MAESTRÍA EN
Ambientes, Sistemas y Gestión en Educación Multimodal La Representación del conocimiento desde los sistemas y la inteligencia artificial
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
A
la par de la evolución previamente descrita y del crecimiento exponencial de la información en la web, ha existido una creciente preocupación en la construcción y aplicación de sistemas de organización y representación del conocimiento para mejorar la recuperación de información en la web, en términos de efectividad, rapidez y facilidad de acceso a la información. Una revisión de los estudios considerados importantes desde la perspectiva de diversos sistemas ontológicos fue desarrollada por Maldonado Granados et al. (2017) en su estado del arte sobre los Sistemas ontológicos en el aprendizaje significativo, en el cual se refieren los siguientes esfuerzos evolutivos en la integración de ontologías: •
Studer, Benjamins y Fensel (1998), consideran que las ontologías son valiosas para la representación computacional de conocimiento. Para Gómez-Pérez y Manzano-Macho (2005) una ontología es un modelo abstracto compartido por un colectivo de personas y entendible para una máquina. Su adquisición y representación son tareas complejas. La adquisición incluye la selección de fuentes de conocimiento, la identificación de conceptos con sus nombres y relaciones, y la caracterización de la estructura. Estos mismos autores, hacen una revisión de métodos de adquisición a partir de textos. Se presentan dos enfoques dominantes: técnicas de procesamiento de lenguaje natural y procedimientos estadísticos. En algunos casos, la identificación de la ontología parte de ontologías previas sometidas a edición; y, en otros, se construyen completamente.
•
Por su parte, Ibrahim, Mokhtar y Harb (2012), desarrollan un método que permite combinar diferentes ontologías sobre un mismo dominio, útil para que los expertos negocien y validen las propuestas que integran fortalezas de diferentes representaciones. Los procedimientos son complejos y existe un conjunto de desarrollos de software para apoyar el proceso, pero aún no existe un método estandarizado para el desarrollo ni un programa que lo ejecute.
•
Adams et al. (2002), quienes siguen el concepto de relatividad ontológica, desarrollan una ontología en niveles: una de orden muy general que denominan meta-ontología y está compuesta por las categorías Actividad, Organización, Estrategia, Mercado y Tiempo, cada una de las cuales incluye subdivisiones de nivel más bajo. Por ejemplo, la actividad incluye: especificación de actividad, comienzo,
2
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
fin, precondición, efecto, planeación, recurso, autoridad. Por su parte, la estrategia incluye, misión, visión, propósito, decisión y otras. Estas categorías y sus consecuentes subclases, a su vez, contienen información de entidades (por ejemplo, empresas particulares, planes y acciones de esa empresa) y procesos particulares (promoción de un artículo que produce la empresa, identificación de destinatarios de su negocio). •
Zhou (2007), considera que el objetivo de las ontologías es mejorar la comprensión de los usuarios, razón por la cual se elaboran a partir del estudio de la comunicación real en los escenarios empresariales, y se expresan en lenguaje natural. Sin embargo, al mismo tiempo, son expresadas mediante un lenguaje de programación comprensible por los computadores.
•
Zhang et al. (2013), desarrollan un sistema en el dominio de la genética que permite hacer inferencias sobre estructuras complejas de componentes genéticos. Otro ejemplo es el sistema basado en una ontología para apoyar a los abogados en el tratamiento legal de ataques en el ciberespacio (Peng, Wijesekera, Wingfield y Michael, 2006).
•
Una de las aplicaciones más relevantes de las ontologías es la constitución de la Web Semántica (Lozano-Tello, 2020) cuyo propósito es habilitar a los computadores de una red digital para entender el significado en la representación de conocimiento. Xie, Cai, y Jiang (2013) desarrollan una ontología en línea, toman como dominio el riesgo en la gestión de proyectos y con base en este el sistema hace búsquedas de información pertinente para mejorar la capacidad de control.
•
Zhou (2007), visualiza el desarrollo de Sistemas Educativos Inteligentes en Línea -IWBE- que utilizan métodos de IA como las redes neuronales para construir ontologías desde la base; la minería de datos usando fuentes textuales; la lógica difusa para generar hipótesis sobre la pertenencia de categorías a una red o algoritmos genéticos que posibilitan el mejoramiento progresivo en la construcción de redes ontológicas. Los sistemas de IWBE integran agentes autónomos de software que cumplen diferentes tareas para el manejo de recursos y objetos de aprendizaje. Los metadatos permiten relacionar los objetos de aprendizaje con variables como estilo de aprendizaje, clases
3
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
de problemas y nivel de desarrollo de los estudiantes. Con base en ontologías los recursos se organizan y adaptan al usuario. •
En esta dirección, Ouyang y Liu (2013) desarrollan un sistema que razona con base en una ontología construida con metadatos para seleccionar recursos de video en el dominio de los deportes.
•
Verbert, Duval, y Dragan (2006), desarrollan gestión de recursos en línea con base en ontologías.
•
Shi & Setch (2013), muestran que la organización con base en ontologías es una estrategia muy eficiente.
•
Fok e Ip (2006), presentan un sistema de IWBE que integra un conjunto de ontologías adaptables según la evolución de una empresa, toman como elementos de referencia a las personas que conforman la empresa, las competencias que la empresa requiere, el dominio de conocimiento requerido y las estrategias pedagógicas necesarias para la formación y actualización de los actores. El sistema integra un conjunto de ontologías para tener una interacción adaptada a cada actor, con el fin de promover su actualización mediante objetivos empresariales.
•
La integración de múltiples ontologías se muestra también en el sistema desarrollado por Deline et al. (2010) quienes integran una ontología de dominio por niveles: curso, programa, y estudiante con sus preferencias.
Objetivos, Características y Tipos de Ontologías para la representación del conocimiento Partiendo de Noy y McGuinness (2000) se puede decir que las ontologías tienen como principales objetivos los siguientes: •
Compartir la compresión común de la estructura de información entre personas o agentes de software, lo que debe revertir de forma positiva y casi necesaria en la extracción y recuperación de información, en páginas web, de contenidos conectados temáticamente.
•
Permitir la reutilización del conocimiento perteneciente a un dominio.
4
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
Por ejemplo, a la hora de iniciar la elaboración de una ontología •
Hacer explícitos los supuestos de un dominio. Esta aseveración puede conducir a conclusiones muy interesantes para la representación del conocimiento más allá de consideraciones técnicas, operativas e informáticas.
•
Separar el conocimiento de un dominio del conocimiento que se puede denominar operacional. Con esto se alude a que, en ocasiones, el conocimiento que se está representando se puede implicar en diferentes áreas al pertenecer más a un conocimiento relacionado con procesos.
•
Hacer posible el análisis del conocimiento de un campo, por ejemplo, en lo que se refiere al estudio de los términos y relaciones que lo configuran ya sea formalmente o no.
Para que una ontología cumpla con su cometido de poder representar el conocimiento de forma que sea legible por los ordenadores, posibilitando su integración semántica, debe de cumplir con las siguientes propiedades (Gruber, 1995): • Claridad: Para comunicar el significado intencionado de los términos definidos. • Coherencia: Para sancionar inferencias que son consistentes con las definiciones. • Extensibilidad: Para anticipar el uso de vocabulario compartido. • Sesgo de codificación mínimo (Minimal encoding bias): Debe de especificar al nivel de conocimiento sin depender de una codificación particular a nivel símbolo. • Mínimo compromiso ontológico: debe de hacer la menor cantidad de “pretensiones’’ acerca del mundo modelado. Dentro de las características más representativas de las ontologías se tiene: •
Vinculación según Propósito Explícito: El propósito de una ontología es hacer explícito algún punto de vista, por lo tanto, a veces será conveniente combinar dos o más ontologías. Cada ontología va a introducir conceptualizaciones específicas.
•
Multiplicidad de la representación: Un concepto puede ser
5
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
representado de muchas formas, por lo que pueden coexistir múltiples representaciones de un mismo concepto. •
Mapeo de ontologías: Establecer relaciones entre los elementos de una o más ontologías, para establecer conexiones, especializaciones, generalizaciones, etc.
•
Topología de distintos niveles de abstracción: Puesto que no podemos aspirar a tener una descripción completa del mundo, se puede pensar en una estrategia de construcción gradual de abajo hacia arriba. Los niveles de generalización o abstracción nos dan una topología de ontologías. La idea es caracterizar una red de ontologías con el uso de multiplicidad y abstracción.
•
Muñoz García et al. (2018) distinguen los siguientes tipos de ontologías:
Una ontología de representación del conocimiento (Van Heijst y De representación Wielinga, 1997), enlaza el modelado de primitivas utilizadas para formalizar el conocimiento bajo un paradigma de representación de conocimiento dado. Las más representativas son: •
•
Frame Ontology (para su interés puede explorar http://www. aiai.ed.ac.uk/project/enterprise/enterprise/ontology-code/ frame-ontology/) OKBC Ontology, disponibles en el Ontolingua Server (para su interés puede consultar: http://www.ai.sri.com/~okbc/).
Ambas proporcionan definiciones formales de la representación de primitivas utilizadas en lenguajes basados en Frames (esto es, clases, subclases, atributos, valores, relaciones y axiomas). Para mayor detalle de ambos modelos previamente se le proporcionaron los enlaces Generales
También denominadas Ontologías Comunes se usan para representar conocimiento de sentido común reutilizable entre dominios. Estas ontologías incluyen vocabulario relacionado a cosas, eventos, tiempo, espacio, causalidad, comportamiento, función, etc. Pueden reutilizarse a través de diferentes dominios (Van Heijst y Wielinga, 1997).
Nivel Superior
O Top-Level, describen conceptos muy generales y proporcionan nociones generales bajo las cuales todos los términos raíces en ontologías existentes pueden estar enlazados.
6
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
De Dominio
Describen el vocabulario relacionado a una tarea o actividad genérica (por ejemplo, diagnóstico, programación, ventas, etc.) por especialización de términos. Las ontologías de tareas proporcionan un vocabulario de los términos utilizados para resolver problemas asociados con tareas que pueden o no pertenecer al mismo dominio. Incluyen nombres, verbos, frases y adjetivos relacionados con la tarea (“objetivo”, “planificación”, “asignar”, “clasificar”, etc.).
De Métodos
Proporciona definiciones de los conceptos y relaciones aplicadas a procesos de razonamiento específico para realizar una tarea particular.
De Aplicación
Son dependientes de la aplicación. Contienen todas las definiciones necesarias para modelar el conocimiento requerido de una aplicación particular. Las ontologías de aplicación frecuentemente extienden y especializan el vocabulario de las ontologías de dominio y tarea de una aplicación particular.
FUENTES DE INFORMACIÓN 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 15 de diciembre de 2020 de doi:10.1002/isaf.220 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. 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 15 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.
Gómez-Pérez, A. y Manzano-Macho, D. (2005). An overview of methods and tools for ontology learning from texts. The Knowledge Engineering
7
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
Review, 19(3), 187-212. Consultado el 15 de diciembre de 2020 de 10.1017/ S0269888905000251 Ibrahim, N., Mokhtar, S. y Harb, H. (2012). Towards an Ontology based integrated Framework for Semantic Web. International Journal of Computer Science and Information Security , 10(9), 1-9. Consultado el 15 de diciembre de 2020 de https://sites.google.com/site/ijcsi Lozano-Tello, A. (2020). Ontologías en la Web Semántica. Consultado el 15 de diciembre de 2020 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 15 de diciembre de 2020 de 10.15517/aie.v17i2.28730 Noy, N. F. y McGuinness, D. L. (2000). A Guide to Creating Your First Ontology. Ontology Development 101. Consultado el 15 de diciembre de 2020 de http://www.ksl.stanford.edu/people/dlm/papers/ontology-tutorial-noymcguinnessabstract.html Ouyang, J.Q., y Liu, R. (2013). Ontology reasoning scheme for constructing meaningful sports video summarization. IET Image Process, 7(4), 324-334. Consultado el 15 de diciembre de 2020 de 10.1049/iet-ipr.2012.0495 Peng, L., Wijesekera, D., Wingfield, T. y Michael, J. (2006). An ontology-based distributed whiteboard to determine legal responses to online cyber- attacks. Internet Research, 16(5), 475-490. Consultado el 15 de diciembre de 2020 de 10.5220/0002502002320245 Studer, R., Benjamins, R. y Fensel, D. (1998). Knowledge engineering. Principles and methods. Data y Knowledge Engineering, 25(1-2), 161-197. Consultado el 15 de diciembre de 2020 de 10.1016/S0169- 023X(97)00056-6 Van Heijst, G. S. yWielinga, B. J. (1997) Using explicit ontologies in KBS development. International journal of human-computer studies, 46(2-3), 183292.
8
REPRESENTACIÓN ONTOLÓGICA DEL CONOCIMIENTO La Representación del conocimiento desde los sistemas y la inteligencia artificial
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 15 de diciembre de 2020 de https://eric. ed.gov/?id=EJ723831 Vuotto, A. (20 de noviembre de 2020). Avances tecnológicos de internet: la gestión de LA. Consultado el 15 de diciembre de 2020 de https:// www.researchgate.net/profile/Andres_Vuotto/publication/280239115_ AVA N C E S _ T E C N O LO G I CO S _ D E _ I N T E R N E T _ L A _ G E S T I O N _ E _ L A _ I N F O R M A C I O N _ Y _ E L _ C O N O C I M I E N TO _ C O M O _ O B J E T I V O _ D E _ B A S E _ P A R A _ L A _ C R E A C I O N _ Y _ E V O L U C I O N _ D E _ L A _ W W W/ links/55aed9e308ae98e661a6f281.pdf Xie, C., Cai, H., y Jiang, L. (2013). Ontology Combined Structural and Operational Semantics for Resource-Oriented Service Composition. Journal of Universal Computer Science, 19(13), 1963-1985. Consultado el 15 de diciembre de 2020 de 10.3217/jucs-019-13-1963 Zhang, Y. et al. (2013). Construction of Ontology Augmented Networks for Protein Complex Prediction. PLoS ONE, 8(5), 62-77. Zhou, L. (2007). Ontology learning: state of the art and open issues. Information Technology and Management, 8(23), 241-252. Consultado el 15 de diciembre de 2020 de 10.1007/s10799-007-0019-5
9