capacidadesde la inteligencia humana. SBC: Procesan conocimiento, separando el conocimiento sobre el dominio (informacin, datos) de como manejarlo (resolucin de
problemas).
SE: incorporan conocimiento experto, que tiene unas caractersticas que lo diferencian del conocimiento general. Un S.E. es un SBC (lo inverso necesariamente no es cierto).
se ocupa del estudio de la adquisicin del conocimiento, su representacin y la generacin de inferencias sobre ese conocimiento para realizar una tarea concreta
INTRODUCCIN
Ingeniera del Conocimiento VS Ingeniera del Software
Programas: Sentencias sobre datos que se
realizan en un orden predeterminado. Solucin nica Para el usuario el programa es una caja negra Programas = Estructuras de Datos + Algoritmos
conjunto de datos relacionados y estructurados dentro de un contexto que les aporta significado
El CONOCIMIENTO asociado a una persona y a una serie de habilidades personales se convierte en SABIDURA
conciernen bsicamente, al aspecto de utilizacin de la informacin en general
El CONOCIMIENTO es una mezcla de experiencia, informacin y saber hacer que acta como marco para la incorporacin de nuevas experiencias y guia la accin.
TIPO DE CONOCIMIENTO
Conocimiento preciso: cuando lo hayamos extrado mediante especificacin, de un conjunto de datos e informaciones que son completos y determinados. Conocimiento impreciso: cuando lo hayamos extrado mediante generalizacin, de un conjunto de datos o informaciones incompletos o infradeterminados; siendo la imprecisin una cuestin de grado. Conocimiento cierto: cuando lo hayamos extrado mediante deduccin, de un conjunto de datos e informaciones que consideramos que son verdaderos. Conocimiento incierto: cuando lo hayamos extrado mediante induccin, de un conjunto de datos e informaciones que no sabemos si son verdaderos, solo
confiamos en que lo sean; siendo la incertidumbre una cuestin de grado
Si una persona a travs de la expresin lingstica de un conocimiento es capaz de aprenderlo, esto quiere decir, que ese conocimiento esta incluido en el significado de la expresin. Y si eso es as, una buena forma de representar ese conocimiento es representando el significado de su expresin en el lenguaje
Dos aproximaciones
Prototipado:
Es el mtodo ms popular para el desarrollo de SBC Depende mucho ms de la involucracin de los usuarios Necesidad de comprobar el comportamiento del sistema segn se desarrolla Adquisicin del conocimiento y desarrollo del software se pueden combinar en el prototipado Problemas: Desarrollo ad hoc e indisciplinado
Estructurado:
KADS (Knowledge Acquisition and Design process): Metodologa de modelado, con una fase rigurosa de anlisis antes del diseo El prototipado se utiliza para exprimentar, no como metodoga
Tcnicas de Representacin del Conocimiento: Conocimiento Factual (Hechos). Conocimiento Normativo (Reglas): Conocimiento Procedural.
Control Inferencial
Resolucin de conflictos en el espacio de bsqueda Complejidad de premisas Peso de las reglas Combinacin: peso, complejidad Mayor frecuencia ltima utilizada Metarreglas (Cmo utilizar el conocimiento):
Priorizacin de reglas Exclusin de reglas Cambio encadenamiento
10
FORMALISMOS DE REPRESENTACION
PREMISA FUNDAMENTAL DE IA:
Para que un sistema informtico demuestre un comportamiento inteligente en la solucin de problemas, debe poseer : gran cantidad de conocimientos un potente mecanismo de razonamiento.
FORMALISMOS DE REPRESENTACION
Representacin: Modelado de un sistema Modelo Conceptual Adquisicin del conocimiento
Conceptos y relaciones
No computable
Mtodos de resolucin
Modelo Formal
Semicomputable
11
FORMALISMOS DE REPRESENTACION
Representacin: Modelado de un sistema Modelo Computable Bases de Conocimiento Mecanismos de inferencia Mecanismos de control
Operacional
Las tareas de adquisicin y modelado son difciles y costosas.
FORMALISMOS DE REPRESENTACION
DISTINTOS FORMALISMOS
FORMALISMOS LOGICOS Lgica de Predicados de primer orden SISTEMAS DE PRODUCCION Sistemas de Reglas lgicas FORMALISMOS ESTRUCTURADOS: Redes Semnticas Frames o Marcos SISTEMAS BASADOS EN LGICA DIFUSA
12
FORMALISMOS DE REPRESENTACION
Sistemas de produccin o basados en Reglas
Utilizan elementos de la LGICA Salen del marco estrictamente formal ms flexibles ms eficientes Pierden propiedades fundamentales como la consistencia y completitud.
Un SISTEMA DE PRODUCCIN es un modelo de cmo los humanos llegan a la solucin de un determinado problema donde las situaciones del mismo se contienen en la memoria de corta duracin y se combinan con las producciones de la memoria de larga duracin para inferir nueva informacin que ser aadida a la memoria temporal.
FORMALISMOS DE REPRESENTACION
Sistemas de produccin o basados en Reglas
BASE DE CONOCIMIENTO
Base de Hechos Base de Reglas
Motor de Inferencias
13
FORMALISMOS DE REPRESENTACION
Sistemas de produccin o basados en Reglas
Observacin R1: Si temperatura ambiente > 20C Y humedad relativa >65% Entonces es probable que haya tormentas Misma conclusin con prdida de informacin (hace calor, atmsfera hmeda) que puede ser til a la hora de deducir nuevo conocimiento
14
RAZONAMIENTO APROXIMADO
Se pueden encontrar los siguientes tipos de incertidumbre
(Torres y Tranchita, 2004).
resultados y de la ocurrencia de resultados y de la ocurrencia de 1) el determinismo; los eventos los eventos 2) la aleatoriedad - incertidumbre; No existe incertidumbre No existe incertidumbre 3) la ambigedad - imprecisin; 4) la vaguedad los posibles eventos resultantes de un los posibles eventos resultantes de un experimento son conocidos pero no 5) la confusin experimento son conocidos pero no
El conjunto que se El conjunto que se especifica no esta especifica no esta bien definido. bien definido. hace imposible hace imposible establecer la establecer la verdad o falsedad verdad o falsedad de una afirmacin de una afirmacin Por ejemplo:Juan Por ejemplo:Juan es joven". es joven".
tenemos seguridad en la aparicin o no tenemos seguridad en la aparicin o no de un cierto fenmeno o resultado. de un cierto fenmeno o resultado. una afirmacin que puede ser una afirmacin que puede ser verdadera o farsa verdadera o farsa Por ejemplo: maana llovera". Por ejemplo: maana llovera".
falta de informacin falta de informacin los eventos no estn especificados o definidos los eventos no estn especificados o definidos claramente claramente El valor de una variable se encuentra en un conjunto El valor de una variable se encuentra en un conjunto de valores pero no se puede precisar cual es. de valores pero no se puede precisar cual es. Por ejemplo: Juan tiene entre 20 y 25 aos". Por ejemplo: Juan tiene entre 20 y 25 aos".
incertidumbre de conflicto, que rene caractersticas tanto ambiguas como vagas incertidumbre de conflicto, que rene caractersticas tanto ambiguas como vagas
RAZONAMIENTO APROXIMADO
Informacin incierta (en lugar de simplemente CIERTO o FALSO) o imprecisa-vaga (en vez de conjuntos clsicos, o predicados de primer orden). La representacin y razonamiento sobre conocimiento incierto o impreciso da lugar al razonamiento aproximado (inexacto o plausible).
Se necesita ampliar la base de la lgica clsica a fin de poder representar y tratar informacin con dichas caractersticas
15
Problemticas
Representacin del conocimiento incierto / impreciso Combinacin de datos inciertos/imprecisos Propagacin de la incertidumbre / imprecisin desde las premisas a la conclusin.
RAZONAMIENTO APROXIMADO
Tcnicas de Resolucin Incertidumbre:
Mtodos Probabilsticos
Basadas en Teora de la probabilidad: punto de partida para el desarrollo de modelos que manejan incertidumbre en SE basados en reglas.
Modelo de Probabilidades Subjetivas, desarrollado para el SE PROSPECTOR. Modelo de factores de certeza, diseado por E.H. Shortlife y Buchanan con el propsito de tratar con informacin incierta en el SE MYCIN. Redes Bayesianas
Mtodos Posibilsticos
Basadas en la Lgica difusa de Zadeh
16
RAZONAMIENTO APROXIMADO
Fuzzy vs Probabilidad
incertidumbre
Mide el grado de creencia de que el x pertenece al conjunto A, no hay conocimiento previo y nos interesa el grado en que x pertenece a A
La pertenencia difusa representa similitud entre objetos con propiedades definidas imprecisamente de manera que determinarn un grado de verdad que solo cambiar si se cambia el mundo
La probabilidad de que la calle est mojada es de 0.5 y de que no lo est de 0.5 Es verdad? Si o no
La creencia 0.5 significa que la calle esta medio mojada Cul es el grado de verdad?
RAZONAMIENTO APROXIMADO
Fuzzy vs Probabilidad
17
LOGICA DIFUSA
(Zadeh, 1979)
Generalmente en la vida cotidiana, las palabras frecuentemente son utilizadas para describir variables.
Por ejemplo: Hoy hace calor, o la temperatura es alta hoy, se utiliza la palabra alta para describir la variables temperatura hoy. Juan es Joven, se utiliza la palabra joven para describir la variables altura de Juan.
La idea principal es representar la imprecisin contenida en proposiciones como: Juan es Joven Mediante una medida del grado de pertenencia de Juan a un Conjunto Difuso Joven. Cuando una variable toma palabras en lenguaje natural como sus valores, es llamada variable lingstica. Donde las palabras son caracterizadas por conjuntos difusos definidos en el universo de discurso en el cual la variable es definida
18
LOGICA DIFUSA
Ejemplo:
La velocidad de un carro es una variable x que toma valores en el intervalo [0, Vmax], donde Vmax es la mxima velocidad del carro. Se definirn tres conjuntos difusos: baja, media, y rpida en [0, Vmax].
Si x es una variable lingstica, entonces se puede tomar baja, media y rpida como sus valores Por lo que, se puede decir que x es pequea, x es mediana, y x es rpida.
Por su puesto, x tambin puede tomar nmeros en el intervalo [0, Vmax] como sus valores, por ejemplo, x = 50 mph, 35 mph, etc
LOGICA DIFUSA
En la literatura de la teora difusa, una definicin formal de una variable lingstica es la propuesta y empleada por Zadeh
19
LOGICA DIFUSA
Las variables lingsticas son los elementos ms fundamentales en la representacin del conocimiento humano. Por ejemplo, cuando se utiliza una pistola radar para medir la velocidad de los carros sta entrega nmeros como, 39K/h, 42K/h, etc.; cuando se le pregunta a una persona que diga cual es la velocidad de un carro, el/ella con frecuencia dice en palabras algo como es rpida, es baja, etc Al introducir el concepto de variable lingstica, se pueden formular descriptores vagos en lenguaje natural en trminos matemticos precisos.
LOGICA DIFUSA
El Conjunto Difuso (o valor lingstico) se define mediante la funcin de pertenencia de cada uno de sus miembros.
Una funcin de pertenencia es bsicamente una curva donde un valor de entrada ser mapeado a un valor de membresa al conjunto difuso
La funcin de pertenencia 'induce' una distribucin de posibilidad para cada valor
20
LOGICA DIFUSA
LOGICA DIFUSA
Los tres componentes bsicos 1. Eje x (Nro. Reales crecientes) que constituyen el dominio del conjunto difuso 2. Eje y con valores entre 0 y 1 que significa grado de pertenencia al conjunto 3. Funcin de Pertenencia (superficie) del conjunto, que conecta un elemento
del dominio con su grado de pertenencia.
21
LOGICA DIFUSA
El grado de pertenencia no es una probabilidad, pero en ocasiones se utiliza la probabilidad para establecer una medida de pertenencia. Puede ser definido como la medida de compatibilidad de un objeto con el concepto representado por un conjunto difuso Por ejemplo, si Carlos tiene 50 aos y se dice que su grado de pertenencia al conjunto de los jvenes es de 0,3 esto quiere decir que 0,3 es la compatibilidad de Carlos con la definicin del conjunto difuso de los jvenes, y NO es la probabilidad de Carlos de ser joven Ejemplo:
Sea U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}, entonces los conjuntos definidos a continuacin son difusos: POCOS = (1/1, 0.9/2, 0.8/3, 0.4/4) VARIOS = (0.5/3, 0.8/4, 1/5, 1/6, 0.8/7, 0.5/8) MUCHOS=(0.4/6, 0.6/7, 0.8/8, 0.9/9, 1/10) Note que el elemento 4 pertenece en grado 0.4 al conjunto POCOS, en grado 0.8 al conjunto VARIOS y en grado 0.0 a MUCHOS.
LOGICA DIFUSA
En la actualidad son usados distintos tipos de funciones de pertenencia
Funcin de transferencia para un conjunto DIFUSO TRAPEZOIDAL Funcin de transferencia para un conjunto CRISP intervalo y signoidal
22
LOGICA DIFUSA
ncleo (kernel) = conjunto de todos los elementos de X que tienen un nivel de pertenencia con grado 1
El conjunto difuso cuyo soporte es un nico punto, como valor de (x)=1, es llamado de conjunto singleton El universo de discusin es el espacio difuso completo de variaciones de una variable o modelo
El conjunto -cuto punto de corte es una restriccin (limite) impuesta al dominio, basado en el valor de . Contiene todos los elementos del dominio que posean (x) arriba de un cierto valor .
El dominio del conjunto difuso es el universo total de valores posibles para los elementos del conjunto entonces depende del contexto
LOGICA DIFUSA
Operaciones sobre los conjuntos difusos
23
LOGICA DIFUSA
T-normas y S-normas
Algunos de los operadores que acabamos de ver, como la mininterseccin, por ejemplo, pertenecen a una clase general de operadores llamados normas triangulares (T-normas), mientras que otros, como la suma limitada, pertenencen a la clase general de las llamadas conormas triangulares (o S-normas).
LOGICA DIFUSA
T-normas y S-normas
24
LOGICA DIFUSA
T-normas y S-normas
LOGICA DIFUSA
Modificadores
25
Reglas Difusas
Este tipo de sistemas constituyen una extensin en los Sistemas Basados en Reglas que hacen uso de la Lgica Clsica puesto que emplean reglas del tipo Si-entonces en las que los antecedentes y consecuentes estn compuestos por proposiciones difusas en lugar de proposiciones clsicas
Sistema Basado en Reglas en el que la Lgica Difusa puede ser empleada tanto como herramienta para representar distintas formas de conocimiento sobre el problema a resolver, como para modelar las interacciones y relaciones existentes entre las variables del mismo.
26
2 Reglas Difusas
Es la base de conocimiento, las reglas lingsticas de control y la informacin referente a las funciones de pertenencia de los conjuntos difusos
Las reglas difusas combinan uno o ms conjuntos difusos de entrada, llamados antecedentes o premisas, y las asocian a un conjunto difuso de salida llamado consecuente. Estas reglas son las que permiten expresar el conocimiento que se dispone sobre la relacin entre antecedentes y consecuentes
27
relaciones difusas
composicin
operaciones de composicin
operaciones agregacin
La interpretacin de una regla SI-Entonces involucra dos pasos, el primero es evaluar el antecedente mediante la aplicacin de cualquier operador difuso y el segundo paso es la implicacin o la aplicacin del resultado del antecedente al consecuente. Se trata de evaluar la activacin de una regla (activacin del consecuente) en funcin del grado de cumplimiento del antecedente. Para realizar dicha tarea se usan operadores de composicin de conjuntos difusos
28
Modelos Difusos
Clasificacin de los sistemas difusos desde el punto de vista de la representacin del conocimiento
Mamdani (Mamdani y Assilian, 1975). Tsukamoto (Tsukamoto, 1979). Sugeno (Takagi y Sugeno, 1985).
Principal diferencia
29
La salida de cada regla se define como un valor simple generado por el nivel de activacin de la regla
30
31
32
APLICACION DE SE DIFUSOS
Por medio de las variables lingsticas y usando conjuntos difusos para su representacin, el programador puede traducir dichas variables para poder introducirlas directamente a un programa, implementando la funcin de pertenencia que las define. Esta clase de entendimiento humano-mquina, es particularmente importante ya sea para sistemas expertos o bien para procesos de control. Actualmente existen un amplio abanico de aplicaciones programadas en lenguaje natural.
APLICACION DE SE DIFUSOS
Listan las principales aplicaciones basados en software con lgica borrosa
33
Aplicaciones
APLICACION DE SE DIFUSOS
Diagnstico de fallos en sistemas industriales basado en razonamiento borroso Tesis doctoral
Julio Csar Ramrez Valenzuela UNIVERSIDAD POLITECNICA DE VALENCIA, 20 de abril de 2007.
diagnstico de fallos
Estudio de la Aplicacin de Sistemas Basados en el Conocimiento a la Operacin de una Planta de Tratamiento de Residuos Slidos Urbanos por
valorizacin energtica
Xavier LLAUR FBREGAS Universidad de Girona. Departament Denginyeria Qumica Agraria I Tecnologies Agroalimentries ISBN: 84-688-1294-3 Dipsit legal: GI-92-2003
Tratamiento de Residuos
34
APLICACION DE SE DIFUSOS
Sistemas borroso:
Son una de las ms nuevas aplicaciones de la lgica difusa. El conocimiento es entonces expresado por medio de variables lingsticas, conjuntos y reglas difusas.
Enrique Lpez Gonzlez, Carlos Cao Alegre, David Senz Tagarro, Iago Trancn Barros Technical Report #MISYG-2004-03 July, 2004
APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas Qu es un detector?
cualquier programa capaz de procesar informacin en tiempo real, informacin
deteccion anomalias
normalmente a bajo nivel como trfico o eventos de sistema y lanzar alertas ante la localizacin de situaciones previamente definidas
La definicin de estas situaciones se puede hacer de dos formas:
35
APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas Variables relacionadas con las dificultades de los detectores en relacin con su sensibilidad y fiabilidad Falsos Positivos. La falta de fiabilidad en nuestros detectores es
el causante de los falsos positivos, es decir alertas que realmente no corresponden con ataques reales. Falsos Negativos. La incapacidad de deteccin implicara que un ataque es pasado por alto.
APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas LOS OBJETIVOS DEL SISTEMA
El sistema tomar como variables de entradas parmetros caractersticos de la supuesta anomala detectada por otros mdulos El sistema permitir definir tambin como entrada el nivel de seguridad que se desea para el sistema, de forma que una misma anomala pueda recibir diferente tratamiento segn el nivel de seguridad que se establezca, es decir,
una anomala puedae ser considerada un ataque en un nivel de seguridad Alto, y puede considerarse una operacin normal en un nivel de seguridad Bajo.
El nivel de seguridad del sistema quedar definido en funcin del grado de fiabilidad y sensibilidad establecida. El sistema devolver 2 variables de salida:
1. La probabilidad de que la anomala seleccionada (que en nuestro caso ser descrita a travs de las opciones de interfaz que se detallen) sea realmente un ataque a la seguridad del sistema. Si la probabilidad de que la anomala sea un ataque al sistema es mayor del 50%, entonces se indicar la probabilidad de que el ataque sea un falso positivo. Si la probabilidad de que la anomala sea un ataque al sistema es menor del 50%, entonces se indicar la probabilidad de que el ataque sea un falso negativo.
2.
36
APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas PRINCIPALES VARIABLES DE ENTRADA
los parmetros que determinan si las entradas definen un ataque al sistema los determinaremos durante el desarrollo
APLICACION DE SE DIFUSOS
SEB calificar sensorialmente vino
evaluacion sensorial difusa
aplicacin de sistemas de inferencia difusa para calificar las muestras a partir de las percepciones de los jueces
La Evaluacin Sensorial trabaja con paneles constituidos por personas que proporcionan la informacin percibida por los sentidos, se considera que el aparato sensorial humano muestra grados de variacin de sensibilidad de persona a persona y que la sensibilidad puede depender de circunstancias externas o del medio, por ende, este tipo de informacin implica subjetividad. Una aproximacin ms realista consiste en expresar sus percepciones modelando la informacin sensorial por medio de variables lingsticas difusas
37
CONCLUSIONES
La lgica difusa evita la rigidez del razonamiento matemtico convencional y la programacin de ordenadores. Por otro lado, los conjuntos difusos simplifican la tarea de traducir entre el razonamiento humano, que es intrnsecamente elstico, y el tipo de operacin rgida que las computadoras realizan. Esta clase de entendimiento humano-mquina, es particularmente importante ya sea para sistemas expertos o bien para procesos de control. Finalmente, lo ms significativo es que los conjuntos difusos permiten a las computadoras o mquinas usar el tipo de conocimiento humano que llamamos sentido comn.
38