Representación del Conocimiento
Dado que el conocimiento es importante y primordial para el comportamiento inteligente, su representación constituye una de las máximas prioridades de la investigación en IA. El conocimiento puede ser representado como imágenes mentales en nuestros pensamientos, como palabras habladas o escritas en algún lenguaje, en forma gráfica o en imágenes, como cadenas de caracteres o colecciones de señales eléctricas o magnéticas dentro de un computador. En nuestro estudio de IA, consideraremos las representaciones escritas y sus correspondientes estructuras de datos utilizadas para su almacenamiento en un computador. La forma de representación que se escoja dependerá del tipo de problema a ser resuelto y de los métodos de inferencia disponibles.
Una representación del conocimiento puede ser un esquema o dispositivo utilizado para capturar los elementos esenciales del dominio de un problema. Una representación manipulable es aquella que facilita la computación. En representaciones manipulables, la información es accesible a otras entidades que usan la representación como parte de una computación.
Debido a la variedad de formas que el conocimiento puede asumir, los problemas involucrados en el desarrollo de una representación del conocimiento son complejos, interrelacionados y dependientes del objetivo. El términos generales, se debe tratar que el conocimiento esté representado de tal forma que:
El conocimiento declarativo puede ser representado con modelos relacionales y esquemas basados en lógica. Los modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o redes semánticas. Los esquemas de representación lógica incluyen el uso de lógica proposicional y lógica de predicados.
Los modelos procedimentales y sus esquemas de representación almacenan conocimiento en la forma de cómo hacer las cosas. Pueden estar caracterizados por gramáticas formales, usualmente implantadas por sistemas o lenguajes procedimentales y sistemas basados en reglas (sistemas de producción).
Las representaciones declarativas son usualmente más expansivas y costosas, en el sentido que la enumeración puede ser redundante e ineficiente. Sin embargo, la modificación de las representaciones declarativas es usualmente muy fácil; simplemente se agrega o se elimina conocimiento. Las representaciones procedimentales, en cambio, pueden ser más compactas, sacrificando flexibilidad. Representaciones prácticas pueden incluir elementos tanto declarativos (listado de hechos conocidos), como procedimentales (un conjunto de reglas para manipular los hechos).
Manipulación del conocimiento
Existen tres paradigmas que los investigadores han utilizado tradicionalmente para la resolución de problemas de IA:
Programación Heurística.-
Está basado en el modelo de comportamiento humano y su estilo para resolver problemas
complejos. Existen diversos tipos de programas que incluyen algoritmos heurísticos.
Varios de ellos son capaces de aprender de su experiencia.
Redes Neuronales
Artificiales.- Es una representación abstraída del modelo neuronal del cerebro
humano. Las redes están formadas por un gran número de elementos simples y por sus
interconexiones. Una red neuronal artificial puede ser simulada o ser real. Al elemento
procesador de la red, se lo denomina neurona artificial.
Evolución Artificial.-
Su modelo está basado en el proceso genético de evolución natural, propuesto por
Charles Darwin. Se utilizan sistemas simulados en computador que evolucionan mediante
operaciones de reproducción, mutación y cruce (Algoritmos Genéticos).
Cada paradigma comprende una colección de métodos, configuraciones y técnicas desarrolladas para manipular el conocimiento. En general, una técnica de IA está caracterizada por incluir los siguientes componentes:
Procesos de Búsqueda.-
Proporciona una forma de resolver problemas para los cuales no hay un método más
directo, así como también se constituye en un marco de trabajo dentro del cual cualquier
técnica directa puede ser incorporada.
Uso del Conocimiento.-
Proporciona una forma de resolver problemas explotando las estructuras de los objetos
involucrados.
Abstracción.-
Proporciona una forma de separar rasgos importantes y variaciones, de los tantos que no
tienen importancia.
La manipulación del conocimiento involucra además la selección de objetos, entidades y rasgos que son claves para las representaciones. Al nivel más bajo de representación del conocimiento, estas entidades pueden consistir de simples datos de entrada, por ejemplo: grabaciones cuantizadas y digitalizadas de audio, datos de una imagen, valores captados por un sensor, información de interruptores o hechos elementales. Estos bloques constructivos de la representación se los denomina comúnmente primitivas. La representación escogida para las primitivas, puede determinar las capacidades del sistema, el éxito, la corrección y sus posibilidades de expansión.
En lo sucesivo, este tutorial se centrará en el estudio de las aplicaciones de la programación heurística, para el desarrollo de sistemas de IA.
|
|
|
