Definición

• Tiene un nivel de competencia equivalente o superior a un experto humano en un dominio concreto del saber.
• Hace uso y representa conocimiento explícito, como si razonase.

Se utilizan:

• En problemas de dominios complejos y especializados
• Cuando no existe aproximación algorítmica o no hay formas de aprender a resolver el problema
• Existe conocimiento para su solución, tanto dado por expertos o documentado

De ahí nace la ingeniería del conocimiento: expertos que se encargan de gestionar y ordenar el conocimiento.

A la hora de diseñar estos sistemas:

• Primero se debe recoger el conocimiento sobre el problema y su solución por parte de un ingeniero del conocimiento.
• Luego se representa el conocimiento de un modo computacionalmente tratable para su razonamiento en máquinas.

Comparativas

Funcionamiento

En la base de hechos se puede almacenar:

• Datos y hechos del problema
• Metas a alcanzar
• Hipótesis a probar
• Reglas a la espera
• Listas de subproblemas
• …

Sistemas basados en reglas

La base de conocimiento está formada por reglas de producción que tienen la siguiente forma:

SI situación ENTONCES acción

• Situación: condiciones a satisfacer para poder realizar la acción
• Acción: operación a realizar cuando la regla se cumple. Algunas acciones típicas son:
  • Añadir hecho a la base de hechos.
  • Eliminar algún hecho de la base de hechos.
  • Ejecutar algún procedimiento.

Razonamiento

Aunque las reglas son:

• piezas de conocimiento independientes,
• están desacopladas,
• y se pueden aplicar siempre que su condición sea cierta en cualquier orden

pueden existir relaciones entre ellas. Por ejemplo, si una regla concluye algo de la parte de condición de la otra, ambas estarán relacionadas. Estas dependencias se pueden representar mediante un grafo de razonamiento.

Se usa un arco entre varios ejes para indicar un $\land$ (y lógico). Si el arco no aparece, quiere decir que se trata de un $\lor$ (o lógico).

R1. IF coche no arranca, THEN comprobar batería
R2. IF coche no arranca THEN comprobar combustible
...
R75. IF comprobar batería AND voltaje batería < 10V THEN cambiar batería
...
R120. IF comprobar combustible AND depósito de combustible vacío THEN llenar depósito.

    Regla 0. IF hay placas (puntos blancos) en la garganta
             THEN diagnóstico: posible infección de garganta
    Regla 1. IF garganta inflamada AND sospechamos infección bacteriana
             THEN diagnóstico: posible infección de garganta
    Regla 2. IF temperatura paciente > 39
             THEN paciente tiene fiebre
    Regla 3. IF paciente enfermo más de una semana
             AND paciente tiene fiebre
             THEN sospechamos infección bacteriana

    Regla 0. IF hay placas (puntos blancos) en la garganta
             THEN diagnóstico: posible infección de garganta
    Regla 1. IF garganta inflamada AND sospechamos infección bacteriana
             THEN diagnóstico: posible infección de garganta
    Regla 2. IF temperatura paciente > 39
             THEN paciente tiene fiebre
    Regla 3. IF paciente enfermo más de una semana
             AND paciente tiene fiebre
             THEN sospechamos infección bacteriana

Estas formas son los métodos usuales para sistematizar el razonamiento automático sobre las reglas:

• El razonamiento hacia delante es dirigido por los datos.
• El razonamiento hacia atrás es dirigido por las preguntas de los usuarios o especulaciones.

Pseudocódigo

Método básico de razonamiento:

BH = hechos_iniciales
BC: BaseConocimiento
while not condFinal(BH) or not accionParada():
    conjunto_conflicto = equiparar(BC, BH)
    regla = resolver(conjunto_conflicto)
    nuevos_hechos = aplicar(regla, BH)
    BH += nuevos_hechos

Encadenamiento hacia delante:

def raz_delante(hechos_iniciales: Hecho[], meta, BC: BaseConocimiento) -> éxito | fracaso:
    BH = hechos_iniciales
    conjunto_conflicto = extrae_cualquier_regla(BC)

    while meta not in BH and not empty(conjunto_conflicto):
        conjunto_conflicto = equiparar(antecedentes(BC), BH)
        if not empty(conjunto_conflicto):
            regla = resolver(conjunto_conflicto)
            nuevos_hechos = aplicar(regla, BH)
            BH += nuevos_hechos

    if meta in BH:
        return 'éxito'
    else:
        return 'fracaso'

Encadenamiento hacia atrás:

def raz_atras(hechos_iniciales: Hecho[], BC: BaseConocimiento) -> éxito | fracaso:
    BH = hechos_iniciales

    if verificar(meta, BH, BC):
        return 'éxito'
    else:
        return 'fracaso'

Verificación de reglas:

def verificar(meta: Hecho, BH: BaseHechos, BC: BaseConocimiento) -> bool:
    if meta in BH:
        return True

    verificado = False
    conjunto_conflicto = equiparar(consecuentes(BC), meta)
    while not empty(conjunto_conflicto) and not verificado:
        regla = resolver(conjunto_conflicto)
        conjunto_conflicto -= regla

        nuevas_metas = extraer_antecedentes(regla)
        verificado = True

        while not empty(nuevas_metas) and verificado:
            meta = seleccionar_meta(nuevas_metas)
            nuevas_metas -= meta

            verificado = verificar(meta, BH)
            if verificado:
                BH += meta

    return verificado

Lógicas

Los lenguajes naturales son una representación simbólica de información, una herramienta no solo para la comunicación de ideas, sino también para el propio pensamiento.

Y a partir de esta hipótesis, también podemos decir que las máquinas también pueden hacer lo mismo: representar información mediante símbolos, manipularlos para realizar razonamientos y así poder resolver problemas.

Si embargo, no sabemos como computar el lenguaje natural, por lo que se elaboran lenguajes más sencillos que sí lo sean. Las reglas vistas antes son una forma de hacerlo. Y las lógicas son otra.

Una lógica representa de manera formal las relaciones existentes entre conceptos, objetos, propiedades, valores… Las reglas, por otro lado, se manejan de un modo mucho más laxo.

Cuando los sistemas expertos empezaron a tener éxito, se propuso combinar ambos métodos. Sin embargo la lógica proposicional tiene una mala calidad de representación, y se procedió a idear otros tipos que la ampliasen:

• Lógica proposicional: proposiciones con un valor de verdad y unos operadores lógicos.
• Lógica de predicados: crea conjuntos para representar categorías.
• Lógica difusa o Fuzzy sets: en un conjunto difuso se pueden definir grados de pertenencia. Por ejemplo, muy alto puede estar en varios rangos de alturas, dependiendo de cada uno. En general se busca que la categorización sea gradual y no con una frontera fija.
• Lógica temporal: manipulación a nivel de representación y razonamiento con hechos temporales.
• Lógicas no monótonas: permiten negar hechos que antes se consideraban ciertos. No es tan sencillo como simplemente eliminarlo, sino que es posible que dicho hecho se usase para deducir otros.
• …

Lógica proposicional

• Las proposiciones son afirmaciones verdaderas o falsas
• Se unen con operadores lógicos: $\land$ (y), $\lor$ (o), $\neg$ (no) y $\to$ (implica)
• Se usan mecanismos de razonamiento o inferencia: modus ponens, modus tollens… (lista completa)

Algunas formas de razonamiento:

• Razonamiento deductivo: A partir de una regla o características generales, deducir propiedades de ejemplos concretos.
• Razonamiento inductivo (generalización): A partir de unos ejemplos, concluyo que el resto de elementos también cumplen las mismas condiciones o características.
• Razonamiento abductivo: Busca la mejor explicación para un conjunto de hechos

Lógica de predicados

• Añade la posibilidad de usar cuantificadores: $\forall$ (para todo) y $\exists$ (existe).
• Constantes como lista de objetos: $1, \text{Magno}, \text{Manzana}, 1.4142, \ldots$
• Predicados para relacionar lo objetos

El conocimiento se representa en forma de reglas cuantificadas de forma universal.

Redes semánticas

La información se relaciona entre sí, de forma que hay procesos de recuperación más eficientes y razonamiento sobre las redes.

Permite la herencia de propiedades (creación de subcategorías), lo que es útil para hacer generalizaciones. Ya no es necesario representar todo el comportamiento; sino que conjuntos, sus subconjuntos y sus relaciones se disponen de mecanismos de representación mucho más ricos.