Técnicas de Inferencia - angelfire.com · QVista esquemática del proceso de inferencia QSimilar a...

1

CAPÍTULO 13

Técnicas de Inferencia

Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

2

Razonamiento en la inteligencia artificial

El conocimiento debe ser procesado (razonado)La computadora puede acceder al conocimiento por inferenciaMotor de inferencia o programa de controlIntérprete de reglas (en sistemas basados por reglas)Búsqueda directa a través del conocimiento de base


3

Como razona la gente y resuelve problemas

Fuentes de poder

Métodos formales (deducción lógica)Razonamiento heurístico (reglas si - entonces)Enfocado al sentido común relacionado con metas más o menos específicasDividir y vencerparalelismo


4

Representación AnalogíaSinergiaSerendipity (Suerte)

Lenat (1982)

Fuentes de poder traducidas a razonamiento específico o métodos de inferencia (Tabla 13.1)


5

Métodos de razonamiento

Razonamiento deductivoRazonamiento inductivoRazonamiento formalRazonamiento numéricoRazonamiento avanzado


6

Razonamiento con lógica

– Modus Ponens– SI A entonces B– [A Y (A → B)] → B – A Y (A → B) es una proposición de un conocimiento

base

– Modus Tollens: cuando se conoce que B es falsa

– Resolución: combina situación, modus ponens, y otros silogismos lógicos


7

Inferencia con reglas: Encadenamiento adelante u atrás

– Desechando una regla: Cuando todas las hipótesis se satisfacen (las “if partes”)

– Pueden checar cada regla en la base de conocimiento en cualquier dirección

– Continua hasta que no puede desechar más reglas, o hasta que la meta sea conseguida


8

Encadenamiento hacia delante o hacia atrás

– Encadenamiento: Vinculando una serie de reglas pertinentes

– Proceso de búsqueda: Dirigida a las aproximación de reglas

• Encadenamiento hacia delante: Si la premisa proporciona encontrar la solución, entonces los intentos de procesos para afirmar la conclusión

• Encadenamiento hacia atrás: Si la meta actual determina la conclusión correcta, entonces el proceso determina si la premisa proporciona (hechos) la situación


9

Encadenamiento hacia atrás

A lo que lleva la meta – Inicia de una conclusión potencial (Hipótesis), entonces buscar evidencia que los apoye (contradicciones)

Con frecuencia implica formular y probar hipótesis intermedios (o subhipótesis)


10

Encadenamiento hacia delante

A lo que conducen los datos – inicia de información disponible dada se convierte en disponible; Cuando trata de establecer conclusiones

¿Qué usar?– Si todos los hechos disponibles frente un

encadenamiento hacia delante– Diagnóstico del problema – Encadenamiento hacia

atrás


11

El árbol de inferencia

(Árbol de meta o meta lógica)

Vista esquemática del proceso de inferenciaSimilar a un árbol de decisiónInferencia: guía al cómo y por qué de las cosas

Ventajas: guía al cómo y por qué de las cosas


12

Inferencia con armazones

Mucho más complicado que el razonamiento con reglasEl espacio proviene de la expectación que conduce al procesamientoLos espacios vacíos pueden ser llenados con datos que confirmen las expectacionesBuscar la confirmación de las expectativasCon frecuencia involucra sustituirlos valores en el espacio

Puede usar reglas y armazonesRazonamiento jerárquico


13

Razonamiento basado en el modelo

Basado en el conocimiento de estructura y comportamiento de los dispositivos el programa estádiseñado para entenderEspecialmente útil en el diagnóstico de problemas difícilPuede solucionar algunas de las dificultades del ES basadas en las reglasLos sistemas incluyen un modelo del dispositivo para ser diagnósticos que es usado para identificar la falla del equipoIdentificar la falla del equipoRazonar desde “el principio” (sentido común)Con frecuencia combinado con métodos de representación e inferencia


14

El modelo basado en el ES tiende a ser “transportable”

Simular la estructura y función de la maquinaría siendo diagnosticada

La condición necesaria es la creación de un modelo completo y exacto del sistema bajo estudio

Especialmente útil en sistemas reales


15

Razonamiento basado en casos (CBR)Adaptar soluciones suele resolver viejos problemas para nuevos problemasVariación – Método regido por la inducción (Capítulo 13)Pero, CBR:– Encuentra casos que resuelve problemas

similares al actual, y– A la solución o soluciones previas para

entrar al problema actual, mientras considera cualquier diferencia entre dos situaciones


16

Hallar casos relevantes involucra:

– Caracterizando el problema de entrada, por asignación apropiada a lo que se facciona

– Recuperando los casos con esas facciones– Seleccionar los casos que encuentren la mejor

entrada

– Extremadamente efectivo en casos complejos– Justificación – El pensamiento humano no usa la

lógica (o razonamiento de principios)– Procesa la información correcta recuperada en el

tiempo indicado

– Problema central – identificación de información pertinente cuando sea necesitado uso de guiones


17

¿Qué es un Caso?Caso – Define un problema en un lenguaje natural , escribe y responde las preguntas y se asocia con cada situación de negocios propiosEscritos – Describe una secuencia de eventos bien conocidos– Con frecuencia “se aplica un razonamiento de escritura”– Más escritura, menos pensamiento (real)– Puede ser construido de casos históricos– El caso basado en el razonamiento es la esencia de como

la gente razona de la experiencia– CBR – Un razonamiento experto de modelo

sicológicamente es plausibles que un modelo basado en las reglas (Tabla 13.2)

Ventajas de CBR (Tabla 13.3)


18

Proceso de razonamiento del caso basado(Figura 13.4)

Índices asignadosRecuperarModificarProbarAsignar y almacenarExplicar, reparar y probar– Tipos de estructuras de conocimiento (óvalos)

– Reglas– Memoria– Matrices– Modificación– Reparación


19

Usos CBR, temas y aplicaciones

– Líneas guías (Tabla 13.4)– Dominios de aplicación

• Planeación de aplicación• Análisis político• Valoración de la situación• Planeación legal• Diagnóstico• Detección de fraudes• Configurar/diseñar• Clasificación de mensajes

(Cognitive Systems, Inc.)


20

Cuestiones CBR

¿Qué es un caso? ¿Cómo podemos representar el caso?Las reglas de adaptación automática pueden ser muy complejas¿Cómo está organizada la memoria? ¿Qué son las reglas de catalogo?La calidad de los resultados depende mucho¿Cómo funciona la memoria en la recuperación de información relevante?¿Cómo podemo9s organizar los casos de los casos? (grupos)


21

¿Cómo podemos diseñar el depósito distribuido de casos?

¿Cómo podemos adaptar viejas soluciones a nuevos problemas?

¿Podemos adaptar simplemente la memoria para cuestionar un contexto eficiente?

¿Qué son los medidores y las reglas similares ser modificadas?

¿Cómo podemos sacar los errores de los casos originales?

¿Cómo podemos aprender de los errores? i.e., ¿Cómo reparamos/actualizamos los casos?


22

¿Cómo podemos integrar el CBR con otras representaciones de conocimiento y mecanismos de inferencia?¿Hay mejores patrones de métodos que los que actualmente usamos actualmente?¿Hay sistemas alternativos de recuperación que actualmente usamos?

Desde 1995, aplicaciones en el mundo más real CBR


23

La TV pagada ayuda a trabajar en la aplicación del CBR ejemplo

Los nuevos casos son agregados a la librería tal como son encontradasLas definiciones incluyen una serie de preguntas y posibles respuestasSoluciones posibles son encontradas vía árboles de decisión, en modo de resolución de problema


24

Construcción de herramientas especiales de CBR

ART*Empresas y CBR Express (Corporación de inferencia)

KATE (Acknosoft)

ReMind (Cognitive Systems Inc.)

Code Advisor (Sentia Software Inc.)


25

Explicación y conocimiento metafísico

Explicación– Los humanos expertos justifican y explican sus

acciones– El ES también debería hacerlo– Explicación: El ES hace un intento para clasificar

el razonamiento, recomendaciones, otras a cciones(cuestionándose)

– Facilidad de explicación (el que lo justifica)


26

Propuestas de explicación

Hacer el sistema más legibleDescubrir las deficiencias de las reglas y del conocimiento de base (depurando)Explicar situaciones no anticipadasSatisfacer las necesidades sicológicas y/o socialesClarificar los supuestos a trazos de las operaciones del sistemaAnaliza la conducta de la sensitividad


27

Reglas en la Técnica de Papel calca

“Por qué” Provee una cadena de razonamientos

La facilidad de una explicación es crítico en ES grandes

El entendimiento depende de la explicación

La explicación es esencial en el ES

Usado para entrenamientosDecision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson

6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

28

Dos explicaciones básicas

Por qué explicar -¿Por qué un hecho ocurrió?Cómo explicar – Como determinar una conclusión aceptada o una recomendación que fue alcanzada.– Algunos sistemas simples – solo al final de la

conclusión– Los sistemas más complejos proveen la cadena

de reglas usada para alcanzar la conclusión


29

Otras explicaciones

Facilidades de explicaciones periodísticas– Quién, qué, dónde, cuándo, porqué, y cómo– (“5 Ws” más como)

¿Por qué no?


30

Metaconocimiento– Conocimiento sobre el sistema de razonamiento– Conocimiento sobre el conocimiento– Las reglas de inferencia son un caso especial– El meta conocimiento permite al sistema examinar

la operación del conocimiento declarativo y procesal– En un conocimiento base– La explicación puede ser vista como otro aspecto

de metaconocimiento– Después de un tiempo el metaconocimiento permitirá

al ES crear la razón detrás de las reglas desde sus principios


31

Generando explicaciones

– Explicación estática: inserta piezas de textos en inglés (escritos) en el programa

– Explicación dinámica: explicación reconstruida deacuerdo a la ejecución del patrón de regla


32

Tipología de las explicaciones ES

– Rastro o línea, razonamiento

– Justificación – descripción explicita de un argumento causal o racional detrás de cada paso inferencial

– Estrategia – alto nivel de estructura de una meta que determina como el uso de ES domina su conocimiento para completar tareas o meta conocimiento

Ye y Johnson (1995)


33

Inferencia con inseguridad

Inseguridad en la AI – Procesos de tres pasos (Figure 13.5)

1. Un experto provee un conocimiento inexacto en términos de reglas con probabilidad de valores

2. El conocimiento inexacto de la serie básica de eventos puede ser usada directamente para establecer inferencias en casos simples (´Paso 3)

3. Trabajando con el motor de inferencia, los expertos pueden ajustar el paso 1 entrada después de ver los resultados en los pasos 2 y 3.

– En el paso 2: con frecuencia varios eventos son interrelacionados

– Es necesario combinar la información proveída en el paso 1 a un valor global para el sistemaDecision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson

6th ed, Copyright 2001, Prentice Hall, Upper Saddle River, NJ

34

Más métodos de integración: Probabilidades de Bayes teoría de evidencia, factores de seguridad y una serie de factores borrosos

La inseguridad es un problema serio


35

Representando la inseguridad

Numérico

Gráfico

Simbólico


36

Representación de la nseguridadnumérica

Escala (0-1, 0-100)– 0 = inseguridad completa – 1 or 100 = seguridad completa

Problemas con tendencias cognoscitivasLa gente puede ser inconsistente en veces diferentes


37

Gráficos y diagramas de influencia

– Barras horizontales (F5)

– Notan exacto como los números

– Los expertos pueden no tener experiencia en el mercado de gráficos a escala

– Muchos expertos prefieren clasificar los gráficos o métodos numéricos


38

Representación simbólica de inseguridad

Varias formas de representar la inseguridad– Una aproximación a escala

• Rango• Ordinal• Cardinal• Lógica a la par (Proceso jerárquico analítico)

– La lógica incluye una representación simbólica especial combinada con números


39

Probabilidades y aproximaciones relacionadas

La razón de probabilidadP(X) = El número de resultados favorece la ocurrencia de X/ el número total de resultadosMúltiples valores de probabilidad en muchos sistemas– Antecedentes par tres (probabilidades: 0.9, 0.7, y 0.65)– La probabilidad total:

P = (0.9)(0.7)(0.65) = 0.4095

Algunas veces una regla se refiere a otras – Las probabilidades pueden propagarse de un a otro


40

Varias aproximaciones para combinar probabilidades

– Las probabilidades pueden ser • Multiplicadas (une las probabilidades)• Promediado (simple o promedio pesado)• Valor más alto• Valor más bajo

– Las reglas y eventos son considerados independientes de algún otro

– Si depende – Usa la extensión del teorema de Bayes


41

La extensión de Bayes

El teorema de Bayes combina evidencia nueva y existente usualmente dado como probabilidades subjetivasRevisión previa de probabilidades basadas en información nueva

Basada en probabilidades subjetivas; una probabilidad subjetiva está dada por cada proposición


42

Dos deficiencias mayores– El valor sencillo no nos dice sobre su precisión

– El valor sencillo cambia la evidencia y contrapone una proposición sin indicar cuanto hay individualmente

– La probabilidad subjetiva expresa el grado de creencia o que tan fuerte es un valor o una situación es verdad

– El teorema de Bayes aproxima, con o sin nueva evidencia, puede ser localizada como una cadena


43

Teorema de evidencia de Demspter -Shafer

– Distingue entre la inseguridad e ignorancia para crear funciones de creencia

– Especialmente apropiado para combinar opiniones de expertos a diferencia de opiniones con cierto grado de ignorancia

– Asumir que las fuentes de información son combinadas y son estáticamente independientes


44

Teoría de la seguridad (Factores de seguridad)

– Factores de seguridad y creencias – La inseguridad está representado como un grado

de creencia– Expresa la medida de la creencia– Manipula grados de creencia mientras usa sistemas

basados en el conocimiento

– La teoría de la seguridad usa factores de seguridad

– Los factores de seguridad (CF) expresan la creencia en un evento basado en la evidencia (para hechos o hipótesis) (o la valoración del experto)


45

Varios métodos del uso de los factores de seguridad manejando la seguridad en los sistemas de conocimiento basado– 1.0 o 100 = verdad absoluta (completa confianza)

– 0 = cierta falsedad

Los CF no son probabilidades Los CF no necesitan sumar 100


46

Creencia e inseguridad

CF[P,E ] = MB[P,E] - MD[P,E] donde

– CF = factor de inseguridad– MB = medida de la creencia– MD = midiendo la incredulidad– P = probabilidad– E = evidencia o evento

Otra toma - El conocimiento contiene reglas que son más importantes que el álgebra de confianzas que tiene junto el sistema


47

Combinar factores de seguridadDeben saber como usar las CF (Apéndice 15-A)

Combinar varios factores de seguridad

Y, O


48

Y

– SI la inflación es alta, CF = 50%, (A), Y– SI la razón desempleados está sobre el 7%, CF = 70 %, (B),

Y– SI el bono declina, CF = 100%, (C)– ENTONCES la existencia de precios declina

CF(A, B, y C) = Mínimo[CF(A), CF(B), CF(C)] El CF para “la existencia de precios declina” = 50 %La cadena es tan fuerte como su vínculo fuerte


49

O

SI la inflación es baja, CF = 70 %; O

SI el bono es alto, CF = 85 %;ENTONCES la existencia de precios será alta

Sólo uno SI necesita ser verdad La conclusión tiene un CF con el máximo de dos

– CF (A o B) = Máximo [CF (A), CF (B)]

CF = 85 % para existencia de precios es alto


50

Combinar dos o más reglas

Ejemplo:– R1: SI la inflación es menos del 5%,

ENTONCES la existencia de preciso en el mercado crece (CF = 0.7)

– R2: SI el nivel de desempleo es menos del 7%,ENTONCES la existencia de precios en el mercado crece (CF = 0.6)

Inflación = 4% y el nivel de desempleo = 6.5%Efecto combinado– CF(R1,R2) = CF(R1) + CF(R2)[1 - CF(R1)]; o– CF(R1,R2) = CF(R1) + CF(R2) - CF(R1) × CF(R2)


51

Asumir una relación independiente entre las reglas

Ejemplo: Dado CF(R1) = 0.7 AND CF(R2) = 0.6, entonces: CF(R1,R2) = 0.7 + 0.6(1 - 0.7) = 0.7 + 0.6(0.3) = 0.88

El ES nos dice que hay un 88% de oportunidad que crezca la existencia de precios

Para que sea agregada un regla– CF(R1,R2,R3) = CF(R1,R2) + CF(R3) [1 - CF(R1,R2)]


52

La tercera reglaR3: SI el bono crece,ENTONCES, la existencia de precios crece (CF = 0.85)

Asumiendo todas las reglas que son verdad en su parte SI, la oportunidad de que la existencia de precios crezca

– CF(R1,R2,R3) = 0.88 + 0.85 (1 - 0.88) = 0.88 + 0.85 (.12) = 0.982


Técnicas de Inferencia - angelfire.com · QVista esquemática del proceso de inferencia QSimilar a...

Documents

Transcript of Técnicas de Inferencia - angelfire.com · QVista esquemática del proceso de inferencia QSimilar a...