Sistemas Expertos Introducción Arquitectura - Motor de Inferencias Introducción a la Inteligencia Artificial Licenciatura en Ciencias de la Computación

60´s Inicio de los Sistemas Expertos Se buscaban soluciones generales 70´s Los sistemas son más eficientes en dominios acotados La calidad y cantidad de conocimiento son esenciales para una buena performance Es importante independizar el conocimiento del dominio del mecanismo de inferencia.

Sistemas basados en conocimiento (SBC-KBS) Definiciones. Sistemas que representan el conocimiento sobre el dominio en forma explícita y separada del resto del sistema. Waterman. Sistemas que resuelven problemas aplicando una representación simbólica de la experiencia humana. Jackson.

Sistemas Expertos: Definición. Es un sistema de cómputo capaz de simular la conducta inteligente de un experto humano en un dominio específico y especializado, con el objeto de resolver problemas. Hardware + software Fuente de pericia humana en el dominio Sistema de computación Simulación Conducta inteligente Experto Dominio limitado Específico y especializado

Experiencia humana vs. SE. Los humanos son aún imprescindibles.

SE/SBC: Tareas Tareas abordadas Síntesis: Clasificación, diagnóstico Análisis: Planificación, diseño o modelado Las áreas de aplicación son muy variadas !!! Los SBC abordan problemas complejos en dominios específicos en los que el peso de las heurísticas para acotar el espacio de búsqueda es importante.

Primeros Sistemas Expertos MYCIN Stanford (Buchanan - Shortliffe 1976): Diagnóstico y tratamiento de enfermedades infecciosas (aprox. 500 reglas). Introduce factores de certeza. PROSPECTOR Stanford-US Geological Survey (Duda-Gashning- Hart, 1979): Evaluación de yacimientos minerales y petrolíferos. (aprox 1600 reglas). Probabilidades condicionales y Teorema de Bayes. Conocimiento inexacto INTERNIST Pittsburg (Pople-Myers, 1977): Diagnóstico en Medicina interna. CADUCEUS: Analiza relaciones causales. CASNET Rutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma. Razonamiento experto Modelos causales R1 MOLGEN Carnegie Mellon (Mc Dermott): Configuración de ordenadores VAX (aprox 500 reglas). Descompone el diseño en distintos niveles de abstracción. Reducción espacio de búsqueda Stanford (Stefik): Diseño de experimentos genéticos. Utiliza abstracción.

Habilidades que se esperan de un SE Buena perfomance, comparable al menos a la de los especialistas. Manipular con fluidez descripciones simbólicas. Interfaz amigable, adecuada a las necesidades de la aplicación. Habilidad para manipular conocimiento incompleto e impreciso. Capacidad de explicar sus decisiones a los usuarios. Posibilidad de justificar sus conclusiones.

Estructura básica de un SE. Base de Conocimientos Motor de Inferencias InterfaceInterface UsuarioUsuario Ingeniero del conocimiento Experto del dominio KATKAT

Estructura básica de un Sistema Experto Base de Conocimientos Su estructura de datos queda definida en términos del esquema de representación elegido para incorporar el conocimiento del dominio de trabajo. Motor de Inferencias Es la estructura de control de un SE, contiene el programa que gestiona la BC y otros mecanismos necesarios para administrar un sistema de naturaleza interactiva. Separados entre sí

Periodo industrial de la IA Década de los 80 Importante apoyo económico a los esfuerzos de I+D. Gran cantidad de SE en distintos dominios. CRISIS Problemas con la metodología de desarrollo Limitaciones propias del tipo de sistema. Comparable a la Crisis de los SI pero posterior

Crisis SBC Desarrollo de la Ingeniería del Conocimiento Crisis SI Desarrollo de la Ingeniería del Software Ingeniería del Conocimiento (IC) La Ingeniería del Software consiste en la aplicación de una aproximación sistemática, disciplinada y cuantificable al desarrollo, funcionamiento y mantenimiento del software. (IEEE, 1999) La IC tiene los mismos objetivos respecto de los SBC

Sistemas Basados en Conocimiento: Ventajas  El conocimiento no se pierde.  Reducción del espacio de búsqueda con heurísticas para que el problema sea tratable en un tiempo razonable.  Manejo de conocimiento incierto e incompleto.  Posibilidad de justificar el razonamiento seguido.  Hacer el conocimiento disponible en ambientes hostiles o con carencia de especialistas.  Aumento de fiabilidad, evitando que prevalezcan las ultimas experiencias.  Modificación sencilla de la BC por su característica modular.

Sistemas Basados en Conocimiento: Inconvenientes  La adquisición del conocimiento es difícil y cara.  La reutilización del conocimiento en contextos diferentes no es simple.  Falta de creatividad y sentido común.  Obstáculos para el aprendizaje y la adaptación. Quedan inmersos en el campo de los Sistemas Inteligentes. Se trabaja sobre metodología de desarrollo Se los combina con otras tecnologías

SE basados en reglas de producción Sistemas de producción Newell y Simon (1972): Al resolver problemas, las personas utilizan su memoria a largo plazo (permanente) que aplican a situaciones actuales contenidas en su memoria a corto plazo (transitoria). Esto puede generar modificaciones en la última. BC (Reglas) Memoria de trabajo (Hechos) Motor de Inferencias Mundo Exterior

SE basados en reglas de producción Reglas de producción  Son “gránulos” de conocimiento.  Reúnen información relativa a las condiciones de disparo y a los efectos resultantes del disparo.  Son estructuras bidireccionales. SI ?X ES MAMIFERO Y ?X COME CARNE ENTONCES ?X ES CARNIVORO.

SE basados en reglas de producción Ventajas:  Naturaleza modular: El conocimiento es fácil de encapsular y expandir.  Explicaciones sencillas: El registro de reglas disparadas permite presentar la cadena de razonamiento asociada.  Semejanza con el proceso cognitivo humano: modelo natural del razonamiento humano. Dificultades:  Completitud y consistencia como responsabilidad del desarrollador.  Se necesitan otras estructuras para lograr una visión global del conocimiento del dominio. Se las combina con otros formalismos de representación.

SE basados en reglas de producción Inductivo: A partir de un objetivo intenta verificar los hechos que los sostienen Deductivo: A partir de los hechos disponibles infiere todas las conclusiones posibles MOTOR DE INFERENCIAS Dos formas de funcionamiento. BACKWARD CHAINING FORWARD CHAINING

Hechos iniciales Objetivo SE basados en reglas de producción Encadenamiento hacia atrás - Backward Chaining. BH := CONOCIMIENTO INICIAL (HECHOS). HASTA OBJETIVO O SIN REGLAS PARA DISPARAR. REPITA (1) ENCONTRAR K CONJUNTO DE REGLAS, CUYAS CONCLUSIONES PUEDEN UNIFICARSE CON LA HIPÓTESIS (CONJUNTO DE CONFLICTO). (2) ELEGIR R DE K SEGÚN ESTRATEGIA DE SOLUCIÓN DE CONFLICTOS (POSIBLE BACKTRACKING). (3) SI LA PREMISA DE R NO ESTÁ EN BH, TOMARLA COMO SUBOBJETIVO.

SE basados en reglas de producción Backward Chaining: Ciclo base de un motor inductivo. DETECCIÓN: SI EL OBJETIVO ES CONOCIDO ÉXITO. SINO, TOMAR LAS REGLAS QUE LO CONCLUYEN (CC). ELECCIÓN: DECIDIR QUE REGLA APLICAR (RC) APLICACIÓN: REEMPLAZAR EL OBJETIVO POR LA CONJUNCIÓN DE LAS CONDICIONES DE LA PREMISA ELEGIDA.

SE basados en reglas de producción Ejemplo Backward Chaining: Primer paso BASE DE REGLAS R1: p  q  s R2: r  t R3: s  t  u R4: s  r  v  OBJETIVO: v  v  BH ?  v  BH  SIGUE BH: p q r

SE basados en reglas de producción Ejemplo Backward Chaining: Segundo paso BASE DE REGLAS R1: p  q  s R2: r  t R3: s  t  u R4: s  r  v  MATCHING CON v  CC = { R4 }  s  BH?  s  BH  s SUBOBJETIVO  SIGUE BH: p q r

SE basados en reglas de producción Ejemplo Backward Chaining: Tercer paso BASE DE REGLAS R1: p  q  s R2: r  t R3: s  t  u R4: s  r  v BH: p q r  MATCHING CON s  CC = { R1 }  p  BH? SI.  q  BH? SI.  DISPARA R1.  BH  s

SE basados en reglas de producción Ejemplo Backward Chaining: Cuarto paso BASE DE REGLAS R1: p  q  s R2: r  t R3: s  t  u R4: s  r  v BH: p q r s  CC = { R4 }  r  BH? SI.  DISPARA R4.  BH  v

SE basados en reglas de producción Ejemplo Backward Chaining: Quinto paso BASE DE REGLAS R1: p  q  s R2: r  t R3: s  t  u R4: s  r  v BH: p q r s v  OBJETIVO OK.  FIN

SE basados en reglas de producción Formalismos de representación Funcionamiento del Motor de Inferencias Es un shell, cáscara o Sistema Experto vacío Reglas y Objetos El funcionamiento sistemático está definido, pueden personalizarse características KAPPA-PC Posee herramientas de traceo y debug.

SE basados en reglas de producción Otras características Prototipado muy rápido Conexión con BD y otros paquetes de software Construcción de Interfaz básica Help on line Lenguaje de programación KAL (basado en C) Biblioteca de funciones predefinidas KAPPA-PC

SE basados en reglas de producción KAPPA-PCRepresentación del dominio Estructura de clases Debe incluir los elementos del dominio sobre los que predicarán las reglas Poseen Slots que las describen Tipo: Texto, Numérico, Booleano, Objeto Cardinalidad: single o multi Valores permitidos (texto) Rango (numéricos) Prompt Monitores

SE basados en reglas de producción Ejemplo “Animales Carnívoros” para volcar en Kappa-PC.  RCARNÍVORO1: SI EL ANIMAL MAMÍFERO COME CARNE ENTONCES EL ANIMAL ES CARNÍVORO.  RCARNÍVORO2: SI EL ANIMAL MAMÍFERO TIENE GARRAS Y DIENTES AGUDOS ENTONCES EL ANIMAL ES CARNÍVORO.  RTIGRE: SI EL ANIMAL ES CARNÍVORO Y SU COLOR ES LEONADO Y SU PELAJE TIENE FRANJAS NEGRAS ENTONCES EL ANIMAL ES UN TIGRE.  RLEOPARDO: SI EL ANIMAL ES CARNÍVORO Y SU COLOR ES LEONADO Y SU PELAJE TIENE MANCHAS OSCURAS ENTONCES EL ANIMAL ES UN LEOPARDO

SE basados en reglas de producción Elementos sintácticos Atomos: “animal carnívoro”, tigre, Juan. Pares: animal:dientes, persona:nombre. (Objeto:Slot) Expresiones: Operadores y operandos. Cierran con ; Bloques: Conjunto de expresiones en un {….}; Funciones: nombre( arg1, arg2,….). Biblioteca KAPPA-PC

SE basados en reglas de producción Elementos sintácticosKAPPA-PC Las Expresiones contienen operadores de distinto tipo: TESTEO (texto): #=, # TESTEO (números): = =, !=,,>= ASIGNACIÓN: = (todos los tipos) LÓGICOS: And, Or, Xor ARITMÉTICOS: ^, *, /, +, -

SE basados en reglas de producción KAPPA-PC Representación del dominio Las reglas predican sobre las instancias definidas. Rcarnívoro1: IF animal:comida #= carne; THEN { animal:grupo = carnivoro; MoveInstance (animal, Carnivoro) };

SE basados en reglas de producción KAPPA-PC ¿Qué es un hecho al realizar encadenamiento de reglas? Al encadenar reglas, Kappa considera “hechos” a los valores de los pares objeto:slot. Al redactar las reglas se deben incluir asignaciones de valor a los slots para que el motor pueda realizar el encadenamiento El sistema reconoce los resultado de otras acciones, pero no los utiliza para construir el árbol de búsqueda.

SE basados en reglas de producción Backward Chaininig en Kappa-PC. BC OBJETOS REGLAS MI OBJETIVO FASES  EXPANDING: EVALÚA LOS IF Y ABRE EL ÁRBOL CONSIDERANDO NUEVOS HECHOS.  COLLAPSING: TESTEA SI VERIFICA EL GOAL.  ASKING: PIDE INFORMACIÓN AL USUARIO.

SE basados en reglas de producción Backward Chaininig en Kappa-PC. Utilizando una función. Desde el Inference Browser Lanzamiento del motor en BC BackwardChain (, Goal, ) Desde el Rule Trace

Ejemplo “Animales Carnívoros” en Backward Chaining. En el Inference Browser puede seguirse la inferencia “paso a paso” para realizar el debug

Backward Chaininig en Kappa-PC: Conclusiones.  Es obligatorio definir un objetivo o test (Goal).  El THEN de las reglas debe incluir hechos que permitan realizar el encadenamiento (asignación de valores a Slots).  No responde a la exploración Primero Profundo definido en el Backward Chaining teórico.  Funcionamiento sistemático único, personalizable por la definición de objetivos o uso de monitores.  Si está habilitado, pide automáticamente información al usuario.

SE basados en reglas de producción Encadenamiento hacia adelante - Forward Chaining. BH := CONOCIMIENTO INICIAL (HECHOS). HASTA OBJETIVO O SIN REGLAS PARA DISPARAR. REPITA: (1) ENCONTRAR K CONJUNTO DE REGLAS CUYAS PREMISAS CUMPLEN CON BH (CONJUNTO DE CONFLICTO-CC). (2) ELEGIR R DE K SEGÚN ESTRATEGIA DE SOLUCIÓN DE CONFLICTOS (RC). (3) DISPARAR R Y ACTUALIZAR BH. (RECORDAR R). Hechos iniciales Objetivo

SE basados en reglas de producción Forward Chaining: Ciclo base de un motor deductivo. DETECCIÓN: DETERMINAR EL CONJUNTO DE REGLAS APLICABLES ELECCIÓN: DECIDIR QUE REGLA APLICAR (RC) APLICACIÓN DISPARAR LA REGLA ELEGIDA Y ACTUALIZAR BH.

SE basados en reglas de producción Ejemplo Forward Chaining: Primer paso BASE DE REGLAS R1: p  q  s R2: r  t R3: s  t  u R4: s  r  v  CC = { R1, R2 }  R1  RC  DISPARA R1  BH  s  R1 APLICADA BH: p q r

SE basados en reglas de producción Ejemplo Forward Chaining: Segundo paso BASE DE REGLAS (R1: p  q  s) R2: r  t R3: s  t  u R4: s  r  v  CC = { R2, R4 }  R2  RC  DISPARA R2  BH  t  R2 APLICADA BH: p q r s

SE basados en reglas de producción Ejemplo Forward Chaining:Tercer paso BASE DE REGLAS (R1: p  q  s) (R2: r  t) R3: s  t  u R4: s  r  v  CC = { R3, R4 }  R3  RC  DISPARA R3  BH  u  R3 APLICADA BH: p q r s t

SE basados en reglas de producción Ejemplo Forward Chaining:Cuarto paso BASE DE REGLAS (R1: p  q  s) (R2: r  t) (R3: s  t  u) R4: s  r  v  CC = {R4 }  R4  RC  DISPARA R4  BH  v  R4 APLICADA BH: p q r s t u

SE basados en reglas de producción Ejemplo Forward Chaining:Quinto paso BASE DE REGLAS (R1: p  q  s) (R2: r  t) (R3: s  t  u) (R4: s  r  v)  CC = { }  FIN BH: p q r s t u v

SE basados en reglas de producción Forward Chaininig en Kappa-PC. BC MI OBJETOS REGLAS AGENDA DE HECHOS LISTA DE REGLAS  SELECTIVE  DEPTH FIRST  BREATH FIRST  BEST FIRST ESTRATEGIAS:

Ciclo de Forward Chaininig en Kappa-PC. 1) Se evalúa el hecho actual en la AGENDA.  CC = { REGLAS QUE MENCIONAN EL HECHO EN SUS PREMISAS}  LISTA DE REGLAS (LR).  Se quita el hecho de la AGENDA. 2) Se evalúan las REGLAS de LR en orden, al disparar una:  Se agregan (si corresponde) hechos en la AGENDA.  Se quita la REGLA de la LISTA DE REGLAS. 3) Se evalúa finalización.  Si hay GOAL y es TRUE  FIN.  Si no es así  Otro Ciclo.

SE basados en reglas de producción Forward Chaininig en Kappa-PC. Utilizando una función. Lanzamiento del motor en FC ForwardChain (,, ) Desde el Rule Trace

SE basados en reglas de producción Forward Chaininig en Kappa-PC. Trabaja a partir de la Agenda y la Lista de Reglas Se debe garantizar la presencia de objetos en estas estructuras NOASSERT coloca todas las reglas en Lista de Reglas Assert coloca en la Agenda los HECHOS de interés Un hecho corresponde al valor de un slot

SE basados en reglas de producción Forward Chaininig en Kappa-PC. Colocación de hechos en la Agenda: 1º) SetValue (animal:comida, carne) ; 2º) Assert (animal:comida) ; 3º) ForwardChain ( ) ; El motor busca las reglas que mencionan animal:comida en el IF y las ubica en la Lista de Reglas (CC). Una vez lanzada la inferencia, los hechos establecidos al disparar las reglas, son colocados automáticamente en la Agenda. En FC no se pregunta automáticamente al usuario, el diseñador debe garantizar el pedido de información para continuar la búsqueda

Forward Chaininig en Kappa-PC.

 Para lanzarlo deben garantizarse hechos en la agenda (Assert inicial o Forward con [NOASSERT]).  Se debe asegurar la posterior introducción de hechos en la agenda durante la inferencia.  Las estrategias permiten recorrer el árbol de búsqueda de diferentes formas.  Las prioridades en las reglas permiten personalizar las estrategias.

Forward Chaininig en Kappa-PC.  Los objetivos no son imprescindibles pero permiten “cortar” la búsqueda.  La búsqueda puede polarizarse lanzando el Forward con diferentes grupos de reglas.  Pueden introducirse “patrones” para inferir sobre distintos objetos.

Motor de Inferencias: Estructuras de control Funcionamiento sistemático Tipo de búsqueda implementada Ruptura Demonios Se invocan a partir de cierto conocimiento deducido durante la ejecución de la aplicación. Son procedimientos especiales Elementos de metaconocimiento

Estructuras de control: Demonios El demonio es una estructura de control que vigila constantemente el comportamiento del SE y se activa cuando encuentra determinadas condiciones en la BC. BC Disparador Procedimiento Personal Consultant-xx Forward Chaining es un demonio, manejado mediante la propiedad ANTECEDENT de las reglas. Kappa-PC Monitores: Demonios que se activan a partir de cómo maneja el sistema los objetos con los que se los asocia.  Difieren de los procedimientos tradicionales, en que estos últimos responden a un llamado específico que los identifica y pone en acción.

Demonios en KAPPA-PC.  If Needed: Cuando el sistema necesita el slot pero su valor no se conoce. Pensado para asignar valores por defecto  Debe retornar ese valor.  When Accesed: Cuando el sistema accede al slot sin importar si tiene valor asignado. Lleva como argumentos (slot, valor) y debe retornar valor.  Before Change: Antes de que se cambie el valor del slot. Lleva como argumentos (slot, valor) y debe retornar valor.  After Change: Después de cambiar el valor del slot.

Sistemas expertos: Metaconocimiento Es el conocimiento estratégico vinculado a la utilización del conocimiento del dominio del Sistema Experto. Es conocimiento que predica sobre el conocimiento involucrado en el sistema. Métodos de implementación: Meta-reglas Activación o no de grupos de reglas específicas. Ordenación de las reglas dentro de los grupos. Funciones Definición de la búsqueda o no de conceptos asociados. PC-PLUS  FINDOUT - NOFINDOUT Orden de las reglas Posibilidad de asignarles “pesos” numéricos. PC-PLUS  UTILITY. KAPPA-PC  PRIORITY

Sistemas expertos: Metaconocimiento Enriquece y aporta a la perfomance de un Sistema Experto y por sus características incluye: Elementos en el Motor de Inferencias: Demonios. Elementos en la Base de Conocimientos: Metareglas, PRIORITY, etc. Ejemplos de Metareglas en SEXP-1 IF Litología_Principal = Arenisca THEN Tratar sólo el grupo de reglas asociadas. IF Litología_Principal = Roca_Ignea THEN NoAsk (Lista de valores)