DESARROLLO ACTIVIDAD

Las formas de representación del conocimiento en IA.

La representación del conocimiento y el razonamiento es un área de la inteligencia artificial

que tiene como objetivo fundamental representar el conocimiento de una manera que facilite
la inferencia. Esto es, sacar conclusiones a partir de dicho conocimiento.

Esta noción se puede entender mejor en términos de los cinco posibles roles que desempeña,
todos ellos cruciales para el objetivo de comprender qué es una representación del
conocimiento:

Una representación del conocimiento es fundamentalmente un sustituto, un reemplazo de la

cosa misma, utilizado para permitir a una entidad determinar consecuencias pensando en
lugar de actuar, es decir, razonando sobre el mundo en lugar de actuando en él.

Es un conjunto de compromisos ontológicos, es decir, una respuesta a la pregunta: ¿en qué

términos debo pensar sobre el mundo?

Es una teoría parcial del razonamiento inteligente, expresada en términos de tres

componentes: la concepción fundamental de la representación del razonamiento inteligente;
el conjunto de inferencias que la representación establece; y el conjunto de inferencias que
recomienda.

Es un medio para la computación pragmáticamente eficiente, es decir, el entorno

computacional en el que se realiza el pensamiento. Una contribución a esta eficiencia
pragmática es la que aporta la orientación que proporciona una representación para organizar
la información a fin de facilitar la realización de las inferencias recomendadas.

Es un medio de expresión humana, es decir, una lengua en la que decimos cosas sobre el
mundo.

Características de la Representación de Conocimiento:

Una buena representación del conocimiento cubre seis características básicas:

1. Cobertura: significa que la representación del conocimiento cubre la información a lo
ancho y en lo profundo. Sin una cobertura amplia, la representación del conocimiento no
puede determinar nada ni resolver ambigüedades.

2. Ser comprensible por humanos. La representación del conocimiento es aceptada como un

lenguaje natural, por lo que la lógica debería fluir de manera libre. Debería estar en
condiciones de soportar la modularidad y jerarquía de clases (Ejemplo, los osos polares son
osos, que, primero, son animales).

3. Consistencia. Si Pedro cerró la puerta, el acto también puede ser interpretado como que la
puerta fue cerrada por Pedro. Si es consistente, la representación del conocimiento puede
eliminar el conocimiento tanto redundante como conflictivo.

4. Eficiencia

5. Facilidad de modificación y actualización

6. Soporte de la actividad inteligente que usa la base de conocimiento

La noción de representación en la Inteligencia Artificial Clásica: Existen tres formas de

adecuación para una representación.

1) Adecuación metafísica: una representación es metafísicamente adecuada si se da el caso en

que el mundo podría tener esa forma sin contradecir los hechos que pertenecen al aspecto de
la realidad que nos interesa. Las representaciones metafísicas adecuadas son útiles para
construir teorías generales en ciencia.

2) Adecuación epistemológica: una representación es epistemológicamente adecuada si puede

ser usada por una persona o máquina para expresar los hechos que pertenecen a determinado
aspecto del universo. El lenguaje ordinario es un ejemplo paradigmático de un instrumento
adecuado para expresar los hechos que la gente comunica entre sí. Sin embargo, no lo es para
expresar lo que la gente sabe acerca de cómo reconocer una cara.

3) Adecuación heurística: una representación es heurísticamente adecuada si puedo plantear

nuevos problemas en términos de su lenguaje.

Una buena parte de los trabajos en Inteligencia Artificial tratan de generar modelos
formalizables del razonamiento de sentido común que cumplan con estos requisitos de
adecuación. Puesto que un agente debe razonar acerca de algo, cualquier consideración sobre
la naturaleza del razonamiento requiere una preocupación concomitante con el modo en el
que el agente representa sus conocimientos o creencias. En este sentido podemos afirmar que
el trabajo de muchos investigadores de AI es la representación de acuerdo a estos tres
cánones.

En las computadoras la forma de representar el conocimiento se conoce como el proceso de

transformación del mismo conocimiento a un dominio o lenguaje simbólico que se encarga
de procesar el computador.

Este mecanismo lo utilizan las máquinas para facilitar la inferencia o lo que llamamos sacar
conclusiones, a partir de una información estudiada.

Existen metodologías para la representación del conocimiento.

Declarativas

Estructurales

Procedurales

Declarativas: Estas son representaciones que nos permiten expresar y razonar con sentencias
verdaderas o falsas. Toda lógica que sea usada como mecanismo de representación consta de
una sintaxis, una semántica, y un conjunto de reglas de inferencia.

Estructurales: tenemos como principal metodología estructural las redes semánticas, estas han
sido muy utilizadas en la IA para representar el conocimiento con diversas técnicas.

Esta metodología trabaja con una estructura de datos en nodos, que representan conceptos
unidas por arcos que representan las redes entre los conceptos.

También un conjunto de procedimientos de inferencia que operan sobre las estructuras de

datos.

Las redes semánticas se dividen en tres tipos, las redes IS-A en las que los nodos están
etiquetados, los grafos conceptuales (conceptos y relaciones), y las redes de marcos, en los
que los puntos de unión de los enlaces son parte de la etiqueta nodo.
Aprendizaje profundo

El aprendizaje profundo es un campo perteneciente a la inteligencia artificial cuyo objetivo es

el estudio y construcción de sistemas de cómputo capaces de "aprender" a partir de la
experiencia, inspirándose ligeramente en algunos principios del funcionamiento del cerebro
animal.

En general, estos sistemas deben ser entrenados a partir de ejemplos conocidos, de manera
similar en la que se le enseña a un niño pequeño a reconocer objetos o sonidos a su alrededor
(se señala un árbol y se le dice "eso es un árbol"; o se escucha el ruido de un tren y se le dice
"eso es un tren").

A este tipo de aprendizaje automático se le llama "profundo" porque presenta una estructura
jerárquica que extrae diferentes niveles de detalle de los datos en cuestión. Por ejemplo,
durante el reconocimiento de imágenes se extraen bordes que, combinados, permiten detectar
contornos, que a su vez permiten reconocer diferentes partes del objeto, para finalmente
determinar su identidad.

Las redes de aprendizaje profundo aprenden mediante la detección de estructuras complejas

en los datos que reciben. Al crear modelos computacionales compuestos por varias capas de
procesamiento, las redes pueden crear varios niveles de abstracción que representen los datos.

Por ejemplo, un modelo de aprendizaje profundo conocido como «redes neuronales

convolucionales», se puede entrenar como un gran número (de millones) de imágenes; por
ejemplo, las que contienen gatos. Este tipo de red neuronal normalmente aprende de los
píxeles que contienen las imágenes que adquiere. Puede clasificar grupos de píxeles que
representan las características de un gato, con grupos de características como las garras, las
orejas y los ojos, lo que indicaría la presencia de un gato en la imagen.

El aprendizaje profundo es totalmente distinto del aprendizaje automático convencional. En

este ejemplo, un experto en dominios necesitaría dedicar mucho tiempo a diseñar un sistema
de aprendizaje automático convencional que detecte las características que representan un
gato. Con el aprendizaje profundo, todo lo que necesita es ofrecer al sistema un gran número
de imágenes de gatos, tras lo cual el sistema aprende de forma autónoma las características
que representan un gato.
En muchas tareas, como la visión por ordenador, el reconocimiento de voz, la traducción
automática y la robótica, el rendimiento de los sistemas de aprendizaje profundo supera
enormemente el de los sistemas de aprendizaje automático convencional. Esto no significa
que crear sistemas de aprendizaje profundo sea relativamente fácil en comparación con los
sistemas de aprendizaje automático convencional. Si bien el reconocimiento de características
es autónomo en el aprendizaje profundo, hay que ajustar miles de hiperparámetros (botones)
para que el modelo de aprendizaje profundo sea realmente efectivo.

El aprendizaje profundo es lo que utilizan las máquinas para tomar decisiones, partiendo de
una experiencia dada y a partir de ella se toma las decisiones correspondientes. Esto está
inspirado ligeramente de algunos principios del funcionamiento del cerebro animal

Este tipo de aprendizaje automático es llamado aprendizaje profundo, porque extrae

diferentes niveles de detalles de los datos en cuestión. Un ejemplo, durante el reconocimiento
de imágenes, se extraen bordes que, combinados, permiten detectar contornos, que a su vez
permiten reconocer diferentes partes del objeto.

Las redes de aprendizaje profundo aprenden mediante la detección de estructuras complejas

en los datos que reciben. Al crear modelos computacionales compuestos por varias capas de
procesamiento, las redes pueden crear varios niveles de abstracción que representen los datos.
Por ejemplo, un modelo de aprendizaje profundo conocido como “redes neuronales
convolucionales”, se puede entrenar como un gran número de imágenes.

En muchas tareas, como la visión por ordenador, el reconocimiento de voz, la traducción

automática y la robótica, el rendimiento de los sistemas de aprendizaje profundo supera
enormemente el de los sistemas de aprendizaje automático convencional. 

El aprendizaje profundo ha desempeñado un papel decisivo en el descubrimiento de

exoplanetas, nuevos fármacos, en la detección de enfermedades y partículas subatómicas.
Nos ayuda a aumentar de forma decisiva nuestros conocimientos en biología, incluidos los
genomas, la proteómica, la metabolómica, la inmunoterapia, etc.

Hoy en día, la combinación de cámaras que cumplen la función de ojos artificiales y las redes
neuronales que pueden procesar la información visual que capturan esos ojos ha producido
una explosión de datos en aplicaciones de IA impulsadas por datos.
Robótica: Muchos de los adelantos recientes que se han producido en la robótica se han
producido por avances en la IA y el aprendizaje profundo. Por ejemplo, gracias a la IA, los
robots pueden percibir y responder a su entorno. 

Agricultura: En este momento, el aprendizaje profundo permite a los granjeros implantar

equipos que pueden ver y distinguir entre cultivos y malas hierbas. Gracias a esta capacidad,
las máquinas recolectoras pueden rociar de forma selectiva los herbicidas sobre las malas
hierbas sin tocar el resto.

Exploración médica y servicios sanitarios: El aprendizaje profundo puede ser tan efectivo
como un dermatólogo al clasificar los cánceres de piel, o incluso más gracias a la capacidad
que tienen las redes neuronales convolucionales de clasificar imágenes. El aprendizaje
profundo también está realizando avances significativos en la mejora de la calidad de los
servicios sanitarios al predecir eventos médicos a partir de los datos de los historiales
médicos.
Aprendizaje automático

El aprendizaje automático es una subcategoría de la inteligencia artificial, y automatiza

eficientemente el proceso de creación de modelos analíticos y permite que las máquinas se
adapten a nuevas situaciones de manera independiente.

El aprendizaje automático consta de tres partes:

El algoritmo computacional, situado en el núcleo de la toma de determinaciones.

Las variables y las funciones que conforman la decisión.

El conocimiento base según el cual se sabe la respuesta que permite aprender al sistema (lo
entrena).

Inicialmente, el modelo se alimenta de datos de parámetros para los que se conoce la

respuesta. Se ejecuta entonces el algoritmo y se realizan ajustes hasta que el resultado del
algoritmo (el aprendizaje) coincide con la respuesta conocida. En este momento, se va
aumentando la cantidad de datos que se introducen para ayudar al sistema a aprender y
procesar un número mayor de decisiones computacionales.

Existen ventajas prácticas para el aprendizaje automático, principalmente:

Gestión inteligente de Big Data: sin la velocidad y la sofisticación del aprendizaje automático
sería imposible procesar y extraer información del enrome volumen y variedad de datos que
se generan a medida que los seres humanos y otras fuerzas ambientales interactúan con la
tecnología.

Dispositivos inteligentes: desde dispositivos móviles que dan seguimiento a la salud y a los
objetivos de bienestar, hasta vehículos de conducción autónoma y "ciudades inteligentes" con
infraestructura que puede reducir automáticamente desperdicio de tiempo y energía, el
Internet de las cosas (IoT) es una gran promesa, y el aprendizaje automático puede ayudar a
dar sentido a este aumento significativo en los datos.

Experiencia del consumidor mejorada: el aprendizaje automático permite que los motores de
búsqueda, las aplicaciones web y otras tecnologías adapten los resultados y las
recomendaciones para que coincidan con las preferencias de los usuarios, creando
experiencias personalizadas agradablemente para los consumidores.

El aprendizaje automático es increíblemente complejo y el modo de funcionar varía según la

tarea y el algoritmo utilizado para lograrla. Sin embargo, básicamente, un modelo de
aprendizaje automático es un PC que analiza datos e identifica patrones, y luego usa esos
conocimientos para completar mejor la tarea asignada. Cualquier tarea que se base en un
grupo de puntos de datos o normas puede automatizarse con el uso del aprendizaje
automático, incluso las tareas más complejas como responder llamadas del servicio de
atención al cliente y revisar currículums.

Según la situación, los algoritmos del aprendizaje automático funcionan con más o menos
intervención/refuerzo humano. Los cuatro modelos principales de aprendizaje automático son
el aprendizaje supervisado, el aprendizaje no supervisado, el aprendizaje semisupervisado y
el aprendizaje de refuerzo.

Con el aprendizaje supervisado, el PC tiene un grupo etiquetado de datos que le permiten

aprender a hacer una tarea humana. Este es el modelo menos complejo, ya que intenta
replicar el aprendizaje humano.

Con el aprendizaje no supervisado, el PC tiene datos sin etiquetar y extrae de ellos

conocimientos o patrones previamente desconocidos. Existen muchas maneras diferentes en
que los algoritmos de aprendizaje automático hacen esto, incluidas:

Agrupación en clúster, en donde el PC encuentra puntos de datos similares dentro de un

grupo de datos y los agrupa en consecuencia (creando «clústeres»).

Estimación de densidad, donde el PC descubre conocimientos al ver cómo se distribuye el

grupo de datos.

Detección de anomalías, donde el PC identifica puntos de datos dentro de un grupo de datos

que son significativamente diferentes del resto.

Análisis de componente principal (PCA), donde el PC analiza un grupo de datos y los resume
para poder usarlos para hacer predicciones precisas.

Con el aprendizaje semisupervisado, el PC tiene una serie de datos parcialmente etiquetados

y realiza su tarea usando los datos etiquetados para entender los parámetros para interpretar
los datos no etiquetados.
Con el aprendizaje de refuerzo, el PC observa su entorno y usa esos datos para identificar la
conducta ideal que minimizará el riesgo o maximizará la recompensa. Esto es un enfoque
iterativo que requiere un tipo de señal de refuerzo para ayudar al PC a identificar mejor la
acción adecuada.

El aprendizaje automático (ML) es el área de la ciencia computacional que se centra en el

análisis y la interpretación de patrones y estructuras de datos que hacen posible el
aprendizaje, el razonamiento y la toma de decisiones sin interacción humana. Dicho de otro
modo, el aprendizaje automático permite que el usuario alimente un algoritmo informático
con una cantidad ingente de datos, a partir de los cuales el ordenador analice toda la
información y sea capaz de tomar decisiones y hacer recomendaciones basándose únicamente
en los datos introducidos.

Inicialmente, el modelo se alimenta de datos de parámetros para los que se conoce la

respuesta. Se ejecuta entonces el algoritmo y se realizan ajustes hasta que el resultado del
algoritmo (el aprendizaje) coincide con la respuesta conocida. En este momento, se va
aumentando la cantidad de datos que se introducen para ayudar al sistema a aprender y
procesar un número mayor de decisiones computacionales.

Los datos son la parte más importante de todas las empresas. El aprendizaje automático
puede ser la clave a la hora de desbloquear el valor de los datos corporativos y del cliente, y
de promulgar decisiones que mantengan a una empresa a la cabeza de la competencia.

Ejemplos:

Fabricación: Mantenimiento predictivo y supervisión condicionada

Comercio minorista: Venta adicional y marketing multicanal

Servicios sanitarios y ciencias biológicas: Identificación de enfermedades y satisfacción del

riesgo

Viajes y hostelería: Establecimiento dinámico de los precios

Servicios financieros: Análisis del riesgo y regulación

Energía: Demanda de energía y optimización de suministro

Diferencia entre los dos aprendizajes: En la práctica, el aprendizaje profundo es solo un
subconjunto del aprendizaje automático y funciona de una manera similar. No obstante, sus
capacidades son diferentes.

Aunque los modelos básicos de aprendizaje automático mejoran constantemente para

cualquier función a la que se apliquen, todavía necesitan alguna forma de orientación. Si un
algoritmo de IA produce una predicción inexacta, debe intervenir un ingeniero para ajustarlo.
Con un modelo de aprendizaje profundo, un algoritmo puede determinar por sí mismo si una
predicción es acertada o no valiéndose de su propia red neuronal.
Prototipo

Url descarga del prototipo incluyendo las librerías:

https://drive.google.com/drive/folders/15aadPO5E4nnPbVld_MLmLnAd7F6jaZD-?
usp=sharing
REFERENCIAS BIBLIOGRÁFICAS

 The Knight Center. La representación del conocimiento y el razonamiento.

Recuperado de https://journalismcourses.org/wp-content/uploads/2020/07/Nota-m1-
5.pdf

 R. Davis, H. Shrobe, and P. Szolovits (21 de Septiembre de 2019). (Traducción

articulo) Representación del Conocimiento. Recuperado de
http://www.cs.us.es/~fsancho/?e=172

 Luigi Ceccaroni. (2007). Inteligencia Artificial Búsqueda informada y exploración.

Recuperado de https://www.cs.upc.edu/~luigi/II/IA-2007-fall/2b-busqueda-
informada-y-exploracion-%28es%29.pdf

 Erica Frontini, Gustavo Bodanza (agosto 2005). Representación del conocimiento en

inteligencia artificial. Recuperado de
https://repositoriodigital.uns.edu.ar/bitstream/handle/123456789/3480/Frontini%20y
%20Bodanza.%20Representaci%C3%B3n.pdf?sequence=1&isAllowed=y

 Alejandra Martins (BBC Mundo), (31 agosto 2017). Qué es el "aprendizaje profundo"
de la inteligencia artificial y cómo ya está cambiando la vida de millones de personas
en todo el mundo. Recuperado de https://www.bbc.com/mundo/noticias-41051680

 NetApp. ¿Qué es el aprendizaje profundo? Recuperado de

https://www.netapp.com/es/artificial-intelligence/what-is-deep-learning/

 NetApp. ¿Qué es el aprendizaje automático? Recuperado de

https://www.netapp.com/es/artificial-intelligence/what-is-machine-learning/

 Hewlett Packard Enterprise. ¿QUÉ ES EL APRENDIZAJE AUTOMÁTICO?

Recuperado de https://www.hpe.com/lamerica/es/what-is/machine-learning.html

 equipoUFTsis2. (2012). Formas de representación del conocimiento. Slideshare.

Recuperado de: https://www.slideshare.net/equipoUFTsis2/formas-de-representacion-
del-conocimiento

 Martins A. (31 Agosto 2017). Qué es el "aprendizaje profundo" de la inteligencia

artificial y cómo ya está cambiando la vida de millones de personas en todo el mundo.
Bcc Mundo. Recuperado de: https://www.bbc.com/mundo/noticias-41051680
 Autor Desconocido. ¿Qué es el aprendizaje profundo?. Recuperado de:
https://www.netapp.com/es/artificial-intelligence/what-is-deep-learning/

 Autor Desconocido. ¿Qué es el aprendizaje automático?. Recuperado de:

https://www.netapp.com/es/artificial-intelligence/what-is-machine-learning/

 Grossfeld, B. (13 de octubre de 2020). Aprendizaje profundo y aprendizaje

automático: una forma sencilla de entender la diferencia. Blog de Zendesk.
Recuperado de: https://www.zendesk.es/blog/machine-learning-and-deep-learning/