Sistemas de Mantenimiento de Verdad Introducción a la Inteligencia Artificial E. Morales, L.E. Sucar Sesión 11.

Slides:



Advertisements
Presentaciones similares
Como se crea una Wikis. 1.- Ingresar A wikispaces.
Advertisements

INTELIGENCIA ARTIFICIAL
Introducción a LAS Bases de Datos
PARTICIONAMIENTO DEL DISCO DURO
CONFIGURACIÓN PARTE I. CONFIGURACIÓN El primer paso a seguir en MEDUSA es definir la forma en que trabaja el médico o médicos en su consulta. Esto se.
Johanna Lizeth Rodríguez Lorena Fda. Chávarro Ramos
DE LAS CUENTAS DE USUARIO Y OPCIONES DE CARPETA
Carpeta On Line Septiembre 2010.
Universidad Interamericana de P.R. Departamento Informática Curso 3850 Dr. Rafael Nieves.
Opciones avanzadas en la presentación. Cómo ocultar diapositivas Para ocultar una diapositiva de la presentación, seleccione la diapositiva en el clasificador,
L. Enrique Sucar/Eduardo Morales
Ingeniero Anyelo Quintero
Sesión 13: Lógica y Probabilidad. Incertidumbre - LD y LP, L.E. Sucar2 Contenido Lógica probabilista Redes bayesianas con nodos lógico Modelos relacionales.
INTELIGENCIA ARTIFICIAL.
Representaciones Relacionales Sesión 11 Eduardo Morales / L. Enrique Sucar Sesión 11 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial.
Agente Latin (agere) el que hace Es una entidad, que existe en el mundo real o artificial, que puede observar el mundo cambiante y realizar acciones en.
Clase 10: Estructuras de datos y arreglos.
Eduardo Morales / L. Enrique Sucar
ELEMENTOS DE LA DINÁMICA DE SISTEMAS Noción del sistema dinámico Diagramas causales Diagramas de Forrester.
Representaciones Relacionales Sesión 11 Eduardo Morales / L. Enrique Sucar Sesión 11 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial.
Razonamiento con Incertidumbre
Parte II. Algorítmica. 5. Backtracking. 1. Análisis de algoritmos.
Robótica Inteligente L. Enrique Sucar Leonardo Romero Marco López ITESM Cuernavaca.
Clase 4a Significancia Estadística y Prueba Z
Sesión 2: Teoría de Probabilidad
Sesión 7: Redes Bayesianas – Inferencia
Integración de Redes Bayesianas con Programas Lógicos para Música Eduardo Morales L.Enrique Sucar Roberto Morales.
Tendencias Actuales Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial.
PROBLEMAS DE SATISFACCIÓN DE RESTRICCIONES
Ingeniería de Software
El modelo de análisis tiene como objetivo generar una arquitectura de objetos que sirva como base para el diseño posterior del sistema. Dependiendo del.
Modelos Gráficos Probabilistas: Principios y Aplicaciones L. Enrique Sucar INAOE.
1.17 Implementación del gobierno de la seguridad—Ejemplo
Representaciones Relacionales Sesión 11 Eduardo Morales / L. Enrique Sucar Sesión 11 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial.
Modelos Cualitativos Sesión 10 Eduardo Morales / L. Enrique Sucar Sesión 10 Eduardo Morales / L. Enrique Sucar Fundamentos de Inteligencia Artificial.
Sebastian Madrid Perez
ESTUDIO DE CASO PRUEBAS SW
Sesión 2: Teoría de Probabilidad “Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para.
III. ELEMENTOS DE LA DINÁMICA DE SISTEMAS
Sistemas Basados en Reglas
TIPOS DE PRUEBAS DEL SOFTWARE
Sesión 6: Redes Bayesianas - Inferencia
PLAN DE CONTINGENCIA. EVALUACIÓN DIAGNOSTICA 1. Sabes para que te puede ayudar el respaldar la información? 2. Conoces algún método para realizar un respaldo,
SQL (Structured Query Language) Lenguaje orientado a bases de datos y sobre todo, al manejo de consultas; el objetivo principal de SQL es la realización.
PROGRAMACION DE Pilas o Stacks
La reingenieria del software Integrantes: Marcela Avila Beltran Anderson Hortua Cruz Michael Mendoza Gomez.
Ingeniería en Informática F UNDAMENTOS DE C OMPUTACIÓN B ACHILLERATO EN I NGENIERÍA I NFORMÁTICA L IC. C ARLOS H. G UTIÉRREZ L EÓN.
Las etapas de un proyecto. Las cosas cambian, y es la gente quien las hace cambiar … §La mayor parte de la gente tiene el concepto de emprendedor como.
Aspectos generales de la investigación educativa en el SNIT
Razonamiento con Incertidumbre
Factores Críticos de Éxito
INPADE UNIVERSIDAD TEMA; FORMULACION DE ESTRATEGIAS Integrantes;
Bachillerato Ingeniería en Informática Fundamentos de Computación.
UNIVERSIDAD NACIONAL DE LOJA ÁREA DE LA EDUCACIÓN, EL ARTE Y LA COMUNICACIÓN CARRERA DE INFORMÁTICA EDUCATIVA MODULO IV DOCENTE Ing. : Lena Ruiz Rojas.
Bases de Datos I UNIVERSIDAD DEL VALLE. Contenido 5. Diseño de Sistemas de Bases de Datos  Diseño relacional  Formas normales  Proceso de creación.
PERSONALIDAD Y COMPORTAMIENTO DEL CONSUMIDOR
TÉCNICAS DE PRUEBA DEL SOFTWARE
Redes Bayesianas Título Francisco Roche Beltrán Huelva, 20 de Abril de 2007.
Robótica Móvil CC5316 Clase 13: EKF y UKF Semestre Primavera 2012 Profesor: Pablo Guerrero.
Clase II Estructuras dinámicas (TAD) Listas Enlazadas. ¿A que llamamos estructuras dinámicas? ¿Por qué son necesarias? Ventajas y Desventajas que tendremos.
? ISO/IEC 9126 ISO/IEC Descripción del estándar.
LA RUEDA DE LA COMPETITIVIDAD
El cuestionario es una técnica de recolección de datos y está conformado por un conjunto de preguntas escritas que el investigador administra o aplica.
Conceptos de sistemas de información 4 Sistema de información formal –Es un medio informativo organizacionalmente eficaz, que es diseñado con la finalidad.
Entregables del Proyecto
JANITH SULAY JAIMES PABON GIOVANNY JIMÉNEZ GÓMEZ JOHN ANDRES AYALA ANGARITA SERGIO ANDRES ARAQUE BERMUDEZ GESTIÓN DE ALMACENAMIENTO SECUNDARIO.
Capacitación Medidor de Espesores DMS 2TC 1 Llog, s.a. de c.v. Representante exclusivo en México de GE Inspection Technologies.
Optimización de Consultas Distribuidas. ÍNDICE Definiciones básicas Modelo de costo Estadísticas de la base de datos Optimización centralizada de consultas.
Bases de datos II Universidad del Cauca Ing. Wilson Ortega.
Taller introducción a los conceptos básicos de Estadística PRIMERA PARTE 2016 Propósito: Introducir algunos conceptos básicos de Estadística por medio.
Transcripción de la presentación:

Sistemas de Mantenimiento de Verdad Introducción a la Inteligencia Artificial E. Morales, L.E. Sucar Sesión 11

TMS Aspectos importante de comportamiento inteligente: razonar y adaptarse en ambientes cambiantes Los Sistemas de Mantenimiento de Verdad revisan sus creencias para mantener consistencia con nueva información que contradiga la existente

Posibles Aplicaciones Problemas de satisfacción de restricciones: asignando valores a variables revisando por consistencia Problemas de planificación: adaptar planes usando información nueva y revisando consistencia

Ejemplo Si A y B Entonces C, si conozco A podría reducirlo a: Si B Entonces C, pero qué pasa si A cambia? Si ave(X) Entonces vuela(X) Si X es pingüino, no tiene alas, está muerto,… Parche: Si ave(X) y no pingüino(X) y … Entonces vuela(X)

Opciones Usar probabilidades … no lo elimina Tratar de probar consistencia … costoso Lo más común, usar chronological backtracking (depth-first search - Prolog), pero … se pueden explorar muchas opciones que no tiene que ver con la contradicción

Opciones (cont.) Usar etiquetas temporales … y borrar todo lo que se tiene a partir de ese hecho contradictorio: Fidel Velásquez es líder de la CTM t0004 … Salinas es Presidente t1425 Fidel muere t1433 Lo que tenemos que guardar son las dependencias entre los hechos: dependency directed backtracking

Ejemplo (1) x  {0,1} (2) a = e1(x) (3) y  {0,1} (4) b = e2(y) (5) z  {0,1} (6) c = e3(z) (7) b ≠ c (8) a ≠ b Donde ei representa un cálculo costoso

Ejemplo (cont.) Búsqueda exhaustiva: x=0,y=0,z=0; x=0,y=0,z=1, … etc. 24 cálculos costosos Chronological backtracking: x=0; x=0,y=0; x=0,y=0,z=0; … etc. 14 cálculos costosos Backtracking inútil, redescubrimiento de contradicciones e inferencias, orden incorrecto

Ejemplo (cont.) En TMS (Doyle) se tienen dos listas: lista de soporte: (SL ListaIn ListaOut) y lista de prueba condicional: (CP Nodo ListaIn ListaOut)

TMS (cont.) TMS considera sólo una solución a la vez Para cambiar estados requiere introducir una contradicción Es computacionalmente caro Puede quitar una contradicción y después volverla a introducir

ATMS (J. De Kleer) Ejemplo de propagación de restricciones: i = ((a  b) + 1)(c + d) h = (a  b) - (c + d) I: a=1, b=2, c=2, d=3 ó a=std, b=dec, c=std, d=inc (1=std) O: e=2, g=3, f=5, i=15, h=-1 ó e=dec, g=dec, f=inc, h=dec, i=?

ATMS (cont.) ATMS sirve para diagnóstico de fallas múltiples Cada variable tiene asignado tres datos: Valor, Dependencias, Ambiente (ciclo) Al hacer la propagación se registra de qué componentes depende Ejemplo: f=(a  c) + (b  d); g = (c  e) + (b  d)

Espacio de candidatos (conj. min.) m123s12 m123s1 m123s2 m12s12 m13s12 m23s12 m123 m12s1 m12s2 m13s1 m13s2 m1s12 m23s1 m23s2 m2s12 m3s12 m12 m13 m1s1 m1s2 m23 m2s1 m2s2 m3s1 m3s2 s12 m1 m2 m3 s1 s2 [ ]

ATMS (cont.) Entrada: a = 3,[ ],0; b=2,[ ],0; c=2,[ ],0; d=3,[ ],0; e=3,[ ],0 Propagación: x=6,[m1],0; y=6,[m2],0; z=6,[m3],0; f=12,[m1,m2,s1],0; g=12,[m2,m3,s2],0 Si medimos f=10,[ ],1; conflicto con [m1,m2,s1] y conflictos mínimos: [m1],[m2],[s1]

ATMS (cont.) Propagamos: x=4,[m2,s1],1 (de y=6 y f=10); y=4,[m1,s1],1 (de x=6 y f =10); g=10,[m1,m3,s1,s2],1 (de y=4 y z=6) Si g=12,[ ],2; conflicto=[m1,m3,s1,s2] Propagamos: x=4,[m3,s1,s2],2; y=6,[m3,s2],2; z=6,[m2,s2],2; z=8,[m1,s1,s2],2 Conflictos mínimos: [m1],[s1],[m23],[m2s2]

ATMS (cont.) Si medimos x: x=4, conjunto mínimo [m1] x=6, conflicto con [m2,s1],[m3,s1,s2] y mínimos: [s1],[m23],[m2s2]. m1 funciona bien y se puede eliminar. x≠4 y x≠6, conflictos: [m1],[m2,s1], [m3,s1,s2] y candidatos min.: [m1s1], [m123], [m12s2]

Representaciones Relacionales Existen algunos aspectos que normalmente no se consideran en las representaciones tradicionales En parte, es por la dificultades que presentan Estas tienen que ver con representaciones y razonamientos temporales, espaciales, causales y funcionales.

Fin