Tema 6 Razonamiento aproximado Ampliación de Ingeniería del Conocimiento Eva Millán

Esquema del tema 6.1. Introducción al razonamiento aproximado 6.2. El modelo de factores de certeza 6.3. Conjuntos difusos 6.4. Redes bayesianas 6.5. El lenguaje Fuzzy Clips y la herramienta HUGIN 6.6 Aplicaciones al diagnóstico y el control TEORÍA PRÁCTICA

6.1. Introducción al razonamiento aproximado Necesidad de razonamiento aproximado Apuntes históricos

Necesidad de razonamiento aproximado (I) El modelo ideal del razonamiento (humano o mecánico) es el razonamiento exacto. En mundo real se suele razonar con información que es: incierta imprecisa

Necesidad de razonamiento aproximado (II) Clasificación de las fuentes de incertidumbre: Deficiencias de la información, Características del mundo real, Deficiencias del modelo.

Necesidad de razonamiento aproximado (III) Ejemplos: Información incompleta Información errónea Información imprecisa Mundo real no determinista Modelo incompleto Modelo inexacto

Necesidad de razonamiento aproximado (IV) Todas estas fuentes de incertidumbre se dan en: ciencias naturales, ingeniería, derecho, humanidades problemas típicos de AI: reconocimiento del lenguaje natural (hablado/escrito), aprendizaje, visión artificial, robótica, recuperación de información, juegos complejos sistemas adaptativos

Necesidad de razonamiento aproximado (V) En resumen, el tratamiento de la incertidumbre es, junto con la representación del conocimiento y el aprendizaje, uno de los problemas fundamentales de la Inteligencia Artificial Nos centraremos en los llamados métodos numéricos

Apuntes históricos (I) 1. Método probabilista clásico En el siglo XVIII, Bayes y Laplace propusieron la probabilidad como una medida de la creencia personal. Con el método probabilístico clásico se construyeron los primeros sistemas de diagnóstico médico Inconvenientes principales: gran cantidad de parámetros (probabilidades) gran complejidad computacional poca verosimilitud de las hipótesis simplificadoras

Apuntes históricos (II) 2. Programación basada en reglas (años 60-70) Dendral utiliza con éxito la programación basada en reglas Los creadores de MYCIN buscaban un método de computación eficiente que pudiera adaptarse al razonamiento mediante encadenamiento de reglas. Desarrollan un método propio, consistente en asignar a cada regla un factor de certeza. Aunque el sistema obtiene excelentes resultados, éstos se deben más a la potencia del conjunto de reglas que al modelo de factores de certeza en sí, que hoy en día sabemos que tiene graves deficiencias.

Apuntes históricos (III) 3. A principio de los años 80, Judea Pearl retoma el modelo probabilístico creando las redes bayesianas Este acontecimiento cambia completamente el escenario Modelo probabilista inspirado en la causalidad El modelo probabilístico tiene asociado un modelo gráfico, cuyos nodos representan variables y cuyos arcos representan mecanismos causales Extraordinario desarrollo experimentado por las redes bayesianas en las dos últimas décadas Se han construido modelos de diagnóstico y algoritmos eficientes para problemas con miles de variables Las universidades más importantes y las empresas punteras de informática tienen grupos de investigación dedicados a este tema

Apuntes históricos (IV) Ejemplos de empresas que utilizan redes bayesianas: Microsoft (Windows 95/98, Office 97/200) Digital, Hewlett Packard, diagnóstico de problemas de impresión IBM, Intel, Siemens Nokia

Apuntes históricos (V) 4. En paralelo, Lofti Zadeh sienta las bases de la lógica difusa. Motivación inicial: estudio de la vaguedad Relación vaguedad  incertidumbre Paradoja del céntimo de euro Solución: definir conjuntos con grados de pertenencia Muchas áreas de las matemáticas y la lógica se han “difuminado” desde entonces.

Resumen Métodos numéricos de tratamiento de la incertidumbre más importantes: Método probabilístico clásico Factores de certeza Lógica difusa Redes bayesianas relaciones causa-efecto El debate sobre el método más adecuado permanece abierto. * reglas SI...ENTONCES * *