Representación del Conocimiento.

         

La IA busca representar generalizaciones, es decir, no representar cada situación individual, sino agrupar las situaciones que comparten propiedades importantes. De tal forma que pueda:

a        a)    Ser entendido por las personas que lo provean.

b        b)    Ser modificado para corregir errores y reflejar cambios en el mundo.

c        c)    Usarse en muchas situaciones aun sin ser totalmente exacto o completo.

d        d) Usarse superando su propio volumen y disminuir el rango de posibilidades que deben considerarse.

e        e)    Caracterizarse las técnicas de IA  con independencia del problema a tratar.

      El conocimiento puede ser de tipo procedimental, declarativo o heurístico.

·      Conocimiento procedimental: es aquel que es compilado y se refiere a la forma de realizar una cierta tarea.

·  Conocimiento declarativo: es conocimiento pasivo, sentencias que expresan hechos del mundo que nos rodea. Por ejemplo, la información en una base de datos.

·    Conocimiento heurístico: es algo especial para resolver problemas complejos. Es un criterio, estrategia, método o proceso que simplifica resolver problemas.

         Jerarquía del Conocimiento.

§  Metaconocimiento: conocimiento acerca del conocimiento y la experiencia.

§  Conocimiento: información especializada que nos es útil.

§  Información: datos procesados que resultan de interés.

§  Datos: elementos de interés potencial.

§  Ruido: elementos de poco interés que ocultan datos.

Existen 2 tipos de conocimiento:

·         Formal:

o   Reglas de producción.

o   Lógica de predicados.

·         No formal:

o   Redes Semánticas.

o   Frames.

o   Scripts.

o   Dependencia Conceptual.

    Lógica de Predicados.

   Está basada en la idea de que las sentencias realmente expresan relaciones entro objetos, así como también cualidades y atributos de tales objetos.

Los objetos pueden ser personas, objetos físicos o conceptos.

Las cualidades, relaciones o atributos, se denominan predicados. Los objetos se conocen como argumentos o términos del predicado.

Al igual que las proposiciones, los predicados tienen un valor de veracidad, pero a diferencia de las preposiciones, su valor de veracidad, depende de sus términos. Un predicado puede ser verdadero para un conjunto de términos, pero falso para otro.

Conocimiento Mediante Reglas.

    Permite lograr una búsqueda de aserciones lógicas en el estudio de los sistemas basados o encaminados en una serie de instrucciones permitiendo de este modo lograr las vías de ejecución del programa de forma similar a las construcciones tradicionales de control como If, Then, Else. Las cuales definen los caminos de ejecución de los programas tradicionales.

Inteligencia artificial emparejamiento:

Búsqueda inteligente Saber elegir entre las diferentes reglas que se pueden aplicar emparejamiento entre el estado actual y las precondiciones de las reglas.

Clases de emparejamiento.

Indexación: Realiza una búsqueda sencilla a través de todas las reglas, comparando las precondiciones de cada con el estado actual

Emparejamiento con variables: En los sistemas basados en reglas se necesita calcular todo el conjunto de reglas que emparejan con la descripción del estado actual.

Razonamiento Estadístico. (teorema Bayesiano).

      La metodología bayesiana está basada en la interpretación subjetiva de la probabilidad y tiene como punto central el Teorema de Bayes.

El objetivo de la estadística, y en particular de la estadística Bayesiana, es proporcionar una metodología para analizar adecuadamente la información con la que se cuenta (análisis de datos) y decidir de manera razonable sobre la mejor forma de actuar (teoría de decisión).

   Tipos de inferencia: clásica y bayesiana

• La toma de decisiones es un aspecto primordial en la vida de un profesional, por ejemplo, un médico debe de tomar decisiones.

• La metodología estadística clásica se puede ver como un conjunto de recetas que resultan apropiadas en determinados casos y bajo ciertas condiciones.

Sin embargo, existe una metodología unificada y general que se deriva de analizar el proceso lógico que debe de seguirse para tomar una decisión (teoría de la decisión), y que incluye como caso particular al conjunto de recetas clásicas.

• La estadística está basada en la teoría de probabilidades. Formalmente la probabilidad es una función que cumple con ciertas condiciones, pero en general puede entenderse como una medida o cuantificación de la incertidumbre.

Lógica Difusa.

    La lógica difusa es una rama de la inteligencia artificial que se funda en el concepto "Todo es cuestión de grado", lo cual permite manejar información vaga o de difícil especificación si quisiéramos hacer cambiar con esta información el funcionamiento o el estado de un sistema específico. Es entonces posible con la lógica borrosa gobernar un sistema por medio de reglas de 'sentido común' las cuales se refieren a cantidades indefinidas. Las reglas involucradas en un sistema borroso, pueden ser aprendidas con sistemas adaptativos que aprenden al ' observar ' como operan las personas los dispositivos reales, o estas reglas pueden también ser formuladas por un experto humano. En general la lógica borrosa se aplica tanto a sistemas de control como para modelar cualquier sistema continuo de ingeniería, física, biología o economía.

Ventajas.

•  La principal ventaja de este sistema de control es su facilidad de  implementación. 
•   Este tipo de sistemas están dando muy buenos resultados en procesos no lineales y de difícil modelación.
•   El modo de funcionamiento es similar al comportamiento humano. Es una forma rápida y económica de resolver un problema.No se necesita conocer el modelo matemático que rige su funcionamiento.

Desventajas

•  Mútiples difiniciones de operadores y reglas de inferencia difusas.
•   Dificultad de interpretación de valores difusos (semántica no clara).
•   No hay una buena justificación de operadores difusos.
•  En las redes neuronales se precisa de un tiempo de aprendizaje para obtener los mejores resultados en la salida. (Al igual que ocurre con los humanos).
•  Ante un problema que tiene solución mediante un modelo matemático,    obtenemos peores resultados usando Lógica Difusa.