3.

3 REGLAS DE PRODUCCION
Regla se entiende como una proposicin lgica que relaciona 2 o ms objetos e incluye 2
partes, la premisa y la conclusin. Cada una de estas partes consiste en una expresin lgica
con una o ms afirmaciones objeto-valor conectadas mediante los operadores lgicos y, o
no.
Reglas de produccin. Es un mtodo procedimental de representacin del conocimiento,
pone nfasis en representar y soportar las relaciones inferenciales del algoritmo, en
contraposicin a los mtodos declarativos (hechos).
La estructura de una regla es:
SI <antecedentes>
ENTONCES <consecuentes>
Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o
hiptesis.
Cada regla por si misma constituye un grnulo completo de conocimiento.
La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay
dos tipos, segn el sentido:
Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes
emparejan con algunos hechos del sistema.
Sistemas de encadenamiento hacia atrs: una regla es activada si los consecuentes
emparejan con algunos hechos del sistema.
Arquitectura de los Sistemas Basados en Reglas:
Base de Conocimientos: rene todo el conocimiento del sistema (Hechos + Reglas).
Memoria Activa: contiene los hechos que representan el estado actual del problema
(iniciales + inferidos a posteriori) y las reglas activadas (en condiciones de ser ejecutadas).
Motor de Inferencias: decide que reglas activadas se ejecutarn.
3.4 SINTAXIS DE LAS REGLAS DE PRODUCCION
Mtodo procedimental de representacin del conocimiento

Estructura
SI <condiciones>
ENTONCES <conclusiones, acciones, hiptesis>
Cada regla SI-ENTONCES establece un granulo completo de conocimiento
Regla_ Operador valido en un espacio de estados
CONDICIONES (tb. premisas, precondiciones, antecedentes,...)
Formadas por clausulas y conectivas (AND, OR, NOT)
Representacin clausal debe corresponderse con conocimiento del dominio
Formato tpico: <parmetro/relacin/valor>
PARMETRO: caracterstica relevante del dominio
RELACIN: entre parmetro y valor
VALOR: numrico, simblico o literal
Tambin en forma de predicados lgicos
CONCLUSIONES, ACCIONES, HIPTESIS (tb. consecuentes,...)
Conclusiones, Hiptesis: conocimiento declarativo
Acciones: cq. Accin procedimental (actualiza. conocimiento, interaccin con
Exterior etc...)

REGLAS ESPECIALES
Reglas IF ALL: equivalen a reglas con las clusulas de las condiciones conectadas con
AND
Reglas IF ANY/ IF SOME: equivalen a reglas con las clusulas de las condiciones
conectadas con OR
EJEMPLO
IF: temperatura = alta
AND sudoracin = presente
AND dolor_muscular = presente
THEN: diagnostico_preliminar = gripe
IF: diagnostico_preliminar = gripe
AND descompos_organos_internos = presente
THEN: diagnostico_preliminar = _abola
SISTEMAS BASADOS EN REGLAS DE PRODUCCIN
Reglas_ Operadores en bsquedas en espacio de estados
Inferencia similar al MODUS PONENS (con restricciones)
Sintaxis relajada
Se permiten acciones en los consecuentes
Mecanismo de control determina que inferencias se pueden realizar
TIPOS de SISTEMAS

En funcin de sintaxis de reglas y de mecanismos de control (_bsqueda)

SISTEMA ENCADENAMIENTO HACIA ADELANTE (dirigidos por los datos)
Regla ACTIVADA si antecedentes emparejan con algunos hechos del sistema
En IF ALL, todos. En IF ANY, al menos uno.
Se parte de los hechos ya confirmados en el sistema
Se razona hacia adelante buscando antecedentes que emparejen
SISTEMA ENCADENAMIENTO HACIA ATRS (dirigido por los objetivos)
Regla ACTIVADA si consecuentes emparejan con algunos hechos del sistema
Se comienza con una hiptesis
Se razona hacia atrs buscando consecuentes que emparejen
MOTOR DE INFERENCIAS elige que reglas ACTIVADAS ejecutar (resolucin de
conflictos)
Consecuentes y antecedentes pueden verse como submetas a verificar a partir de los hechos
o hiptesis, respectivamente.
CARACTERSTICAS Modularidad: reglas = pequeas cantidades de conocimiento
(relativamente) independiente
Incrementalidad/Modificabilidad: posible aadir/cambiar reglas con relativa independencia
Naturalidad y Transparencia: representacin del conocimiento prxima y comprensible por
personas
Capacidad de generar explicaciones
GENERACIN de EXPLICACIONES
Posibilidad de \explicar" el porqu de un resultado
Devolver a usuario la cadena de reglas empleadas
Combinar reglas y hechos del rbol de bsqueda segn las conectivas Incrementan la
\aceptacin" del resultado ofrecido (dominios crticos)
3.5 SEMANTICA DE LA REGLA DE PRODUCCIONES
Es una representacin formal de una relacin, una informacin semntica o una accin
condicional. Una regla de produccin tiene, generalmente, la siguiente forma: SI Premisa
ENTONCES Consecuencia. Ofrecen una gran facilidad para la creacin y la modificacin
de la base de conocimiento. Permite introducir coeficientes de verosimilitud para ponderar
el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento
mediante unas frmulas de clculo establecidas) y, en teora, el mtodo asegura que cuantas
ms reglas posea ms potente es. Sin embargo, aunque es la forma de representacin ms
intuitiva y rpida, cuando el nmero de reglas es grande aumenta la dificultad de
verificacin de todas las posibilidades con el consiguiente riesgo de perder la coherencia
lgica en la base de conocimiento.

Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos;
es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y tambin sobre
el campo de validez de algunas de las reglas. Para el manejo de la incertidumbre en los
sistemas de reglas se han utilizado varios sistemas; los tres ms conocidos son los Factores
de Certeza (utilizados en MYCIN), la lgica de Dempster Shafer, y la Lgica Difusa
(Fuzzy Logic). El mtodo de tratar la incertidumbre es una de las caractersticas ms
importantes de las herramientas de desarrollo, y actualmente se encuentra en discusin la
validez de estas lgicas para tratar con la incertidumbre. En sustitucin se han propuesto las
Redes Bayesianas que tienen una base matemtica ms firme. De todas formas es un campo
actual de investigacin que permanece abierto.
3.5.1.- CONOCIMIENTO CASUAL
Relacin que vincula dos ideas a travs de una conexin supuestamente necesaria.
Es uno de los tres principios de asociacin.
La causalidad no tiene carcter necesario cuando se aplica a las cuestiones de hecho, sino
que se funda en la costumbre: la repeticin (o conjuncin constante) no es ms que una
creencia; es algo que esperamos que suceda, no algo que deba suceder necesariamente sino
algo que debe ser evaluado en trminos de posibilidad. En la medida en que el concepto de
causalidad no puede aplicarse a hechos que todava no han sucedido, porque no tenemos
evidencia lo todava no acaecido, la falta de un concepto de causalidad nos conduce
necesariamente al escepticismo.
3.5.2.- CONOCIMIENTO DE DIAGNOSTICO
El problema del diagnstico ha sido, desde los comienzos de la IA, uno de los ms
estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos. El
diagnostico en el campo de la medicina es sin duda, una de las reas de la IA que supone
todava una gran desafi. Una de las caractersticas ms frecuentes en resolucin del
problema del diagnstico en dominios reales es la necesidad de trata con la dimensin
temporal. As, una vez propuesto un modelo terico, una tendencia cada vez ms habitual a
la hora de desarrollar sistemas de diagnstico temporal es necesario abordar el problema
del diagnstico temporal desde diferentes enfoques, permitiendo seleccionar cual es la
aproximacin ms adecuada para cada problema concreto es simplificar el dominio para
que el modelo inicial sea aplicable.
3.6 ARQUITECTURA DE UN SISTEMA DE PRODUCCION
Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones diversas,
pero fundamentalmente son usados para:
Modelado de sistemas
Usado para representar escenarios de actuacin con variables complejas, en los cules no
basta con usar realidades absolutas como lo sera un cierto o falso.

En aplicaciones de control, ya que suelen estar basadas en el punto descrito anteriormente.

Pueden ser usadas para la categorizacin de elementos, detectar patrones.
Como agentes de usuario, los cules van a proporcionar una serie de ayudas a los expertos
en una determinada materia para que tomen las decisiones que ellos consideren oportunas,
en este caso estos sistemas van a ofrecer una ayuda, pero la decisin final la va a tomar el
experto en cuestin. Como ejemplo cabe destacar el mbito financiero.
<<Minera de datos y descubrimiento de informacin, consistente en hallar el conocimiento
intrnseco dentro de una base de datos, los cules pueden no estar presentes a simple vista,
pero aplicando sistemas de este tipo pueden llegar a averiguarse>>.
Reglas
Los sistemas basados en reglas (SBR) se rigen por una serie de reglas que los configuran.
Una regla es definida como un modo de representacin estratgica o tcnica, la cul es
apropiada cuando el conocimiento con el que deseamos trabajar proviene de la experiencia
o de la intuicin, y por tanto carece de una demostracin fsica o matemtica.
Tipos de reglas y proposiciones
Las proposiciones se pueden clasificar en los siguientes grupos:
Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la proposicin que
forma una regla. El atributo corresponde al grado que determina la regla. Grado de Suceso:
Probable, poco probable...
Proposiciones CUANTI FICADAS: Indican cantidades difusas en las reglas.
SI muchos alumnos suspenden ENTONCES la explicacin fue bastante mala
Respecto a esta clasificacin, podremos decir que las proposiciones que no poseen
cuantificadores ni cualificadores son proposiciones categricas, mientras que las
proposiciones no categricas no tienen por qu ser verdad siempre.
Las reglas pueden tener variantes, entre ellas se encuentran las siguientes:
Con excepciones: Son el tipo: SI la temperatura es alta ENTONCES tendr calor
EXCEPTO que tenga aire acondicionado.

Graduales: Cuantos ms partidos ganemos, ms fcil ser ganar la liga.

Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen informacin
contradictoria, lo cual puede acarrear muchos problemas, tales como malos resultados o
generar problemas.
Este tipo de reglas son aquellas que para un mismo antecedente, tienen
Consecuentes distintos, por ejemplo:
R1: SI tengo hambre ENTONCES como.
R2: SI tengo hambre ENTONCES no como.
Otro ejemplo de reglas contradictorias son aquellas que estando encadenadas
En ambos sentidos, niegan un consecuente:
R1: SI he metido un gol ENTONCES estoy feliz.
R2: SI estoy feliz ENTONCES no he metido un gol.

3.6.1.- HECHOS
Base de hechos, que alberga los datos propios correspondientes a los problemas que se
desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria de trabajo, la
base de hechos puede desempear el papel de memoria auxiliar. La memoria de trabajo
memoriza todos los resultados intermedios, permitiendo conservar el rastro de los
razonamientos llevados a cabo. Puede, por eso, emplearse para explicar el origen de las
informaciones deducidas por el sistema en el transcurso de una sesin de trabajo o para
llevar a cabo la descripcin del comportamiento del propio sistema experto. Al principio del
perodo de trabajo, la base de hechos dispone nicamente de los datos que le ha introducido
el usuario del sistema, pero, a medida que va actuando el motor de inferencias, contiene las
cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas para
obtener las conclusiones buscadas.
Las reglas de produccin son de tipo: SI ENTONCES (SI A ENTONCES B). Donde tanto
las premisas como la conclusin, no son ms que una cadena de hechos conectados por Y
o por O, de forma general seria: SI Y/O Y/O..ENTONCES Y/O Los hechos son
afirmaciones que sirven para presentar conceptos, datos, objetos, etc. Y el conjunto de
hechos que describen el problema es la base de hechos. Ejemplo de hechos: Juan es un
estudiante Juan tiene 8 aos El perro es blanco A Mara le gusta el cine Pedro prefiere la
pelcula La edad de Luis es de 25 aos Pedro tiene un salario de 200 pesos Una regla es una
combinante de hechos que permite representar conocimientos y sacar inferencia de los
mismos. Ejemplo de reglas R1: si y entonces R2: SI Y ENTONCES R3: SI Y ENTONCES
Observe como partiendo de hechos conocidos que describen algn conocimiento se pueden
inferir nuevos hechos (nuevos conocimientos).
3.6.2.- BASE DE CONOCIMIENTOS
A base de conocimiento (o knowledgebase; abreviado KB, es una clase especial de base de
datos para gerencia del conocimiento. Proporciona los medios para la coleccin
automatizada, organizacin, y recuperacin de conocimiento. Apenas pues tiene costumbre
convertido de escribir base de datos pues una palabra l es cada vez ms comn en
informtica escribir knowledgebase como una palabra (un acercamiento del interino era
escribir el trmino con un guin).
Las bases de conocimiento se categorizan en dos tipos importantes:
Bases de conocimiento legibles por la mquina almacene el conocimiento en una forma
legible por computador, generalmente con el fin automatizando razonamiento deductivo
aplicado a ellos. Contienen un sistema de datos, a menudo bajo la forma de reglas que
describan el conocimiento en a lgicamente constante manera. Operadores lgicos, por
ejemplo Y (conjuncin), O (separacin), implicacin material y negacin puede ser
utilizado construirlo para arriba del conocimiento atmico. Por lo tanto, la deduccin
clsica se puede utilizar para razonar sobre el conocimiento en la base de conocimiento.

 Bases de conocimiento Human-readable se disean permitir que la gente recupere y que

utilice el conocimiento que ella contiene, sobre todo para los propsitos del entrenamiento.
Son de uso general capturar el conocimiento explcito del organizacin, incluyendo
localizacin de averas, artculos, papeles blancos, manuales de usuario y otros. Una ventaja
primaria de tal base de conocimiento es que puede ayudar a un usuario a encontrar una
solucin existente a su problema actual (as evitando tuvieron que reinventan la rueda).
3.6.3.- MECANISMO DE CONTROL
El aspecto ms importante de una base de conocimiento es la calidad de la informacin que
contiene. Las mejores bases de conocimiento han escrito cuidadosamente los artculos que
se guardan actualizado, un sistema excelente de la recuperacin de datos (tal como a Search
Engine), y un formato contento cuidadosamente diseado y clasificacin estructura.
Una base de conocimiento puede utilizar ontologa especificar su estructura (los tipos y las
relaciones de la entidad) y la clasificacin proyecte. Un ontologa, junto con un sistema de
casos de sus clases, constituye una base de conocimiento. La determinacin de qu tipo de
informacin se captura, y donde esa informacin reside en una base de conocimiento, es
algo que es determinado por los procesos que apoyan el sistema. Una estructura de proceso
robusta es la espina dorsal de cualquier base de conocimiento acertada.
Algunas bases de conocimiento tienen inteligencia artificial componente. Estas clases de
bases de conocimiento pueden sugerir soluciones a los problemas basados a veces en la
regeneracin proporcionada por el usuario, y son capaces de aprender por experiencia
(vase sistema experto). La representacin del conocimiento, el razonamiento automatizado
y la argumentacin son campos de investigacin activos en la vanguardia de la inteligencia
artificial