1.3. Análisis y representación del conocimiento M.C. Ana Cristina Palacios García Introducción (1) Exploraremos algunas técnicas usadas para representar el conocimiento de un dominio de la realidad en la computadora. El conocimiento desempeña una papel fundamental en las aplicaciones de la IA, y su representación sigue siendo un campo de continuo interés por parte de los investigadores de esta área. En principio es necesario conocer los distintos tipos de conocimiento existentes en la naturaleza para posteriormente determinar qué tipo de representación usar. El tema de representación de conocimiento se considera crucial en los sistemas inteligentes, mismos que trabajan con heurísticas. Introducción (2) Definiciones de conocimiento según la IA “Hecho o situación de conocer con familiaridad a través de la experiencia y de la asociación”. Los seres vivos adquieren conocimiento del mundo que les rodea a través de la experiencia, mediante los sentidos. “Ser conscientes de algo”. Cuando soy consciente, sé, conozco, intuyo o deduzco. Exige un grado de abstracción mayor y por lo cual es más complejo representarlo en una máquina. Introducción (3) ¿Es posible saber cómo almacena información nuestro cerebro? Podemos almacenarlo en una computadora, pero ¿almacenamos la información de la misma manera?, ¿está esa información disponible en cualquier momento ? Lo único que sí sabemos es que dependiendo de la forma en cómo se represente el conocimiento se va a facilitar o dificultar su acceso Base de conocimiento (1) Generalmente es un depósito de la información que poseemos sobre unos objetos y sus relaciones, dentro de un dominio específico del mundo real. El conocimiento almacenado en una base de conocimientos es generalmente de distintos tipos, y por tanto admiten diversas formalizaciones para su representación y manipulación. Al proceso de representar el conocimiento sobre un dominio particular y convertirlo en una base de conocimientos, junto con los procesos que permiten su manipulación y transformación se conoce como Ingeniería del Conocimiento. Base de conocimiento (2) La adquisición del conocimiento es esencial en el diseño de sistemas inteligentes pero tiene como inconveniente que es una tarea ardua y costosa en tiempo. Debido a la gran cantidad de inconvenientes que se generan al intentar obtener una base de conocimientos, es decir, problemas técnicos, inclusive problemas con los operadores expertos que ven peligrar su trabajo al compartir el conocimiento que adquirieron por años de experiencia. Hay dos grandes aproximaciones para abordar la representación del conocimiento: Simbólica No simbólica Procesamiento simbólico Se inspira en la lógica matemática. Generalmente, los símbolos son números o cadenas de caracteres que representan objetos del mundo real o ideas. En este contexto, los problemas se representan como una colección de símbolos y se desarrollan algoritmos apropiados para procesar estos símbolos. Algunas técnicas empleadas para manipular símbolos son por ejemplo: las técnicas de razonamiento, basadas en reglas; o las redes de conocimiento que se pueden utilizar para establecer nuevas relaciones. Este procesamiento simbólico representa un nivel alto de proceso cognitivo. Corresponde al pensamiento consciente, don de el conocimiento se explícitamente, y el mismo conocimiento puede ser manipulado y examinado. representa Aproximación no simbólica (1) Es otra perspectiva para modelar la inteligencia del cerebro. Conocido como paradigma conexionista, ya que emplea más comúnmente redes neuronales. Tiene que ver menos con la computación simbólica y más con la inteligencia natural o humana. Los seres humanos tenemos redes neuronales en nuestro cerebro: Se forman por muchas neuronas que están conectadas entre si por sinapsis adaptativas que actúan como sistemas de conexión entre neuronas. Aproximación no simbólica (2) Aproximación no simbólica (3) Las redes neuronales humanas se basan en el alto grado de paralelismo de nuestra arquitectura cerebral. Las neuronas procesan información no manipulando símbolos sino procesando una gran cantidad de datos de forma paralela. Las redes neuronales artificiales Se forman por unidades de procesamiento que emulan las operaciones básicas de una neurona real para construir estructuras de red que permiten resolver con gran eficiencia problemas de clasificación, identificación, prediccón, etc . Las redes neuronales pueden aprender algo para lo cual requieren de entrenamiento. Representación del conocimiento La forma más rápida para representar el conocimiento de forma adecuada para ser tratado computacionalmente es a través de símbolos. Símbolo: número o cadena de caracteres que representan un objeto o idea. Requiere del uso de sistemas para convertir de un nivel superior a otros inferiores el conocimiento para su comprensión. Las representaciones matemáticas y lógicas han sido dos de las primeras formas de representación del lenguaje. La lógica es una primera aproximación a la representación del conocimiento. Por otro lado, hay distintos tipos de conocimiento que se puede querer representar: desde hechos simples hasta relaciones complejas, fórmulas matemáticas o reglas que siguen la sintaxis del lenguaje natural. Referencia Gonzalo Pajares Martinsanz y Matilde Santos Peñas (2006). Inteligencia artificial e ingeniería del conocimiento. México D.F: Alfaomega Ra-MA. Capítulo 3.