6. Sistemes basats en regles

Models d’intel·ligència artificial

IA simbólica

Intel·ligència artificial simbòlica

• IA simbólica o IA basada en coneixement:
  • Extraiem coneixement d’experts i el representem d’una forma que les màquines puguin entendre.
  • Utilitzem aquest coneixement per a:
    • Resoldre problemes automàticament.
    • Explicar el raonament de la màquina.
    • Aprendre noves coses.
    • Millorar el coneixement existent.

Representació del coneixement

• Coneixement vs dades vs informació:
  • Dades: Fets o valors.
  • Informació: Dades amb significat.
  • Coneixement: Informació amb significat i estructura.

El coneixement és un conjunt d’informació estructurada i interrelacionada que permet a un agent realitzar tasques.

Jerarquia del coneixement

• Moltes vegades definim el coneixement en relació a conceptes similars.

• La jerarquia del coneixement o jerarquia de DIKW és un model que mostra la relació entre dades, informació, coneixement i saviesa.

• Dades (Data): Fets o valors registrats en un suport físic. És independent de l’agent i pot ser interpretat de diferents maneres.

  • Exemple: “Un smartwatch registra la temperatura corporal de la persona.”

• Informació (Information): És com les dades són interpretades per un agent. És subjectiva i depèn de l’agent.

  • Exemple: “La temperatura corporal de la persona és de 37ºC”

• Coneixement (Knowledge): És informació integrada en el nostre model del mon. Depèn de l’agent i dels seus coneixements previs.

  • Exemple: “Si la temperatura és superior a 37ºC, llavors la persona té febre”
• Saviesa (Wisdom): Representa el meta-coneixement: coneixement sobre com i quan aplicar el coneixement.
  • Exemple: “Si la persona té febre, llavors ha de prendre paracetamol”

Representació del coneixement

• És la forma en la que representem el coneixement per a que les màquines puguin entendre’l.
• És un dels problemes fonamentals de la intel·ligència artificial.
• S’ha de representar de forma que:
  • Sigui entendible per a les màquines.
  • Sigui útil per a resoldre problemes.
  • Sigui eficient per a ser processat per les màquines.
• Podem veure les diferents representacions com un continuum:
  • A l’esquerra tenim les representacions més simples (algorismes); utilitzables per els ordinadors de forma eficient pero molt poc flexibles.
  • A la dreta tenim les representacions més flexibles (text natural); molt potents pero no utilitzables diréctament per les màquines.

• Representacions de xarxa:
  • En la ment humana el coneixement es representa com una xarxa de conceptes interrelacionats.
  • Les representacions de xarxa intentem fer el mateix en un graf dins dels ordinadors.
    • Les anomenem xarxes semàntiques.
  • Hi ha diferents tipus: Parells d’atributs i valors, representacions jeràrquiques, representacions procedurals, lógica, etc.

Parells d’atributs i valors o triplets objecte-atribut-valor

• Aprofitem que un graf es pot representar com una llista de nodes i arestes per a representar el coneixement.
• El coneixement es representa com una llista de parells d’atributs i valors.
  • “El gos és un animal, el gos té quatre potes, el gos té pèl, el gos té cua, etc.”
  • “El colom és un animal, el colom és un ocell, el colom té dues potes, etc.”
  • “El cotxe és un vehicle, el cotxe té quatre rodes, el cotxe té un motor, etc.”

Representacions jeràrquiques

• El coneixement es representa com un arbre.
• Els nodes de l’arbre representen conceptes.
• Les arestes representen relacions entre conceptes.
  • Animals \(\rightarrow\) Vertebrats \(\rightarrow\) Mamífers \(\rightarrow\) Gossos \(\rightarrow\) Caniche
  • Animals \(\rightarrow\) Vertebrats \(\rightarrow\) Ocells \(\rightarrow\) Coloms \(\rightarrow\) Colom comú
  • Objectes \(\rightarrow\) Vehicles \(\rightarrow\) Cotxes \(\rightarrow\) Cotxe de gasolina

Representacions procedurals

• El coneixement es representa com un conjunt d’accions que es poden realitzar quan es donen certes condicions.
• Anomenem regles de producció a les declaracions que ens permenten obtindre conclusions a partir de certes premisses.
• Són de la forma: IF (premissa) THEN (conclusió)
  • IF (la temperatura és superior a 37ºC) THEN (la persona té febre)
  • IF (la persona té febre) THEN (la persona ha de prendre paracetamol)

Lògica

• La lògica és un sistema formal que ens permet representar el coneixement i raonar sobre ell.
• La va proposar Aristòtil fa més de 2000 anys com a eina per a la deducció.
• La lògica proposicional és un sistema formal que ens permet representar el coneixement i raonar sobre ell.
• A nivell teòric és molt potent pero no es directament utilitzable per les màquines.
  • Un subconjunt de la lògica es utilitzable en sistemes com prolog.
• Ex: \(p\): “La persona té febre”, \(q\): “La persona ha de prendre paracetamol”
  • \(p \rightarrow q\): “Si la persona té febre, llavors la persona ha de prendre paracetamol”
  • \(p \land q\): “La persona té febre i la persona ha de prendre paracetamol”

Sistemes experts

Aprofitament del coneixement humà

Definició

• Sistemes basats en el coneixement (SBC) o sistemes experts (SE):
  • sistemes que utilitzen el coneixement humà per resoldre problemes.
• El coneixement humà s’expressa en forma de regles.
  • La majoria de sistemes experts utilitzen regles de producció.
• Els SBC són un subconjunt de la intel·ligència artificial.
  • Actualment es prefereixen els sistemes basats en dades.
  • Així i tot, compleixen un paper important en la IA.

Aprofitament del coneixement humà

Característiques

• Coneixement:
  • El coneixement humà s’expressa en forma de regles.
  • El coneixement és declaratiu.
• Rendiment:
  • Els SBC són especialistes en un domini concret.
  • Els SBC són eficients en el seu domini.
• Explicació:
  • Els SBC poden explicar el seu raonament.
  • Els SBC poden explicar les seves conclusions.

Sistemes basats en regles

Definició

• És un tipus de sistema basat en el coneixement.
• Utilitza un conjunt de regles explícites per realitzar un raonament.
• Les regles són de la forma:
  • IF (premissa) THEN (conclusió)
• Es determinista
  • Per a una mateixa premissa sempre es dedueix la mateixa conclusió.
• Es pot representar en forma d’arbre de decisió.
  • Facilita la comprensió del raonament.

Parts d’un sistema basat en regles

• Memória activa (base de fets):
  • Base de dades de fets que descriuen la situació actual. Volàtil.
• Base de coneixement:
  • Conjunt de regles que descriuen el coneixement dels experts. Persistent.
• Motor d’inferència:
  • Busca les regles que s’apliquen a la situació actual (conjunt conflictiu) i les executa per ordre.

• Mitjans d’explicació:
  • Permeten explicar el raonament del sistema a l’usuari.
• Mitjans d’adquisició de coneixement:
  • Permeten a l’usuari afegir noves regles al sistema. També es pot fer automàticament.
• Interfície d’usuari:
  • Permet a l’usuari interactuar amb el sistema.

Exemple: Classificar un animal

• A continuació podem veure un diagrama del tipus AND-OR-TREE per classificar un animal.

IF (animal has hair OR animal gives milk) THEN the animal is a mammal IF the animal eats meat OR (animal has sharp teeth AND animal has claws AND animal has forward-looking eyes ) THEN the animal is a carnivore

• Els elements de la premissa són antecedents, semblants a triplets objecte-atribut-valor.
• La memòria activa conté els fets que descriuen la situació actual.

• El sistema de regles mira que antecedents es compleixen i aplica les seves conclusions, agregant-les a la memòria activa.

• Observacions:
  • Son necessàries moltes regles per cobrir tots els casos.
  • Les regles són difícils de mantenir.
  • Es fàcil que les regles entrin en contradicció.
    • Com representariem l’ornitorrinc?. És un mamífer o un ocell?

Exemple: Dolor de queixal

• IF (tinc dolor de queixal) THEN (tinc càries)
• IF (tinc dolor de queixal) THEN (tinc una infecció)
• IF (tinc dolor de queixal) THEN (tinc una sensibilitat)
• IF (tinc dolor de queixal) THEN (tinc una fractura)
• IF (tinc dolor de queixal) THEN (tinc una maloclusió)
• IF (tinc dolor de queixal) THEN (tinc una sinusitis)

• IF (la geniva està més roja) THEN (tinc una infecció)

• Observacions:
  • El dolor de queixal pot ser causat per moltes raons.
  • No es pot determinar la causa amb una única regla.
    • Ens falten eines per gestionar la incertesa.
  • No podem representar la regla “si la geniva està més roja”.
    • Ens falten eines per representar el coneixement imprecís.

Problemes

• Necessiten una gran quantitat de coneixement expert.
• El coneixement expert és difícil d’obtenir, representar i mantenir.
• Raonament en incertesa:
  • Els sistemes basats en regles solament poden treballar amb les regles definides
  • Dificultat per treballar amb dades imprecises o incompletes.
• Flexibilitat:
  • Dificultat per adaptar-se a nous problemes.
  • Dificultat per aprendre nous coneixements.

Estratègies d’inferència

Hi ha dues estratègies d’inferència:

Encadenament cap endavant: forward chaining

• Revisa els antecedents de les regles per buscar coincidències en els fets i inferir noves conclusions.
  • Raonament deductiu.
• Basat en la lògica proposicional.
  • Modus ponens: \(p \rightarrow q, p \vdash q\)
• Problema: Pot no trobar la conclusió.
  • Exemple: “Si el gos està malalt, doncs el gos està malalt”
• El raonament no ve guiat per la conclusió.
  • Es troben totes les conclusions possibles (relevants o no).
  • Es fa més treball del necessari.
• L’estratègia de resolució de conflictes és fonamental
  • Es pot millorar en heuristiques
• Problema: Detecció de les regles que s’han de disparar.
  • Algorime RETE (Forgy, 1979)

Encadenament cap enrere: backward chaining

• Comença amb la conclusió i busca els antecedents que la justifiquen.
  • Raonament inductiu.
  • Utilitza el modus ponens a l’inrevés
  • \[p \rightarrow q, q \vdash p\]
• Els objectius determinen les regles a aplicar.
  • El raonament ve guiat per la conclusió.

Plataformes per a sistemes basats en regles

• CLIPS (C Language Integrated Production System): Llenguatge de programació i motor d’inferència.
• Drools: Llenguatge de programació i motor d’inferència.
• Prolog: Llenguatge de programació lògica.
• Python
  • Llibreries PyKnow, PyKE i Experta.
  • Llibreria PyCLIPS.
  • Llibreria PyDrools.

Sistemes híbrids Regles/Dades

• Dos enfocaments:
  • Deducció de regles a partir de dades.
    • Facilita la interpretació del raonament.
  • Integració de regles definides per l’usuari i Aprenentatge Automàtic.
    • Permet definir unes regles que es poden millorar amb l’aprenentatge automàtic.

Llibreries

• Human-Learn:
  • Permet definir i dibuixar regles que es poden millorar amb l’aprenentatge automàtic.
• skope-rules:
  • Analitza les dades i dedueix regles per a classificar.
  • Permet analitzar les regles per millorar-les i interpretar-les.
• SpaCy:
  • Permet definir regles per a l’extracció d’informació per a textos.
  • Útil en casos on no es disposa de prou dades etiquetades o per casos específics.

Sistemes de raonament imprecís

Definició

• Lògica difusa o lògica borrosa:
  • Extensió de la lògica proposicional per a treballar amb la incertesa.
  • Permet treballar amb valors imprecisos.
• Sistemes de raonament imprecís:
  • Sistemes basats en regles que utilitzen la lògica difusa.
  • Permeten treballar amb valors continus.
  • Faciliten modelar el coneixement humà.
  • Molt apropiats per a sistemes de control
  • Ens permeten tindre una bona solució, si no la millor.

Lògica difusa

• La lògica proposicional és binària.
  • Un enunciat és cert o fals.
• La lògica difusa permet treballar amb valors continus.
  • Un enunciat pot ser cert i fals en un grau parcial.
• Els valors de veritat són nombres reals en l’interval \([0, 1]\).
  • \(0: Fals\), \(1: Cert\), \(0.5:\) \(Cert\) en un \(50\%\)
• La pertinença d’un element a un conjunt vindrà donada per una funció de pertinença.
  • \(\mu_A(x)\): Grau de pertinença de \(x\) al conjunt \(A\).

• La lógica difusa facilita la representació del coneixement humà.
  • Els humans no raonem en termes binaris.
  • Els humans no tenim un coneixement precís ni complet.
• Conceptes com \(humit\) o \(fred\) són difícils de definir amb precisió.
  • La lògica difusa ens permet definir-los amb funcions de pertinença.
  • El poder treballar amb aquests conceptes facilta la creació de dispositius com assecadors o termòstats.
    • “Si la temperatura és freda, llavors encén la calefacció”

Conceptes bàsics

• Variable lingüística: Variable que pot prendre valors lingüístics.
  • Exemple: \(Temperatura\)
• Valors lingüístics: Valors que pot prendre una variable lingüística.
  • Exemple: \(Fred, Calor\)

• Funció de pertinença: Funció que assigna a cada valor d’una variable lingüística un grau de pertinença a un valor lingüístic.

  • Exemple: \(Temperatura = 27^oC \rightarrow Calor = 0.8,\; Molta\,Calor = 0.2\)
• Regla difusa: Regla que utilitza valors difusos.
  • Exemple: “Si la temperatura és freda, llavors calefacció alta“
• Funció d’agregació: Funció que combina els valors difusos de les regles per a deduir la conclusió final.
  • Exemple: \(Calor = 0.8, Humit = 0.7 \rightarrow Sensacio\:desagradable = 0.8\)
• Sistema de raonament imprecís:
  • Sistema basat en regles que utilitza la lògica difusa.
  • Exemple: Sistema de control de la temperatura d’un habitatge.

Funcionament dels sistemes de raonament imprecís

• Fuzzyfication:

  • Conversió de les dades d’entrada precises a valors difusos.
  • Passem de valors precisos a valors difusos.
  • Utilitza les funcions de pertinença.
    • Assignen a cada valor d’entrada un grau de pertinença a cada variable lingüística
    • \[27^oC \rightarrow Calor = 0.8, Molta\:calor = 0.2\]

• Evaluació de les regles:

  • En aquest pas s’apliquen les regles del sistema.
  • S’estableix la relació entre les variables d’entrada i les variables de sortida.
  • “Si la temperatura és alta i la humitat és baixa, llavors la velocitat del ventilador ha de ser alta“
  • Es combinen les funcions de pertinença de les variables d’entrada
    • per a deduir la pertinença de la variable de sortida.

• Defuzzyfication:
  • Conversió de les dades de sortida difuses a valors precisos.
  • Passem de valors difusos a valors precisos.
  • Utilitza les funcions d’agregació.
    • Combina les conclusions de les regles per a deduir la conclusió final.
    • Es sol utilitzar la funció de centre de gravetat o màxim.

Funcions de pertinença

• Les més utilitzades són les funcions trapezoïdals i les funcions triangulars.
• Les sinusoïdals són útils per a representar periodes.
• Les sigmoidals són útils per a representar probabilitats.

Exemple: Propines

Variables d’entrada

Utilitzarem funcions triangulars per a representar les variables d’entrada i sortida

• Servei:
  • Baixa: \([0, 5]\)
  • Mitjana: \([0, 10]\)
  • Alta: \([5, 10]\)

• Qualitat del menjar:
  • Baix: \([0, 5]\)
  • Mitjà: \([0, 10]\)
  • Alt: \([5, 10]\)

Variables de sortida

• Propina:
  • Baixa: \([0, 13]\)
  • Mitjana: \([0, 25]\)
  • Alta: \([13, 25]\)

Regles

• IF (Qualitat del servei és baixa o Menjar és baix) THEN (Propina és baixa)
• IF (Qualitat del servei és mitjana) THEN (Propina és mitjana)
• IF (Qualitat del servei és alta o Menjar és alt) THEN (Propina és alta)

Inferència

• Qualitat del servei: 9.8
• Qualitat del menjar: 6.5
• Propina: 20.24%