Unidad 2.

Representacin del
conocimiento, razonamiento y los
Aspectos Metodolgicos en
Inteligencia Artificial.
2.1 Principios y Metodologa de la Inteligencia
Artificial.
La inteligencia Artificial es una parte central de uno de los ms
profundos avances cientficos e intelectuales de los ltimos 60 aos: el
estudio de la informacin y del conocimiento; y, cmo estos pueden ser
adquiridos, almacenados, entendidos, manipulados, usados y
transmitidos. La investigacin ha permitido desarrollar una nueva ciencia
para el estudio de los principios por los cuales: conocimiento es
adquirido y utilizado, metas son generadas y logradas, informacin es
comunicada, colaboracin es alcanzada, conceptos formados, y el
lenguaje es utilizado. A sta se la puede llamar la ciencia del
conocimiento o la ciencia de la inteligencia. Igualmente, la creciente
necesidad de desarrollar aplicaciones capaces de resolver problemas
complejos, ejecutando procesos que se pueden llamar inteligentes, ha
dado lugar al aparecimiento de la ingeniera de sistemas inteligentes.
Acorde con estas consideraciones, en trminos simples, se puede decir
que:

La Inteligencia Artificial comprende la

investigacin cientfica y tecnolgica de los
sistemas inteligentes.

Se denomina sistema inteligente a una entidad

capaz de percibir, razonar, aprender, adaptarse,
tomar decisiones y actuar racionalmente para
satisfacer sus metas, en un determinado entorno.

Dada su complejidad, el desarrollo de la investigacin cientfica y

tecnolgica de los sistemas inteligentes, requiere del apoyo de otras
reas del conocimiento, tales como: Filosofa, Psicologa, Lingstica,
Ciencias de Computacin, Biologa, Neurociencias, Matemtica, Fsica,
Qumica, Ciberntica, Electrnica y Comunicaciones.
Desde la perspectiva filosfica, muchos tericos de IA creen que ciertos
procesos computacionales son necesarios y suficientes para la
inteligencia. John Searle llama esta creencia Inteligencia Artificial Fuerte
y sostiene que es fundamentalmente equivocada. La tesis central de la
inteligencia artificial fuerte es que los procesos realizados por una
computadora son idnticos a los que realiza el cerebro, y por lo tanto se
puede deducir que, si el cerebro genera conciencia, tambin las
computadoras deben ser conscientes. En su opinin, las aplicaciones de
IA tratan nicamente con la sintaxis, no con la semntica, por lo que un
computador no puede explicar la intencionalidad o significado de lo que
est procesando. La IA fuerte actualmente cae dentro de la ciencia
ficcin y la Especulacin futurista. El campo de la robtica es uno de los
que ms ha impulsado el estudio de la inteligencia general (Inteligencia
Artificial Fuerte46). Si bien se han logrado importantes avances, tambin
se han evidenciado las dificultades de tratar de generar modelos de
procesos mentales que todava los seres humanos no se ha logrado
entenderlos a un nivel suficiente como para ser capaces de describirlos,
representarlos y modelarlos.
Desde la perspectiva tecnolgica, en cambio los sistemas inteligentes no
necesariamente deben emular los procesos caractersticos de los seres
inteligentes. A esta premisa se la denomina Inteligencia Artificial Dbil.

En las ciencias de la computacin comprenden una amplia variedad de

tpicos, que van desde el anlisis abstracto de algoritmos, teora de la
computacin y gramticas formales, hasta temas como lenguajes de
programacin, software y hardware.
Los sistemas inteligentes son parte de las ciencias de computacin, que
cubren una serie de tpicos tericos experimentales que sirven de
base para la ingeniera de aplicaciones inteligentes.
En un campo de investigacin tan amplio y relativamente joven como la
Inteligencia Artificial, no es raro que prevalezcan muchas controversias,
tanto cientficas como filosficas. Segn lo seala Margaret Goden47,

actualmente, la mayora de investigadores en IA utilizan ya sea el modelo

clsico o el modelo conexionista. Sin embargo, debido a que ambos modelos
tienen debilidades y fortalezas complementarias, hay un creciente inters en
los modelos hbridos que tratan de obtener lo mejor de ambos mundos.
La IA a inicios del Siglo XXI es intrigantemente diversa. Varias apuestas
cientficas se estn realizando y no es obvio si alguna propuesta hbrida
eventualmente resultar ganadora. Adems, a medida que avance la
investigacin, nuevos conceptos de IA, surgirn sin lugar a dudas. Por
otro lado, tampoco est claro cmo las dificultades filosficas afectarn
la investigacin cientfica de IA, en trminos de su relacin con la
sociedad y la naturaleza.

Teora de la Complejidad
En el proceso de observacin inscrito en los fundamentos de la ciencia
clsica se considera al sujeto cognoscente como un observador neutro,
separado del objeto y despojado de sus emociones, intereses y
creencias.
Desde este paradigma, el objeto por conocer, es entendido de forma
mltiple y diversa (multidisciplinar), como las disciplinas que lo abordan,
y an ms, en el interior de cada disciplina se presentan divergencias
para entenderlo.
La complejidad surgi, a fines de los aos 60, a partir de la Teora de la
Informacin, la Ciberntica y la Teora de Sistemas. Importantes avances
en los ms diversos dominios cientficos en las ltimas dcadas, han
puesto en evidencia que la realidad lejos de ser un simple agregado de
partes en el que se puede ir aadiendo o quitando elementos para
explicar sus caractersticas y construir totalidades ordenadas y
predecibles, es ms bien una trama de relaciones en dinmica
permanente, regida por la incertidumbre y el caos.
Efectivamente, el saber contemporneo se presenta al observador como
una torre de babel, cuya multitud de objetos, mtodos, posiciones,
perspectivas, teoras, concepciones sobre el mundo y lenguas en las que
se describen unos y otras, convierten el panorama en algo complejo.
Edgar Morin65, socilogo y filsofo francs, sostiene que el pensamiento
complejo est basado en dos aspectos clave:
Integra todos los elementos que puedan aportar orden, claridad,
distincin, precisin en el conocimiento, pero rechaza las consecuencias
mutilantes, reduccionistas, unidimensionalizantes que puede producir
una simplificacin que oculte todos los vnculos, las interactuaciones, las
interferencias que hay en el mundo real.
Reconoce que el conocimiento completo es imposible. En este sentido
se formula uno de los axiomas de la complejidad: la imposibilidad,
incluso terica, de una omniciencia. Esto implica la afirmacin de un
principio de incompletitud y de incertidumbre.

2.1 Principios y Metodologa de la Inteligencia

Artificial.
Aunque desde muy atrs en la historia personalidades como Descartes,
Hobbes y Leibniz comenzaban a desarrollar la concepcin de que la
inteligencia humana funciona como un mecanismo y Von Kempelen y
Charles Babbage desarrollaron maquinarias que eran capaces de jugar
ajedrez y calcular logaritmos respectivamente, no es hasta 1943 que se
perfila de una forma concreta la Inteligencia Artificial con la propuesta
de Warren McCulloch y Walter Pitts de un modelo de neurona de cerebro
humano y animal que brindaba una representacin simblica de la
actividad cerebral. Norbert Wiener retomando esta idea y fusionndola
con otras dentro del mismo campo dio origen a la "ciberntica";
naciendo de esta en los aos 50 la Inteligencia Artificial (IA).
Uno de los primeros postulados, basndose en la propuesta de la
neurona de McCulloch planteaba que: "El cerebro es un solucionador
inteligente de problemas, de modo que imitemos al cerebro". Analizando
la complejidad del cerebro y el hardware tan primitivo que exista era
casi imposible realizar estos sueos.
En la propia dcada del 50 se desarrolla con cierto xito un sistema
visual de reconocimiento de patrones llamado Perceptrn de
Rossenblatt. Todos los esfuerzos en la construccin de esta aplicacin
estuvieron concentrados en lograr resolver una amplia gama de
problemas.
Ya en los 60 a partir de trabajos realizados en demostraciones de
teoremas y el ajedrez por computador de Alan Newell y Herbert Simon
se logra crear el GPS (General Problem Solver; sp: Solucionador General
de Problemas). Este programa era capaz de resolver problemas como los
de las Torres de Hanoi, trabajar con criptoaritmtica y otros similares. Su
limitacin fundamental es que operaba con microcosmos formalizados
que representaban parmetros dentro de los que se podan resolver las
problemticas. Adems no poda resolver situaciones del mundo real, ni
mdicas, ni tomar decisiones importantes.
Al girar un poco las primeras ideas de crear un sistema que fuera capaz
de resolver todos los problemas que se plantearan, hacia la idea de
darle solucin a problemas que se centraran en mbitos especficos,
surgen los Sistemas Expertos. En 1967 sale a la luz el Dendral y en 1974
el Mycin que realizaba diagnsticos de sangre y recetaba los
medicamentos necesarios.
A partir de la dcada de los 80 se comienzan a desarrollar lenguajes
especiales para programar descriptivamente, basados
fundamentalmente en predicados, sobresalen el Prolog y el Lisp.
La IA se ha desarrollado vertiginosamente en las ltimas dos dcadas
surgiendo sistemas cada vez ms potentes y aplicables en una amplia
gama de esferas, sociales, econmicas, industriales y mdicas por solo
citar algunas.

El trabajo de k. Craik titulado the Nature of explanation introduce

los fundamentos DEL PARADIGMA SIMBLICO (IAS) O
REPRESENTACIONAL AL INTERPRETAR EL CONOCIMIENTO
HUMANO en trminos de descripciones declarativas y modulares
de entidades simblicas de alto nivel y de reglas de inferencia
usadas para manipular dichas descripciones simblicas.

En 1943, Warren McCulloch Y Walter Pitts publicaron el trabajo

titulado: A Logical calculus of che ideas inmanent in nervous
activity, que seala el comienzo del PARADIGMA CONEXIONISTA
(IAC) (la neurocomputacion) en dicho trabajo se muestra que
incluso las formas ms simples de redes neuronales artificiales
pueden computar, en principio , funciones , aritmticas y lgicas.
Dicho paradigma est inspirado en el conocimiento actual que
tenemos del funcionamiento del cerebro.

Rosenblueth, N. Wiener y J. Bigelow, en su trabajo titulado

Behavior, and Teleology, introdujeron los fundamentos del
PARADIGMA SITUADO O REACTIVO, basado en el comportamiento,
al interpretar comportamiento inteligente en trminos de un
conjunto de mecanismo de realimentacin. Se pone nfasis en el
hecho de que toda percepcin y toda accin estn acopladas a
 travs de sensores y efectores concretos. Por ejemplo, un robot
que se mueve, gira a la derecha y evita un obstculo

La mayor parte de los problemas son de naturaleza hibrida, por lo

que su solucin tendr que ser tambin hibrida. Surge as el
PARADIGMA HIBRIDO (IAH). Es decir, en el control de un robot
podremos necesitar tcnicas simblicas, difusas y neuronales.

(Ortiz, 2006) nos indica que dentro de los paradigmas se

encuentra EL PARADIGMA DISTRIBUIDA (IAD) est aparece en la
dcada de los 80's donde intenta resolver problemas en donde una
conducta colectiva es ms eficiente que una conducta individual,
como lo estudia la inteligencia artificial que hace el anlisis de un
nico agente que se encuentra en un ambiente no cambiante y
que intenta resolver todo el problema con solo esta entidad.

(Alan, 2007)describe que tambin se encuentra el PARADIGMA

EVOLUTIVA (IAE) donde este surgi al final de los aos 60, cuando
se comenz a estudiar la incorporacin de mecanismos de
seleccin natural para la solucin de problemas. Como resultados
se crearon una serie de algoritmos que, basados en la Teora de la
Evolucin de Charles Darwin, conducen una bsqueda estocstica
de la solucin de un problema, haciendo evolucionar a un conjunto
de estructuras y seleccionando de modo iterativo.

(Delgado S Hernando A., 2013) describen que existe el PARADIGMA

DE REDES NEURONALES (IAN) para el aprendizaje y procesamiento
automtico, inspirado en la forma en que funciona el sistema
nervioso de los animales. Se trata de un sistema de
interconexiones de neuronas que colaboran entre s para producir
una salida.

(GONZALEZ, 2008) En los aos 70 que surgi un nuevo paradigma

en la Inteligencia Artificial los SISTEMAS EXPERTOS, cuya funcin
es desarrollar trabajos similares a los que desarrollara un
especialista en un rea determinada, la idea no es sustituir a los
 expertos, sino que estos sistemas sirvan de apoyo a los
especialistas en un dominio de aplicacin especfico.

(Mateos, 2013) explica que el PARADIGMA DE ALGORITMOS

GENETICOS son estrategias de bsqueda estocstica basados en
el mecanismo de seleccin natural y en algunos casos se
involucran aspectos de gentica natural, imitando a la evolucin
biolgica como estrategia para resolver problemas.

En particular, los investigadores Michael Crouse y Errin Fulp de la

universidad de Harvard estn creando la primera computadora
que de forma automtica ajusta su configuracin para defenderse
de ataques informticos. Ellos utilizan los algoritmos para
seleccionar las mejores configuraciones; configuraciones
adaptables, que van mejorando de generacin en generacin
segn explica (Lazalde, 2012)

(UNED, 2010) nos dicen que el PARADIGMA DE LA

NEUROCOMPUTACION est inspirada en la biologa, de resolver
algunas tareas encontradas frecuentemente cuando se trata de
reproducir mediante computadoras habilidades atribuidas a la
inteligencia humana.
2.1 Principios y Metodologa de la Inteligencia
Artificial.
Los mapas conceptuales son instrumentos de representacin del
conocimiento sencillo y prctico, que permiten transmitir con claridad
mensajes conceptuales complejos y facilitar tanto el aprendizaje como la
enseanza. Para mayor abundamiento, adoptan la forma de grafos.
Mapa conceptual es una tcnica usada para la representacin grfica del
conocimiento o es una red de conceptos.

En la red, los nudos representan los conceptos, y los enlaces las

relaciones entre los conceptos en forma de flechas etiquetadas El mapa
conceptual pueden tener varios propsitos:
Generar ideas (lluvia de ideas, etc.)
Disear una estructura compleja (textos largos, hipermedia,
pginas web grandes, etc.)
Comunicar ideas complejas
Contribuir al aprendizaje integrando explcitamente conocimientos
nuevos y antiguos
Evaluar la comprensin o diagnosticar la incomprensin
Explorar el conocimiento previo y los errores de concepto
Fomentar el aprendizaje significativo para mejorar el xito de los
estudiantes
Medir la comprensin de conceptos.
La tcnica de elaboracin de mapas conceptuales es un medio didctico
poderoso para organizar informacin, sintetizarla y presentarla
grficamente. Tambin nos permite apreciar el conjunto de la
informacin que contiene un texto y las relaciones entre sus
componentes, lo que facilita su comprensin, que es el camino ms
satisfactorio y efectivo para el aprendizaje.
Otra utilidad es que pueden servir para relatar oralmente o para
redactar textos en los que se maneje lgica y ordenadamente cierta
informacin; de ah que sean considerables como organizadores de
contenido de gran valor para diversas actividades acadmicas y de la
vida prctica.
Elementos de los mapas conceptuales
Los conceptos: Desde el punto de vista gramatical los conceptos
se identifican como nombres, adjetivos y pronombres, los que
representan hechos, objetos, ideas, etc.
 Palabras de enlace: Que se utilizan para unir los conceptos y para
indicar el tipo de relacin que se establece entre ellos.
Las proposiciones: Dos o ms trminos conceptuales unidos por
palabras para formar una unidad semntica.
Tcnica de construccin de los mapas conceptuales
Es muy sencilla pero compleja a la vez, porque requiere realizar varias
operaciones mentales. Se puede utilizar didcticamente para desarrollar
ideas y mostrar las relaciones que hay entre ellas.
La tcnica consta de los siguientes pasos:
Leer cuidadosamente el texto y entenderlo claramente. En caso
de haber palabras que no se comprendan o no conozcan, habr
que consultarlas y comprobar cmo funcionan en el contexto en
que se encuentran.
Localizar las ideas o palabras ms importantes (palabras clave)
con las que se construir el mapa; por lo general, son nombres o
sustantivos.
Determinar la jerarquizacin de dichas ideas o palabras clave.
Establecer las relaciones entre ellas.

Utilizar correctamente la simbologa

Simbologa de un Mapa Conceptual

a) Ideas o conceptos: Cada una se presenta escribindola encerrada en
un valo o en un rectngulo; es preferible utilizar valos.
b) Conectores: La conexin o relacin entre dos ideas se representa por
medio de una lnea inclinada, vertical u horizontal llamada conector o
lnea ramal que une ambas ideas.
Para conexiones y relaciones
c) Flechas: se pueden utilizar en los conectores para mostrar que la
relacin de significado entre las ideas o conceptos unidos se expresa
primordialmente en un solo sentido; tambin se usan para acentuar la
direccionalidad de las relaciones, cuando se considera indispensable.
Para indicar la direccionalidad de las relaciones
d) Descriptores: son la palabra (s) que describen la conexin; se
escriben cerca de los conectores o sobre ellos. Estos descriptores sirven
para etiquetar las relaciones. Tiene gran importancia elegir la palabra
correcta; o sea, la que mejor caracterice la relacin de que se trate, de
acuerdo con el matiz de significado que debe darse con precisin.

2.1 Principios y Metodologa de la Inteligencia

Artificial.

Una red semntica o esquema de representacin en Red es una forma

de representacin de conocimiento lingstico en la que los conceptos y
sus interrelaciones se representan mediante un grafo. En caso de que no
existan ciclos, estas redes pueden ser visualizadas como rboles. Las
redes semnticas son usadas, entre otras cosas, para representar mapas
conceptuales y mentales. Estos sistemas de organizacin del
conocimiento estructuran conceptos, no como jerarqua sino como una
red o una web.

Los conceptos son como nodos, con varias relaciones que se ramifican
hacia fuera de ellas.

Pueden incluir relaciones tipo todo-parte, causa-efecto, padre-nio.

Existen diversos tipos de relaciones semnticas como la hiponimia,
hiperonimia, la meronimia. Dado un conjunto de conceptos, elementos
semnticos o trminos relacionados semnticamente mediante alguna
relacin semntica, una red semntica representa estas relaciones en
forma de grafo.
Los responsables de los primeros esquemas de representacin
formalizados fueron Quillian (1968) y Shapiro & Woddmansee (1971).
Los esquemas de redes semnticas tienen una fundamentacin
psicolgica muy slida
Las redes semnticas han sido muy utilizadas en IA para representar el
conocimiento y por tanto ha existido una gran diversificacin de
tcnicas. Los elementos bsicos que encontramos en todos los
esquemas de redes son:
Estructuras de datos en nodos, que representan conceptos, unidas
por arcos que representan las relaciones entre los conceptos.
Un conjunto de procedimientos de inferencia que operan sobre las
estructuras de datos.
Bsicamente, podemos distinguir tres categoras de redes semnticas:
Redes IS-A, en las que los enlaces entre nodos estn etiquetados.
Grafos conceptuales: en los que existen dos tipos de nodos: de
conceptos y de relaciones
Redes de marcos: en los que los puntos de unin de los enlaces
son parte de la etiqueta del nodo.
Redes IS-A
Sin duda el tipo de red semntica por excelencia es el de redes IS-A. De
hecho muchas veces se menciona este tipo como sinnimo de "red
semntica", y los restantes tipos tambin incorporan este tipo de
enlaces o arcos (links). Esto ha dado lugar a que existan casi tantos
significados para un enlace IS-A como los hay para sistemas de KR
(Brachman, 1983).

Una red IS-A es una jerarqua taxonmica cuya espina dorsal est
constituida por un sistema de enlaces de herencia entre los objetos o
conceptos de representacin, conocidos como nodos. Estos enlaces o
arcos pueden estar etiquetados "IS-A", tambin "SUPERC", "AKO",
"SUBSET", etc. Los restantes tipos de redes semnticas son en realidad
especializaciones de redes IS-A, por lo que siguen y amplan los
conceptos fundamentales que exponemos en este apartado.

Las redes IS-A son el resultado de la observacin de que gran parte del
conocimiento humano se basa en la adscripcin de un subconjunto de
elementos como parte de otro ms general. Las taxonomas clsicas
naturales son un buen ejemplo: un perro es un cnido, un cnido es un
mamfero, un mamfero es un animal. Obteniendo un nmero de
proposiciones:

x (perro (x)) cnido (x);

x (cnido (x)) mamfero (x);

x (mamfero (x)) animal (x);

La estructuracin jerrquica facilita que la adscripcin de propiedades a

una determinada categora se reduzca a aquellas que son especficas a
la misma, heredando aquellas propiedades de las categoras superiores
de la jerarqua, tradicionalmente de una forma monotnica. El siguiente
ejemplo de red IS-A , tomado de (Brachman 1983) ejemplifica una red
semntica tpica con herencia de propiedades.

El concepto de herencia es fundamental para entender el

funcionamiento de las redes semnticas, as como el del modelo de
datos orientado al objeto, que toma prestados estos mecanismos
desarrollados en el mbito de la IA. Siguiendo a Shastri (1988),
definimos la herencia como el sistema de razonamiento que lleva a un
agente a deducir propiedades de un concepto basndose en las
propiedades de conceptos ms altos en la jerarqua.
En el ejemplo jerrquico de la Figura, el agente23 sera capaz de atribuir
las propiedades "breathes" o "has gills" al concepto "shark" sin que
stas se encuentren especficamente mencionadas. La herencia, por
tanto, puede ser definida como el proceso mediante el cual se
determinan unas propiedades de un concepto C, buscando las
propiedades atribuidas localmente a C, si esta informacin no se
encuentra a nivel local, buscando las propiedades atribuidas a conceptos
que se encuentran en los niveles superiores a C en la jerarqua
conceptual.

Como Brachman (1983) recuerda, las nodos de las estructuras IS-A se

han usado para representar muchas cosas, pero la divisin ms
importante es la interpretacin genrica o especfica de los nodos, es
decir, si stos representan un slo individuo o varios. Los nodos situados
en lo ms bajo de la jerarqua y que denotan individuos son llamados
tokens, mientras que los nodos superiores, que denotan clases de
individuos son considerados types. Puesto que en una misma jerarqua
podemos obtener nodos de ambos tipos, se debe hacer explcita una
distincin de los tipos de enlaces. Por un lado existen enlaces que
conectan categoras (genricas) con otras categoras, y por otro, enlaces
entre categoras e individuos. Las primeras pueden expresar las
siguientes relaciones:
Subconjunto/superconjunto
Generalizacin/especificacin
AKO, esto es, "a kind of"
Contenido conceptual
Restriccin de valores
Tipo caracterstico del conjunto

Las relaciones genrico/individuales tambin son de varios tipos:

Pertenencia al conjunto
Predicacin
Contenido conceptual
Abstraccin

Grafos conceptuales
Los grafos conceptuales (conceptual graphs), propuestos por Sowa
(1984), se diferencian de las redes IS-A en que los arcos no estn
etiquetados, y los nodos son de dos tipos:
Nodos de concepto, que pueden representar tanto una entidad como un
estado o proceso.
Nodos de relacin, que indican cmo se relacionan los nodos de
concepto.
Por tanto, son los nodos de relacin los que hacen el papel de enlaces
entre las entidades.
[CONCEPT 1] (REL.) [CONCEPT2

Existen dos notaciones

para los grafos conceptuales, la forma lineal (textual) y los diagramas o
display form, que presentan tres tipos de elementos notacionales:

rectngulos, que marcan los nodos de concepto,

crculos, que marcan los nodos de relacin,
flechas direccionadas, que marcan los arcos.
, este tipo de modelado conceptual debe mucho al modelo de
Entidad/Relacin
La intencin del uso de los grafos conceptuales para la representacin
del lenguaje natural es mencionada por el propio Sowa, quien dedica un
captulo completo de su obra a la aplicacin de su esquema al anlisis
del lenguaje. La representacin semntica de la frase "man biting dog"
que nos muestra en el captulo introductorio es indicativo del uso que se
le puede dar. Sowa apunta que sus grafos conceptuales ponen el nfasis
en la representacin semntica (en el sentido lingstico de la palabra).

Esquemas de marcos
Los marcos (frames), tambin conocidos como estructuras o
unidades, introducidos por Minsky (1974) [66], son una forma de
expresar las redes semnticas textualmente, pero adems pueden
incluir representaciones de conocimiento procedimental. En efecto, cada
nodo correspondiente a un objeto o a una clase se convierte en un
marco, que consta de una primera lnea con el nombre del marco y una
sucesin de lneas, llamadas ranuras (slots) con la sintaxis:
<ranura> ::= <nombre de relacin>: <objeto relacionado> |
<nombre de relacin>: <clase relacionada> |
<nombre de propiedad>: <valor de la propiedad> |
<nombre de propiedad>: (excep) <valor de la propiedad> |
<nombre de propiedad>: if_needed <procedimiento> |
<nombre de propiedad>: if_added <procedimiento>
<nombre de relacin> ::= es_un |
tipo_de |
<relacion especfica de la aplicacin>

Como se puede observar la fundamentacin psicolgica de los marcos

es parecida a la de los scripts de Schank: cuando nos enfrentamos con
una situacin determinada, intentamos ajustarla a otra parecida de la
que ya tenemos experiencia previa y esperamos que aparezcan un
nmero de elementos comunes y se sucedan algunas situaciones.
Por ejemplo, si entramos en una habitacin de hotel, esperamos
encontrar una cama, un armario, un bao, etc. Nuestra mente
reconocer las instancias especficas de la nueva habitacin y los
acomodar al estereotipo que ya poseemos. La base de la teora la
conforman, por tanto, las situaciones estereotipadas.
La organizacin jerrquica de los marcos es una de sus caractersticas
ms destacables. Los marcos se organizan en jerarquas que presentan
los mismos sistemas de herencia que encontrbamos en las redes IS-A.
De hecho, una estructura de marcos no es ms que una ampliacin de
una estructura de redes IS-A bsica (de redes semnticas tradicionales),
donde los nodos han sido reemplazados por grupos estructurados de
informacin (los marcos).
Una jerarqua de marcos es un rbol en el que cada uno de los nodos es
un marco. Para cada nodo hijo, el enlace con el nodo padre es un enlace
de herencia. El nodo hijo hereda todos los slots de su padre a menos que
se especifique lo contrario (sobrecontrol). Esta es una gran diferencia
con las redes IS-A, donde la herencia es siempre monotnica, es decir no
hay posibilidad de negar la herencia de propiedades en un contexto o
situacin determinada (que puede ser especificada por el resultado de
una operacin de triggering). Los nodos pueden ser de dos tipos: nodos
de clase y nodos de instancia. Todos los nodos internos (no terminales)
han de ser nodos de clase.
La caracterstica que la herencia trae
consigo es el concepto de
valores por defecto (defaults). En un
marco se puede especificar un valor determinado o bien un valor por
omisin (tambin llamados valores locales y valores heredados), en cuyo
caso heredar sin ms el valor de su antecesor. Por ejemplo, la clase
(nodo de clase) ave, tendr el valor por omisin vuela como "cierto",
aunque algunos nodos de instancia hijos, por ejemplo avestruz, no
posean esta propiedad. Esta instancia concreta puede ser obligada a no
heredar esta propiedad asignndole el valor "falso", mientras que otras
propiedades, como tiene_alas, s seran heredadas por defecto (aunque
en otras instancias, como en el caso de kiwi, sta habra de ser negada).
Podemos resumir las principales caractersticas de los marcos en las
siguientes (Minsky 1975; Winograd 1975):

Precisin (Explicitness): se precisan los objetos, las relaciones

entre objetos y sus propiedades; en ausencia de evidencia
contraria se usan valores por omisin
 Activacin dinmica de procesos (Triggering): se pueden adjuntar
procedimientos a un marco o alguno de sus componentes y ser
llamados y ejecutados automticamente tras la comprobacin de
cambio de alguna propiedad o valor (p. ej. if-needed, if-added)

Herencia por defecto no-monotnica: los marcos estn

conceptualmente relacionados, permitiendo que atributos de
objetos sean heredados de otros objetos predecesores en la
jerarqua

Modularidad: la base de conocimiento est organizada en

componentes claramente diferenciados