Sistemas Expertos Introducción Arquitectura - Motor de Inferencias. Ingeniería Electrónica Ingeniería del Conocimiento

(1)

Sistemas Expertos

Introducción

Arquitectura - Motor de Inferencias

Ingeniería del Conocimiento Ingeniería Electrónica

(2)

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.

(3)

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.

(4)

Sistemas basados en conocimiento (SBC-KBS)

Definiciones.

_{Sistemas de software capaz de soportar la}

representación explícita del conocimiento de un dominio específico y de explotarlo a través de

mecanismos apropiados de razonamiento para proporcionar un comportamiento de alto nivel en la resolución de problemas.

(5)

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

(6)

Experiencia humana vs. SE.

PERICIA ARTIFICIAL PERICIA HUMANA

Permanente Perecedera

Siempre accesible No siempre accesible Fácil de documentar No documentable

Estable, confiable Variable, flexible

Costo manejable Costosa

Fragilidad de las máquinas Fragilidad humana

Sin inspiración Creativa

Conocimiento técnico Sentido común

Estática - Dinámica Dinámica (aprendizaje)

Dominios estrechos Dominios más extensos

(7)

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.

(8)

Primeros Sistemas Expertos

MYCIN

Stanford (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

INTERNIST Pittsburg (Pople-Myers, 1977): Diagnóstico _{en Medicina interna. CADUCEUS: Analiza} relaciones causales.

CASNET

Rutgens (Kulikowsky-Weiss-Safir, 1977): Oftalmología. Aplica un modelo causal para el diagnóstico de glaucoma.

Razonamiento experto Modelos 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 búsqueda

Stanford (Stefik): Diseño de experimentos genéticos. Utiliza abstracción.

(9)

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.}

(10)

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

(11)

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)

(12)

SBC: 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 últimas

experiencias.

(13)

SBC: 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

(14)

Estructura básica de un SE/SBC.

Base de Conocimientos Motor de Inferencias I n t e r f a c e U s u a r i o Ingeniero del conocimiento Experto del dominio K A T

(15)

Estructura básica de un SE/SBC

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.

(16)

REPRESENTACION DEL

CONOCIMIENTO

(17)

PREMISA FUNDAMENTAL DE IA:

Para que un sistema informático

demuestre un comportamiento inteligente

en la solución de problemas, debe poseer

gran cantidad de conocimientos

y

un potente mecanismo de razonamiento.

IMPORTANCIA DE UNA ADECUADA REPRESENTACION DEL CONOCIMIENTO

(18)

• CONOCIMIENTO DEL MUNDO (en IA)

Es la habilidad para construir un modelo de

los objetos, sus vinculaciones y de las

acciones que pueden realizar.

• REPRESENTACION DEL CONOCIMIENTO

Es la expresión mediante algún lenguaje, de un

modelo que exprese el conocimiento sobre el

mundo.

(19)

Conocimiento – Definición

El conocimiento es una mezcla de experiencia,

información y “saber hacer” que actúa como marco para la incorporación de nuevas experiencias y guia la acción.

Se utiliza para alcanzar una meta

Genera nuevo conocimiento

Resulta en gran medida dependiente de la tarea y del dominio de aplicación.

(20)

Niveles de representación:

La representación elegida influye directamente en la eficacia y eficiencia de la solución lograda

Nivel del conocimiento

Nivel simbólico

Hechos, comportamiento y objetivos de los agentes.

Símbolos manipulables por un sistema Debe existir correspondencia Adecuación representacional Adecuación inferencial

(21)

Representación:Modelado de un sistema

Adquisición del conocimiento

Conceptos y

relaciones Métodos de_inferencia

Modelo Conceptual Modelo Formal No computable Semicomputable

_{Representa simbólicamente} y organiza el conocimiento.

_{Determina el mecanismo} de inferencia adecuado.

(22)

Representación: Modelado de un sistema

Modelo Computable Operacional

_{Bases de Conocimiento}

_{Mecanismos de inferencia}

_{Mecanismos de control}

Las tareas de adquisición y modelado son difíciles y costosas.

Existen esquemas de representación útiles en dominios variados.

(23)

ELEMENTOS BASICOS QUE INTERVIENEN EN EL

DISEÑO DE UN SISTEMA BASADO EN EL CONOCIMIENTO (KBS)

_{Lenguaje formal para expresar conocimiento} Forma de efectuar razonamientos

COMPONENTE MEDULAR DE UN KBS (Agente) BASE DE CONOCIMIENTOS (KB)

Es un conjunto de representaciones de hechos acerca del mundo

Conjunto de sentencias del lenguaje para la representación del conocimiento

(24)

AÑADIR YMODIFICAR SENTENCIAS

BC

PREGUNTAS RESPUESTAS

MECANISMO DE INFERENCIAS

(25)

PROPIEDADES DE UN BUEN

FORMALISMO DE REPRESENTACION

:

• ADECUACION REPRESENTACIONAL

• ADECUACION INFERENCIAL

• EFICIENCIA INFERENCIAL

• EFICIENCIA EN LA

ADQUISICION-MODIFICACION

(26)

DISTINTOS PARADIGMAS:

• DECLARATIVO

Descripción del estado del mundo

• PROCEDIMENTAL

Expresión de las transformaciones de estados

• ORIENTADO A OBJETOS

(27)

DISTINTOS FORMALISMOS

FORMALISMOS LOGICOS

SISTEMAS DE PRODUCCION

FORMALISMOS ESTRUCTURADOS:

• REDES SEMANTICAS • FRAMES • OBJETOS • ONTOLOGÍAS

(28)

FORMALISMOS LOGICOS

Constituyen sistemas formales en los cuales:

♦ SINTAXIS Y SEMANTICA ESTA BIEN DEFINIDA ♦ HAY UNA TEORIA DE LA DEMOSTRACION

•Completa y Consistente

LA LOGICA DE 1er _ORDEN

Es la base de la mayoría de los esquemas de representación

(29)

FORMALISMOS LOGICOS

• Conocimiento es representado mediante un

conjunto de fórmulas bien formadas (fbfs)

en algún sistema lógico (proposicional

-predicados - multivaluada...)

• Los mecanismos de inferencia son los

métodos deductivos del sistema lógico

(Resolución en predicados)

(30)

DISTINTOS SISTEMAS LOGICOS:

♦

LOGICA PROPOSICIONAL

♦

LOGICA DE PREDICADOS

♦

LOGICAS NO-CLASICAS

– MULTIVALUADAS (Fuzzy Logic) – MODALES

OBJETIVO: ESTABLECER LA VALIDEZ DE

DISTINTOS RAZONAMIENTOS

-OBTENER CONCLUSIONES DE UN CONJUNTO DE FORMULAS

(31)

Sintaxis

Alfabeto PROPOSICIONAL

Σ_PROP que consiste de:

i) variables proposicionales p₀, p₁,p₂,... ii) conectivos ¬, ∧, ∨, →,↔

(32)

Introducción Informal

• Proposición: Una oración afirmativa de la

cual podemos decir que es

verdadera

o

falsa

(pero no ambas!!)

• Ejemplos de Proposiciones:

– Ayer llovió en Rosario.

– El sol gira alrededor de la tierra.

– 2 . 3 = 3 + 3

– 3 es primo.

(33)

más proposiciones...

– Si

ayer llovió en Rosario,

entonces

el intendente

se mojó.

– El sol gira alrededor de la tierra

o

la tierra gira

alrededor del sol.

– 2 . 3 = 6

y

6 es impar

(34)

Traducción al lenguaje Lógico

• Las oraciones compuestas se traducen usando los

conectivos

– Ejemplos:

• El auto no arranca y las luces encienden

(p

₀

∧ p

₁

).

• Si las luces encienden, entonces la batería

está ok

(p

₁

→ p

₂

) .

(35)

• La corrección de este razonamiento depende de la relación entre los sujetos de las proposiciones.

• Lógica proposicional NO es suficientemente expresiva para captar esta relación

∀

x (Perro(x)

→

Mamífero (x) Perro (Rex)

Mamífero (Rex)

∀

x. P(x) P(Rex)

Todo perro es un mamífero y Rex es un perro,

luego Rex es un mamífero..

(36)

Por qué lógica de predicados ?

• Lógica proposicional : bajo poder expresivo

• Muchas expresiones usuales no son representables

• « Rex es un perro »

En proposicional:

p (una prop. atómica) En predicados:

Sujeto: Rex

Propiedad: Ser Perro Perro(Rex)

(37)

Lenguaje de lógica de predicados

•

símbolos para denotar

objetos

-

sb. de constante (

ej. Rex, 2, π)

-

sb. de variable

(ej. x, y, z)

-

sb. de función

(ej. +, *, Padre) etc que

permiten crear nuevos nombres de objetos

• símbolos de propiedades y de relaciones

(Es-perro)

• conectivos

(38)

Ejemplos de traducción

• Si algunos perros son mamíferos, luego todos

son mamíferos

(∃ x) (P(x) ∧ M(x)) → ∀x (P(x) → m(x))

• Todo número es par o impar

(∀x) (N(x) → P(x) ∨ I(x))

• Ningún número es a la vez par e impar

(39)

PROLOG:

Una implementación de

programación lógica

LOGICA DE PREDICADOS

+ DEDUCCIÓN AUTOMÁTICA

(RESOLUCION

)

• Dada la BC y una fórmula α podemos probar que

» BC - α

Podemos contestar

perro (Rex) ?

(40)

LOGICA DE PREDICADOS COMO

FORMALISMO DE REPRESENTACION

VENTAJAS:

Es un formalismo bien establecido con una sintaxis y semántica bien definida y que maneja fácilmente

aspectos cuantificación.

_{Automatización de la deducción}

LIMITACIONES:

Existen límites en el poder expresivo: • posibilidades, incertidumbre,

Problemas en la implementación de otros tipos de razonamientos (aproximados, no-monótonos).

(41)

Representación del Conocimiento

Otros formalismos

(42)

DISTINTOS FORMALISMOS

FORMALISMOS LOGICOS

SISTEMAS DE PRODUCCION

FORMALISMOS

ESTRUCTURADOS:

• REDES SEMANTICAS • FRAMES • OBJETOS

(43)

OTROS FORMALISMOS

Sistemas de producción

Utilizan elementos de la lógica

Salen del marco estrictamente formal

_{más flexibles} más eficientes

Pierden propiedades fundamentales como la

consistencia y completitud

.

(44)

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

(45)

(46)

Sistemas de producción

_{Los procesos del dominio se representan como acciones}

independientes que son integradas por el mecanismo de inferencias para resolver una tarea más general.

Motor de Inferencias BASE DE CONOCIMIENTO Base de Hechos Base de Reglas ARQUITECTURA

(47)

SE basados en reglas de producción

Reglas de

producción IF < CONDICION > THEN < 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.

(48)

SE basados en reglas de producción

Ventajas:_{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}

(49)

Sistemas de producción

Se utilizan

Reglas de Producción

para

representar el conocimiento

IF <premisa> THEN <conclusión y/o acción>

Son los elementos de deducción básicos

El proceso de inferencia se basa

fundamentalmente en la Regla de Inferencia

de la lógica denominada MP

(50)

Reglas de producción

Es el modelo formal para representar un elemento

mínimo de conocimiento

IF <premisa> THEN <conclusión y/o acción>

Conclusión

Puede especificar Acción Estrategia

La premisa puede tener conectivos lógicos

(51)

Reglas de producción- Ejemplos

Si un animal come carne entonces es

carnívoro.

Si un animal tiene dientes agudos y garras

entonces es carnívoro.

Si un animal es carnívoro y es de color

marrón-claro y tiene el pelaje franjas negras,

entonces es un tigre.

(52)

Reglas de producción- Ejemplos

Sintaxis Reglas en KAPPA-PC

MakeRule( Rtigre, [],

animal:grupo #= carnívoro And

animal:color #= leonado And

animal:pelaje #= franjas_negras,

animal:especie = tigre );

(53)

Sistemas de producción

Cada regla es

independiente

del resto de las

reglas en la BC.

Las reglas no tienen porque estar ordenadas

en la BC.

Las reglas se pueden agrupar por nociones

semánticas en “módulos” o “grupos”.

El metaconocimiento puede ser expresado

(54)

Sistemas de producción.

Un ejemplo de regla

Un especialista que participa en el desarrollo de un sistema basado en conocimiento relativo al

diagnóstico de una falla en un auto, podrá expresar:

“ si el motor no arranca y las luces no encienden,

(55)

A partir de esta expresión, se puede definir la regla de producción asociada a las proposiciones como:

If el motor no arranca

And las luces no encienden,

Then la falla está en la batería .

Sistemas de producción.

Un ejemplo de regla

(56)

Sistemas de producción.

Un ejemplo

(57)

If el motor no arranca And las luces no encienden Then falla la batería.

If el motor no arranca And las luces encienden And llega combustible

Then falla el sistema de ignición. If el motor no arranca

And las luces encienden And no llega combustible

Then falla el sistema de combustible.

Sistemas de producción.

Un conjunto de reglas

(58)

El desarrollo de las reglas de

producción para construir la KB.

• Debe

observarse

que las reglas no

están identificadas,

por ejemplo: con

una

numeración

correlativa.

(59)

El desarrollo de las reglas de

producción para construir la KB.

• Cada una de estas re-glas aparece como un gránulo de conoci-miento que es inde-pendiente de las res-tantes reglas, con lo cual, la ampliación de la KB puede realizarse sin mayor problema.

(60)

El desarrollo de las reglas de

producción para construir la KB.

• Sin embargo, desde el punto de vista del motor de inferencia, estas reglas deben estar relacionadas para que puedan ser interpretadas

adecuadamente durante el proceso de inferencia.

• Por ejemplo; la premisa “el motor no arranca”

(61)

El desarrollo de las reglas de

producción para construir la KB.

• Lo mismo ocurre con “las luces no en-cienden”, en la se-gunda y tercera re-glas.

• Por consiguiente, este es el único requisito que requiere el aggado de nuevas re-glas.

(62)

Sistemas de producción

Como razonamos???

Utilizando un

MECANISMO DE INFERENCIA

(MOTOR DE INFERENCIA)

El cual determina de que forma utilizar las

reglas para alcanzar el objetivo planteado

(63)

La ejecución del proceso de

inferencia en los KBS

Supóngase que se observa una falla en motor del auto y se constata que: “no arranca el motor, ni encienden las luces, y llega combustible”.

Desde el enfoque del KBS, es necesario ingresar esta información en la memoria de trabajo, para obtener una solución o respuesta al problema.

Entonces, la interfaz de este KBS, deberá proveer unos cuadros de un diálogo orientado, que permita ingresar las observaciones del caso.

(64)

La ejecución del proceso de

inferencia en los KBS

(65)

La ejecución del proceso de

inferencia en los KBS

• La respuesta seleccionada en el primer cuadro de diálogo, origina la

plantilla “el motor no arranca”, que ingresará a la memoria de trabajo del KBS.

(66)

La ejecución del proceso de

inferencia en los KBS

• Continuando con el diálogo orientado, ingresarán otras dos plantillas a la memoria de trabajo: “las luces no encienden” y “llega

(67)

La ejecución del proceso de inferencia en

los KBS

• El proceso de ejecución que realiza el motor de inferen-cia, consiste en tomar cada una de estas plantillas, y explorar la KB buscando coincidencias en las premisas de cada una de las reglas.

• Con la primera plantilla, “el motor no arranca”, en-cuentra que hay una con-cordancia en las tres reglas.

(68)

La ejecución del proceso de

inferencia en los KBS

• Con la segunda plantilla “las luces no encienden”, solo hay concordan-cia en la primera regla, y la segunda y tercera reglas quedan descartadas.

• La primera regla se desen-cadena, y produce entonces la conclusión: “falla la ba-tería”, y el problema queda resuelto.

(69)

La ejecución del proceso de

inferencia en los KBS

Por último cabe observar que este proceso de comparación que explora cada una de las reglas, es prácticamente independiente del orden en que se encuentren dispuestas las mismas en la KB.

Este proceso de inferencia en los KBS, es denominado: sistema de inferencia por filtrado (pattern maching inference system), o simplemente,

(70)

Sistemas de producción

Motor de Inferencia

Direcciones de búsqueda:

_{Hacia delante, Forward Chaining o guiada}

por los hechos.

Hacia atrás, Backward Chaining o guiada

por los objetivos.

Para seleccionar las reglas candidatas en cada estado utiliza el EMPAREJAMIENTO, FILTRADO o MATCHING.

(71)

Sistemas de producción

Flexibles.

Sencillos de modificar y extender.

_{A los expertos les resulta simple “pensar en reglas”.}

Completitud y consistencia. El conocimiento se separa

en pequeños “gránulos”.

VENTAJAS

PROBLEMAS _{Es común que se los}

combine con otros formalismos.

(72)

Sistemas estructurados

ESTRUCTURAS DE RANURA Y

RELLENO (slot and filler)

_{REDES SEMANTICAS (Quillan 67/68)} FRAMES (Minsky, 75)

(73)

Redes semánticas

Idea:

el significado de un concepto

depende del modo en que se encuentre

conectado a otros conceptos

Representación:

mediante un grafo

dirigido donde

los nodos representan objetos y

los arcos relaciones entre los conceptos

REX PERRO MAMIFERO

(74)

Redes semánticas - Ejemplo

ES-UN ES-UN ES-UN TIENE Estudiante -FCEIA Estudiante -UNR

Estudiante -LCC Estudiante -IEca

Juan Perez

Pedro García _{Legajo P-1233/5} Legajo Prom1 _Prom2 Promedio TIENE INSTANCIA INSTANCIA INSTANCIA TIENE TIENE INSTANCIA INSTANCIA

(75)

Redes semánticas - Arcos

Etiquetas de los arcos

“es-un”

relación subclase-clase

“instancia”

relación objeto-clase

“parte-de”

relación componente-objeto

definidas por el usuario

Dominio de

aplicación

Generalización Instanciación Agregación Descripción

(76)

Sistemas basados en

Redes semánticas

Base de conocimiento

En esta representación una BC es una

colección de estos grafos

Las modificaciones se refieren a inserción

(77)

Redes semánticas

Como razonamos???

Búsqueda de intersección

Encontrando relaciones entre objetos

Cual es la conexión entre Rex y mamífero?

Es Juan Pérez un estudiante de la UNR?

Cuál es el promedio de Pedro García?

Utiliza fundamentalmente la estructura

(78)

Marcos (frames)

Una red semántica representa conexiones entre

entidades

Problemas más complejos

Asignar más estructura a los nodos y a las

conexiones

Marcos

No existe una distinción clara entre una Red

(79)

Marcos (frames)

_Idea:

Estructura para atender la

representación del conocimiento asociado

a situaciones estereotipadas (Minsky)

Representación: Es una colección de

atributos (ranuras - slots) con valores

asociados (y posibles restricciones entre

valores, llamados facetas)

(80)

Marcos - Estructura

NOMBRE ENCABEZADO ES-UN INSTANCIA ATRIBUTO1 VALOR1 ATRIBUTOn VALORn •valores por defecto •procedimientos •relación con otros marcos

(slots)

(81)

Marcos - Ejemplo

Estudiante FCEIA

ES-UN Estudiante UNR

TIENE Legajo (letra/numerodigito) TIENE Promedio (procedimiento)

Estudiante Ing.Eca.

ES-UN ESTUDIANTE FCEIA

Juan Perez

INSTANCIA Estudiante Ing.Eca. TIENE Promedio = 6,80

DIRECCION ... (Defecto Rosario) TEL ...

(82)

Sistemas de Marcos

MC Actores

Interpreta: Si

(*)Nombre: Conj Caracteres (*)Peliculas: (0..100) (*)Fecha1aPelicula: MC Fecha (*)Dia: (1..31) (*)Mes: (0..120) (*)Año: 1900..2005 MC Actor Sexo: M (*)ParejaMiticaCon: MC Actriz Sexo: F (*)ParejaMiticaCon: MI - 7543 Nombre: H.Bogart Fecha1aPelicula: ParejaMiticaCon: MI - 8832 Nombre:L.Bacall Peliculas: 42 ParejaMiticaCon: MI - 2232 Dia: 27 Mes: 3 Año: 1944 Instancia Instancia Instancia Instancia Instancia

(83)

Sistemas de Marcos

Marcos Clase

Marcos Instancia

Representan conceptos, o situaciones genéricas descriptos por propiedades comunes

Elementos específicos. Sus propiedades se asocian con información de cada individuo

Propiedades

De Clase: Atributos genéricos de un concepto, con valores comunes a todas sus ocurrencias.

De Instancia: Atributos con valores particulares para cada ocurrencia del concepto (*).

Slots definidos en los marcos Clase

(84)

Sistemas de Marcos

Consideraciones al definir los Slots:

Evitar redundancias aprovechando la herencia.

Poseer información suficiente para identificar el marco clase. En un marco clase se puede definir un slot de instancia en

base a otro marco clase.

Los slots de instancia pueden tener uno o varios valores. En los marcos clase se pueden redefinir slots heredados para representar excepciones a la herencia.

(85)

Sistemas de Marcos

Facetas

Modelan características de slots y relaciones

Algunas facetas declarativas usuales:

Tipo de Slot: Tipo de datos de los valores, puede apuntar a otro marco.

Cardinalidad: Cantidad de valores posibles.

Valores permitidos: tipo de datos, rango o puntero a otro marco.

(86)

Marcos – Facetas/Métodos

Hay facetas ligadas a métodos de uso frecuente, asociados a cambios o utilización de los valores de las ranuras:

_{When_needed:} Formas de conseguir el valor cuando

se lo necesita y no está disponible.

Before_changed: Restricciones propias del dominio. After_changed: Acciones pertinentes asociadas a los cambios de valor de la ranura.

When_accessed: Acciones pertinentes cuando la ranura es accedida de alguna forma.

(87)

Sistemas de Marcos

BASE DE CONOCIMIENTO

Conjunto de marcos relacionados mediante los

valores de los slots (atributos)

INFERENCIA

Utilizar la estructura jerárquica para heredar

propiedades (valores de slots).

Tener procedimientos (reglas) para hallar

(88)

Sistemas de Marcos

Tienen mucha tradicion en IA y son antecesores de los objetos

Los sistemas de marcos agregan expresividad a las redes semánticas y permiten representar conocimiento

declarativo y procedimental.

(89)

Objetos

Los vemos más como una forma de representar el mundo que como un paradigma de programación

Los encontramos en muchas herramientas dentro del área.

(90)

Objetos

Pensados como gran

aporte para el Reuso

BALA DE _PLATA

Década del 80

Actualmente se apunta a relaciones arquitecturales entre clases para lograr

Evolución y Mantenibilidad

Patrones de diseño

(91)

Objetos

OBJETO: Es una entidad que tiene un comportamiento.

ESTADO INTERNO MENSAJES que es

capaz de responder.

INTERFAZ

Un PROGRAMA OO es una red de objetos cooperantes, que interactúan entre sí, enviándose mensajes.

ENCAPSULAMIENTO

Permite la utilización de clases con implementaciones intercambiables.

(92)

Objetos

Una CLASE es una definición de las características comunes de un conjunto de objetos semejantes.

CLASE

ESTRUCTURA: Conjunto de variables de clase e instancia.

INTERFAZ: conjunto de métodos. Los objetos concretos buscan en su clase la definición cuando reciben un mensaje.

(93)

Objetos

Las CLASES se

organizan en jerarquías modelizando el dominio

De Estructura: Más estática.

De Comportamiento: Ocurre en ejecución.

HERENCIA

Esquema de colaboración entre objetos (explícito en

el código)

Cuando un objeto recibe un mensaje, busca el código en su clase, y si no lo encuentra recorre la jerarquía.

(94)

Cómo elegir la mejor

representación???

No hay receta establecida !!!

_{Analizar las características del} conocimiento involucrado.

_{Recurrir a la combinación de formalismos.}