Sistemas ExpertosIntroducción
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.
PERI CI A ARTI FI CI AL PERI CI A HUMANA
Permanente PerecederaSiempre accesible No siempre accesible
Fácil de documentar No documentableEstable, confiable Variable, flexible Costo manejable Costosa
Fragilidad de las máquinas Fragilidad humanaSin inspiración Creativa
Conocimiento técnico Sentido común Estática Dinámica (aprendizaje)
Dominios estrechos Dominios más extensos
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
MYCINStanford (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
INTERNISTPittsburg (Pople-Myers, 1977): Diagnóstico en Medicina interna. CADUCEUS: Analiza relaciones causales.
CASNETRutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma.
Razonamiento expertoModelos 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 búsquedaStanford (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
Interface
Usuario
Ingeniero del conocimiento
Experto del dominio
KAT
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
< CONDICION > < ACCION>
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 producciónVentajas:
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 producciónEncadenamiento 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 producciónBackward 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-PC Representación del dominio
Estructura de clasesDebe 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, XorARITMÉTICOS: ^, *, /, +, -
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 (< [NOASK]>, Goal, <Lista Reglas> )
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 producciónEncadenamiento 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
MIOBJETOS
REGLASAGENDA DE
HECHOSLISTA 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 ( <[NOASSERT]>, <Goal>, <Lista Reglas> )
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 producciónForward 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.
Forward Chaininig en Kappa-PC.
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-xxForward Chaining es un demonio, manejado mediante la propiedad ANTECEDENT de las reglas.
Kappa-PCMonitores: 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)