Tema 6 Razonamiento aproximado

1. Tema 6Razonamiento aproximado Ampliación de Ingeniería del Conocimiento Eva Millán

2. 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

3. 6.1. Introducción al razonamiento aproximado • Necesidad de razonamiento aproximado • Apuntes históricos

4. 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

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

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

7. 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

8. 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

9. 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

10. 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.

11. 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

12. 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

13. 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.

14. 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 * *