Tema1 - Incertidumbre en Sistemas Basados en Conocimiento

Inteligencia Artificial Avanzada Incertidumbre en los Sistemas basados en Conocimiento
Incertidumbre
En la asignatura Inteligencia Artificial se han descrito tcnicas
de representacin del conocimiento y razonamiento para un
modelo del mundo:
Completo
Cuando algo es cierto lo podemos probar
Consistente
Cuando algo no es cierto no se puede probar
Inalterable
Lo cierto y lo falso siempre permanecen as
Sin embargo, en muchos dominios de inters no es posible crear
tales modelos debido a la presencia de incertidumbre:
Falta de conocimiento seguro y claro de algo. (Diccionario RAE)

Fuentes de Incertidumbre: Hechos
Con respecto a los hechos:
Ignorancia
Puede que en un determinado campo el conocimiento sea incompleto.
Por ejemplo en el campo de las Ciencias Mdicas.
Aunque se pudiera completar el conocimiento, puede ser necesario tomar decisiones con
informacin incompleta.
Un paciente llega con gravedad a urgencias y es necesario proponer un tratamiento sin que sea
posible realizar todos los tests necesarios para saber con total exactitud su enfermedad.
En otros campos la ignorancia es irreducible
Presente en modelos fsicos
Cul ser el resultado del lanzamiento de una moneda?
Presente en la vida real
Es la otra persona sincera?
Vaguedad e Imprecisin
Algunos conceptos son vagos o imprecisos.
Las personas altas, guapas, felices etc.

Fuentes de Incertidumbre: Reglas
Con respecto a las reglas:
Las reglas son generalmente heursticas que utilizan los expertos en
determinadas situaciones.
En el mundo real utilizamos habitualmente reglas que son :

Inexactas o incompletas
Si es un ave entonces vuela, y los pinginos?
Si te duele la cabeza tienes gripe y si te diste un golpe?

Imprecisas
Si el agua est caliente aada un poco de sal

Inconsistentes
Al que madruga Dios le ayuda
No por mucho madrugar amanece ms temprano

4
Razonamiento con Incertidumbre
Objetivo:
Ser capaz de razonar sin tener todo el conocimiento relevante en un
campo determinado utilizando lo mejor posible el conocimiento que
se tiene.

Implementacin
Es dificil cumplir estos requerimientos utilizando la lgica de primer
orden
Deben de introducirse modelos para manejar informacin vaga,
incierta, incompleta y contradictoria.
Crucial para un sistema funcione en el mundo real
4
Actuar con Incertidumbre
El propsito ltimo de un sistema inteligente es actuar de forma
ptima utilizando el conocimiento del sistema y un conjunto de
percepciones.
Para actuar se necesita decidir que hacer.
Cul es la forma correcta de decidir?
La decisin racional:
Cuando se tienen distintas opciones un sistema debe decidirse por aquella accin que le
proporcione el mejor resultado.
Cuando hay incertidumbre para poder decidir racionalmente se
requiere:
La importancia de los distintos resultados de una accin
La certidumbre de alcanzar esos resultados cuando se realiza la accin.
4
Cuestiones a Resolver por las Aproximaciones a la
Incertidumbre
Cmo evaluar la aplicabilidad de las condiciones de las reglas?
Si X es mayor necesita gafas.
Se puede aplicar la regla si X tiene 40 aos?
Cmo combinar hechos imprecisos ?
X es alto, X es rubio
Con que certidumbre puedo afirmar que X es alto y rubio?
Dada un hecho imprecisa y una regla imprecisa: qu confianza se
puede tener en las conclusiones?
X estudia mucho
Si X estudia mucho aprobar
Con que certidumbre puedo afirmar que X aprobar?

4
Cuestiones a Resolver por las Aproximaciones a la
Incertidumbre
Dada la misma conclusin incierta de varias reglas: qu confianza
se puede tener en la conclusin?
Juan llega tarde, Luis llega tarde
Si Juan llega tarde la carretera est cortada
Si Luis llega tarde la carretera est cortada

Cul es la certidumbre de que la carretera est cortada?

4
Algo de Historia
Inicialmente la mayora de los investigadores en IA enfatizaban la importancia
del razonamiento simblico y evitaban la utilizacin de nmeros.
Los sistemas expertos no deben usar nmeros puesto que los expertos humanos no
lo hacen.
Los expertos no pueden suministrar los nmeros requeridos.
Sin embargo los ingenieros que desarrollaban las aplicaciones se dieron cuenta
pronto de la necesidad de representar la incertidumbre
El sistema experto MYCIN (aos 70) para el tratamiento de infecciones bacterianas
fue el primer xito en este campo.
Los mtodos numricos (especialmente los basados en probabilidad) son
actualmente una herramienta aceptada en IA
Debido a los xitos prcticos
A la complejidad de las teoras alternativas
4
Principales Modelos de Representacin de la
Incertidumbre
La lgica no es adecuada para modelar la incertidumbre por lo
que son necesarios nuevos modelos, entre ellos destacan:
Modelos Simblicos
Lgicas por Defecto
Lgicas basadas en Modelos Mnimos
La asuncin del mundo cerrado
Terminacin de predicados
Modelos Numricos
Probabilidad (siguiente tema)
Grados de certeza
Lgica difusa
4
Representacin Simblica de la Incertidumbre
La lgica asume que el conocimiento:
Es exacto.
Los hechos son ciertos o falsos
Es completo.
Todo lo que es cierto puede probarse con nuestra base de conocimiento.
Es consistente.
No tiene contradicciones.

Por tanto, con la lgica :
No se puede expresar incertidumbre.
No puede hacer deducciones lgicamente incorrectas pero probables
No se puede trabajar con informacin contradictoria

4
Representacin Simblica de la Incertidumbre:
Extensiones de la lgica
4
Lgica por defecto
Propuesta por Reiter para solucionar el problema del conocimiento
incompleto (1980).
Para ello se introducen una serie de reglas por defecto.
Intuitivamente:
Las reglas por defecto expresan caractersticas comunes a un conjunto de elementos que
se asumen ciertas salvo que se indique lo contrario.
Asuncin del mundo cerrado
Sirve para manejar conocimiento incompleto.
Intuitivamente:
Lo que no se puede probar a partir de mi Base de Conocimiento es falso
Utilizado en las B.D. y Prolog.
Inconvenientes
Teoras complejas y a veces inconsistentes.

Representacin Numrica de la Incertidumbre:
Factores de Certeza
Los Factores de certeza aparecieron en el sistema experto MYCIN:
desarrollado en la Universidad de Stanford (dcada de los 70) para el
diagnstico y consulta de enfermedades infecciosas.

Factores de certeza
La Base de Conocimiento de MYCIN consista en reglas de la forma:
Evidencia Hiptesis FC(H|E)
El factor de certeza FC representa la certidumbre en la Hiptesis
cuando se observa la Evidencia.
Los FC varan entre 1 (creencia nula) y 1 (creencia total)
4
Interpretacin de los factores de certeza

Interpretacin lingstica de los factores de certeza
Factores de Certeza
Las Reglas en Mycin
Ejemplo:
($AND (SAME CNTXT GRAM GRAMNEG)
(SAME CNTXT MORPH ROD)
(SAME CNTXT AIR ANAEROBIC))
(CONCLUDE CNTXT IDENTITY BACTEROIDES TALLY .6)

Lo que significa:
SI el organismo es gram-negativo
Y tiene forma de bastn
Y es anaerobio
ENTONCES el organismo es bacteriode (con certeza 0.6)

Los factores de certidumbre se introducan a mano por el diseador

4
Combinacin de Factores de Certeza (1)
con FC(E)=min
E
1

E
2

H
Dadas siguientes reglas y factores de certeza, calcular el factor de certeza de F

A, AC FC(C,A)=0.8x0.3=0.24
B, BC FC(C,B)=0.5x0.1=0.5
Combinacin FC(C,A,B)=0.24+0.5-0.24*0.5=0.62
C D FC(D,A,B)=0.62x0.7=0.44
D F FC(F,A,B)=0.44x0.9=0.4
E, E F FC(F,E)=1.0x-0.3=-0.3
Combinacin FC(F,A,B,E)=(0.4-0.3)/(1-min(0.4,0.3))=0.14
Por tanto, si observamos A,B y E podemos concluir F con certidumbre 0.14

Ejemplo de Combinacin de Factores de Certeza
A
B
C D
E
F
0.8
0.5
0.7
0.9
-0.3
4
0.3
1.0
1.0
Cmo era el rendimiento de Mycin?
El sistema experto Mycin proporcionaba diagnsticos y
recomendaciones teraputicas que eran al menos tan buenas
como los mejores expertos en la especialidad
Sin embargo los factores de certeza tienen graves incoherencias,
por ejemplo:
De SarampinRonchas (0.8) y RonchasAlergia (0.5) obtenemos
(encadenado) SarampinAlergia (0.4)!
Los factores de certeza no se utilizan ya en aplicaciones reales.
4
Desarrollada a partir de los trabajos de Zadeh (mediados de los
60)
Asigna a cada proposicin A un grado de verdad V entre 0 y 1
donde:
V(A)=0 indica que la proposicin es completamente falsa
V(A)=1 indica que la proposicin es totalmente verdadera
Valores intermedios de V(A) reflejan diferentes grados de verdad de la
proposicin
Es una generalizacin de la lgica clsica (que aparece tomando
los valores de verdad de todas las proposiciones como 0 1)
Relacionada con la descripcin de la vaguedad en vez de la
incertidumbre

Lgica difusa
4
Ejemplo
Dada la proposicin La temperatura del enfermo es alta
En la lgica clsica
Diramos por ejemplo la temperatura es alta temperatura>38
Por tanto si la temperatura es 37.99 diramos que la temperatura no es alta.
Nosotros no solemos razonar as
En la lgica difusa
Se da un grado de verdad V a la proposicin en funcin de temperatura
Por ejemplo:

>
s s
<
=
39 a temperatur 1
39 a temperatur 38 38 - a temperatur
38 a temperatur 0
alta) es ura V(temperat
temperatura
36 37 38 39 40
0
1 V(temperatura es alta)
Grados de verdad del predicado alta(temperatura)
4
Proposiciones Compuestas (1)
En la lgica difusa al igual que en la lgica clsica el valor de
verdad de una proposicin compuesta se calcula a travs del valor
de verdad de las proposiciones individuales
Existen varias formas de calcular estos valores de verdad. Los ms
usuales son:
V(A.B)=min(V(A),V(B))
V(AvB)=max(V(A),V(B))
V(A)=1-V(A)
Ntese que la lgica difusa no cumple:
No contradiccin: V(A.A) = 0 en general
Tercio excluso: V(AvA) = 1 en general

4
Proposiciones Compuestas (2)
Valor de verdad de la implicacin
La forma ms directa de asignar valores de verdad a la implicacin es
utilizar la equivalencia AB A vB
En este caso:V(AB)=max(1- V(A), V(B))
Sin embargo esta implicacin provoca situaciones poco intuitivas:
V(AB)=0.5 para V(A)=0.5, V(B)=0 (intuitivamente parece que V(AB) debera ser 0)
V(AB)=0.5 para V(A)=0.5, V(B)=0.5 (intuitivamente parece que V(AB) debera ser 1)
Como resultado de lo anterior se han desarrollado otras alternativas
para la implicacin como la de Godel:
V(AB)=V( (V(A) V(B)) vV(B) )
Con esta implicacin son siempre ciertas (tienen grado de verdad 1):
Simplificacin: (A.B) B
Modus ponens: [A.(A B)] B
Silogismo hipottico: [AB . BC] AC

Reglas Difusas
Aplicaremos los conceptos de lgica difusa a las reglas de los
sistemas expertos.
Las reglas en Mycin tenan la forma:
Si E entonces H
Las reglas difusas que utilizaremos tendrn la forma:
Si E=x entonces H=y, o de forma ms general
Si E op x entonces H=y
con op un operador matemtico como: =, >, o <.
Ejemplos
Si temperatura >50 entonces velocidad del ventilador=rpido
Si altura=alto entonces longitud de pantalones= largo
Razonamiento Difuso basado en Reglas
En el razonamiento difuso basado en reglas no se suele utilizar
ninguna de las implicaciones vistas anteriormente.
En los sistemas expertos difusos se suele utilizar la implicacin de
Mandami
Con esta implicacin el proceso de inferencia tiene 4 pasos:
Difusin:Obtener los grados de verdad de los antecedentes
Inferencia: Obtener los grados de verdad de los consecuentes
Composicin: Componer los grados de verdad de los consecuentes
Concisin: Extraer un valor numrico de la composicin de
consecuentes
Lo mostraremos con un ejemplo:
Se le toma la temperatura a un paciente y se quiere saber la dosis
apropiada de un medicamento.
Hechos:
temperatura=38 , 35 temperatura 45, 0 dosis 15
Reglas:
Si la temperatura es normal entonces la dosis es baja
Si la temperatura es templada entonces la dosis es media
Si la temperatura es alta la dosis es alta

36 37 38 39 40 temperatura
0
1
V
Normal
Templado Alta
Conjuntos Difusos temperatura normal, templada y alta
V
0 3 5 7 8 9 10 ml
0
1
Media Alta Baja
Conjuntos Difusos dosis baja, media y alta
Generalmente el proceso de razonamiento difuso consta de 4
pasos
Difusin: Obtener los grados de verdad de los antecedentes.
Se obtienen los grados de verdad de los antecedentes utilizando los hechos observados.
En el ejemplo:
Hechos:
temperatura=38

Grados de verdad:
temperatura normal: 0.33
temperatura templado: 1
temperatura alta: 0.33

Difusin
4
37 38 39 temperatura
0
1
V
Normal
Templado Alta
0.33
Inferencia: Obtener los grados de verdad de los consecuentes
Una vez calculados los grados de verdad de la premisa de cada regla se recalculan los
grados de verdad de los consecuentes mediante:
Min: los grados de verdad del consecuente se cortan a la altura del grado de verdad de la premisa,

Ejemplo (continuacin)
Reglas:
Si la temperatura es normal entonces la dosis es baja v=0.33

Si la temperatura es templada entonces la dosis es media v=1

Si la temperatura es alta la dosis es alta v=0.33

Razonamiento Difuso: Inferencia 4
0 3 5 7 10 ml
0
1
Baja
0 5 7.5 10 ml
0
1
Media
0 8 10 ml
0
1
Alta
0.33
0.33
Razonamiento Difuso: Composicin
Composicin de consecuentes
Todos los grados de verdad difusos correspondientes a reglas con el mismo consecuente se
combinan para dar lugar a los grados de verdad de la conclusin de las reglas mediante:
Max: Se toma el mximo de los grados de verdad correspondientes a las distintas consecuencias
4
Composicin (max)
0 10 ml
0
1
Baja
0 10 ml
0
1
Media
0 10 ml
0
1
Alta
0.33
0.33
V
0 1 2 3 4 5 6 7 8 9 10ml
0
1
0.33
Concisin (Opcional)
Se utiliza cuando se necesita convertir una conclusin difusa en concreta.
Generalmente se utilizan los mtodos:
Centroide: Se calcula el centro de gravedad de los grados de verdad de la conclusin difusa, o
Mximo: Se elige el mximo valor de los grados de verdad.

Por tanto con 38 grados la dosis sera de 7.6 ml.

Razonamiento Difuso: Concisin 4
}
}
=
dx x v
dx x v x
) (
) (
centroide
V
0
1
0.33
Centroide=7.6
0 1 2 3 4 5 6 7 8 9 10ml
Grados de certidumbre en Mycin
Asigna:Un nmero entre -1 y 1 a cada regla
Mide: La incertidumbre asociada a cada regla
Aplicaciones: Sistemas Expertos
Ventajas: El nmero de parmetros necesario es razonable
Inconvenientes: Dbil representacin de la independencia,
Incoherencias
Lgica difusa
Asigna:Un nmero entre 0 y 1 a cada proposicin
Mide: La verdad asociada a cada proposicin
Aplicaciones: Sistemas Expertos, Control
Ventajas: Proporciona una forma de razonar con la vaguedad
asociadas al lenguaje natural
Inconvenientes: Tiene muchas elecciones arbitrarias (combinacin de
grados de creencia, inferencia, etc.)

Resumen de representaciones numricas 4

Tema1 - Incertidumbre en Sistemas Basados en Conocimiento

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tema1 - Incertidumbre en Sistemas Basados en Conocimiento

Uploaded by

Copyright:

Available Formats

Inteligencia Artificial Avanzada Incertidumbre en los Sistemas basados en Conocimiento

You might also like