Es utilizado en programación lógica, se ha convertido en un lenguaje fundamental para Al y ordenadores de quinta generación. Este lenguaje usa el principio de resolución, desarrollado por el profesor John Robinson de la Universidad de Syracuse de los Estados Unidos. Resuelve los problemas mediante una serie de inferencias lógicas, de modo similar a como los sistemas expertos usan el razonamiento deductivo. La unidad básica de un programa PROLOG es una cláusula de Horn, que puede ser una declaración directa (o aserción) tal como:
Sentido común y lógica difusa
Uno de los problemas centrales de Al es la representación del conocimiento del sentido común. Este tipo de conocimiento no se caracteriza por tener un formalismo fácil. Más bien se basa en categorizaciones amorfas, impresiones, cualificaciones, probabilidades, “fulminaciones”. etc. Las técnicas convencionales de representación de conocimientos, por ejemplo, las utilizaciones del cálculo de predicados no son muy adecuadas para la representación de la sabiduría del sentido común. Los sistemas lógicos tradicionales dependen fundamentalmente de conceptos nítidos como contraposición a las ideas difusas. Siguiendo los trabajos pioneros de Zadeh (1965), se ha hecho un considerable esfuerzo por desarrollar la teoría de una lógica difusa que sea aplicable a todos los tipos de conocimientos que forman parte de la sabiduría del sentido común.
El mismo Zadeh ha contribuido posteriormente al desarrollo de la teoría de los conjuntos difusos y otros conceptos interrelacionados. Por ejemplo, en un artículo de 1983 sobre la representación del conocimiento del sentido común, utiliza la idea que las proposiciones del sentido común son disposiciones, es decir, proposiciones con cuantificadores difusos implícitos. En este sentido se considera que la lógica difusa tiene dos componentes principales:
– un sistema de traducción para representar los significados de proposiciones y otras entidades semánticas. El sistema puede considerarse como de evaluación semántica, porque implica una agregación de calificaciones sucesivas de imperativos elásticos inducidos por la entidad semántica del significado representado
-un sistema inferencial capaz de encontrar respuestas a preguntas sobre la información contenida en la base de conocimientos.
Se concluye que una colección de disposiciones puede denotar lo que normalmente se conoce como sentido común. En particular este enloque proporciona una estructura computable que os relevante para el manojo de la incertidumbre (un tipo de “difuminarían”) on las basos do conocimientos, especialmente en las de los sistemas expertos, Independientemente de su especialidad.
Redes semánticas
Se utilizan frecuentemente en los sistemas de Al como formalismos para representar conocimientos. Hay muchos tipos diferentes de redes semánticas, pero todas ellas comparten una notación común, modos y arcos (que enlazan nodos). Los nodos (representados normalmente por cajas o círculos) indican objetos, conceptos, o situaciones en un campo determınado. Los arcos representan relaciones entre los nodos. Como otros medios de Al, las redes semánticas pueden representar tanto modelos sicológicos de memoria como representaciones funcionales de sistemas artificiales.
Pero, a diferencia de la lógica clásica, no se puede explicar con una simple idea el significado de una estructura representacional. Una red determinada adquiere significado en función de la naturaleza de los procedimientos que manipula. Se han desarrollado muchos procedimientos diferentes para hacer inferencias, y son aplicables a una gran variedad dde tareas relacionadas con el manejo de conocimientos. Las redes semánticas, de cualquier tipo, son un esquema popular de representación en Al: facilitan las tareas de programación simbólica en Al y ayudan a comprender fenómenos tales como los de asociación en memoria.
Sistemas de aprendizaje
Cualquier sistema de aprendizaje, biológico o artificial, está relacionado con la adquisición de conocimientos y su almacenamiento mediante una representación u otra. Varios problemas surgen durante los procesos de aprendizaje: ¿cuál es, por ejemplo, el efecto de los nuevos conocimientos sobre los ya memorizados? El modo en que los conocimientos se memorizan afecta directamente al modo en que tiene lugar el aprendizaje y, por supuesto, determina si éste tiene lugar o no. SI, por ejemplo, un sistema utiliza funciones evaluativas para controlar una búsqueda, entonces el aprendizaje implica la adquisición de mejores funciones de evaluación; pero si se utilizan reglas de producción, el aprendizaje significa la generación de nuevas reglas capaces de organizar nuevos tipos de comportamiento. Langley, 1983, perfiló algunas de las consideraciones representativas implícitas en el desarrollo de sistemas efectivos de aprendizaje. Subraya que hay que diseñar la entrada cuidadosamente antes de que tenga lugar el aprendizaje. Sistemas que puedan aprender mediante diferentes tipos de representación de conocimientos sería obviamente deseable, pero, indudablemente, se trata de una posibilidad futura.
CARACTERÍSTICAS DEL SISTEMA
La representación de conocimientos es uno de los principales campos de investigación en inteligencia artificial. Actualmente se trabaja en una gran variedad de sistemas -resolución de problemas, aprendizaje, etc. tanto para iluminar ciertas dificultadas en el manejo de conocimientos como para desarrollar estrategias más efectivas de representación. En el número de octubre de la revista Computer se describían así varios sistemas de este tipo:
El proyecto Procedural Semantic Networks (PSN) comenzó en 1976 en la Universidad de Toronto. PSN es un intento de integrar una red semántica con ideas procedurales. La base de conocimientos comprende objetos, símbolos, enlaces, etc. Para utilizar PSN como lenguaje de representación de conocimientos se han desarrollado en la Universidad de Toronto dos grandes bases de conocimientos: el sistema Alven y el sistema CAA.
El sistema Krypton es un proyecto experimental de modelo de representación de conocimientos, que distingue entre definiciones e información objetiva, utilizando las características tanto de los lenguajes basados en marcos de referencia como en lógica formal. El resultado es un sistema definido en términos funciona-les más que en términos estructurales. Krypton está desarrollado en Interlisp-D. Brachman y sus alumnos (1983) dan una detallada descripción de las características de Krypton y de su construcción. Comienzan dando una descripción de los lenguajes basados en marcos de referencia.
El sistema KL-One utiliza un enfoque de representación en el que cada concepto (relacionado con objetos, tiempos, lugares, condiciones, funciones, etc.) puede ser caracterizado como una configuración de atributos o partes que satisfacen ciertas restricciones y guarda relaciones específicas respecto a los restantes. Woods, 1983, utiliza el concepto de taxonomía estructurada. Dicho concepto parece tener implicaciones programáticas y sistémicas.
El sistema Stage es un sistema de producción que aprende heurísticamente por experiencia. Al programa se le muestran los estados iniciales y los objetivos, así como las reglas que controlan la búsqueda de una solución al problema. Sage estámuy relacionado con el sistema Lex que aprende también heurísticamente mediante vías de solución. Langley (1983) describe el sistema Sage prestando atención al modularidad de reglas y datos, reglas semánticamente equivalentes, etc.
El sistema Bacon ha sido desarrollado en The Robotics Institute (Langley, 1983) para el descubrimiento de leyes empíricas. Si se le proporcionan observaciones, el sistema nota las relaciones entre variables, postulados y propiedades, y establece una ley. Las exigencias de representación determinan, por ejemplo, la densidad de datos a suministrar.
Los diferentes sistemas basados en conocimientos dependen directamente de formalismos específicos de representación. Las representaciones adoptadas para el diseño del sistema determinan el alcance y efectividad del mismo e influyen en la selección de los campos de actuación del sistema.
Belén Stettler, oriunda de Río Gallegos, Santa Cruz, Argentina, cuenta con 35 años y es Licenciada en Ciencias de la Comunicación Social por la Universidad de Buenos Aires (UBA). A lo largo de sus 13 años de trayectoria en comunicación política, ha trabajado como consultora en Buenos Aires, especializándose en estrategia, investigación y comunicación directa. Ha dirigido equipos de comunicación en diversas campañas. Su experiencia incluye roles importantes en la Obra Social del Personal de Seguridad Pública de Buenos Aires, la Vicejefatura de Gobierno de Buenos Aires, Claves Creativas, Ford Argentina y AkzoNobel, iniciando su carrera en Grupo Suessa Organización Empresaria.
