ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

INTELIGENCIA ARTIFICIAL 90169A_474

Presentado por:
YESITH ALFONSO CARDENAS SEVERICHE -1065613464
HENRY MANUEL TOBIO CERMEÑO - 92546977
JOHAN ALBERTO GUERRERO CARREÑO – 1064719142
MARYE LICETH JIMENEZ-1065873408

FERNANDO ROJAS (TUTOR)

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA –UNAD

INTELIGENCIA ARTIFICIAL 90169 _
NOVIEMBRE 2018
 INTRODUCCION

El presente trabajo tiene como propósito formativo orientar a los

estudiantes para comprender y diseñar prototipos de sistemas inteligentes
mediante la utilización de software especializado aplicando herramientas,
técnicas, algoritmos de búsqueda, redes neuronales basados en la
inteligencia artificial. De igual forma explicar sobre las formas de
representación del conocimiento en IA.
 OBJETIVO

Comprender y aplica las redes neuronales artificiales (RNA) en la resolución

de problemas para implementar sistemas inteligentes mediante la utilización
de las herramientas que le ofrece la IA.
 1. Explicar en el foro sobre las formas de representación del
conocimiento en IA.

FORMAS DE REPRESENTACIÓN DEL CONOCIMIENTO.

Como analizamos en el capítulo anterior, los programas inteligentes se basan

en el conocimiento. Por tanto, es necesario estudiar cómo realizar el
almacenamiento del mismo, determinando cuál será su forma de
representación.
Para realizar el almacenamiento del conocimiento se determina su
representación, lo cual no es más que el proceso de estructurar el
conocimiento sobre un problema de manera que sea más fácil de resolver.
se analizan algunas de las técnicas para realizar esta representación, es decir
se mostrarán los diferentes tipos de Formas de Representación del
Conocimiento más utilizados en la práctica, como las Redes Semánticas, la
Lógica, los Frames, Scripts, Reglas de Producción y Strips; además de sus
características generales y de cómo se razona con ellas, es decir, cómo
afrontar la implementación de las mismas en la programación de sistemas
de I.A.

Definición de Forma de Representación del Conocimiento

Llamamos Forma de Representación del Conocimiento (F.R.C.) a la notación

usada para representar el mismo, es decir la manera en que se almacena.
En los primeros intentos de escritura de programas que permitiesen
interfaces en lenguaje natural, se hizo obvia la necesidad de una manera
para representar una gran colección de hechos estructurados de forma
compleja. Consideremos la cantidad de conocimiento que debe usarse para
permitir que un programa “comprenda” el siguiente texto sencillo:
“Juan decidió visitar a Guillermo. Condujo hasta su casa, pero vio que todas
las luces estaban apagadas, por lo que, en vez de ello, fue al cine.”
Y contestar preguntas como las siguientes: ¿Vio Juan a Guillermo?, ¿Qué
casa estaba oscura?, ¿Quién fue al cine?. El problema de la comprensión de
un texto en lenguaje natural es difícil por la gran cantidad de conocimiento
que debe representarse y manipularse. Por un lado, está el conocimiento
perteneciente a la interfaz del programa y por otro el conocimiento sobre la
sintaxis y vocabulario del lenguaje mismo. Es útil separar estos dos aspectos
tanto como sea posible, pues ambos son muy difíciles. Las representaciones
que estudiaremos pueden usarse tanto en sistemas que tratan con entradas
en lenguaje natural como en aquellos que no lo hacen.

No existe actualmente una F.R.C. general, capaz de ser usada con éxito en
todo tipo de aplicación. Ante un problema de un dominio específico es
necesario realizar la selección de la F.R.C. más adecuada a dicho problema.
Para realizar esta selección debemos tener en cuenta los siguientes criterios:
- Debe describir los hechos importantes acerca del dominio del problema y
exponer las restricciones de manera natural, reflejando la estructura de los
objetos, los hechos y las relaciones entre ellos. - El conocimiento almacenado
debe ser completo (expresar todo lo necesario) y conciso (expresar los
hechos de forma eficiente).
- Debe suprimir detalles, manteniendo sólo los hechos necesarios.

-El conocimiento almacenado debe ser transparente, o sea, comprendido con

facilidad.
- Debe facilitar el cálculo, o sea, que almacene y recupere información
rápidamente.
- Debe ser manipulable por una computadora. - Debe aceptar conocimiento
empírico, teórico o heurístico, y combinar el conocimiento declarativo con el
procedural, de acuerdo a los requerimientos de la aplicación.

Clasificación de las formas de representación del conocimiento.

Las F.R.C. pueden clasificarse en:

Declarativas: Donde la mayor parte del conocimiento se representa como
una colección estática de hechos junto con un pequeño conjunto de
procedimientos generales para manipularlos. Ejemplos de ellas son:
- Lógica (Proposicional, Cálculo de predicados, No Monotónica, etc.).
- Redes semánticas (Semantic Networks).
- Marcos o armazones (Frames). - Guiones (Scripts).

Procedurales: Donde la mayor parte del conocimiento se representa como

procedimientos para usarlo.
- Reglas de producción.
- Strips.

Las F.R.C. declarativas tienen las siguientes ventajas:

- Cada hecho sólo necesita almacenarse una vez, sin importar el número de
maneras diferentes en que pueda usarse.
- Es fácil añadir nuevos hechos al sistema sin cambiar los otros hechos ni
los procedimientos pequeños.

Como ventajas de las F.R.C. procedurales podemos señalar:

- Es fácil representar el conocimiento sobre cómo hacer cosas. - Es fácil
representar el conocimiento que no encaja bien en muchos esquemas
declarativos simples, como por ejemplo razonamientos por defecto y
probabilísticos.
- Es fácil representar conocimiento heurístico de cómo realizar las cosas
eficientemente
Tipos de Conocimiento en Inteligencia Artificial

Conocimiento Declarativo
Son hechos sobre objetos o situaciones. Posee mayor capacidad expresiva,
menor capacidad creativa o computacional. Es conocimiento pasivo,
expresado como sentencias acerca de los hechos del mundo que nos rodea
(el saber que hacer). Puede ser representado con modelos relacionales y
esquemas basados en lógica. Los modelos relacionales pueden representar
el conocimiento en forma de árboles, grafos o redes semánticas. Los
esquemas de representación lógica incluyen el uso de lógica proposicional y
lógica de predicados.

Tipos de Conocimiento en Inteligencia Artificial

Tipos de Conocimiento Declarativo
• Conocimiento Relacional: conjunto de relaciones expresables
mediante tablas (como en una Base de Datos). Hemos de aportar
procedimientos que lo enriquezcan Motor de inferencia genera conocimiento
a partir de información.
• Conocimiento Heredable: Estructuración jerárquica del conocimiento
(taxonomía jerárquica). Se trata de construir un árbol o grafo de conceptos
basado en la generalización y/o especialización.
• Conocimiento Inferible: Conocimiento descrito mediante lógica. Se
puede utilizar la semántica de los operadores y el Modus Ponen para inferir
nuevo conocimiento.

Conocimiento Procedimental
Es aquel conocimiento compilado que se refiere a la forma de realizar una
cierta tarea (el saber cómo hacerlo). Por ejemplo, los pasos necesarios para
resolver una ecuación algebraica son expresados como conocimiento
procedimental. Los modelos procedimentales y sus esquemas de
representación almacenan conocimiento en la forma de cómo hacer las
cosas. Pueden estar caracterizados por gramáticas formales, usualmente
implantadas por sistemas o lenguajes procedimentales y sistemas basados
en reglas (sistemas de producción). Por ejemplo, los pasos necesarios para
resolver una ecuación algebraica son expresados como conocimiento
procedimental.

El Conocimiento Heurístico
Es un tipo especial de conocimiento usado por los humanos para resolver
problemas complejos. El adjetivo heurístico significa medio para descubrir.
Está relacionado con la palabra griega heuriskein que significa descubrir,
encontrar. Se entiende por heurístico a un criterio, estrategia, método o
truco utilizado para simplificar la solución de problemas.
Técnicas de Representación de Conocimiento en Inteligencia Artificial

Propiedades del Sistema de Representación del Conocimiento en

Inteligencia Artificial
Capacidad Expresiva

Capacidad Deductiva

Eficiencia Deductiva

Eficiencia en la Adquisición

La Representación del Conocimiento en Inteligencia Artificial de ser capaz

• Captar generalizaciones.
• Ser comprensible.
• Fácilmente modificable, incrementable.
• Ser usado en diversas situaciones y propósitos.
• Permitir diversos grados de detalle.
• Captar la incertidumbre, imprecisión.
• Representar distinciones importantes.
• Focalizar el conocimiento relevante

Representación del Conocimiento en Inteligencia Artificial

Todo problema es más sencillo de resolver si disponemos de conocimiento
específico sobre él. Este conocimiento dependiente del dominio se combina
con el conocimiento general sobre cómo resolver problemas. Este
conocimiento ha de permitir guiar los mecanismos de inteligencia artificial
para obtener soluciones de manera más eficientes.

2. Explicar en el foro sobre aprendizaje profundo

¿Qué significa en términos simples aprendizaje profundo?

Augusto Vega: El aprendizaje profundo es un campo perteneciente a la
inteligencia artificial cuyo objetivo es el estudio y construcción de sistemas
de cómputo capaces de "aprender" a partir de la experiencia, inspirándose
ligeramente en algunos principios del funcionamiento del cerebro animal.

En general, estos sistemas deben ser entrenados a partir de ejemplos

conocidos, de manera similar en la que se le enseña a un niño pequeño a
reconocer objetos o sonidos a su alrededor (se señala un árbol y se le dice
"eso es un árbol"; o se escucha el ruido de un tren y se le dice "eso es un
tren").
A este tipo de aprendizaje automático se le llama "profundo" porque presenta
una estructura jerárquica que extrae diferentes niveles de detalle de los
datos en cuestión. Por ejemplo, durante el reconocimiento de imágenes se
extraen bordes que, combinados, permiten detectar contornos, que a su vez
permiten reconocer diferentes partes del objeto, para finalmente determinar
su identidad.

El aprendizaje profundo, también conocido cono redes neuronales profundas,

es un aspecto de la inteligencia artificial (AI) que se ocupa de emular el
enfoque de aprendizaje que los seres humanos utilizan para obtener ciertos
tipos de conocimiento. En su forma más simple, el aprendizaje profundo
puede considerarse como una forma de automatizar el análisis predictivo.

En el aprendizaje tradicional de las máquinas, el proceso de aprendizaje es

supervisado y el programador tiene que ser muy, muy específico al decirle a
la computadora qué tipos de cosas debe buscar para decidir si una imagen
contiene un perro o no contiene un perro. Este es un proceso laborioso
llamado extracción de características y la tasa de éxito de la computadora
depende totalmente de la capacidad del programador para definir con
precisión un conjunto de características para "perro". La ventaja del
aprendizaje profundo es que el programa construye el conjunto de
características por sí mismo sin supervisión. Esto no es sólo más rápido, sino
que por lo general es más preciso.

Inicialmente, el programa de computadora podría ser provisto de datos de

entrenamiento, un conjunto de imágenes para las cuales un humano ha
etiquetado cada imagen "perro" o "no perro" con metaetiquetas. El programa
utiliza la información que recibe de los datos de entrenamiento para crear un
conjunto de características para el perro y construir un modelo predictivo. En
este caso, el modelo que la computadora crea por primera vez podría
predecir que cualquier cosa en una imagen que tenga cuatro patas y una cola
debería estar etiquetada como "perro". Por supuesto, el programa no es
consciente de las etiquetas "cuatro patas" o "cola", simplemente buscará
patrones de píxeles en los datos digitales. Con cada iteración, el modelo
predictivo que crea el equipo de cómputo se vuelve más complejo y más
preciso.

3. Explicar en el foro sobre aprendizaje automático

El aprendizaje automático es un tipo de inteligencia artificial (AI) que

proporciona a las computadoras la capacidad de aprender, sin ser
programadas explícitamente. El aprendizaje automático se centra en el
desarrollo de programas informáticos que pueden cambiar cuando se
exponen a nuevos datos.
El proceso de aprendizaje automático es similar al de la minería de datos.
Ambos sistemas buscan entre los datos para encontrar patrones. Sin
embargo, en lugar de extraer los datos para la comprensión humana –como
es el caso de las aplicaciones de minería de datos– el aprendizaje automático
utiliza esos datos para detectar patrones en los datos y ajustar las acciones
del programa en consecuencia. Los algoritmos del aprendizaje automático se
clasifican a menudo como supervisados o no supervisados. Los algoritmos
supervisados pueden aplicar lo que se ha aprendido en el pasado a nuevos
datos. Los algoritmos no supervisados pueden extraer inferencias de
conjuntos de datos.
El feed de noticias de Facebook utiliza el aprendizaje automático para
personalizar el feedde cada miembro. Si un miembro detiene frecuentemente
su desplazamiento para leer o "gustar" de las publicaciones de un amigo en
particular, el feed de noticias empezará a mostrar más actividad de ese
amigo antes en el feed. Detrás del telón, el software simplemente utiliza
análisis estadístico y análisis predictivo para identificar patrones en los datos
del usuario, y utilizar patrones para rellenar el feed de noticias. En caso de
que el miembro ya no detenga para leer, gustar o comentar sobre los
mensajes del amigo, esos nuevos datos se incluirán en el conjunto de datos
y el feed de noticias se ajustará en consecuencia.
4. Elaborar y entregar prototipo de Sistema Inteligente

Base de Conocimientos
Se divide en dos componentes:
• Base de Relaciones: Es la parte del sistema experto que contiene el
conocimiento sobre el dominio. Hay que obtener el conocimiento del
experto y codificarlo en la base de relaciones. Una forma clásica de
representar el conocimiento en un SE son las reglas, aunque se
puede usar otros tipos de representación matemática.
• Base de Datos: Contiene los hechos sobre un problema que se han
descubierto antes y durante una consulta. Durante una consulta con
 el SE, el usuario introduce la información del problema actual en la
base de hechos. El sistema empareja esta información con el
conocimiento disponible en la base de conocimientos para deducir
nuevos hechos.
• Motor de Inferencia. El SE modela el proceso de razonamiento
humano con un módulo conocido como el Motor de inferencia. Simula
el razonamiento del experto en el dominio, y tiene como objetivo el
generar nueva información con base en el conocimiento que se le
provee.
Está formado por los algoritmos o programas que reflejan algún tipo de
inferencia, manejan (seleccionan, deciden, interpretan y aplican) los
conocimientos de la Base de conocimientos y coordinan las acciones que el
sistema, como un todo, debe realizar. 34 trabaja con la información
contenida en la Base de relaciones y la Base de datos para deducir nuevos
hechos. Su razonamiento puede ser por Encadenamiento hacia adelante, o
Encadenamiento hacia atrás.
• Módulo de Explicación. Una característica fundamental de los SE es
su habilidad para explicar su razonamiento. Usando el Módulo de
Explicación, un SE puede proporcionar una explicación al usuario de
por qué está haciendo una pregunta y cómo ha llegado a una
conclusión. Este módulo proporciona beneficios tanto al diseñador del
sistema como al usuario. El diseñador puede usarlo para detectar
errores y el usuario se beneficia de la transparencia del sistema.
• Módulo de Adquisición de Conocimiento. Permite al Experto o al
Ingeniero del Conocimiento actualizar el conocimiento de la Base de
Conocimientos. Por este medio se ingresan los Hechos (datos) y las
Relaciones al sistema. Facilita probar y depurar los cambios
realizados.
• Interfaz de Usuario. Es donde se da la interacción entre un SE y su
usuario. Se realiza en lenguaje natural, con el apoyo de facilidades
modernas para interacción con computadoras (teclado, ratón,
pantalla táctil, etc). Lo importante es que sea altamente interactiva,
facilitando la “conversación” con seres humanos. Un requerimiento
básico del interfaz es la habilidad de hacer preguntas y recibir
respuestas, para poder finalmente desplegar una conclusión o
resultado al usuario
 CONCLUSIONES
Podemos concluir que a través de la utilización del aprendizaje profundo y de
los diferentes campos de la inteligencia artificial podemos construir de
sistemas de cómputo capaces de "aprender" a partir de la experiencia,
inspirándose ligeramente en algunos principios del funcionamiento del
cerebro. De igual forma podemos hacer autónomo el aprendizaje de sistemas
computacionales, así como robots entre otros.
Así mismo podemos decir que la Inteligencia Artificial es una base
fundamental para lo que son los nuevos computadores ya que en un futuro
no muy lejano se tiene la intención de que las computadoras tengan la
capacidad de tener un funcionamiento libre de cualquier intervención
humana, esto nos demuestra que nuestro futuro será muy desarrollado en
cuanto a avances tecnológicos nos referimos.
Cabe destacar que este tipo de tecnologías ya están siendo desarrolladas en
distintos países y continentes y se espera que todos estos avances
importantes que se están llevando a cabo sean en el beneficio de nuestra
existencia.
 Referencias Bibliográficas

Brachman R, Levesque H, eds., Readings in Knowledge Representation, Los Altos:

Morgan Kaufman. 1985.
Brachman, R. et. al. KL-ONE Reference Manual, BBN Report No. 3848, July 1978, Bolt,
Beranek and Newman, Cambridge, MA.
Davis R, Shrobe H E, Representing Structure and Behavior of Digital Hardware, IEEE
Computer, Special Issue on Knowledge Representation, 16(10):75-82.
Davis R, A Tale of Two Knowledge Servers, AI Magazine, 12(3):118-120, Fall 1991.
Davis R, Shrobe H, Szolovits P, What is a Knowledge Representation, Memo, MIT AI Lab,
forthcoming.
Doyle J, Patil R, Two dogmas of knowledge representation, MIT LCS Technical Memo
387B, September 1989. A revised version of this paper appeared as Doyle J., and Patil R,
Two theses of knowledge representation: Language restrictions, taxonomic classification,
and the utility of representation services, Artificial Intelligence, 48(3):261-297, 1991.