1
Representación y Razonamiento del Conocimiento (KRR)
PolyU COMP5511Clase 4
00:44

INTRODUCCIÓN

Bienvenido a Lección 4: Representación y Razonamiento del Conocimiento (KRR). En este módulo, abordamos el desafío fundamental de la Inteligencia Artificial: cómo modelar el mundo simbólicamente. No es suficiente que una máquina almacene datos; debe razonar sobre ello. Exploraremos cómo los sistemas de IA representan la información lógicamente para realizar inferencias, yendo más allá del simple reconocimiento de patrones.

SECCIÓN 1: Fundamentos Históricos

Recorreremos el panorama técnico desde la clásica Lógica Proposicional y Lógica de Primer Orden hasta las estructuras rígidas pero potentes de los Sistemas Expertos. Estos sistemas proporcionaron las primeras máquinas "pensantes" capaces de deducción lógica.

SECCIÓN 2: Convergencia Moderna

Finalmente, llegamos a la vanguardia de la IA moderna, examinando Grafos de Conocimiento y IA Neuro-Simbolica. Este campo emergente tiene como objetivo fusionar la estricta explicabilidad de la lógica con las capacidades de aprendizaje adaptativo de las redes neuronales.

Alerta de Contexto
A diferencia de las redes neuronales que funcionan como "cajas negras", KRR se centra en modelos de "caja blanca" donde la ruta de razonamiento es explícita, verificable e interpretable.
Ejemplo de Sintaxis de Lógica Simbólica
1
Hecho: Padre( Alice, Bob )
2
Hecho: Padre( Bob, Charlie )
3
Regla: ∀x, y, z( Padre(x, y) ∧Padre(y, z) →Abuelo(x, z))
4
Inferencia: Abuelo( Alice, Charlie )
Estudio de Caso: El Diagnosticador Médico
Lea el siguiente escenario y responda las preguntas.
Los primeros sistemas de IA como MYCIN utilizaron KRR para diagnosticar infecciones sanguíneas. A diferencia del ML moderno que adivina basándose en estadísticas, MYCIN utilizó más de 600 reglas derivadas de médicos.
P1
1. ¿Por qué es la explicabilidad crítica en un sistema KRR médico en comparación con un clasificador de imágenes genérico?
Respuesta:
En medicina, los médicos requieren un camino verificable (la cadena de reglas utilizadas) para confiar en un diagnóstico. Una predicción de "caja negra" es inaceptable para decisiones críticas. KRR proporciona este camino de razonamiento explícito.
P2
2. ¿Cómo maneja el sistema una regla como "Si la fiebre es alta, ENTONCES la infección es probable"?
Respuesta:
Esta regla se representa simbólicamente (por ejemplo, Foebrc cl→to cnyfecctione).Foebrc cl es verdadero en el registro del paciente; si es así, afirma to cnyfecctione como una nueva conclusión.
P3
3. Identifique las limitaciones de codificar manualmente estas reglas (El Cuello de Botella de Adquisición de Conocimiento).
Respuesta:
La limitación principal es el Cuello de Botella de Adquisición de Conocimiento: la dificultad y el tiempo requeridos para que los expertos humanos articulen todo su conocimiento en reglas formales y explícitas. El conocimiento del mundo real a menudo es ambiguo y demasiado vasto para la codificación manual.