Tema 6

Razonamiento aproximado
Ampliacin de Ingeniera
del Conocimiento
Eva Milln

Esquema del tema

6.1. Introduccin al razonamiento aproximado
6.2. El modelo de factores de certeza
6.3. Conjuntos difusos
6.4. Redes bayesianas
TEORA
6.5. El lenguaje Fuzzy Clips y la herramienta HUGIN
6.6 Aplicaciones al diagnstico y el control
PRCTICA

6.1. Introduccin al razonamiento

aproximado
Necesidad de razonamiento aproximado
Apuntes histricos

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

incierta
imprecisa

Necesidad de razonamiento
aproximado (II)
Clasificacin de las fuentes de incertidumbre:

Deficiencias de la informacin,
Caractersticas del mundo real,
Deficiencias del modelo.

Necesidad de razonamiento
aproximado (III)
Ejemplos:

Falta historial

Falta memoria
Engao

Informacin incompleta

Pruebas caras

Informacin errnea

Descripcin
incorrecta

Informacin imprecisa

Mundo real no determinista

Modelo incompleto desconocidas

Modelo inexacto

Dificultad
cuantificar

Historial
incorrecto
Falsos positivos

Aleatoriedad

Enfermedades
Estimaciones
subjetivas
parmetros

Excepciones

Desacuerdos Imposibilidad
Problemas
mecanismos
razonamiento

Necesidad de razonamiento
aproximado (IV)
Todas estas fuentes de incertidumbre se dan en:

ciencias naturales,
ingeniera,
derecho,
humanidades
problemas tpicos de AI:

reconocimiento del lenguaje natural (hablado/escrito),

aprendizaje,
visin artificial,
robtica,
recuperacin de informacin,
juegos complejos
sistemas adaptativos

Necesidad de razonamiento
aproximado (V)
En resumen, el tratamiento de la incertidumbre es,
junto con la representacin del conocimiento y el
aprendizaje, uno de los problemas fundamentales de la
Inteligencia Artificial
En este tema nos centraremos en los llamados mtodos
numricos

Apuntes histricos (I)

1. Mtodo probabilista clsico

En el siglo XVIII, Bayes y Laplace propusieron la

probabilidad como una medida de la creencia
personal.
Con el mtodo probabilstico clsico se
construyeron los primeros sistemas de diagnstico
mdico
Inconvenientes principales:

gran cantidad de parmetros (probabilidades)

gran complejidad computacional

poca verosimilitud de las hiptesis simplificadoras

Apuntes histricos (II)

2. Programacin basada en reglas (aos 60-70)
Dendral utiliza con xito la programacin basada
en reglas
Los creadores de MYCIN buscaban un mtodo de
computacin eficiente que pudiera adaptarse al
razonamiento mediante encadenamiento de
reglas.
Desarrollan un mtodo propio, consistente en
asignar a cada regla un factor de certeza.
Aunque el sistema obtiene excelentes resultados,
stos se deben ms a la potencia del conjunto de
reglas que al modelo de factores de certeza en s,
que hoy en da sabemos que tiene graves
deficiencias.
10

Apuntes histricos: redes bayesianas

3. A principio de los aos 80, Judea Pearl retoma el
modelo probabilstico creando las redes bayesianas

Este acontecimiento cambia completamente el escenario

Modelo probabilista inspirado en la causalidad
El modelo probabilstico tiene asociado un modelo grfico,
cuyos nodos representan variables y cuyos arcos representan
mecanismos causales
Extraordinario desarrollo experimentado por las redes
bayesianas en las dos ltimas dcadas
Se han construido modelos de diagnstico y algoritmos
eficientes para problemas con miles de variables
Las universidades ms importantes y las empresas punteras de
informtica tienen grupos de investigacin dedicados a este
tema

11

Caractersticas principales de
las redes bayesianas
La incertidumbre se representa basndose en teora de
la probabilidad

La informacin se estructura en variables y
relaciones de influencia causal entre ellas

Relaciones de independencia condicional

Parmetros: probabilidades condicionadas de cada
variable dados sus padres

Inferencias de tipo abductivo y predictivo

12

Ejemplos de empresas que utilizan redes

bayesianas:

Digital,
Hewlett Packard, diagnstico de problemas de
impresin
IBM,
Intel,
Siemens
Nokia
Microsoft (Windows 95/98, Office 97/2000)

13

Apuntes histricos: lgica difusa

4. En 1965, Lofti Zadeh sienta las bases de la
lgica difusa

14

Motivacin inicial: estudio de la vaguedad

Relacin vaguedad incertidumbre
Paradoja del cntimo de euro
Solucin: definir conjuntos con grados de
pertenencia
xito de la lgica difusa :

Desde el punto de vista prctico: miles de
aplicaciones, la mayora en sistemas de control

Desde el punto de vista terico: muchas reas
de las matemticas, lgica, econmicas, etc. se
han difuminado desde entonces.

Caractersticas principales de
la lgica difusa

Se intenta representar la vaguedad e imprecisin

inherentes en el lenguaje natural
Utiliza varios elementos: conjuntos difusos, variables
difusas, relaciones difusas, reglas difusas
Dichos elementos se combinan entre s en el proceso de
inferencias
El proceso de inferencias incluye pasos que pasan la
informacin ntida a difusa y viceversa

15

Un poco de publicidad...
OLYMPUS ERGONMICA SRL 28-120

(2995 dlares)

Poderoso lente zoom de 4.3x, 28-120 con elementos de

lentes de cristal ED Sistema de flash doble incorporado.
Ajuste de Exposicin Automtica programada Sistema
de Medicin TTL: Fuzzy logic ESP, Promedio Balanceado
al Centro

AEG Lavamat 64600

(429 euros)

Carga: 5kg
Revoluciones: 1400 rpm
Caractersticas energticas: A+,A,B
Multi-Display
Fuzzy Logic
Programas especiales: Lavado a mano, Seda, Lana

16

Resumen: principales diferencias entre la

lgica difusa y redes bayesianas

Lgica
difusa

Informacin

Estructurada
como

Aplicacin
mayoritaria

Incierta
(grados
pertenencia)

Reglas
SI.entonces

Control

Imprecisa
Redes
Relaciones
Diagnstico
bayesianas (probabilidades) influencia causal

17

Resumen
Mtodos numricos de tratamiento de la
incertidumbre ms importantes:

18

Mtodo probabilstico clsico

Factores de certeza *
reglas SI...ENTONCES
Lgica difusa
*
Redes bayesianas *
relaciones causa-efecto