{"id":1192,"date":"2026-07-07T07:18:00","date_gmt":"2026-07-07T07:18:00","guid":{"rendered":"https:\/\/com-proff.com\/?p=1192"},"modified":"2026-07-07T13:35:23","modified_gmt":"2026-07-07T13:35:23","slug":"la-funcion-e-importancia-de-prolog","status":"publish","type":"post","link":"https:\/\/com-proff.com\/en\/estrategia\/la-funcion-e-importancia-de-prolog\/","title":{"rendered":"La funci\u00f3n e importancia de PROLOG"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

Es utilizado en programaci\u00f3n l\u00f3gica, se ha convertido en un lenguaje fundamental para Al y ordenadores de quinta generaci\u00f3n. Este lenguaje usa el principio de resoluci\u00f3n, desarrollado por el profesor John Robinson de la Universidad de Syracuse de los Estados Unidos. Resuelve los problemas mediante una serie de inferencias l\u00f3gicas, de modo similar a como los sistemas expertos usan el razonamiento deductivo. La unidad b\u00e1sica de un programa PROLOG es una cl\u00e1usula de Horn, que puede ser una declaraci\u00f3n directa (o aserci\u00f3n) tal como:<\/p>\n\n\n\n

Sentido com\u00fan y l\u00f3gica difusa<\/strong><\/h2>\n\n\n\n

Uno de los problemas centrales de Al es la representaci\u00f3n del conocimiento del sentido com\u00fan. Este tipo de conocimiento no se caracteriza por tener un formalismo f\u00e1cil. M\u00e1s bien se basa en categorizaciones amorfas, impresiones, cualificaciones, probabilidades, “fulminaciones”. etc. Las t\u00e9cnicas convencionales de representaci\u00f3n de conocimientos, por ejemplo, las utilizaciones del c\u00e1lculo de predicados no son muy adecuadas para la representaci\u00f3n de la sabidur\u00eda del sentido com\u00fan. Los sistemas l\u00f3gicos tradicionales dependen fundamentalmente de conceptos n\u00edtidos como contraposici\u00f3n a las ideas difusas. Siguiendo los trabajos pioneros de Zadeh (1965), se ha hecho un considerable esfuerzo por desarrollar la teor\u00eda de una l\u00f3gica difusa que sea aplicable a todos los tipos de conocimientos que forman parte de la sabidur\u00eda del sentido com\u00fan.<\/p>\n\n\n\n

El mismo Zadeh ha contribuido posteriormente al desarrollo de la teor\u00eda de los conjuntos difusos y otros conceptos interrelacionados. Por ejemplo, en un art\u00edculo de 1983 sobre la representaci\u00f3n del conocimiento del sentido com\u00fan, utiliza la idea que las proposiciones del sentido com\u00fan son disposiciones, es decir, proposiciones con cuantificadores difusos impl\u00edcitos. En este sentido se considera que la l\u00f3gica difusa tiene dos componentes principales:<\/p>\n\n\n\n

– un sistema<\/em> de<\/em> traducci\u00f3n<\/em> para representar los significados de proposiciones y otras entidades sem\u00e1nticas. El sistema puede considerarse como de evaluaci\u00f3n sem\u00e1ntica, porque implica una agregaci\u00f3n de calificaciones sucesivas de imperativos el\u00e1sticos inducidos por la entidad sem\u00e1ntica del significado representado<\/p>\n\n\n\n

-un sistema<\/em> inferencial<\/em> capaz de encontrar respuestas a preguntas sobre la informaci\u00f3n contenida en la base de conocimientos. <\/p>\n\n\n\n

Se concluye que una colecci\u00f3n de disposiciones puede denotar lo que normalmente se conoce como sentido com\u00fan. En particular este enloque proporciona una estructura computable que os relevante para el manojo de la incertidumbre (un tipo de “difuminar\u00edan”) on las basos do conocimientos, especialmente en las de los sistemas expertos, Independientemente de su especialidad.<\/p>\n\n\n\n

Redes sem\u00e1nticas<\/strong><\/h2>\n\n\n\n

Se utilizan frecuentemente en los sistemas de Al como formalismos para representar conocimientos. Hay muchos tipos diferentes de redes sem\u00e1nticas, pero todas ellas comparten una notaci\u00f3n com\u00fan, modos y arcos (que enlazan nodos). Los nodos (representados normalmente por cajas o c\u00edrculos) indican objetos, conceptos, o situaciones en un campo determ\u0131nado. Los arcos representan relaciones entre los nodos. Como otros medios de Al, las redes sem\u00e1nticas pueden representar tanto modelos sicol\u00f3gicos de memoria como representaciones funcionales de sistemas artificiales.<\/p>\n\n\n\n

Pero, a diferencia de la l\u00f3gica cl\u00e1sica, no se puede explicar con una simple idea el significado de una estructura representacional. Una red determinada adquiere significado en funci\u00f3n 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 sem\u00e1nticas, de cualquier tipo, son un esquema popular de representaci\u00f3n en Al: facilitan las tareas de programaci\u00f3n simb\u00f3lica en Al y ayudan a comprender fen\u00f3menos tales como los de asociaci\u00f3n en memoria.<\/p>\n\n\n\n

Sistemas de aprendizaje<\/strong><\/h2>\n\n\n\n

Cualquier sistema de aprendizaje, biol\u00f3gico o artificial, est\u00e1 relacionado con la adquisici\u00f3n de conocimientos y su almacenamiento mediante una representaci\u00f3n u otra. Varios problemas surgen durante los procesos de aprendizaje: \u00bfcu\u00e1l 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 \u00e9ste tiene lugar o no. SI, por ejemplo, un sistema utiliza funciones evaluativas para controlar una b\u00fasqueda, entonces el aprendizaje implica la adquisici\u00f3n de mejores funciones de evaluaci\u00f3n; pero si se utilizan reglas de producci\u00f3n, el aprendizaje significa la generaci\u00f3n de nuevas reglas capaces de organizar nuevos tipos de comportamiento. Langley, 1983, perfil\u00f3 algunas de las consideraciones representativas impl\u00edcitas en el desarrollo de sistemas efectivos de aprendizaje. Subraya que hay que dise\u00f1ar la entrada cuidadosamente antes de que tenga lugar el aprendizaje. Sistemas que puedan aprender mediante diferentes tipos de representaci\u00f3n de conocimientos ser\u00eda obviamente deseable, pero, indudablemente, se trata de una posibilidad futura.<\/p>\n\n\n\n

CARACTER\u00cdSTICAS DEL SISTEMA<\/strong><\/h2>\n\n\n\n

La representaci\u00f3n de conocimientos es uno de los principales campos de investigaci\u00f3n en inteligencia artificial. Actualmente se trabaja en una gran variedad de sistemas -resoluci\u00f3n de problemas, aprendizaje, etc. tanto para iluminar ciertas dificultadas en el manejo de conocimientos como para desarrollar estrategias m\u00e1s efectivas de representaci\u00f3n. En el n\u00famero de octubre de la revista Computer<\/em> se describ\u00edan as\u00ed varios sistemas de este tipo:<\/p>\n\n\n\n

El proyecto Procedural Semantic Networks (PSN) comenz\u00f3 en 1976 en la Universidad de Toronto. PSN es un intento de integrar una red sem\u00e1ntica con ideas procedurales. La base de conocimientos comprende objetos, s\u00edmbolos, enlaces, etc. Para utilizar PSN como lenguaje de representaci\u00f3n de conocimientos se han desarrollado en la Universidad de Toronto dos grandes bases de conocimientos: el sistema Alven y el sistema CAA.<\/p>\n\n\n\n

El sistema Krypton es un proyecto experimental de modelo de representaci\u00f3n de conocimientos, que distingue entre definiciones e informaci\u00f3n objetiva, utilizando las caracter\u00edsticas tanto de los lenguajes basados en marcos de referencia como en l\u00f3gica formal. El resultado es un sistema definido en t\u00e9rminos funciona-les m\u00e1s que en t\u00e9rminos estructurales. Krypton est\u00e1 desarrollado en Interlisp-D. Brachman y sus alumnos (1983) dan una detallada descripci\u00f3n de las caracter\u00edsticas de Krypton y de su construcci\u00f3n. Comienzan dando una descripci\u00f3n de los lenguajes basados en marcos de referencia.<\/p>\n\n\n\n

El sistema KL-One utiliza un enfoque de representaci\u00f3n en el que cada concepto (relacionado con objetos, tiempos, lugares, condiciones, funciones, etc.) puede ser caracterizado como una configuraci\u00f3n de atributos o partes que satisfacen ciertas restricciones y guarda relaciones espec\u00edficas respecto a los restantes. Woods, 1983, utiliza el concepto de taxonom\u00eda estructurada. Dicho concepto parece tener implicaciones program\u00e1ticas y sist\u00e9micas.<\/p>\n\n\n\n

El sistema Stage es un sistema de producci\u00f3n que aprende heur\u00edsticamente por experiencia. Al programa se le muestran los estados iniciales y los objetivos, as\u00ed como las reglas que controlan la b\u00fasqueda de una soluci\u00f3n al problema. Sage est\u00e1muy relacionado con el sistema Lex que aprende tambi\u00e9n heur\u00edsticamente mediante v\u00edas de soluci\u00f3n. Langley (1983) describe el sistema Sage prestando atenci\u00f3n al modularidad de reglas y datos, reglas sem\u00e1nticamente equivalentes, etc.<\/p>\n\n\n\n

El sistema Bacon ha sido desarrollado en The Robotics Institute (Langley, 1983) para el descubrimiento de leyes emp\u00edricas. Si se le proporcionan observaciones, el sistema nota las relaciones entre variables, postulados y propiedades, y establece una ley. Las exigencias de representaci\u00f3n determinan, por ejemplo, la densidad de datos a suministrar.<\/p>\n\n\n\n

Los diferentes sistemas basados en conocimientos dependen directamente de formalismos espec\u00edficos de representaci\u00f3n. Las representaciones adoptadas para el dise\u00f1o del sistema determinan el alcance y efectividad del mismo e influyen en la selecci\u00f3n de los campos de actuaci\u00f3n del sistema.<\/p>","protected":false},"excerpt":{"rendered":"

Es utilizado en programaci\u00f3n l\u00f3gica, se ha convertido en un lenguaje fundamental para Al y ordenadores de quinta generaci\u00f3n. Este lenguaje usa el principio de […]<\/p>\n","protected":false},"author":2,"featured_media":1193,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[16],"tags":[291],"class_list":["post-1192","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-estrategia","tag-prolog"],"_links":{"self":[{"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/posts\/1192","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/comments?post=1192"}],"version-history":[{"count":1,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/posts\/1192\/revisions"}],"predecessor-version":[{"id":1194,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/posts\/1192\/revisions\/1194"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/media\/1193"}],"wp:attachment":[{"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/media?parent=1192"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/categories?post=1192"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/com-proff.com\/en\/wp-json\/wp\/v2\/tags?post=1192"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}