MAESTRÍA EN
Ambientes, Sistemas y Gestión en Educación Multimodal La Inteligencia Artificial (IA)
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
L
os seres humanos, entre otras especies de los seres vivos, tienen la capacidad de razonar sobre una serie de percepciones de hechos y proposiciones estableciendo relaciones entre sí. A esta capacidad se le llama inteligencia. Mediante el uso de los sentidos, puede enterarse de hechos que suceden en el medio ambiente que lo rodea y es capaz de establecer relaciones entre ellos para obtener conclusiones, desarrollar conocimiento y actuar en base a ellos. Desde el origen de las computadoras digitales, constantemente se han hecho investigaciones científicas y tecnológicas con la finalidad de facilitar algunas actividades propias de los seres humanos. Se ha logrado automatizar muchos procesos, ya sea mecánicos o rutinarios, de cálculo, de almacenamiento de datos, de procesamiento, etc. desarrollando, cada vez, herramientas de cómputo capaces de auxiliar en forma directa cada una de estas actividades. Con el paso del tiempo la automatización también se ha enfocado para algunas de estas actividades, en la necesidad de examinar el medio ambiente donde se desarrollará tal actividad y realizar un análisis de las situaciones y tomar una decisión siguiendo un razonamiento lógico.
[Fotografía editada] Geralt. (2020). Web, red, tecnología. Tomada de: https://pixabay.com/ images/id-4861605/
De manera semejante, se han desarrollado aplicaciones que emulan el comportamiento humano mediante sistemas computacionales. La IA es una rama de las ciencias computacionales encargada de estudiar modelos de cómputo capaces de realizar actividades propias de los seres
2
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
humanos con base a dos de sus características primordiales: el razonamiento y la conducta. Existen distintas definiciones de IA de acuerdo con distintos enfoques. López Takeyas (2020) retoma algunas de las más sobresalientes: •
•
• • •
• • • •
“La ciencia e ingeniería para hacer maquinas inteligentes”, especialmente programas computacionales inteligentes (John McCarthy, 1956). “La automatización de actividades que asociamos con pensamiento humano, actividades tales como toma de decisiones, solución de problemas, aprendizaje…” (Bellman, 1978). “El estudio de las facultades mentales a través de modelos computacionales” (Charniak & McDermott, 1985). “El excitante esfuerzo por hacer que las computadoras piensen … maquinas con mentes, en sentido completo” (Haugeland, 1985). “El arte de crear maquinas que desempeñan funciones que requieren inteligencia cuando son desempeñadas por las personas” (Kurzwell, 1990). “Un campo de estudio que busca explicar y estimular el comportamiento inteligente en términos de procesos computacionales” (Schalkoff, 1990). “El estudio de cómo hacer que las computadoras hagan cosas que por el momento las personas las hacen mejor” (Rich & Knight, 1991). “El estudio de los cómputos que hacen posible percibir, razonar y actuar” (Winston, 1992). “La rama de la ciencia de la computación que le concierne la automatización del comportamiento inteligente” (Luger y Stubblefield, 1993).
Todas las definiciones anteriores están relacionadas con el concepto de desarrollo de métodos y algoritmos que permitan a las computadoras comportarse de modo inteligente, han sido formuladas en diferentes momentos históricos de la evolución de la IA, donde el concepto ha evolucionado en las siguientes fases evolutivas de la IA (Universidad Nebrija, 2020):
3
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Fase pionera: Neurocibernética 1943
La IA comienza siendo computación neuronal con el trabajo teórico de Warren McCullogh y Walter Pitts: “Un cálculo de las ideas inmanentes en la actividad nerviosa”. Enfasis en la estructura física. Coincidencia con la función (software y hardware) Para Turing o Wiener la información era puramente formal
1949
Donald O. Hebb publica “La organización de la conducta”, que sirvió de base para los algoritmos de aprendizaje en las redes neuronales artificiales. Periodo clásico
1950
Alan Turing publicó su famoso artículo “Computing Machinery and Intelligence”, donde describe un método para que los humanos podamos testear programas de IA.
1956
John McCarthy acuña el término “Inteligencia Artificial” en la conferencia de Dartmouth, la primera conferencia dedicada a la IA. Presentación del primer programa de IA, el LT (Logic Theorist) escrito por Allen Newell, J. C. Shaw y Herbert Simon (Carneggie Mellon University).
1958
John McCarthy (MIT) desarrolla el lenguaje LISP, lenguaje con el que se desarrollan la mayoría de los sistemas expertos. Richard Stallman (MIT) desarrolla el potente editor de texto EMACS. Periodo de los sistemas basados en conocimiento
1959
Desarrollo del programa General Problem Solver (GPS) por Newell, Shaw y Simon.
1963
Edward A. Feigenbaum y Julian Feldman Publicaron Computers and Thought, la primera colección de artículos de IA.
1968
Marvin Minsky y Simon Papert publican Perceptrons. Surge la Preocupación por la representación del conocimiento.
1972
Alain Colmerauer desarrolla el lenguaje PROLOG.
1975
Desarrollo del sistema de reglas de producción MYCIN por Ted Shortliffe en su tesis doctoral. Marvin Minsky desarrolla los marcos como forma de representación del conocimiento.
4
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Renacimiento del conexionismo 1986
Rumelhart,McClelland y el grupo PDP desarrollan el perceptrón multicapa y el algoritmo de aprendizaje por retropropagación del error (BP).
Periodo contemporáneo • • • • •
Apuesta de la industria por las técnicas de IA Google: Image search: http://images.google.com/imagelabeler/ Yahoo: Mind set (text clasification) http://mindset.research.yahoo.com/ Microsoft: http://research.microsoft.com/research/default.aspx Web semántica
El objetivo de la IA es el desarrollo de paradigmas o algoritmos requeridos por las máquinas para realizar tareas que aparentemente requieren de conocimiento cuando son realizadas por humanos. En la definición anterior hemos hablado de conocimiento y no de inteligencia, ya que entre las tareas abordadas por la IA se encuentran la percepción y el lenguaje, así como la solución de problemas y procesos conscientes e inconscientes. Un sistema IA debe ser capaz de hacer tres cosas:
Almacenar conocimiento
Aplicar el conocimiento almacenado a resolver problemas
Adquirir nuevos conocimientos a través de la experiencia.
Todo sistema IA tiene tres componentes fundamentales:
5
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Representación
Razonamiento
Aprendizaje
La característica más distintiva de los sistemas IA es, probablemente, el uso dominante de un lenguaje de estructuras de símbolos para representar tanto el conocimiento general sobre un problema de interés como el conocimiento específico sobre la solución del problema.
En su forma más básica, el razonamiento es la habilidad para resolver problemas. Un sistema, para que sea capaz de razonar, en muchas situaciones dadas en la práctica, el conocimiento disponible es incompleto o inexacto. En semejantes situaciones, se usan los procedimientos de razonamiento probabilístico, permitiendo a los sistemas IA tener en cuenta lo incierto del problema.
En un modelo simple de máquina con aprendizaje, el entorno suministra alguna información a un elemento de aprendizaje; esta información es usada luego para realizar mejoras en la base del conocimiento, y, finalmente, el elemento de actuación usa la base del conocimiento para realizar su tarea.
Generalmente, la información suministrada por la máquina al entorno es imperfecta, de forma que el elemento de aprendizaje no sabe de antemano cómo rellenar detalles ocultos o ignorar detalles que no son importantes. La máquina opera, por lo tanto, adivinando y recibiendo, más tarde, realimentación por parte del elemento de actuación. El mecanismo de realimentación permite a la máquina evaluar sus hipótesis y revisarlas en caso de que sea necesario. El aprendizaje puede involucrar dos clases diferentes de procesamiento de información: inductivo y deductivo. En el procesamiento de información inductivo, los patrones y reglas generales se determinan por medio de datos sin procesar y de la experiencia. Por otro lado, en el procesamiento de información deductivo, las reglas generales son usadas para determinar hechos específicos.
Modelado del Conocimiento e Inteligencia Artificial El propósito de la IA es hacer computacional el conocimiento humano. Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstracción dado, como procesos computacionales de algún tipo, y el gran reto de esta es la representación del Conocimiento. Retomando teorías de la Psicología Cognitiva, la IA aborda el problema de la representación del conocimiento desde el enfoque de los procedimientos simbólicos y desde el
6
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
enfoque conexionista (ambos analizados en el bloque A), de ahí se desprenden con los dos paradigmas de la IA: clásica y conexionista. •
IA clásica o simbólica:
Programable y basada en el supuesto del conocimiento explicable por procedimientos de manipulación de símbolos. Como ya adelantábamos en el bloque A, las representaciones mentales del conocimiento son construcciones mentales denominadas por la Psicología Cognitiva. Conceptos que pueden ser de diferente grado de abstracción en su representación; pueden ser analógicas, por ejemplo, el concepto de “silla” pintando una silla con asiento y respaldo o simbólica a través el vocablo escrito o hablado de la palabra “silla”, en consecuencia, los símbolos mentales son por consiguiente, unidades de representación de la información en nuestra mente, que representan, valen o se refieren a algo. A los conceptos en IA, se les denomina hechos y para manipular estos hechos por un programa, se requiere de una buena representación. Al retomar teorías de la Psicología Cognitiva, es igualmente válido en la IA el uso de diferentes técnicas de representación del conocimiento vistas en el bloque A. Estas se pueden clasificar genéricamente en dos tipos: 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. Procedurales: Donde la mayor parte del conocimiento se representa como procedimientos para usarlo. Entre las diferentes técnicas de representación del conocimiento tenemos: •
Lógica de Predicados, se usan para convertir declaraciones en una forma que sea conveniente para la computación. Para aclarar, hemos de comentar que podemos distinguir dos tipos dentro de lo que se llama lógica clásica (aquella que la conclusión, si es verdadera lo es con certeza, es decir, sin ningún grado de probabilidad, mientras que hay otros tipos de lógicas no clásicas, como puede ser la lógica difusa -o Fuzzy Logic en el que una conclusión sólo es verdadera con un cierto
7
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
grado de certeza). En la lógica propositiva o lógica de enunciados, los signos que manejamos son proposiciones completas. La lógica de predicados de primer orden, es aquella en el que manejamos sentencias atómicas que en su conjunto forman sentencias moleculares al relacionarse a través de conectores lógicos (AND “&”, OR “v”, NOT “~”, THEN “->”). Las sentencias se componen de objetos o sujetos, así como conectores y propiedades (hermano de, padre de), cuantificadores (algunos, todos, ningún), etc. Las relaciones o predicados son funciones formales en un lenguaje lógico con argumentos, para definir o representar hechos los cuales tienen un significado y corresponden a una realidad.
Ejemplo de proposiciones en lógica de predicados:
Sentencia
Representación
José es el padre de Astrid
padre_de(josé, astrid)
José es el padre de Cristina
padre_de(josé, cristina)
Los hechos de la misma clase son siempre isomórficos, es decir, tienen la misma estructura. Tener la misma estructura en este caso significa que la relación es la misma, el número de argumentos es igual y los tipos de argumentos se corresponden. Los componentes elementales del cálculo de predicados son objetos. Un “objeto” puede ser expresado como: Variable: Es un término que permite identificar diferentes entidades o individuos de una clase; por ejemplo: X, Y, Z. Constante: Es un término que identifica un único objeto o entidad de una clase; por ejemplo: José, CDMX, auto, casa. Función: Es una representación de transformaciones del dominio; por ejemplo:
8
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
tiene(x), padre(f(X)), marido(x,g(x)).
Relación o Predicado
Argumentos
Hecho
Significado
Llamarse
profesor, José
llamarse(profesor, josé)
El profesor se llama José
Llamarse
profesor, Jaime
~ llamarse(profesor, jaime)
El profesor no se llama Jaime
ser_mayor_que
José, Astrid, 40
ser_mayor_ que(josé, astrid, 40)
José es mayor que Astrid 40 años.
La lógica de predicados de orden superiores es aquella en el que podemos hacer inferencias sobre la lógica, es decir, tener un conocimiento que podríamos llamar metalógico. Lógicas multivaluadas, en las que tratamos con varios valores de verdad, como por ejemplo las trivaluadas de Kleen y de Lukasiewicz donde se introduce el valor 1/2 para las proposiciones cuyo valor de verdad es indeterminado (por ejemplo, las proposiciones futuras). •
Redes semánticas, son representaciones del conocimiento gráficas (grafos dirigidos), compuestas por nodos y enlaces de relaciones con atributos, donde… • • • •
los nodos representan conceptos (objetos, sujetos, acciones o eventos), los objetos pueden ser cualquier elemento tangible o intangible: libro, carro, escritorio, tela, pensamiento, programa, los sujetos puede ser cualquier persona física o moral: Juan Pedro, María, escuela, empresa, las acciones o eventos pueden ser funciones: comprar, vender producir, reparar, construir, descartar, seleccionar, eliminar, etc.
Dependiendo del nivel de abstracción puede ser instancias de clases (casos específicos de las mismas) como… • • • •
Una profesión: ingeniero, licenciado, médico, etc. Un rol: director, gerente, etc. Una nacionalidad: francés, mexicano, inglés, etc. El género: hombre, mujer.
9
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
También pueden ser conceptos, como la ley de la oferta y la demanda en economía, la primera ley de Newton en física, etc. •
Los enlaces de relaciones describen factores, puede ser de diversos tipos, sólo por mencionar unos ejemplos: de inclusión (es...) y de propiedad (tiene...), etc., etc., y otorgan jerarquías en las redes semánticas.
La existencia de jerarquías permite la herencia en la que un objeto que pertenece a una clase hereda todas las propiedades de la clase Uno de los factores interesantes y útiles sobre las redes semánticas es que a través de ellas pueden verse las características que algunos nodos heredan de otros. La distancia semántica es la cantidad de enlaces que separan un nodo de otro, se utiliza para localizar objetos poco o muy relacionados, dependiendo de la distancia. En algunos casos, puede disminuirse la distancia eliminando enlaces. Es importante resaltar que la red semántica no da información sobre el procesamiento de la red.
•
Marcos o armazones (frames). Un frame es una estructura de datos que posibilita la comunicación de conocimiento al computador sobre un objeto en particular. En contraste con otros métodos de representación, los valores que describen un objeto están agrupados en una sola unidad, su desarrollo se soporta con la idea básica que la conducta humana se caracteriza por tomar estándares y proceder en situaciones familiares
10
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
para generar conocimiento a partir de inferencias. Así, un marco abarca objetos complejos, situaciones completas, o el manejo de problemas en una sola entidad. El conocimiento se particiona dentro de un marco por ranuras. Una ranura puede tener conocimiento declarativo o procedimental. Tal conocimiento se organiza y con unos métodos para almacenamiento y recuperación de conocimiento permite un diagnóstico independiente del conocimiento, e incluso permite la combinación con la lógica de predicados para generar un razonamiento; llega así a crear un motor de inferencia sobre el conocimiento y además permite realizar construcciones jerárquicas basadas en la herencia. Ejemplo: Frame: Profesor Hereda de: persona Número_Profesor: Valor: ww SI adiciona: verifique Clave_Asigatura Valor: xx Grupo Valor: yy Horario Valor: zz SI necesita: verifique disponibilidad de horario: HDisp Frame: José Argueta Hereda de: persona Número_Profesor Clave_Asignatura •
Valor: 1234 Valor: 2475
Guiones (scripts). Son representación de conocimiento por medio de descripciones de una secuencia de eventos. Un guion es una estructura que organiza información describiendo una secuencia estereotipada de eventos en un contexto concreto, el objetivo que persiguen los guiones es desarrollar el entendimiento cognitivo en el computador.
11
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
El conocimiento es generalmente tomado a partir de situaciones en la solución de problemas; tal conocimiento debe simularse con frecuencia para resolver un problema particular utilizando IA. Los elementos de un guion típico incluyen: condiciones de entrada, apoyos, funciones, rutas y escenas.
Un guion es útil prediciendo qué sucederá en una situación específica, aunque ciertos eventos no se hayan observado. La entrada original permite predecir qué sucederá y cuándo. Si el computador sigue un guion, las preguntas existentes buscan deducir de acuerdo con las limitaciones. Ejemplo: Super: Objetos: (Super, estacionamiento, dinero, carritos, artículos, pasillos, estantes, refrigeradores, letreros...) Roles: (clientes, vigilante, pasillero, cajero, cerillo) Punto de vista: personas Tiempo de ocurrencia: 8 a.m. Lugar de ocurrencia: Super Los Arcos: Secuencia: Inicio ..: Entrar al estacionamiento ..: Buscar cajón disponible, ..: Estacionarse ..: Entrar al super
12
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
..: Surtir lista Recorrer pasillos en orden lógico Confrontar lista contra artículos del pasillo Seleccionar artículos en cantidad especificada en la lista Introducir al carrito ..: Pagar cuenta Buscar caja con línea de espera más corta Formarse y esperar turno Esperar a que registren artículos y determinen la cuenta Pagar ..: Depositar artículos pagados en carrito ..: Llevar artículos al auto y depositarlos en la cajuela ..: Pagar estacionamiento ..: Salir de estacionamiento Fin •
Reglas de producción. El concepto de las reglas de producción fue desarrollado por Allen Newell y Herbert Simon, para modelar el conocimiento humano de tipo procedimental. La idea básica es que el conocimiento sea representado como reglas en forma de pares condición-acción (Bauer, y otros, 1991):
SI (condiciones / premisas) ENTONCES acción-a-ejecutar
“hechos”. “conclusión/acción”.
Tienen las siguientes propiedades: • Modulares: cada regla define un pequeño y relativamente independiente pedazo de conocimiento • Incrementales: nuevas reglas pueden ser añadidas a la base de conocimiento relativamente independiente de las demás • Modificables: como consecuencia ser modulares, las reglas pueden ser modificadas o se pueden añadir/quitar reglas fácilmente • Transparentes: Capacidad de explicar sus decisiones y soluciones. Pueden devolver a usuario la cadena de reglas empleadas En consecuencia: • cada regla contempla premisas que pueden modificarse independientemente de otras reglas.
13
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
•
cuando se combina mediante conectores lógicos, se producen mejores resultados porque se parte de la suma de resultados por reglas individuales.
Ejemplo: IF: temperatura = alta AND sudoración = presente AND dolor_muscular = presente THEN: diagnostico_preliminar = gripe IF: diagnostico_preliminar = gripe AND dificultad_para_respirar = presente OR (Dolor_de_cabeza= presente AND Pérdida_reciente_del_olfato_o_el_gusto= presente AND Dolor_de_garganta= presente) THEN: diagnostico_preliminar = covid_19
IA conexionista: Autoprogramable por aprendizaje y donde el conocimiento viene representado la propia estructura de la red neuronal. Para poder realizar una comparación entre la forma de representar el conocimiento desde el enfoque simbólico, respecto al de las redes neuronales, tenemos las siguientes diferencias: •
Nivel de explicación y estilo de procesamiento. En un sistema IA clásico, el énfasis está en construir representaciones simbólicas como un procesamiento secuencial, sin embargo desde el punto de vista del conexionismos, en las redes neuronales, el énfasis está en el desarrollo de modelos de procesamiento distribuidos en paralelo; modelos que asumen que el procesamiento de la información tenga lugar a través de la interacción de un elevado número de neuronas, cada una de las cuales envían señales excitatorias e inhibitorias a otras neuronas de la red.
•
Estructura de las representaciones. Para los sistemas IA clásicos, nos encontramos con que las representaciones simbólicas poseen una estructura cuasi-lingüística. Sin embargo, en el caso de las redes neuronales, en las que la naturaleza y estructura de las representaciones es un problema crucial, las representaciones son distribuidas.
14
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Resumiendo, podemos describir a los sistemas IA como una manipulación formal de un lenguaje de algoritmos y representaciones de datos de manera descendente. Por el contrario, podemos describir las redes neuronales como procesadores distribuidos en paralelo con una natural capacidad de aprendizaje, y que, usualmente, operan de manera ascendente. Las redes neuronales son un conjunto de pequeñas unidades de proceso que simulan una neurona y que operan en forma paralela. Incluyen entrada, salida y conexiones entre ambas. Podemos identificar tres elementos básicos en el modelo de una neurona: • • •
Un conjunto de conexiones sinápticas, cada una de ellas caracterizado por un peso Un sumador para sumar las señales de entrada, pesadas por las respectivas sinapsis de la neurona Una función de activación para limitar la amplitud de la salida de la neurona
La manera en la que las neuronas de una red neuronal están estructuradas está íntimamente relacionada con el algoritmo de aprendizaje empleado para entrenar la red. En general, se identifican cuatro clases diferentes de arquitecturas de red: •
Redes monocapa. Esta red se conoce como red de capa simple, refiriéndose capa simple a la capa de salida de nodos de computación. Es decir, se le llama monocapa porque no consideramos la capa de entrada ya que en ella no se produce computación alguna.
15
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
•
Redes multicapa. Se caracterizan por la presencia de una o más capas ocultas, cuyos nodos de computación se llaman neuronas ocultas. La función de las neuronas ocultas es intervenir entre la entrada externa y la salida de la red. Añadiendo una o más capas ocultas, la red es capaz de extraer estadísticas de orden más alto, lo que es realmente útil cuando el tamaño de la capa de entrada (número de nodos que posee) es grande.
X1
Y1
X2 Y2
X3
Capas de entrada
•
Capas ocultas
Capas de salida
Redes recurrentes. Se distinguen de una red neuronal multicapa en que posee, al menos, un lazo realimentado. Así, por ejemplo, puede consistir en una capa simple de neuronas en la que cada neurona realimenta su salida a las entradas de todas las otras neuronas.
16
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
En una red neuronal, que posea una arquitectura específica, la representación del conocimiento del entorno circundante queda definida por los valores que toman los parámetros libres de la misma, es decir, por los pesos sinápticos y por los umbrales (Martín del Río y Sanz Molina, 1997).
Sistemas Expertos Los Sistemas Expertos (SE) son sistemas que emplean conocimiento humano capturado en una computadora para resolver problemas que normalmente requieran de expertos humanos. Los sistemas bien diseñados imitan el proceso de razonamiento que los expertos utilizan para resolver problemas específicos. Dichos sistemas pueden ser utilizados por no-expertos para mejorar sus habilidades en la resolución de problemas. Los SE también pueden ser utilizados como asistentes por expertos. Además, estos sistemas pueden funcionar mejor que cualquier humano experto individualmente tomando decisiones en una específica y acotada área de pericia, denominado como dominio (Turban, 1995) Los SE están compuestos por dos partes principales: el ambiente de desarrollo y el ambiente de consulta. El ambiente de desarrollo es utilizado por el constructor para crear los componentes e introducir conocimiento en la base de conocimiento. El ambiente de consulta es utilizado por los no-expertos para obtener conocimiento experto y consejos. Los siguientes son los componentes básicos de un SE: •
Subsistema de adquisición de conocimiento. Es la acumulación, transferencia y transformación de la experiencia para resolver problemas de una fuente de conocimiento a un programa de computadora para construir o expandir la base de conocimiento. El estado del arte actual requiere un ingeniero en conocimiento que interactúe con uno o más expertos humanos para construir la base de conocimiento.
•
Base de conocimiento. Contiene el conocimiento necesario para comprender, formular y resolver problemas. Incluye dos elementos básicos: heurística especial y reglas que dirigen el uso del conocimiento para resolver problemas específicos en un dominio particular.
17
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
•
Base de hechos. Es una memoria de trabajo que contiene los hechos sobre un problema, alberga los datos propios correspondientes a los problemas que se desean tratar.
•
Motor de inferencia. Es el cerebro del SE, también conocido como estructura de control o interpretador de reglas. Este componente es esencialmente un programa de computadora que provee metodologías para razonamiento de información en la base de conocimiento. Este componente provee direcciones sobre cómo usar el conocimiento del sistema para armar la agenda que organiza y controla los pasos para resolver el problema cuando se realiza una consulta. Tiene tres elementos principales: el Intérprete, que ejecuta la agenda seleccionada; el programador, que mantiene el control sobre la agenda; y el control de consistencia, intenta mantener una representación consistente de las soluciones encontradas.
•
Subsistema de justificación. Se encarga de explicar el comportamiento del SE al encontrar una solución. Permite al usuario hacer preguntas al sistema para poder entender las líneas de razonamiento que este siguió. Resulta especialmente beneficioso para usuarios no expertos que buscan aprender a realizar algún tipo de tarea.
De acuerdo con Bauer et al. (1991), ha diferentes tipos de SE •
Basados en reglas previamente establecidas. Los sistemas basados en reglas (reglas de Producción) trabajan mediante la aplicación de reglas, comparación de resultados y aplicación de las nuevas reglas basadas
18
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
en situación modificada. También pueden trabajar por inferencia lógica dirigida, bien empezando con una evidencia inicial en una determinada situación y dirigiéndose hacia la obtención de una solución, o bien con hipótesis sobre las posibles soluciones y volviendo hacia atrás para encontrar una evidencia existente (o una deducción de una evidencia existente) que apoya una hipótesis en particular. •
Basados en casos. El razonamiento basado en casos es el proceso de solucionar nuevos problemas basándose en las soluciones de problemas anteriores. Un mecánico de automóviles que repara un motor porque recordó que otro auto presentaba los mismos síntomas está usando razonamiento basado en casos. Un abogado que apela a precedentes legales para defender alguna causa está usando razonamiento basado en casos. También un ingeniero cuando copia elementos de la naturaleza está tratando a esta como una “base de datos de soluciones”. El Razonamiento basado en casos es una manera de razonar haciendo analogías. Se ha argumentado que el razonamiento basado en casos no sólo es un método poderoso para el razonamiento de computadoras, sino que es usado por las personas para solucionar problemas cotidianos. Más radicalmente se ha sostenido que todo razonamiento es basado en casos porque está basado en la experiencia previa.
•
Basados en redes bayesianas. Una red bayesiana o modelo probabilístico en un gráfico arborescente dirigido es un modelo gráfico probabilístico que representa un conjunto de variables aleatorias y sus dependencias condicionales a través de un gráfico acíclico dirigido (DAG por sus siglas en inglés). Por ejemplo, una red bayesiana puede representar las relaciones probabilísticas entre enfermedades y síntomas. Dados los síntomas, la red puede ser usada para computar las probabilidades de la presencia de varias enfermedades.
•
Sistemas Expertos difusos. Los Sistemas Expertos difusos se desarrollan usando el método de lógica difusa, la cual trabaja con incertidumbre. Esta técnica emplea el modelo matemático de conjuntos difusos, simula el proceso del razonamiento normal humano permitiendo a la computadora comportarse menos precisa y más lógicamente que las computadoras convencionales. Este enfoque es utilizado porque la toma de decisiones no es siempre una cuestión de blanco y negro, verdadero o falso; a veces involucra áreas grises y el término “quizás” (Holland, 1992).
19
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
REGISTRO DE FUENTES Adams, N. et al. (2002). Towards an ontology for electronic transaction services. International Journal of Intelligent Systems in Accounting, Finance and Management, 11(3), 173-181. Consultado el 20 de diciembre de 2020 de doi:10.1002/isaf.220 Adell Segura, J. y Castañeda Quintero, L. (2010). Los Entornos Personales de Aprendizaje (PLEs): una nueva manera de entender el aprendizaje. Claves para la investigación en innovación y calidad educativas. La integración de las TIC y la Interculturalidad en las aulas. Alcoy: Marfil – Roma TRE Universita degli studi. Ampudia Rueda, V. y Trinidad Delgado, L. H. (2012, ene.-abr.). Entornos Personales de Aprendizaje: ¿final o futuro de EVA? Reencuentro, 63, 32-39. Aristizabal, N. (2015). Psicología Cognitiva. Bucaramanga: La Casa del Libro Total. Bauer, K. et al. (1991). Sistemas Expertos. Barcelona: Marcombo. Bautista, N. P. (2011). Proceso de la Investigación Cualitativa: Epistemología, metodología y aplicaciones. Bogotá: El Manual Moderno. Bendersky, B. A. (2004). La teoría genética de Piaget. Psicología Evolutiva y Educación. Buenos Aires: Longseller. Bower, G. H. y Hilgard, E. R. (1999). Teorías del Aprendizaje. México: Trillas. Cabezas González, M. et al. (2016). Entorno personal de aprendizaje (PLE): una propuesta para desarrollar las competencias digital e informacional en la enseñanza universitaria del derecho en Colombia. Aula, 22, 271-287. Consultado el 20 de diciembre de 2020 de doi:http://dx.doi.org/10.14201/aula201622271287 Castañeda, L. y Gutiérrez, I. (2010). Redes sociales y otros tejidos online para conectar personas. Aprendizaje con redes sociales. Tejidos educativos para los nuevos entornos (pp. 17-39). Madrid: MAD Eduforma.
20
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Crevier, D. (1993). AI: the tumultuous history of the search for artificial intelligence. New York: Basic Book. Delgado, H. (2020, 20 de nov.). Web Semántica, definición, historia y características. Obtenido de Web Semántica, definición, historia y características. Consultado el 20 de diciembre de 2020 https://disenowebakus.net/semanticaweb.php Deline, G., et al. (2010). A case Study of ontology-Driven Development of Intelligent Educational Systems. International Journal of Web-Based Learning and Teaching Technologies, 4(1), 66-81. Díaz-Benjumea, L. J. (2003). Psicoanálisis y filosofía de la mente. Una taxonomía de los procesos mentales. Revista Internacional de Psicoanálisis Aperturas, 13. Duran Cals, J. et al. (2020, 20 de noviembre). Ontologías y Web semántica. Consultado el 20 de diciembre de 2020 de http://openaccess.uoc.edu/ webapps/o2/bitstream/10609/69005/1/Representaci%C3%B3n%20del%20 conocimiento_M%C3%B3dulo%202_Ontolog%C3%ADas%20y%20web%20 sem%C3%A1ntica.pdf Edelman, G. y Tononi, G. (2001). A Universe of Consciousness. How Matter becomes Imagination. New York: Basic Books. Fernández-Ordoñez, Y. et al. (2012). Representación del Conocimiento: Desarrollo de Ontologías. Revista Electrónica de Socioeconomía, Estadística e Informática (RESEI), 1(1), 6-19. Fok, A. e Ip, H. (2006). An Agent-Based Framework for Personalized Learning in Continuing Professional Development. International Journal Distance Education Technologies, 4(3), 48-61. Consultado el 20 de diciembre de 2020 de http://www.irma-international.org/viewtitle/1683 García Jiménez, A. (2004). Instrumentos de representación del conocimiento: Tesauros versus Ontologías. Anales de Documentación, 7, 79-95. García, R. (2017). El conocimiento en construcción. De las formulaciones de Jean Piaget a la teoría de los sistemas complejos. México: Gedisa Mexicana.
21
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Gómez-Pérez, A. y Manzano-Macho, D. (2005). An overview of methods and tools for ontology learning from texts. The Knowledge Engineering Review, 19(3), 187-212. Consultado el 20 de diciembre de 2020 de doi: 10.1017/ S0269888905000251 Gonzalez-Crespo, R. y Burgos, D. (2017). Edición especial sobre realidad alternativa y análisis para el aprendizaje: UNESCO-UNIR LATAM 2016. Revista Ingenieria Solidaria, 13(21). Goodwin, C. J. (2009). Historia de la psicología moderna. México: Limusa Wiley. Gros Salvat, B. (2000). Del bucle a la incerteza. Temps d’Educació, 24, 125-140. Gros Salvat, B. et al. (2020). Cuatro décadas de políticas para integrar las tecnologías digitales en el aula en Cataluña: acciones, logros y fracasos. Digital Education Review, 37, 79-95. Gruber, T. R. (1995). Toward Principles for the Design of Ontologies Used for Knowledge Sharing. International Journal of Human and Computer Studies, 43 (5-6), 907-928. Holland, J. H. (1992, jul.). Genetic Algorithms Computer programs that “evolve” in ways that resemble natural selection can solve complex problems even their creators do not fully understand. Scientific American, 267(1), 66-73. Consultado el 20 de diciembre de 2020 de https://www.jstor.org/stable/24939139 Ibrahim, N. et al. (2012). Towards an Ontology based integrated Framework for Semantic Web. International Journal of Computer Science and Information Security, 10(9), 1-9. Consultado el 20 de diciembre de 2020 de https://sites. google.com/site/ijcsi Jara, I., & Ochoa, J. M. (2020). Usos y efectos de la Inteligencia Artificial en educación. México: Banco Interamericano de Desarrollo - Educación. Jiménez Builes, J. A. y Ovalle Carranza, D. A. (2008). Uso de técnicas de inteligencia artificial en ambientes distribuidos de enseñanza aprendizaje. Educación en Ingeniería, 98-106.
22
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Liang, A. S. y Keizer, J. (2009). Towards An Infrastructure For Semantic Applications: Methodologies For Semantic Integration Of Heterogeneous Resources. Reportes FAO, 2009. Consultado el 20 de diciembre de 2020 de ftp://ftp.fao.org/docrep/fao/009/ag869e/ag869e00.pdf López Takeyas, B. (2020, 4 de diciembre). Introducción a la Inteligencia Artificial. Consultado el 20 de diciembre de 2020 de http://www.itnuevolaredo.edu.mx/ takeyas/Articulos/Inteligencia%20Artificial/ARTICULO%20Introduccion%20 a%20la%20Inteligencia%20Artificial.pdf Lozano-Tello, A. (2020, 20 de noviembre). Ontologías en la Web Semántica. Obtenido de http://eolo.cps.unizar.es/docencia/MasterUPV/Articulos/ Ontologias%20en%20la%20Web%20Semantica.pdf Maldonado Granados, L. F. et al. (2017). Sistemas ontológicos en el aprendizaje significativo: estado del arte. Actualidades Investigativas en Educación, 17(2). Consultado el 20 de diciembre de 2020 e doi:10.15517/aie.v17i2.28730 Martín del Río, B. y Sanz Molina, A. (1997). Redes Neuronales y sistemas borrosos. Introducción teoría y práctica. Madrid: RA-MA. Martínez de la Cruz, N. L. et al. (2015). Experiencias y recursos en educación virtual 2.0. Los cursos MOOC abiertos masivos en línea: Comunicación de experiencias, evaluación e impacto de esta nueva tendencia. Ambientes virtuales de aprendizaje y sus entornos con diseños abiertos y restringidos para la construcción del conocimiento; diferencias y similitudes.. VI Ponencia en el Congreso Virtual Iberoamericano de Calidad en la Educación Virtual y a Distancia. Consultada el 20 de diciembre de 2020 de http://www.eduqa. net/eduqa2015/images/ponencias/eje1/1_aa_Martinez_Nadia_Ruiz_Edith_ Galindo_Rosa_Ambientes_virtuales_de_aprendizaje_y_sus_entornos_con_ disenos_abiertos_y_restringidos_para_la_construccion_del_conocimiento_ diferencias_y_similitudes.pdf Matlin, M. W. (2002). Cognition. Orlando: Harcourt College Pub. Meneses Benítez, G. (2007). Las nuevas tecnologías de la información. NTIC, Interacción y Aprendizaje en la Universidad (pp. 65-118). Cataluña: Universitat Rovira I Virgili.
23
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Miranda Gallardo, A. y Torres Castro, H. S. (2019). Modelos de Filosofía de la Ciencia y Psicología. México: UNAM. Mizoguchi, R. I. y Sinitsa, K. (1997). Roles of shared ontology in AI-ED research. Artificial Intelligence in Education AI-ED, 97, 537-544. Moreno Castañeda, M. (1997). El desarrollo de ambientes de aprendizaje a distancia. Guadalajara: Universidad de Guadalajara. Muñoz García, A. C. et al. (2018). Modelo Ontológico para la Gestión del Conocimiento en la enseñanza de la Agricultura. Madrid: Editorial Académica Española. Navarro Chavez, J. C. (2015). Epistemología y metodología. México: Grupo Editorial Patria. Noy, N. F. y Hafner, C. D. (1997). The state of the art in ontology design: A survey and comparative review. AI magazine, 18(3), 53. Noy, N. F. y McGuinness, D. L. (2000). A Guide to Creating Your First Ontology. Ontology Development 101. Consultado el 20 de diciembre de 2020 de http://www.ksl.stanford.edu/people/ dlm/papers/ontology-tutorial-noymcguinnessabstract.html Ouyang, J. y Liu, R. (2013). Ontology reasoning scheme for constructing meaningful sports video summarization. IET Image Process, 7(4), 324-334. Consultado el 20 de diciembre de 2020 de doi:10.1049/iet-ipr.2012.0495 Peng, L., Wijesekera et al. (2006). An ontology-based distributed whiteboard to determine legal responses to online cyber- attacks. Internet Research, 16(5), 475-490. Consultado el 20 de diciembre de 2020 de doi:10.5220/0002502002320245 Puello, J. J. et al. (2005). SABIA: Una Propuesta De Sistemas Inteligentes Aplicados A Procesos Educativos. Teknos Revista Científica, 44-49. Quine, W. v. (2002). La relatividad ontológica y otros ensayos. Madrid: Tecnos.
24
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Quintero Soto, E. (2013). La comunicación efectiva en los ambientes virtuales: un compromiso del asesor para integrar al alumno a los cursos en línea. Revista mexicana de bachillerato a distancia, 5(10), 123-125. Rivas Navarro, M. (2008). Procesos cognitivos y aprendizaje significativo. Madrid: Conserjería de Educación Comunidad de Madrid. Ruíz Aguirre, E. I. et al. (2012). Aprendizaje colaborativo en ambientes virtuales y sus bases socioconstructivistas como vía para el aprendizaje significativo. Apertura, 4(2). Salinas, J. (2008). Algunas perspectivas de los entornos personales de aprendizaje. Educación (pp. 1-15). Palma: University of the Balearic Islands. Sánchez López, S. E. (2007). Ontologías y su Representación Jerárquica. Modelo de indexación de formas en sistemas VIR basado en ontologías (pp. 66-78). Puebla: UDLAP. Santiago De Torres, J. et al. (2000). Procesos Psicológicos Básicos. Madrid: MCGraw Hill. Shi, L. y Setch, R. (2013). Enhanced semantic representation for improved ontology- based information retrieval. International Journal of Knowledgebased and Intelligent Engineering Systems, 17(2). Consultado el 20 de diciembre de 2020 de 127-136. doi:10.3233/KES-130258 Siemens, G. (2005, ene.). Connectivism: A Learning Theory for the Digital Age. International Journal of Instructional Technology and Distance Learning. Consultado el 20 de diciembre de 2020 de https://jotamac.typepad.com/ jotamacs_weblog/files/Connectivism.pdf Solórzano Martínez, F. y García Martínez, A. (2016, sep.-dic.). Fundamentos del aprendizaje en red desde el conectivismo y la teoría de la actividad. Revista Cubana de Educación Superior, 35 (3). Stanford University. (14 de diciembre de 2020). Artificial Inteligence and Life in 2030. Consultado el 20 de diciembre de 2020 de https://ai100.stanford.edu/ sites/g/files/sbiybj9861/f/ai_100_report_0831fnl.pdf
25
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Studer, R., Benjamins, R. y Fensel, D. (1998). Knowledge engineering. Principles and methods. Data y Knowledge Engineering, 25(1-2), 161-197. Consultado el 20 de diciembre de 2020 de doi:10.1016/S0169- 023X(97)00056-6 Tamayo, P. et al. (2020). Design of a chatbot as a distance learning assistant. Open Praxis, 145-153. Consultado el 20 de diciembre de 2020 de doi:http:// dx.doi.org/10.5944/openpraxis.12.1.1063 Turban, E. (1995). Decision Support and Expert Systems: Management Support Systems. New Jersey: Prentice-Hall International. UNESCO. (2019). Steering AI and Advanced ICTs for Knowledge Societies: A Rights, Openness, Access, and Multi-stakeholder Perspective. Paris: United Nations Educational, Scientific and Cultural Organization. Universidad Nebrija. (2020, 4 de diciembre). Introducción a la Inteligencia Artificial. [Material didáctico]. Consultado el 20 de diciembre de 2020 https:// www.nebrija.es/~cmalagon/ia/transparencias/introduccion_IA.pdf Uschold, M. y Gruninger, M. (1996). Ontology: Principles, methods and applications. Knowledge engineering review, 2(11). Van Heijst, G. S. y Wielinga, B. J. (1997). Using explicit ontologies in KBS development. International journal of human-computer studies, 46(2-3), 183292. Verbert, K., Duval, E. y Dragan, J. (2006). Ontology-Based Learning Content Repurposing: The ALOCoM Framework. International Journal on ELearning, 5(1), 67-74. Consultado el 20 de diciembre de 2020 de https://eric. ed.gov/?id=EJ723831 Vuotto, A. (2020, 20 de nov.). Avances tecnológicos de internet: la gestión de LA. Consultado el 20 de diciembre de 2020 de https://www.researchgate.net/ profile/Andres_Vuotto/publication/280239115_AVANCES_TECNOLOGICOS_ DE_INTERNET_LA_GESTION_DE_LA_INFORMACION_Y_EL_ CONOCIMIENTO_COMO_OBJETIVO_DE_BASE_PARA_LA_CREACION_Y_ EVOLUCION_DE_LA_WWW/links/55aed9e308ae98e661a6f281.pdf
26
REPRESENTACIONES DE CONOCIMIENTO EXPERTO La Inteligencia Artificial (IA)
Xie, C. et al. (2013). Ontology Combined Structural and Operational Semantics for Resource-Oriented Service Composition. Journal of Universal Computer Science, 19(13), 1963-1985. Consultado el 20 de diciembre de 2020 de doi:10.3217/jucs-019-13Zhang, Y. et al. (2013). Construction of Ontology Augmented Networks for Protein Complex Prediction. PLoS ONE, 8(5), 62-77. Consultado el 20 de diciembre de 2020 de doi:10.1371/journal.pone.0062077 Zhou, L. (2007). Ontology learning: state of the art and open issues. Information Technology and Management, 8(23), 241-252. Consultado el 20 de diciembre de 2020 de doi:10.1007/s10799-007-0019-5
27