1.

Representación del Conocimiento en

Inteligencia Artificial
Es el proceso de transformación de éste a un dominio o un lenguaje
simbólico para ser procesado en un computador.

Es un área de la inteligencia artificial cuyo objetivo fundamental es

representar el conocimiento de una manera que facilite la inferencia
(sacar conclusiones) a partir de dicho conocimiento.

Es una combinación de estructuras de datos (que nos permiten

representar mediante un formalismo determinado las "verdades"
relevantes en algún dominio) asociadas con mecanismos interpretativos
que nos permiten manipular el conocimiento representado a fin de crear
soluciones a problemas nuevos.

Metodología de Representación del Conocimiento

 Hechos Las verdades que se quieren representar.

 Representación En un determinado formalismo, las entidades que
queremos manipular.

La Ontología: Es la forma de representar los conceptos de interés de un

determinado dominio o conocimiento, análogo a una base de datos.

Característica Representación del Conocimiento en Inteligencia

Artificial
1.Cobertura, significa que la representación del conocimiento cubre la
información en anchura y profundidad.

2. Comprensible por humanos. La representación del conocimiento es

vista como un lenguaje natural, así que la lógica debería fluir libremente.

3. Consistencia. Siendo consistente, la representación del conocimiento

puede eliminar conocimiento redundante o conflictivo.

4. Eficiencia.

5. Facilidad de modificación y actualización.

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

Propiedades del Conocimiento en Inteligencia Artificial

 Voluminoso
 Difícil de caracterizar con precisión
 Incierto/impreciso
 Cambia constantemente

2. Tipos de conocimiento
Conocimiento Declarativo

Son hechos sobre objetos o situaciones. Posee mayor capacidad

expresiva, menor capacidad creativa o computacional. Es conocimiento
pasivo, expresado como sentencias acerca de los hechos del mundo que
nos rodea (el saber que hacer).
Puede ser representado con modelos relacionales y esquemas basados
en lógica. Los modelos relacionales pueden representar el conocimiento
en forma de árboles, grafos o redes semánticas.

Los esquemas de representación lógica incluyen el uso de lógica

proposicional y lógica de predicados.

Conocimiento Declarativo

a) Conocimiento Relacional

Conjunto de relaciones expresables mediante tablas (como en una Base

de Datos). Hemos de aportar procedimientos que lo enriquezcan Motor
de inferencia genera conocimiento a partir de información.

b) Conocimiento Heredable

Estructuración jerárquica del conocimiento (taxonomía jerárquica). Se

trata de construir un árbol o grafo de conceptos basado en la
generalización y/o especialización.

c) Conocimiento Inferible

Conocimiento descrito mediante lógica. Se puede utilizar la semántica

de los operadores y el Modus Ponens para inferir nuevo conocimiento.
Conocimiento Procedimental

Es aquel conocimiento compilado que se refiere a la forma de realizar

una cierta tarea (el saber cómo hacerlo). Por ejemplo, los pasos
necesarios para resolver una ecuación algebraica son expresados como
conocimiento procedimental.

Los modelos procedimentales y sus esquemas de representación

almacenan conocimiento en la forma de cómo hacer las cosas.

Pueden estar caracterizados por gramáticas formales, usualmente

implantadas por sistemas o lenguajes procedimentales y sistemas
basados en reglas (sistemas de producción). Por ejemplo, los pasos
necesarios para resolver una ecuación algebraica son expresados como
conocimiento procedimental.

Conocimiento Heurístico

Es un tipo especial de conocimiento usado por los humanos para

resolver problemas complejos. El adjetivo heurístico significa medio para
descubrir. Está relacionado con la palabra griega heuriskein que significa
descubrir, encontrar.

Se entiende por heurístico a un criterio, estrategia, método o truco

utilizado para simplificar la solución de problemas.
Técnicas de Representación

 Marcos

 Reglas

 Etiquetado

 Redes Semánticas

Propiedades del Sistema de Representación

 Capacidad Expresiva

 Capacidad Deductiva

 Eficiencia Deductiva

 Eficiencia en la Adquisición
La Representación del Conocimiento en Inteligencia Artificial ha
de ser capaz

a) Captar generalizaciones.

b) Ser comprensible.

c) Fácilmente modificable, incrementable.

d) Ser usado en diversas situaciones y propósitos.

e) Permitir diversos grados de detalle.

f) Captar la incertidumbre, imprecisión.

g) Representar distinciones importantes.

h) Focalizar el conocimiento relevante

Todo problema es más sencillo de resolver si disponemos de

conocimiento específico sobre él. Este conocimiento dependiente del
dominio se combina con el conocimiento general sobre cómo resolver
problemas.
Este conocimiento ha de permitir guiar los mecanismos de inteligencia
artificial para obtener soluciones de manera más eficientes.

3. Formas de Representación del

conocimiento
Una vez que se adquiere (del especialista) el conocimiento, es necesario
encontrar una representación simbólica, clara, precisa y completa del
mismo. Para ello podemos mencionar que existen diversas formas de
representar el conocimiento, como las siguientes:

Representación del Conocimiento

 · Tripletas OAV
 · Redes Semánticas
 · Frames
 · Reglas

Tripletas Objetivo-Atributo-Valor (OAV). Permiten derivar una

representación gráfica del conocimiento organizada en tres niveles:
objeto compuesto de atributos que contienen valores. Ejemplo

Redes Semánticas. Ofrecen un esquema más general y

desestructurado que las tripletas OAV. Donde cada nodo representa
cualquier concepto u objeto, y los arcos representan relaciones que
existen entre dichos conceptos. Ejemplo:
Frames (Marcos).Un frame es una plantilla de objetos que contiene un
conjunto de slots. Cada slot puede ser de alguno de los siguientes tipos: 1)un
atributo simple con un valor opcional de default; 2)un procedimiento; 3)una
restricción; 4)un apuntador a otro frame. En programación ofrece uno de los
mecanismos de estructuración más poderosos y flexibles que existen en
Inteligencia Artificial, e.g. puede implementar cualquier esquema de
representación del conocimiento e incluso diversos paradigmas de
programación como orientado a objetos, orientado a accesos, etc. Algunos
idiomas de Lisp, como CommonLisp y CLOS ofrecen frames. Sin embargo, la
complejidad de programar con frames puede fácilmente tornarse inadmisible e
ineficiente cuando se posee poca habilidad, disciplina y conocimientos
avanzados de programación con frames.

4. Referencias
 Benítez, A. (2007). Fundamentos de Inteligencia Artificial libro
tercero. España: Escolar y mayo.

 Escolano, F. (2003). Inteligencia Artificial (Modelos, Técnicas y

Áreas de Aplicación) México: Thomson.
  Marín, R. (2008). Inteligencia Artificial y sistemas inteligentes.
España: McGraw-Hill.

 Nilsson, N. (2001). Inteligencia artificial (Una nueva

síntesis) México: McGraw–Hill.

 Ponce, P. (2011). Inteligencia Artificial con aplicaciones a la

ingeniería. España: MARCOMBO.

1. Formas de Representación del

conocimiento
Formas de Representación del conocimiento

Una vez que se adquiere (del especialista) el conocimiento, es necesario

encontrar una representación simbólica, clara, precisa y completa del
mismo. Para ello podemos mencionar que existen diversas formas de
representar el conocimiento, como las siguientes:

Representación del Conocimiento

 · Tripletas OAV
 · Redes Semánticas
 · Frames
 · Reglas

Tripletas Objetivo-Atributo-Valor (OAV). Permiten derivar una

representación gráfica del conocimiento organizada en tres niveles:
objeto compuesto de atributos que contienen valores. Ejemplo
Redes Semánticas. Ofrecen un esquema más general y
desestructurado que las tripletas OAV. Donde cada nodo representa
cualquier concepto u objeto, y los arcos representan relaciones que
existen entre dichos conceptos. Ejemplo:

Frames (Marcos).

Un frame es una plantilla de objetos que contiene un conjunto de slots.

Cada slot puede ser de alguno de los siguientes tipos:

1)un atributo simple con un valor opcional de default;

2)un procedimiento;

3)una restricción;
4)un apuntador a otro frame.

En programación ofrece uno de los mecanismos de estructuración más

poderosos y flexibles que existen en Inteligencia Artificial, e.g. puede
implementar cualquier esquema de representación del conocimiento e
incluso diversos paradigmas de programación como orientado a objetos,
orientado a accesos, etc.

Algunos idiomas de Lisp, como CommonLisp y CLOS ofrecen frames. Sin

embargo, la complejidad de programar con frames puede fácilmente
tornarse inadmisible e ineficiente cuando se posee poca habilidad,
disciplina y conocimientos avanzados de programación con frames.

Recuperado: http://www.estudiargratis.com.ar/visual-basic/imagenes/
frame-groupbox-visual-basic.jpg

A continuación se te proporciona un recurso en el que encontrarás las

formas de representar los conocimientos que hemos adquirido a lo largo
de nuestra vida, la transmisión del conocimiento es parte fundamental
para continuar enriqueciendo el nuestro, pero para ello, es importante
saber cómo plasmarlo.

Nombre: Técnicas y lenguajes para la representación del conocimiento.

2. Referencias
SEDU. (2018). Técnicas y lenguajes para la representación del
conocimiento. Ciudad de México.
1. Sistemas Basados en Reglas
Hay muchos casos en los que podemos resolver situaciones complejas
haciendo uso de reglas deterministas, hasta el punto de su uso consigue
sistemas automáticos que se comportan como humanos expertos en un
dominio particular permitiendo tomar decisiones delicadas, por ejemplo:
en sistemas de control de tráfico, transacciones bancarias, o diagnóstico
de enfermedades.
Entre las opciones disponibles, los sistemas basados en reglas se han
convertido en una de las herramientas más eficientes para tratar de
manera eficiente una buena colección de problemas, ya que las reglas
deterministas constituyen la más sencilla de las metodologías utilizadas
en sistemas expertos.

En estos sistemas, la base de conocimiento de la que se parte contiene

las variables y el conjunto de reglas que definen el problema, y el motor
de inferencia es capaz de extraer conclusiones aplicando métodos de la
lógica clásica sobre esta base.

Una regla en este contexto es una proposición lógica que relaciona dos o
más objetos del dominio e incluye dos partes, la premisa y la conclusión,
que se suele escribir normalmente como “Si premisa, entonces
conclusión”. Cada una de estas partes es una expresión lógica con una o
más afirmaciones objeto-valor conectadas mediante operadores lógicos
(y, o, o no).

2. El Motor de Inferencia
Como hemos comentado, las bases de conocimiento se conforman a
partir de dos tipos de elementos básicos, por una parte los datos
(también conocidos como hechos o evidencias), y por otra el
conocimiento (representado por el conjunto de reglas que rigen las
relaciones entre los datos). Pero una vez tenemos esta información
almacenada, necesitamos un mecanismo para manipular
automáticamente sus componentes y extraer conclusiones.

A este mecanismo se le denomina motor de inferencia, que a partir de la

base de conocimiento obtiene nuevas conclusiones, ampliando de esta
forma el conjunto de hechos de la propia base de conocimiento Por
ejemplo, si la premisa de una regla es cierta, entonces aplicando la regla
lógica de Modus Ponens, la conclusión de la regla debe ser también
cierta, y de esta forma los datos iniciales se incrementan incorporando
las nuevas conclusiones.
Por ello, tanto los hechos iniciales o datos de partida como las
conclusiones derivadas de ellos forman parte de los hechos o datos de
que se dispone en un instante dado, obteniendo un proceso dinámico en
el que el conocimiento se va generando por etapas.

Para obtener conclusiones, se pueden utilizar diferentes tipos de reglas y

estrategias de inferencia y control, pero nosotros mostraremos aquí las
más básicas y universales: Modus Ponens y Modus Tollens como
sistemas básicos de inferencia, y encadenamiento de reglas hacia
adelante y encadenamiento de reglas hacia atrás (orientado por
objetivos), como estrategias de inferencia.

El encadenamiento de reglas hacia delante

Puede utilizarse cuando las premisas de algunas reglas coinciden con las
conclusiones de otras, de forma que al aplicarlas sucesivamente sobre
los hechos iniciales podemos obtener nuevos hechos.

A medida que obtenemos más hechos, podemos repetir el proceso hasta

que no pueden obtenerse más conclusiones.

El encadenamiento de reglas hacia atrás

Parte del hecho que se quiere concluir y se mira qué reglas lo tienen
como conclusión, se toman las premisas de estas reglas y se consideran
como objetivos parciales que se quieren verificar.

Por un proceso de comparación con los hechos de la base de

conocimiento un proceso de backtracking, se va decidiendo cuáles de
los objetivos parciales se van cumpliendo y cuáles quedan pendientes.
3. Elementos básicos
En un sistema basado en reglas existen dos elementos básicos que
sirven para la representación del conocimiento:

Conocimiento

● Atributos

● Reglas

Atributos. Un atributo es un símbolo que sirve para representar un

conocimiento factual, i.e. aserción o hecho. Un atributo puede tener un
valor indefinido, i.e. UNKNOWN, así como uno o más valores, i.e.
multivalor.

NAME: auto

TYPE: symbol

CHOICES/EXPECT: sedan, van, vagoneta

PROMPT: "¿Qué tipo de carro desea comprar?"

PLURAL/MULTI: yes

DEFAULT: sedan

Tipos. Existen diversos tipos de atributos que puede proporcionar un

lenguaje o shell, como son: símbolos, cadenas y caracteres, numéricos
(enteros y reales) y booleanos.

Símbolo vs. Cadena: El símbolo es un elemento muy común de

procesamiento en sistemas expertos, tanto que ha llegado a constituir lo
que se conoce como Programación Simbólica, donde expresiones
tales como:

1) X = 12
2) Ecuación = 2*x+5*x

3) N = juan

Establecen una forma muy particular de interpretarse: si los atributos X,

Ecuación y N son de tipo símbolo, los valores "12", "2 *x+5*x" y "Juan" se
almacenarán como expresiones simbólicas.

La manipulación simbólica contrasta con el procesamiento numérico

basado en algoritmos. Por ejemplo, el procesamiento numérico de la
expresión 2*x+5*x requiere que x tenga un valor para obtener luego otro
valor numérico, sin embargo, el procesamiento simbólico puede
mantener el valor de x como una incógnita y manipular dicha ecuación,
por ejemplo, una simplificación algebraica o despeje, para obtener otra
representación simbólica derivada, e.g. 7*x. En otras palabras, en
programación convencional los símbolos son mnemónicos que sirven
para representar códigos de operaciones y localidades de memoria, pero
en programación simbólica sirven para representar cosas, conceptos y
conocimiento.

Otro ejemplo es la diferenciación entre variables y valores. Mientras que

en programación convencional la expresión x = y copia el valor de la
variable x, en programación simbólica significa que x representa ahora
al símbolo "y". Con la finalidad de evitar confusiones, las variables se
representarán con mayúsculas, de tal forma que si tenemos:

1) x = y

2) X = y

Donde: 1) relaciona dos símbolos y 2) almacena el símbolo "y" en la

variable X.
El Símbolo = No es Igual. La expresión (1) no permite entonces
asignar un valor sino comparar dos símbolos, y la expresión (2) se
asigna un valor. Ambas usan el mismo símbolo =, una para comparar
(equivale al == de C) y otra para asignar. Analicemos otras
posibilidades:

1) X = Y

2) X = Y+2

En (1) ambas son variables, y pueden interpretarse de dos formas: (a)

como una asignación, e.g. se asigna el valor del atributo Y al valor del
atributo X, o (b) como una comparación, e.g. comprobar si ambos
valores son iguales. Esto dependerá del contexto de la expresión, e.g. si
es una premisa, o una conclusión de una regla, o un hecho.

En (2) existe también cierta ambigüedad, puede significar varias cosas:

(a) la variable X almacena el símbolo "Y+2"; (b) X almacena el resultado
de evaluar numéricamente la expresión Y+2; (c) la expresión es falsa o
verdadera dependiendo de si X es igual al valor de Y+2.

Atributos Multivalor. Cuando se especifica un atributo de tipo PLURAL

o MULTI, es posible que llegue a tener múltiples valores al mismo
tiempo, e.g. auto={sedan, vagoneta}.

Preguntas y Valores Default. Del ejemplo:

NAME: auto

PROMPT: "¿Qué tipo de carro desea comprar?"

DEFAULT: sedan
De donde tenemos que al encontrar la máquina de inferencias un
atributo con valor desconocido, i.e. UNKNOWN, se busca su declaración
PROMPT para desplegar al usuario el texto de la pregunta y esperar una
respuesta, en caso contrario, se asume el valor de default.

4. Referencias
 Benítez, A. (2007). Fundamentos de Inteligencia Artificial libro
tercero. España: Escolar y mayo.

 Escolano, F. (2003). Inteligencia Artificial (Modelos, Técnicas y

Áreas de Aplicación) México: Thomson.

 Marín, R. (2008). Inteligencia Artificial y sistemas inteligentes.

España: McGraw-Hill.

 Nilsson, N. (2001). Inteligencia artificial (Una nueva

síntesis) México: McGraw–Hill.

 Ponce, P. (2011). Inteligencia Artificial con aplicaciones a la

ingeniería. España: MARCOMBO.
 1. Sistemas Basados en Reglas
 En un sistema basado en reglas existen dos elementos básicos
que sirven para la representación del conocimiento:
 Conocimiento
 ● Atributos
 ● Reglas

 Atributos. Un atributo es un símbolo que sirve para representar
un conocimiento factual, i.e. aserción o hecho. Un atributo puede
tener un valor indefinido, i.e. UNKNOWN, así como uno o más
valores, i.e. multivalor.
 NAME: auto
 TYPE: symbol
 CHOICES/EXPECT: sedan, van, vagoneta
 PROMPT: "¿Qué tipo de carro desea comprar?"
 PLURAL/MULTI: yes
 DEFAULT: sedan

 Tipos. Existen diversos tipos de atributos que puede proporcionar
un lenguaje o shell, como son: símbolos, cadenas y caracteres,
numéricos (enteros y reales) y booleanos.

 Símbolo vs. Cadena: El símbolo es un elemento muy común de
procesamiento en sistemas expertos, tanto que ha llegado a
constituir lo que se conoce como Programación Simbólica,
donde expresiones tales como:
 1) X = 12
 2) Ecuación = 2*x+5*x
 3) N = juan

 Establecen una forma muy particular de interpretarse: si los
atributos X, Ecuación y N son de tipo símbolo, los valores "12",
"2*x+5*x" y "Juan" se almacenarán como expresiones simbólicas.

 La manipulación simbólica contrasta con el procesamiento
numérico basado en algoritmos. Por ejemplo, el procesamiento
numérico de la expresión 2*x+5*x requiere que x tenga un valor
para obtener luego otro valor numérico, sin embargo, el
procesamiento simbólico puede mantener el valor de x como una
incógnita y manipular dicha ecuación, por ejemplo, una
simplificación algebraica o despeje, para obtener otra
representación simbólica derivada, e.g. 7*x. En otras palabras, en
programación convencional los símbolos son mnemónicos que
sirven para representar códigos de operaciones y localidades de
memoria, pero en programación simbólica sirven para representar
cosas, conceptos y conocimiento.


 Otro ejemplo es la diferenciación entre variables y valores.
Mientras que en programación convencional la expresión x = y
copia el valor de la variable x, en programación simbólica significa
que x representa ahora al símbolo "y". Con la finalidad de evitar
confusiones, las variables se representarán con mayúsculas, de tal
forma que si tenemos:
 1) x = y
 2) X = y

 Donde: 1) relaciona dos símbolos y 2) almacena el símbolo "y" en
la variable X.


 El Símbolo = No es Igual. La expresión (1) no permite entonces
asignar un valor sino comparar dos símbolos, y la expresión (2) se
asigna un valor. Ambas usan el mismo símbolo =, una para
comparar (equivale al == de C) y otra para asignar. Analicemos
otras posibilidades:
 1) X = Y
 2) X = Y+2

 En (1) ambas son variables, y pueden interpretarse de dos formas:
(a) como una asignación, e.g. se asigna el valor del atributo Y al
valor del atributo X, o (b) como una comparación, e.g. comprobar
si ambos valores son iguales. Esto dependerá del contexto de la
expresión, e.g. si es una premisa, o una conclusión de una regla, o
un hecho.

 En (2) existe también cierta ambigüedad, puede significar varias
cosas: (a) la variable X almacena el símbolo "Y+2"; (b) X almacena
el resultado de evaluar numéricamente la expresión Y+2; (c) la
expresión es falsa o verdadera dependiendo de si X es igual al
valor de Y+2.


 Atributos Multivalor. Cuando se especifica un atributo de tipo
PLURAL o MULTI, es posible que llegue a tener múltiples valores al
mismo tiempo, e.g. auto={sedan, vagoneta}.


 Preguntas y Valores Default. Del ejemplo:
 NAME: auto
 PROMPT: "¿Qué tipo de carro desea comprar?"
 DEFAULT: sedan
 De donde tenemos que al encontrar la máquina de inferencias un
atributo con valor desconocido, i.e. UNKNOWN, se busca su
declaración PROMPT para desplegar al usuario el texto de la
pregunta y esperar una respuesta, en caso contrario, se asume el
valor de default.

 La presentación del conocimiento y su explicación para esta
secuencia se completa de manera práctica-teórica con ejemplos
que se pueden encontrar en la siguiente página. Cada uno con un
aporte de conocimiento especial al tema.
 Nombre: Sistemas basados en reglas
 Link: http://www.cs.us.es/~fsancho/?e=103
 2. Referencias
 Sancho, F. (2017). Sistemas basados en reglas. Sitio
web: http://www.cs.us.es/~fsancho/?e=103
 1. Diferencia entre información y
conocimiento
 Todo problema es más sencillo de resolver si disponemos de
conocimiento específico sobre él, este conocimiento dependiente
del dominio se combina con el conocimiento general sobre cómo
resolver problemas.

 Este conocimiento ha de permitir guiar a los mecanismos de IA
para obtener soluciones de manera más eficiente y nos
enfrentamos a los problemas de:

 a) ¿Cómo escoger el formalismo de representación que nos
permita hacer una traducción fácil del mundo real a la
representación?
 b) ¿Cómo ha de ser esa representación para que pueda ser
utilizada de forma eficiente?


 Llamaremos información al conjunto de datos básicos, sin
interpretar, que se obtienen como entrada del sistema. Por
ejemplo: Los datos numéricos que aparecen en una analítica de
sangre o los datos de los sensores de una planta química.


 Llamaremos conocimiento al conjunto de datos de primer orden,
que modelan de forma estructurada la experiencia que se tiene
sobre un cierto dominio o que surgen de interpretar los datos
básicos. Por ejemplo: La interpretación de los valores de la
analítica de sangre o de los sensores de la planta química para
decir si son normales, altos o bajos, preocupantes, peligrosos o el
conjunto de estructuras de datos y métodos para diagnosticar a
pacientes a partir de la interpretación del análisis de sangre, o
para ayudar en la toma de decisiones de que hacer en la planta
química



 Los sistemas de IA necesitan diferentes tipos de conocimiento que
no suelen estar disponibles en bases de datos y otras fuentes de
información:

 a) Conocimiento sobre los objetos en un entorno y posibles
relaciones entre ellos
 b) Conocimiento sobre los procesos en los que interviene o que le
son útiles
 c) Conocimiento difícil de representar como datos básicos, como la
intencionalidad, la causalidad, los
 objetivos, información temporal, conocimiento que para los
humanos es “de sentido común”, etc.

 Intuitivamente podemos decir que: Conocimiento = Información +
Interpretación

 Para representar algo necesitamos saber:

 • Su forma o estructura
 • Que uso le dan los seres inteligentes
 • Que uso le dará una inteligencia artificial
 • Como adquirir el conocimiento
 • Como almacenarlo y manipularlo

 Por desgracia no hay respuestas completas para todas estas
preguntas desde el punto de vista biológico o neurofisiológico.


 Construiremos modelos que simulen la adquisición, estructuración
y manipulación del conocimiento y que nos permitan crear
sistemas artificiales inteligentes.
 2. Esquema de representación
 Un esquema de representación es un instrumento para codificar la
realidad en un ordenador

 Es importante distinguir entre:

 • El mundo real (lo que queremos representar) → Dominio
 • Su representación → uno o más esquemas de representación


 Desde un punto de vista informático un esquema de
representación puede ser descrito como una combinación de:

 a) Estructuras de datos que codifican el problema en curso con
el que se enfrenta el agente → Parte
 estática.

 b) Estructuras de datos que almacenan conocimiento referente
al entorno en el que se desarrolla el problema y procedimientos
 que manipulan las estructuras de forma consistente con una
interpretación plausible de las mismas → Parte dinámica


 La parte estática está formada por:

 • Estructura de datos que codifica el problema
 • Operaciones que permiten crear, modificar y destruir elementos
en la estructura
 • Predicados que dan un mecanismo para consultar esta
estructura de datos
 • Semántica de la estructura: se necesita definir la relación entre
la realidad y la representación
 Escogida.
 R(Elemento_estructura, Mundo Real)

 La parte dinámica está formada por:

 • Estructuras de datos que almacenan conocimiento referente al
entorno/dominio en el que se
 desarrolla el problema
 • Procedimientos que permiten:
 o Interpretar los datos del problema (de la parte estática) a partir
del conocimiento del
 dominio (de la parte dinámica)
 o Controlar el uso de los datos: estrategias de control
 o Adquirir nuevo conocimiento

 Se ha de tener siempre en cuenta que nuestra representación
siempre es incompleta, debido a:

 • Modificaciones: el mundo es cambiante, pero nuestras
representaciones son de un instante
 • Volumen: mucho (demasiado) conocimiento a
representar → representación parcial
 • Complejidad: La realidad tiene una gran riqueza en
detalles

 El problema de modificación del mundo está ligado a los
procedimientos de adquisición y mantenimiento de la
representación (Frame Problem).

 Los problemas de volumen y complejidad de la realidad están
relacionados con la granularidad de la representación.


 Propiedades de un sistema de representación


 Un sistema de representación debe poseer las siguientes
propiedades

 1. Ligados a la representación

 a. Adecuación Representacional: habilidad para representar todas
las clases de conocimiento que son necesarias en aquel dominio
 b. Adecuación Inferencial: habilidad de manipular estructuras de
representación de tal manera que devengan o generen nuevas
estructuras que correspondan a nuevos conocimientos inferidos de
los anteriores

 2. Ligados al uso de la representación

 a. Eficiencia Inferencial: capacidad del sistema para incorporar
información adicional a la estructura
 de representación, llamada metaconocimiento, que puede
emplearse para focalizar la atención de los mecanismos de
inferencia con el fin de optimizar los cómputos.
 b. Eficiencia en la Adquisición: capacidad de incorporar fácilmente
nueva información. Idealmente el sistema por sí mismo deberá ser
capaz de controlar la adquisición de nueva información y su
posterior representación
 3. Diferencia entre dato, información y
conocimiento
 Para poder usar información, primero debemos comprenderla. El
proceso de comprensión es una asimilación de la información en la
estructura compleja de nuestro conocimiento. La información debe
pasar a ser parte de nuestro conocimiento antes de poder ser
usada.

 Por ejemplo, cuando queremos conocer alguna ciudad extranjera,
podemos comenzar estudiando el mapa de la ciudad. Estudiando
el mapa, al comienzo nosotros memorizamos la disposición
principal de la ciudad. A medida que el estudio avanza, asimilamos
la información provista por el mapa en nuestra mente. Cuando,
más tarde, viajamos a la ciudad, usamos la información asimilada
como conocimiento para encontrar nuestro camino.

 Una vez que la información es correctamente asimilada, puede ser
usada como conocimiento. Toda información puede asimilarse
transformándose en conocimiento.


 La información se expresa a sí misma

 Aplicamos los resultados del conocimiento a una acción o en la
creación de nueva información. Hay siempre una parte del
conocimiento usado, expresado en el resultado.

 Usando el lenguaje, expresamos conocimiento que pertenece al
lenguaje. La estructura de las oraciones y la selección de palabras
que usamos llevan información acerca del lenguaje.

 Cuando construimos una casa, expresamos parte del conocimiento
acerca de la construcción de casas en la casa en sí misma.

 Una vez que tenemos un entendimiento básico de un lenguaje
extranjero, podemos extender nuestro conocimiento sobre el
lenguaje oyéndolo o leyéndolo.

 Esto es posible porque parte del conocimiento del lenguaje está
expresado en la aplicación del lenguaje que leemos.
 El hecho que la información es expresada por sus aplicaciones es
la mayor contribución a su propagación.


 El conocimiento es información

 La información asimilada se transforma en conocimiento. El uso
del conocimiento causa la expresión del conocimiento usado junto
con el resultado. Hasta el conocimiento innato es expresado en
nuestras acciones, si no fuera así, no sería posible investigar este
conocimiento en el comportamiento de los niños.

 Esto ilustra que una mutua traducción es posible entre información
y conocimiento. La diferencia entre conocimiento e información
radica en las circunstancias más que en la naturaleza de ésta.

 Como una primera aproximación, podemos sugerir que todo lo que
pueda ser comunicado es información. Debido a que nosotros
comunicamos conocimiento continuamente, no debemos extender
esta noción de información para incluir comportamiento.

 Pero, información y conocimiento no son sinónimos. La
información es el término general y el conocimiento es
información bajo determinadas condiciones. Cuando la
 información se encuentra en las condiciones adecuadas para
propagarse, la llamamos conocimiento.

4. Referencias
 Benítez, A. (2007). Fundamentos de Inteligencia Artificial libro
tercero. España: Escolar y mayo.

 Escolano, F. (2003). Inteligencia Artificial (Modelos, Técnicas y

Áreas de Aplicación) México: Thomson.

 Marín, R. (2008). Inteligencia Artificial y sistemas inteligentes.

España: McGraw-Hill.

 Nilsson, N. (2001). Inteligencia artificial (Una nueva

síntesis) México: McGraw–Hill.

 Ponce, P. (2011). Inteligencia Artificial con aplicaciones a la

ingeniería. España: MARCOMBO.