|
|
 |
|
MÉTODOS SIMBÓLICOS DE LA IA
Profesorado
| Coordinador: Rafael Martínez Tomás (Dpto. Inteligencia Artificial,
UNED) |
|
|
|
|
|
|
Ficha técnica:
| Tipo | Optativa |
|
| Cuatrimestre | Primero |
| Créditos/horas totales | 6/150 |
| Horas de estudio teórico | 35 |
| Horas de prácticas | 45 |
| Horas complementarias | 70 |
DESCRIPCIÓN DE LA ASIGNATURA
Prerrequisitos recomendables
Ninguno diferente de los generales de acceso a este programa de postgrado
orientado a la investigación.
Objetivos generales de la materia
Que el alumno conozca y adquiera destreza en el uso de técnicas de
programación simbólicas para la resolución de tareas basadas en el
conocimiento de acuerdo a los diferentes paradigmas inferenciales,
tomando como ejemplos el diagnóstico (análisis) y la planificación
(síntesis).
Destrezas y competencias
-Saber identificar los dominios de aplicación de los SBCs de acuerdo
a las características de este tipo de software.
- Diferenciar los tipos de conocimiento y describir las diferentes
capas según el modelo de pericia KADS y el lenguaje CML. Elicitar
el conocimiento experto y modelarlo de acuerdo a esta metodología.
- Conocer el paradigma de regla en la representación del conocimiento
y los mecanismos inferenciales más habituales, incluidos los mecanismos
para un razonamiento aproximado. Saber utilizar herramientas disponibles
que aplican este paradigma para la resolución de problemas de diagnóstico
y planificación. Saber identificar el tipo de problemas adecuado este
tipo de herramientas.
- Conocer el paradigma de marco en la representación del conocimiento
y los mecanismos inferenciales más habituales, incluidos los mecanismos
para un razonamiento aproximado. Saber utilizar herramientas disponibles
que aplican este paradigma para la resolución de problemas de diagnóstico
y planificación. Saber identificar el tipo de problemas adecuado este
tipo de herramientas.
- Conocer el paradigma de casos, la estructura de un sistema basado
en casos y sus mecanismos inferenciales. Saber utilizar herramientas
disponibles que aplican este paradigma para la resolución de problemas
de diagnóstico y planificación. Saber identificar el tipo de problemas
adecuado este tipo de herramientas.
- Conocer algunos de los sistemas y herramientas que integran diferentes
paradigmas de representación del conocimiento e inferencia. Saber
integrar los diferentes paradigmas para la resolución de programas
de diagnóstico y planificación.
Contextualización de la materia en el conjunto del Master
Este módulo se encuadra en la especialidad "ESP-IA-1 Sistemas
Inteligentes de Diagnóstico, Planificación y Control" de
la titulación de posgrado "Master en Inteligencia Artificial
Avanzada: Fundamentos, métodos y aplicaciones".
1 Medios de estudio
1.1 Metodología docente
La general del programa de postgrado. Junto a las actividades y enlaces
con fuentes de información externas, existe material didáctico propio
preparado por el equipo docente.
Adaptada a las directrices del EEES, de acuerdo con el documento del
IUED.
La asignatura no tiene clases presenciales. Los contenidos teóricos
se impartirán a distancia, de acuerdo con las normas y estructuras
soporte telemático de la enseñanza en la UNED.
El material docente incluye un resumen de los contenidos de cada tema
y distintos tipos de actividades relacionadas con la consulta bibliográfica
y la utilización de herramientas asociadas a las tecnologías y técnicas
presentadas en el curso.
Si bien, el master en el que se incluye este módulo está orientado
a la investigación, este módulo tiene una componente en que las actividades
de aprendizaje se orientan a adquirir conocimientos y destrezas de
técnicas y metodológicas bien asentadas, y se pretende que el alumno
se familiarice con ellas de una forma muy práctica, pero también caracterizándolas
y diferenciándolas conceptualmente. Posteriormente, el alumno, con
esta experiencia, se sitúa en la frontera de investigación de nuevas
soluciones a los problemas planteados.
1.2 Material de estudio
Bibliografía Básica
-Jackson, P. Introduction to Expert Systems Addison-Wesley, Wokingham,
GB, 1999. 3era edición.
-Guía didáctica elaborada por el equipo docente.
1.3 Materiales y recursos de apoyo
La plataforma de e-Learning Alf, proporcionará el adecuado interfaz
de interacción entre el alumno y sus profesores. aLF es una plataforma
de e-Learning y colaboración que permite impartir y recibir formación,
gestionar y compartir documentos, crear y participar en comunidades
temáticas, así como realizar proyectos online.
Se ofrecerán las herramientas necesarias para que, tanto el equipo
docente como el alumnado, encuentren la manera de compaginar tanto
el trabajo individual como el aprendizaje cooperativo.
1.4 BIbliografia general de consulta
[1] S. Russell, P. Norvig. Inteligencia Artificial: Un enfoque moderno.
Prentice Hall. 1996.
[2] W. F. Clocksin, C. S. Mellish.: 1994: "Programming
in PROLOG". Springer-Verlag.
[3] Joseph Giarratano, Gary Riley.: 2004: "Expert Systems:
Principles and Programming, 4th Edition". Thomson.
[4] Ian Watson: 1997: "Applying Case-Based Reasoning Techniques
for Enterprise Systems". Elsevier Morgan Kaufmann.
1.5 Tutorización
La tutorización de los alumnos se llevará a cabo a través de la plataforma
de e-Learning Alf, por teléfono (913987242) y por correo electrónico
(rmtomas@dia.uned.es)
2 Estructura del curso
2.1 Estructura y contenido teórico
Tema 1. Aspectos metodológicos de desarrollo de SBCs.
Tema 2. Métodos inferenciales simbólicos versus conexionistas.
Tema 3. Métodos sobre reglas. Razonamiento aproximado sobre
reglas.
Tema 4. Métodos sobre marcos. Orientación a objetos.
Tema 5. Métodos de razonamiento basado en casos.
Tema 6. Integración de métodos.
2.2 Objetivos por tema y orientaciones breves
Tema 1. Aspectos metodológicos de desarrollo de SBCs.
Objetivos:
En este capítulo se pretende que el alumno obtenga una visión lo más
realista posible del proceso de construcción de sistemas expertos
en una primera aproximación y en particular de la etapa de modelado
del conocimiento, como eje metodológico central en la construcción
de SBCs. Se trata realmente de comprender la necesidad del modelado
conceptual que permita plantearse el desarrollo de estos sistemas
con técnicas de producción que cada vez tienen más puntos de encuentro
con las utilizadas en la Ingeniería del Software.
Orientaciones:
Dentro de las actividades de aprendizaje se especifican las lecturas
más adecuadas para cada uno de los objetivos del tema. Se presentarán
y facilitará el acceso a ejemplos de modelado de tareas expertas en
diferentes dominios. Se presentarán y facilitará el acceso a herramientas
para la realización de prácticas de modelado.
Tema 2. Métodos inferenciales simbólicos versus conexionistas.
Objetivos:
Para comenzar a estudiar detenidamente los diferentes métodos inferenciales
simbólicos se introduce en este capítulo el concepto de la computación
simbólica y se diferencia de la computación conexionista, dos paradigmas
que han alternado (y compaginado en menos casos) su importancia en
la historia de la IA y se hace, inicialmente, así, con una introducción
histórica muy relevante en cuanto que muestra la evolución, dependiente
del estado de la ciencia, en unos años de definición de los dos paradigmas.
El alumno aprenderá las ventajas y limitaciones que conlleva cada
una de ellos, con el fin de que en la construcción de un sistema inteligente
pueda escoger la que mejor se adecue al tipo de problema que desea
abordar.
Orientaciones:
Dentro de las actividades de aprendizaje se especifican las lecturas
más adecuadas para cada uno de los objetivos del tema.
Tema 3. Métodos sobre reglas. Razonamiento aproximado sobre
reglas.
Objetivos:
Se pretende que el alumno conozca en profundidad el paradigma de reglas
para la representación del conocimiento y su uso inferencial. El alumno
deberá conocer las ventajas y limitaciones que conlleva y bajo qué
condiciones un sistema de reglas es un buen candidato como herramienta
para la resolución de un problema.
Se pretende que el alumno tenga una comprensión clara de los fundamentos
de cada método de razonamiento aproximado sobre reglas, y no sólo
de la forma en que se aplican. Por ejemplo, no basta que sepa cómo
se combinan los factores de certeza, sino que es preciso que conozca
las hipótesis (explícitas e implícitas) en que se apoya, para que
pueda determinar si este modelo supone una aproximación razonable
para el problema que quiere modelar o, si por el contrario, corre
el riesgo de que el programa dé resultados incoherentes. De este modo,
si algún día el alumno va a construir un sistema experto real, estará
capacitado para escoger el modelo de razonamiento con incertidumbre
más adecuado en función del problema que deba abordar.
El alumno debe ser capaz de valorar las ventajas y los inconvenientes
de cada uno de estos métodos, con el fin de que pueda escoger en cada
caso el más adecuado dependiendo del tipo de incertidumbre que debe
manejar y de los mecanismos de razonamiento que haya decidido aplicar.
Dado que ninguno de los métodos es perfecto, el diseñador de un sistema
experto debe conocer las limitaciones del modelo elegido con el fin
de ser precavido frente a los errores e inconsistencias que el modelo
puede generar.
Se aprenden los conceptos más importantes de implementación en Clips,
hechos, reglas, resolución de conflictos en el lanzamiento de reglas
y la construcción de un motor de inferencia hacia atrás para la emulación
de este mecanismo de encadenamiento que no se incluye originariamente
en Clips. También se proporciona un entorno para prácticas y realización
de prototipos en Fuzzy-Clips, la versión de Clips con factores de
pertenencia en sus reglas y hechos.
Orientaciones:
Dentro de las actividades de aprendizaje se especifican las lecturas
más adecuadas para cada uno de los objetivos del tema. Se presentarán
y facilitará el acceso a ejemplos y herramientas para la realización
de prácticas.
Tema 4. Métodos sobre marcos. Orientación a objetos.
Objetivos:
Se pretende que el alumno conozca en profundidad el paradigma de marcos,
entendido o visto como objetos estructurados, esquemas representacionales
cuyos bloques son análogos a nodos y arcos de la teoría de grafos
y cuyos slots y contenedores son equivalentes a estructuras tipo registro,
para la representación del conocimiento y su uso inferencial. El alumno
deberá conocer las ventajas y limitaciones que conlleva y bajo qué
condiciones un sistema de marcos es un buen candidato como herramienta
para la resolución de un problema.
Orientaciones:
Dentro de las actividades de aprendizaje se especifican las lecturas
más adecuadas para cada uno de los objetivos del tema. Se presentarán
y facilitará el acceso a ejemplos y herramientas para la realización
de prácticas.
Tema 5. Métodos de razonamiento basado en casos.
Objetivos:
Se pretende que el alumno conozca en profundidad la tecnología del
razonamiento basado en casos, su fundamento y su aplicación. Que se
familiarice con su estructura y que conozca varios ejemplos de sistemas
basados en casos.
También el alumno conocerá las ventajas e inconvenientes de estos
sistemas, bajo que condiciones es adecuada su utilización, cuándo
es mejor solución que un sistema experto convencional y en qué condiciones
la compatibilidad con éstos mejora los resultados por separado.
Orientaciones:
Dentro de las actividades de aprendizaje se especifican las lecturas
más adecuadas para cada uno de los objetivos del tema. Se facilitará
la búsqueda y acceso a ejemplos y herramientas para la realización
de prácticas.
Tema 6. Integración de métodos.
Objetivos:
Un objetivo básico de este capítulo es que el alumno sea capaz de
combinar diferentes técnicas de representación e inferencia en la
solución de problemas que requieren una formalización de una cantidad
considerable del conocimiento del dominio.
De las arquitecturas existentes, el alumno tiene que conocer alguna
de ellas (una como mínimo). El alumno hará ejercicios prácticos con
esta herramienta y deberá ser capaz de plantear la solución de problemas
con la misma.
Orientaciones:
Dentro de las actividades de aprendizaje se especifican las lecturas
más adecuadas para cada uno de los objetivos del tema. Se presentarán
y facilitará el acceso a ejemplos y herramientas para la realización
de prácticas con integración de diferentes métodos de representación
y de inferencia.
3 Actividades y plan de trabajo
3.1 Actividades prácticas programadas
Se realizarán prácticas en los siguientes temas:
Modelado del conocimiento. Modelo de pericia KADS.
Representación y mecanismos inferenciales sobre reglas.
Representación y mecanismos inferenciales sobre marcos.
Razonamiento basado en casos.
Integración de métodos de representación y de inferencia.
3.2 Otras actividades prácticas programadas
Se irán generando de forma dinámica en el curso virtual.
3.3 Plan de trabajo
De manera orientativa mostramos a continuación el plan de trabajo
previsto.
| Semana | Actividad | H. estudio | H. prácticas | H. otras actividades |
|
| 1-3 | Actividades Tema 1 | 10 | 5 | 5 |
| 4-5 | Actividades Tema 2 | 5 | 0 | 5 |
| 6-13 | Actividades Tema 3 | 5 | 20 | 20 |
| 14-16 | Actividades Tema 4 | 5 | 5 | 10 |
| 17-19 | Actividades Tema 5 | 5 | 5 | 10 |
| 20-24 | Actividades Tema 6 | 5 | 10 | 20 |
| TOTAL | 35 | 45 | 70 |
| | | | 150 |
4 Evaluación
La evaluación se realizará esencialmente a partir de las actividades
realizadas a lo largo del curso.
Reseña del profesorado
MARTÍNEZ TOMÁS, RAFAEL:
Ha realizado la mayor parte de su actividad docente en el campo del
desarrollo de Sistemas Basados en el Conocimiento y en la Ingeniería
del Conocimiento. Su actividad investigadora se ha desarrollado principalmente
en aspectos metodológicos para la sistematización e "ingenierización"
del desarrollo de SBCs, focalizando especialmente en el diagnóstico
médico. La experiencia en estos trabajos actualmente se pretende aplicar
también a la interpretación a alto nivel de secuencias de imágenes
en el dominio de tareas de vigilancia.
| |
|
|
