Razonamiento aproximado

Ampliacin de Ingeniera
del Conocimiento
Eva Milln

Esquema del tema

6.1. Introduccin al razonamiento aproximado
6.2. El modelo de factores de certeza
6.3. Conjuntos difusos
6.4. Redes bayesianas
TEORA
6.5. El lenguaje Fuzzy Clips y la herramienta HUGIN
6.6 Aplicaciones al diagnstico y el control
PRCTICA

6.1. Introduccin al razonamiento

aproximado

Necesidad de razonamiento aproximado

Apuntes histricos

Necesidad de razonamiento
aproximado (I)
El modelo ideal del razonamiento (humano o
mecnico) es el razonamiento exacto.
En mundo real se suele razonar con informacin
que es:

incierta
imprecisa

Necesidad de razonamiento
aproximado (II)
Clasificacin de las fuentes de incertidumbre:

Deficiencias de la informacin,
Caractersticas del mundo real,
Deficiencias del modelo.

Necesidad de razonamiento
aproximado (III)
Ejemplos:

Informacin incompleta
Informacin errnea
Informacin imprecisa
Mundo real no determinista
Modelo incompleto
Modelo inexacto

Necesidad de razonamiento
aproximado (IV)
Todas estas fuentes de incertidumbre se dan en:

ciencias naturales,
ingeniera,
derecho,
humanidades
problemas tpicos de AI:

reconocimiento del lenguaje natural (hablado/escrito),

aprendizaje,
visin artificial,
robtica,
recuperacin de informacin,
juegos complejos
sistemas adaptativos

Necesidad de razonamiento
aproximado (V)
En resumen, el tratamiento de la incertidumbre es,
junto con la representacin del conocimiento y el
aprendizaje, uno de los problemas fundamentales de la
Inteligencia Artificial
Nos centraremos en los llamados mtodos numricos

Apuntes histricos (I)

1. Mtodo probabilista clsico

En el siglo XVIII, Bayes y Laplace propusieron la probabilidad

como una medida de la creencia personal.
Con el mtodo probabilstico clsico se construyeron los
primeros sistemas de diagnstico mdico
Inconvenientes principales:
gran cantidad de parmetros (probabilidades)
gran complejidad computacional
poca verosimilitud de las hiptesis simplificadoras

Apuntes histricos (II)

2. Programacin basada en reglas (aos 60-70)

Dendral utiliza con xito la programacin basada en reglas

Los creadores de MYCIN buscaban un mtodo de computacin
eficiente que pudiera adaptarse al razonamiento mediante
encadenamiento de reglas.
Desarrollan un mtodo propio, consistente en asignar a cada
regla un factor de certeza.
Aunque el sistema obtiene excelentes resultados, stos se
deben ms a la potencia del conjunto de reglas que al modelo de
factores de certeza en s, que hoy en da sabemos que tiene
graves deficiencias.

Apuntes histricos (III)

3. A principio de los aos 80, Judea Pearl retoma el
modelo probabilstico creando las redes bayesianas

Este acontecimiento cambia completamente el escenario

Modelo probabilista inspirado en la causalidad
El modelo probabilstico tiene asociado un modelo grfico,
cuyos nodos representan variables y cuyos arcos representan
mecanismos causales
Extraordinario desarrollo experimentado por las redes
bayesianas en las dos ltimas dcadas
Se han construido modelos de diagnstico y algoritmos
eficientes para problemas con miles de variables
Las universidades ms importantes y las empresas punteras de
informtica tienen grupos de investigacin dedicados a este
tema

Apuntes histricos (IV)

Ejemplos de empresas que utilizan redes bayesianas:

Microsoft (Windows 95/98, Office 97/200)

Digital,
Hewlett Packard, diagnstico de problemas de impresin
IBM,
Intel,
Siemens
Nokia

Apuntes histricos (V)

4. En paralelo, Lofti Zadeh sienta las bases de
la lgica difusa.

Motivacin inicial: estudio de la vaguedad

Relacin vaguedad incertidumbre
Paradoja del cntimo de euro
Solucin: definir conjuntos con grados de
pertenencia
Muchas reas de las matemticas y la lgica se han
difuminado desde entonces.

Resumen
Mtodos numricos de tratamiento de la
incertidumbre ms importantes:

Mtodo probabilstico clsico

Factores de certeza *
reglas SI...ENTONCES
Lgica difusa
*
Redes bayesianas *
relaciones causa-efecto

El debate sobre el mtodo ms adecuado

permanece abierto.