6. Sistemas basados en reglas

Modelos de inteligencia artificial

IA simbólica

Inteligencia artificial simbólica

• IA simbólica o IA basada en conocimiento:
  • Extraemos conocimiento de especialistas y lo representamos de forma que las máquinas puedan entenderlo.
  • Utilizamos este conocimiento para:
    • Resolver problemas automáticamente.
    • Explicar el razonamiento de la máquina.
    • Aprender cosas nuevas.
    • Mejorar el conocimiento existente.

Representación del conocimiento

• Conocimiento frente a datos e información:
  • Datos: hechos o valores.
  • Información: datos con significado.
  • Conocimiento: información con significado y estructura.

El conocimiento es un conjunto de información estructurada e interrelacionada que permite a un agente realizar tareas.

Jerarquía del conocimiento (I)

• A menudo definimos el conocimiento en relación con conceptos similares.
• La jerarquía del conocimiento, o jerarquía DIKW, representa la relación entre datos, información, conocimiento y sabiduría.

Jerarquía del conocimiento (II)

• Datos (Data): hechos o valores registrados en un soporte físico. Son independientes del agente y pueden interpretarse de distintas maneras.

  • Ejemplo: «Un reloj inteligente registra la temperatura corporal de una persona».

• Información (Information): interpretación de los datos por parte de un agente. Es subjetiva y depende del agente.

  • Ejemplo: «La temperatura corporal de la persona es de 37 °C».

Jerarquía del conocimiento (III)

• Conocimiento (Knowledge): información integrada en nuestro modelo del mundo. Depende del agente y de sus conocimientos previos.

  • Ejemplo: «Si la temperatura supera los 37 °C, la persona tiene fiebre».

• Sabiduría (Wisdom): metaconocimiento, es decir, saber cómo y cuándo aplicar el conocimiento.

  • Ejemplo: «Si la persona tiene fiebre, debe tomar paracetamol».

Representación del conocimiento (I)

• Es la forma en que representamos el conocimiento para que las máquinas puedan entenderlo.
• Es uno de los problemas fundamentales de la inteligencia artificial.
• Debe representarse de manera que:
  • Sea comprensible para las máquinas.
  • Sea útil para resolver problemas.
  • Pueda procesarse de forma eficiente.

Representación del conocimiento (II)

• Podemos entender las distintas representaciones como un continuo:
  • A la izquierda están las representaciones más simples (algoritmos): los ordenadores las utilizan de forma eficiente, pero son poco flexibles.
  • A la derecha están las representaciones más flexibles (lenguaje natural): son muy potentes, pero las máquinas no pueden utilizarlas directamente.

Continuo del conocimiento

Representación del conocimiento (III)

• Representaciones en red:
  • En la mente humana, el conocimiento se representa como una red de conceptos relacionados.
  • Las representaciones en red intentan hacer lo mismo mediante grafos en los ordenadores.
    • Las llamamos redes semánticas.
  • Hay distintos tipos: pares atributo-valor, representaciones jerárquicas y procedimentales, lógica, etc.

Pares atributo-valor o tripletas objeto-atributo-valor

• Aprovechamos que un grafo puede representarse como una lista de nodos y aristas para representar el conocimiento.
• El conocimiento se representa como una lista de pares atributo-valor.
  • «El perro es un animal, tiene cuatro patas, pelo, cola, etc.»
  • «La paloma es un animal y un ave; tiene dos patas, etc.»
  • «El coche es un vehículo; tiene cuatro ruedas, un motor, etc.»

Representaciones jerárquicas

• El conocimiento se representa como un árbol.
• Los nodos del árbol representan conceptos.
• Las aristas representan relaciones entre conceptos.
  • Animales $\rightarrow$ Vertebrados $\rightarrow$ Mamíferos $\rightarrow$ Perros $\rightarrow$ Caniche
  • Animales $\rightarrow$ Vertebrados $\rightarrow$ Aves $\rightarrow$ Palomas $\rightarrow$ Paloma bravía
  • Objetos $\rightarrow$ Vehículos $\rightarrow$ Coches $\rightarrow$ Coche de gasolina

Representaciones procedimentales

• El conocimiento se representa como un conjunto de acciones que pueden ejecutarse cuando se cumplen ciertas condiciones.
• Llamamos reglas de producción a las declaraciones que permiten obtener conclusiones a partir de ciertas premisas.
• Tienen la forma: IF (premisa) THEN (conclusión)
  • IF (la temperatura supera los 37 °C) THEN (la persona tiene fiebre)
  • IF (la persona tiene fiebre) THEN (la persona debe tomar paracetamol)

Lógica

• La lógica es un sistema formal para representar el conocimiento y razonar sobre él. Aristóteles la propuso hace más de 2.000 años como herramienta de deducción.
• La lógica proposicional permite representar el conocimiento y razonar sobre él. Es muy potente en teoría, pero no se utiliza directamente en las máquinas; algunos sistemas, como Prolog, utilizan un subconjunto.
• Ejemplo: $p$: «La persona tiene fiebre», $q$: «La persona debe tomar paracetamol»
  • $p \rightarrow q$: «Si la persona tiene fiebre, debe tomar paracetamol»
  • $p \land q$: «La persona tiene fiebre y debe tomar paracetamol»

Sistemas expertos

Aprovechamiento del conocimiento humano

Definición

• Sistemas basados en el conocimiento (SBC) o sistemas expertos (SE):
  • Sistemas que utilizan el conocimiento humano para resolver problemas.
• El conocimiento humano se expresa mediante reglas.
  • La mayoría de los sistemas expertos utiliza reglas de producción.
• Los SBC son un subconjunto de la inteligencia artificial.
  • Actualmente predominan los sistemas basados en datos.
  • Aun así, los SBC siguen cumpliendo una función importante en la IA.

Características

• Conocimiento:
  • El conocimiento humano se expresa mediante reglas.
  • El conocimiento es declarativo.
• Rendimiento:
  • Los SBC son especialistas y eficientes en un dominio concreto.
• Explicación:
  • Los SBC pueden explicar su razonamiento y sus conclusiones.

Sistemas basados en reglas

Definición

• Es un tipo de sistema basado en el conocimiento.
• Utiliza un conjunto de reglas explícitas para razonar.
• Las reglas tienen la forma:
  • IF (premisa) THEN (conclusión)
• Es determinista.
  • De una misma premisa siempre se deduce la misma conclusión.
• Puede representarse como un árbol de decisión.
  • Esto facilita la comprensión del razonamiento.

Componentes de un sistema basado en reglas (I)

• Memoria activa (base de hechos):
  • Base de datos con hechos que describen la situación actual. Es volátil.
• Base de conocimiento:
  • Conjunto de reglas que describe el conocimiento experto. Es persistente.
• Motor de inferencia:
  • Busca las reglas aplicables a la situación actual (conjunto de conflicto) y las ejecuta según el orden establecido.

Componentes de un sistema basado en reglas (II)

• Mecanismos de explicación:
  • Permiten explicar el razonamiento del sistema al usuario.
• Mecanismos de adquisición de conocimiento:
  • Permiten añadir reglas nuevas al sistema, de forma manual o automática.
• Interfaz de usuario:
  • Permite al usuario interactuar con el sistema.

Ejemplo: clasificar un animal (I)

Ejemplo: clasificar un animal (II)

IF (el animal tiene pelo OR produce leche) THEN es un mamífero IF el animal come carne OR (tiene dientes afilados AND tiene garras AND tiene los ojos orientados hacia delante) THEN es carnívoro

• Los elementos de la premisa son antecedentes, parecidos a las tripletas objeto-atributo-valor.
• La memoria activa contiene los hechos que describen la situación actual.
• El sistema de reglas comprueba qué antecedentes se cumplen y añade sus conclusiones a la memoria activa.

Ejemplo: clasificar un animal (III)

• Observaciones:
  • Se necesitan muchas reglas para cubrir todos los casos.
  • Las reglas son difíciles de mantener.
  • Las reglas pueden entrar en contradicción con facilidad.
    • ¿Cómo representaríamos al ornitorrinco? ¿Es un mamífero o un ave?

Ejemplo: dolor de muelas (I)

• IF (me duelen las muelas) THEN (tengo caries)
• IF (me duelen las muelas) THEN (tengo una infección)
• IF (me duelen las muelas) THEN (tengo sensibilidad dental)
• IF (me duelen las muelas) THEN (tengo una fractura)
• IF (me duelen las muelas) THEN (tengo una maloclusión)
• IF (me duelen las muelas) THEN (tengo sinusitis)
• IF (la encía está más roja) THEN (tengo una infección)

Ejemplo: dolor de muelas (II)

• Observaciones:
  • El dolor de muelas puede tener muchas causas.
  • No se puede determinar la causa con una sola regla.
    • Necesitamos herramientas para gestionar la incertidumbre.
  • No podemos representar la regla «si la encía está más roja».
    • Necesitamos herramientas para representar el conocimiento impreciso.

Limitaciones

• Requieren una gran cantidad de conocimiento experto.
• El conocimiento experto es difícil de obtener, representar y mantener.
• Razonamiento con incertidumbre:
  • Los sistemas basados en reglas solo pueden utilizar las reglas definidas.
  • Tienen dificultades para trabajar con datos imprecisos o incompletos.
• Flexibilidad:
  • Dificultad para adaptarse a problemas nuevos.
  • Dificultad para aprender conocimiento nuevo.

Estrategias de inferencia

Encadenamiento hacia delante: forward chaining (I)

• Revisa los antecedentes de las reglas, busca coincidencias con los hechos e infiere nuevas conclusiones.
  • Razonamiento deductivo.
• Se basa en la lógica proposicional.
  • Modus ponens: $p \rightarrow q, p \vdash q$
• Problema: puede que no encuentre la conclusión buscada.
  • Ejemplo: «Si el perro está enfermo, entonces el perro está enfermo».

Forward chaining (II)

• El razonamiento no está guiado por la conclusión.
  • Se obtienen todas las conclusiones posibles, sean relevantes o no.
  • Se realiza más trabajo del necesario.
• La estrategia de resolución de conflictos es fundamental.
  • Puede mejorarse mediante heurísticas.
• Problema: identificar las reglas que deben activarse.
  • Algoritmo RETE (Forgy, 1979).

Estrategias de inferencia

Encadenamiento hacia atrás: backward chaining (I)

• Empieza por la conclusión y busca los antecedentes que la justifican.
  • Razonamiento inductivo.
  • Utiliza el modus ponens en sentido inverso.
  • \[p \rightarrow q, q \vdash p\]
• Los objetivos determinan qué reglas se aplican.
  • El razonamiento está guiado por la conclusión.

Plataformas para sistemas basados en reglas

• CLIPS (C Language Integrated Production System): lenguaje de programación y motor de inferencia.
• Drools: lenguaje de programación y motor de inferencia.
• Prolog: lenguaje de programación lógica.
• Python
  • Bibliotecas PyKnow, PyKE y Experta.
  • Biblioteca PyCLIPS.
  • Biblioteca PyDrools.

Sistemas híbridos de reglas y datos (I)

• Hay dos enfoques:
  • Deducir reglas a partir de datos facilita la interpretación del razonamiento.
  • Combinar reglas definidas por el usuario con aprendizaje automático permite mejorar las reglas.

Sistemas híbridos de reglas y datos (II)

Bibliotecas

• Human-Learn: permite definir y visualizar reglas que pueden mejorarse mediante aprendizaje automático.
• skope-rules: analiza los datos e infiere reglas de clasificación.
  • Permite analizar las reglas, mejorarlas e interpretarlas.
• SpaCy:
  • Permite definir reglas para extraer información de textos.
  • Es útil cuando no hay suficientes datos etiquetados o para casos específicos.

Sistemas de razonamiento impreciso

Definición

• Lógica difusa o lógica borrosa:
  • Extensión de la lógica proposicional para trabajar con la incertidumbre.
  • Permite trabajar con valores imprecisos.
• Sistemas de razonamiento impreciso:
  • Sistemas basados en reglas que utilizan lógica difusa.
  • Permiten trabajar con valores continuos.
  • Facilitan la representación del conocimiento humano.
  • Son muy adecuados para sistemas de control.
  • Permiten encontrar una solución buena, aunque no siempre la mejor.

Lógica difusa (I)

• La lógica proposicional es binaria.
  • Un enunciado es verdadero o falso.
• La lógica difusa permite trabajar con valores continuos.
  • Un enunciado puede ser verdadero y falso en cierto grado parcial.
• Los valores de verdad son números reales del intervalo $[0, 1]$.
  • $0: Falso$, $1: Verdadero$, $0.5:$ $Verdadero$ en un $50\%$.
• La pertenencia de un elemento a un conjunto se expresa mediante una función de pertenencia.
  • $\mu_A(x)$: grado de pertenencia de $x$ al conjunto $A$.

Lógica difusa (II)

• La lógica difusa facilita la representación del conocimiento humano.
  • Las personas no razonamos en términos binarios.
  • No tenemos un conocimiento preciso ni completo.
• Conceptos como \(húmedo\) o \(frío\) son difíciles de definir con precisión.
  • La lógica difusa permite definirlos mediante funciones de pertenencia.
  • Trabajar con estos conceptos facilita crear dispositivos como secadores o termostatos.
    • «Si la temperatura es fría, enciende la calefacción».

Conceptos básicos (I)

• Variable lingüística: variable que puede tomar valores lingüísticos.
  • Ejemplo: $Temperatura$
• Valores lingüísticos: valores que puede tomar una variable lingüística.
  • Ejemplo: $Frío, Calor$
• Función de pertenencia: asigna a cada valor de una variable lingüística un grado de pertenencia a un valor lingüístico.
  • Ejemplo: $Temperatura = 27^oC \rightarrow Calor = 0.8,\; Mucho\,Calor = 0.2$

Conceptos básicos (II)

• Regla difusa: regla que utiliza valores difusos.
  • Ejemplo: «Si la temperatura es fría, entonces la calefacción está alta».
• Función de agregación: combina los valores difusos de las reglas para deducir una conclusión final.
  • Ejemplo: $Calor = 0.8, Húmedo = 0.7 \rightarrow Sensación:desagradable = 0.8$.
• Sistema de razonamiento impreciso:
  • Sistema basado en reglas que utiliza lógica difusa.
  • Ejemplo: sistema para controlar la temperatura de una vivienda.

Funcionamiento de los sistemas de razonamiento impreciso (I)

• Fuzzificación:
  • Conversión de los datos de entrada precisos a valores difusos.
  • Transformamos valores precisos en valores difusos.
  • Utiliza las funciones de pertenencia.
    • Asignan a cada valor de entrada un grado de pertenencia a cada variable lingüística.
    • \[27^oC \rightarrow Calor = 0.8, Mucho\:calor = 0.2\]

Funcionamiento de los sistemas de razonamiento impreciso (II)

• Evaluación de las reglas:
  • En este paso se aplican las reglas del sistema.
  • Se establece la relación entre las variables de entrada y las variables de salida.
  • «Si la temperatura es alta y la humedad es baja, la velocidad del ventilador debe ser alta».
  • Se combinan las funciones de pertenencia de las variables de entrada.
    • Así se deduce el grado de pertenencia de la variable de salida.

Funcionamiento de los sistemas de razonamiento impreciso (III)

• Desdifusificación:
  • Conversión de los datos difusos de salida a valores precisos.
  • Transformamos valores difusos en valores precisos.
  • Utiliza las funciones de agregación.
    • Combina las conclusiones de las reglas para deducir el resultado final.
    • Se suele utilizar el método del centroide o el máximo.

Funciones de pertenencia (I)

• Las más utilizadas son las funciones trapezoidales y las triangulares.
• Las funciones sinusoidales son útiles para representar periodos.
• Las funciones sigmoidales son útiles para representar probabilidades.

Ejemplo: propinas (I)

Variables de entrada

Utilizaremos funciones triangulares para representar las variables de entrada y salida.

• Servicio:
  • Bajo: $[0, 5]$
  • Medio: $[0, 10]$
  • Alto: $[5, 10]$
• Calidad de la comida:
  • Baja: $[0, 5]$
  • Media: $[0, 10]$
  • Alta: $[5, 10]$

Ejemplo: propinas (II)

Variables de salida

• Propina:
  • Baja: $[0, 13]$
  • Media: $[0, 25]$
  • Alta: $[13, 25]$

Ejemplo: propinas (III)

Reglas

• IF (la calidad del servicio es baja o la comida es baja) THEN (la propina es baja)
• IF (la calidad del servicio es media) THEN (la propina es media)
• IF (la calidad del servicio es alta o la comida es alta) THEN (la propina es alta)

Ejemplo: propinas (IV)

Inferencia

• Calidad del servicio: 9,8
• Calidad de la comida: 6,5
• Propina: 20,24 %