Tecnológico de Estudios Superiores de Tianguistenco
Materia:
Inteligencia Artificial
Profesora:
M.C.C Marcela Camacho Ávila
Representación del conocimiento,
razonamiento y los aspectos metodológicos en la IA
Alumnos:
MARÍA FERNANDA GÓMORA GONZÁLEZ
ANDREA LÓPEZ ALBARRÁN
PALOMA SALAZAR PACHECO
ISAEL SEDANO HERNÁNDEZ
ANGEL VARA GRACIDA
GRUPO:
3701
Ingeniería en Sistemas Computacionales
Introducción
La inteligencia artificial (IA) abarca un amplio espectro de disciplinas orientadas a
emular la capacidad humana de aprender, razonar y tomar decisiones.
Para comprender cómo la IA procesa y utiliza la información es fundamental abordar
tres pilares esenciales: la representación del conocimiento, el razonamiento y los
aspectos metodológicos. La representación del conocimiento se refiere a cómo la IA
modela el mundo.
Para que una máquina "entienda" su entorno debe contar con una estructura adecuada
para almacenar y gestionar información, lo cual implica el uso de datos, hechos, reglas
y relaciones representados en diversos formatos como grafos, ontologías o redes
neuronales.
La calidad de esta representación es crucial para el desempeño del sistema ya que
impacta directamente en su capacidad de resolver problemas.
El razonamiento, por su parte, se encarga de cómo la IA usa esa base de conocimiento
para tomar decisiones, inferir conclusiones o resolver problemas.
Este razonamiento puede ser deductivo, inductivo o basado en probabilidades y se
materializa a través de técnicas como la lógica difusa, los sistemas expertos y los
algoritmos de aprendizaje automático.
Finalmente, los aspectos metodológicos abordan las estrategias y técnicas empleadas
para implementar IA, que incluyen métodos algorítmicos, arquitecturas de redes
neuronales, técnicas de aprendizaje profundo y estrategias de búsqueda y
optimización. Estos aspectos permiten a los sistemas de IA no solo procesar grandes
cantidades de datos sino también mejorar su rendimiento con el tiempo mediante el
aprendizaje y la experiencia.
2.1 Principios y metodología de la IA
Alrededor de los años 70´s se plantea un nuevo enfoque, se construyeron
sistemas basados en el conocimiento (KBS Knowledge Based Systems), estos
sistemas reunían mucha información de un dominio específico, donde hubiera
un experto que pudiera indicar como manipular la información disponible por
medio de reglas simples del tipo “si A – entonces B”.
Estos “Sistemas Expertos” se llaman así por la pretensión de simular el
comportamiento de un experto humano, en un área muy técnica y específica.
Para poder operar con el conocimiento es necesario representarlo y poder hacer un
modelo del mundo sobre el cual se quieren hacer inferencias. Surgen así distintos
métodos de representación del conocimiento en forma simbólica, como:
•La lógica de primer orden
•Los frames (marcos o planillas)
•Las redes semánticas
•Los objetos
Metodologías de IA:
1. Machine Learning (ML):
Aprendizaje supervisado: El modelo se entrena con datos etiquetados
(conocemos las respuestas correctas).
Aprendizaje no supervisado: El modelo se entrena con datos no
etiquetados, descubriendo patrones ocultos.
Aprendizaje por refuerzo: El sistema aprende a tomar decisiones
mediante prueba y error, maximizando una recompensa.
2. Deep Learning (DL): Subcampo de ML que utiliza redes neuronales profundas
para analizar grandes cantidades de datos. Las capas de neuronas permiten la
representación de datos a niveles más abstractos.
3. Procesamiento de imágenes y visión por computadora: Usado para el
reconocimiento de imágenes y videos. Se emplean redes neuronales
convolucionales (CNN) para detectar características visuales.
4. Métodos de Optimización: Utilizados para encontrar soluciones óptimas o casi
óptimas en problemas complejos. Ejemplos incluyen algoritmos genéticos y
optimización por enjambre de partículas.
5. Algoritmos de búsqueda y razonamiento lógico: Se emplean en juegos,
planificación, y otros problemas que requieren analizar posibles escenarios,
como el A* y el Minimax.
6. Modelos de Lenguaje y NLP: En esta metodología, los sistemas comprenden y
generan texto basado en grandes volúmenes de datos lingüísticos.
Objetivo general
Comprender los principios fundamentales de la inteligencia artificial, el termino
conceptual, que son las bases de lo que hoy es, así como las diferentes metodologías
utilizadas para considerar el conocimiento y razonamiento de la IA. Así mismo
desarrollar una comprensión integral de los principios fundamentales de la inteligencia
artificial, incluyendo sus principales paradigmas, metodologías y herramientas de
representación del conocimiento, con el fin de diseñar sistemas capaces de aprender,
razonar y adaptarse en entornos complejos y cambiantes, mediante el uso de mapas
conceptuales, redes semánticas y diversas lógicas que permitan gestionar el
razonamiento monótono y no monótono para abordar la incertidumbre y la variabilidad
en la toma de decisiones automatizadas.
Desarrollo
2.2 Paradigmas de la IA
Se refiere a un conjunto de teorías, métodos, técnicas y supuestos que guían la
investigación y el desarrollo dentro del campo. Los paradigmas establecen cómo se
entienden los problemas, cómo se abordan y qué soluciones se consideran válidas o
efectivas.
CARACTERÍSTICAS DE UN PARADIGMA
Marco Teórico: Define las bases conceptuales sobre las cuales se
construyen las soluciones. Por ejemplo, el paradigma del aprendizaje
supervisado se basa en la idea de entrenar modelos con datos etiquetados.
Metodologías y Técnicas: Incluye los métodos utilizados para desarrollar y
entrenar modelos de IA. Por ejemplo, las redes neuronales profundas
constituyen un paradigma basado en estructuras inspiradas en el cerebro
humano.
Supuestos Fundamentales: Son las creencias subyacentes sobre cómo
funciona la inteligencia y cómo puede ser replicada artificialmente. Un
ejemplo es el paradigma simbólico AI que se basa en la manipulación de
símbolos y reglas lógicas para emular el razonamiento humano.
Herramientas y Tecnologías: Las tecnologías que se desarrollan y utilizan
dentro del paradigma, como frameworks de machine learning, aprendizaje
automático específicos o lenguajes de programación orientados a la IA.
TIPOS DE PARADIGMAS:
Enfoque Simbólico
El enfoque simbólico es el paradigma más antiguo de la IA. Se basa en la idea de que
el conocimiento puede ser representado mediante símbolos y reglas. Este enfoque ha
sido utilizado con éxito en sistemas expertos, como los sistemas de diagnóstico
médico. Sin embargo, puede ser difícil de usar para representar conocimiento
complejo.
Enfoque Conexionista
Se basa en redes neuronales artificiales inspiradas en el cerebro humano. Este
enfoque es capaz de aprender de datos y adaptarse a nuevas situaciones. Se ha
utilizado con éxito en aplicaciones como el reconocimiento de imágenes y el
procesamiento del lenguaje natural. Sin embargo, puede ser difícil entender cómo
funcionan las redes neuronales.
Enfoque computacional
Es un enfoque fundamental en la IA que se basa en algoritmos y estructuras de datos
para resolver problemas. Se utiliza en una amplia variedad de aplicaciones, como la
planificación, el razonamiento y la búsqueda. Sin embargo, puede ser
computacionalmente costoso para resolver problemas complejos.
Referencias: Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern
approach (4th ed.). Pearson Education.
Poole, D. L., & Mackworth, A. K. (2023). Artificial intelligence: Foundations of a modern
approach (5th ed.). Pearson Education.
2.3 Mapas conceptuales
Es una herramienta visual utilizada para organizar y representar el
conocimiento de manera clara y estructurada. Consiste en conceptos
conectados por líneas que muestran cómo las ideas se vinculan entre sí. Los
mapas conceptuales ayudan a visualizar las relaciones jerárquicas entre
conceptos y a identificar cómo se relacionan en un contexto más amplio.
Elementos de un Mapa Conceptual:
1. Conceptos: Son las ideas o términos clave que se organizan en el
mapa.
2. Líneas de Conexión: Representan las relaciones entre los conceptos.
3. Palabras de Enlace: Describen la naturaleza de las conexiones entre
los conceptos.
4. Jerarquía: Los conceptos más generales suelen estar en la parte
superior, y los más específicos abajo, creando una estructura
descendente.
Aplicaciones en la IA:
En el contexto de la inteligencia artificial, los mapas conceptuales se utilizan
para:
Representación del conocimiento: Permiten que las máquinas
comprendan conceptos de manera estructurada.
Diseño de sistemas expertos: Organizan el conocimiento de
expertos humanos de manera que pueda ser procesado por
sistemas de IA.
Procesamiento del lenguaje natural: Facilitan el análisis de
texto al descomponer palabras y frases en relaciones conceptuales.
Modelos de aprendizaje: Estructuran los datos de entrenamiento
para modelos de aprendizaje automático.
Las características principales de los mapas conceptuales son las
siguientes:
Jerarquía:
Los conceptos se organizan de manera jerárquica, con los conceptos más
generales en la parte superior y los más específicos en la parte inferior. Esto
refleja una estructura lógica de lo más general a lo más particular.
Nodos y Enlaces:
Los conceptos se representan como nodos (generalmente en forma de
palabras o frases dentro de círculos o cuadros), y los enlaces (líneas) entre
ellos representan las relaciones. Estas relaciones se pueden etiquetar con
palabras de enlace para describir la conexión.
Representación Gráfica:
Utilizan una representación gráfica del conocimiento. Esto facilita tanto la
visualización como el procesamiento de la información.
Interconectividad:
Los conceptos no son independientes, sino que están interconectados, lo que
permite ver las múltiples relaciones entre ellos. Un concepto puede estar
vinculado a varios otros, lo que refleja la complejidad del conocimiento.
Los mapas conceptuales son una herramienta fundamental en el campo de
la IA y en muchas otras disciplinas para la representación gráfica del
conocimiento, facilitando el análisis y la comprensión de temas complejos.
2.4 Redes semánticas
Estructura de conocimiento como un modelo cercano al cerebro humano con el cual se
puedan hacer deducciones y adquirir conocimiento como lo haría una persona.
Están basadas en la idea de que los objetos o los conceptos pueden ser unidos por
alguna relación. Estás relaciones se representan usando una liga que conecte dos
conceptos (los nodos y las ligas pueden ser cualquier cosa, dependiendo de la
situación a modelar).
Originalmente las redes semánticas fueron desarrolladas para representar el
significado o semántica de oraciones en inglés, en términos de objetos y relaciones.
Actualmente, se utiliza el término redes asociativas (una forma más amplia) ya que no
solo se usa para representar relaciones semánticas, sino también para representar
asociaciones físicas o causales entre varios conceptos u objetos.
Representa el conocimiento en forma de grafos dirigidos, donde los nodos representan
conceptos o entidades y los arcos o ligas representa el conocimiento en forma de
grafos dirigidos, donde los nodos representan conceptos o entidades y los arcos
representan relaciones semánticas entre ellos.
Se utilizan como una forma de organizar y estructurar el conocimiento de manera que
sea comprensible tanto para los humanos como para los sistemas informáticos
(Fuente: Sánchez Carmona, Vicente Iván ( Recuperado el 30 de Septiembre de 2024)
Redes Semánticas IIMAS Inteligencia Artificial
[Link]
2.5 Razonamiento monótono
Es un tipo de razonamiento lógico deductivo en el que se permiten llegar a
conclusiones sólidas y confiables que se fortalecen a medida que se agrega nueva
información. En otras palabras, si una conclusión es verdadera con un conjunto de
información, seguirá siendo verdadera o se volverá aún más verdadera con la adición
de información nueva y consistente.
Se basa en la idea de que las nuevas premisas que añadimos a un conjunto de
conocimientos no pueden contradecir las premisas existentes. Prácticamente, una vez
que llegamos a una conclusión esta no cambia, sin importar la información adicional
que obtengamos.
Consideremos la siguiente regla lógica:
Si es un ave, entonces tiene plumas.
Si sabemos que Piolín es un ave, podemos concluir que Piolín tiene plumas.
Ahora, supongamos que agregamos la siguiente información:
Piolín es un canario.
Los canarios son aves, por lo que esta nueva información no contradice la conclusión
anterior. De hecho, la fortalece al confirmar que Piolín no solo es un ave, sino también
un tipo específico de ave (un canario) que se sabe que tiene plumas.
Se caracteriza por ser progresiva, no revisable.
Ahora otro ejemplo.
Supongamos las siguientes premisas:
Premisa 1: Todos los caballos son Mamíferos.
Premisa 2: Todos los mamíferos tienen pelo.
Premisa 3: Centauro es un caballo.
En el razonamiento monótono, estas premisas son verdad absoluta y nuestra forma de
pensar está acotada por ellas.
Así que podríamos seguir el siguiente razonamiento y concluir:
Conclusión 1: Centaruo es un Mamífero.
Conclusión 2: Centaruo tiene Pelo.
Por otro lado, áreas que hacen uso del razonamiento monótono:
Las reglas matemáticas como la propiedad distributiva en álgebra (b + c) = ab +
ac) son ejemplos de razonamiento monótono. Estas reglas son constantes y no
cambian con la adición de nuevos conocimientos o información.
En el derecho, una vez que se establece un precedente legal, se sigue aplicando
en casos similares. Por ejemplo, si un tribunal dictamina que una cierta acción
es ilegal, esa decisión se mantendrá como un precedente para futuros casos
similares, lo que es un ejemplo de razonamiento monótono.
Programación informática: En la programación, una vez que se define una
función con ciertos parámetros y comportamiento, esa función seguirá
produciendo el mismo resultado para los mismos parámetros siempre y cuando
el código no sea modificado.
(Fuente: Ramírez Regalado, Alberto (Recuperado el 30 de septiembre de
2024) 2.5 Razonamiento Monótono - Sistemas e Informatica
[Link]
2.7 Conocimiento no-monótono y otras lógicas
Es un tipo de razonamiento lógico que permite que las conclusiones se debiliten o se
refuten a medida que se agrega nueva información, es más flexible que el
razonamiento monótono, y puede manejar información incompleta, inconsistente o
incierta.
Este enfoque diferente nos desafía a trascender las limitaciones del razonamiento lineal
y explorar la capacidad de los sistemas inteligentes para adaptarse y revisar sus
conclusiones a medida que adquieren nueva información.
Nos permite considerar otras opciones donde las inferencias pueden cambiar o ser
reevaluadas en función de los datos nuevos.
Algunas de sus características son que es probabilistica, provicional y sus reglas
pueden ser no monótonas.
Uso del razonamiento no monótono.
♦ Incertidumbre:
En muchos entornos del mundo real, la información disponible es incompleta,
ambigua o sujeta a cambios. El razonamiento no monótono proporciona un
marco para manejar esta incertidumbre y realizar inferencias incluso cuando la
información es imperfecta.
♦ Inferencia por anulación:
En muchos casos, las conclusiones a las que llegan los sistemas pueden ser
refutadas o invalidadas por nueva información. El razonamiento no monótono
permite realizar inferencias que son provisionales y pueden ser revisadas o
anuladas si se presentan nuevos datos que las contradicen.
(Fuente: Ramírez Regalado, Alberto (Recuperado el 30 de septiembre de 2024) 2.6
Conocimiento No-Monótono y otras Lógicas [Link])
Conclusiones
Los principios de la metodología de la inteligencia artificial (IA) establecen las bases
para desarrollar sistemas capaces de simular comportamientos inteligentes. Estos
principios incluyen la representación del conocimiento, el uso de algoritmos para el
razonamiento, y la capacidad de los sistemas para aprender y adaptarse. La IA se basa
en la lógica, las matemáticas, y la computación, y su metodología requiere técnicas que
abarcan desde la manipulación simbólica hasta el aprendizaje de datos masivos.
Los mapas conceptuales y las redes semánticas son herramientas fundamentales para
representar el conocimiento de manera estructurada y visual. Un mapa conceptual
organiza información mediante nodos que representan conceptos conectados por
líneas que muestran relaciones entre ellos. Las redes semánticas, por su parte, son
representaciones gráficas que modelan relaciones más complejas entre objetos,
conceptos o eventos, lo que facilita el procesamiento por sistemas de IA. Estas
herramientas permiten que las máquinas entiendan y manipulen el conocimiento de
manera más cercana al razonamiento humano.
El razonamiento monótono es un tipo de razonamiento lógico en el que agregar nueva
información nunca revierte conclusiones anteriores. Sin embargo, en situaciones
reales, donde la información puede cambiar o ser incompleta, se hace necesario utilizar
el conocimiento no monótono, que permite que las conclusiones sean revisadas o
invalidadas a medida que se dispone de nueva información. Esta forma de
razonamiento es crucial para aplicaciones de IA que operan en entornos inciertos y
cambiantes.
Todos estos conceptos, tomados en conjunto, forman el núcleo del diseño y desarrollo
de sistemas de IA más inteligentes, flexibles y adaptativos. El avance en el
razonamiento no-monótono permite a los sistemas enfrentar situaciones más cercanas
a la realidad, donde la información está en constante cambio. Las redes semánticas
ayudan a estructurar este conocimiento de manera comprensible y manejable. Los
diferentes paradigmas y metodologías ofrecen herramientas adaptadas a diversas
problemáticas, impulsando la creación de sistemas que sean tanto innovadores como
éticos.
Las otras lógicas, como la lógica difusa, la lógica modal o la lógica temporal, juegan un
papel importante en la IA para manejar incertidumbre, cambios en el tiempo y
situaciones complejas. Estas lógicas extienden la lógica clásica para abordar
problemas más cercanos a la realidad.
Referencias
Sánchez Carmona, Vicente Iván ( Recuperado el 30 de Septiembre de 2024) Redes
Semánticas IIMAS Inteligencia Artificial
[Link]
Ramírez Regalado, Alberto (Recuperado el 30 de septiembre de 2024) 2.5
Razonamiento Monótono - Sistemas e Informatica
[Link]
Ramírez Regalado, Alberto (Recuperado el 30 de septiembre de 2024) 2.6 Conocimiento No-
Monótono y otras Lógicas [Link]
Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.).
Pearson Education.
Poole, D. L., & Mackworth, A. K. (2023). Artificial intelligence: Foundations of a modern
approach (5th ed.). Pearson Education.
Randstad (Diciembre 2019) Principios de inteligencia artificial [Link]
