MECANISMOS

DE INFERENCIA

MQUINA DE INFERENCIA
Este es el nombre con el que Bruner (1957) identificaba la
mente humana: mquina de inferencias. Con l se refiere a la
destreza para activar el conocimiento ya almacenado y utilizarlo
para organizar e interpretar la nueva informacin, a travs de
relaciones abstractas complejas.
La mquina de inferencias es la porcin del sistema experto que
razona utilizando el contenido de la base de del conocimiento en
una secuencia determinada. Durante el proceso de consulta, la
mquina de inferencias examina las reglas de la base del
conocimiento una por una, y cuando se cumple la condicin de
la regla, se realiza la accin especificada.

MOTOR DE INFERENCIA
Es el componente de un
Sistema
Experto,
encargado de gerenciar y
controlar lgicamente el
manejo y utilizacin del
conocimiento almacenado
en la base. El paradigma
del motor de inferencia es
la estrategia de bsqueda
para
producir
el
conocimiento demandado.

PASOS
El sistema sigue los siguientes pasos:
1. Evaluar las condiciones de todas las reglas
respecto a la base de datos
2. Si no se puede aplicar ninguna regla, se
termina sin xito; en caso contrario se elige
cualquiera de las reglas aplicables y se ejecuta
su parte accin.
3. Si se llega al objetivo, se ha resuelto el
problema; en caso contrario, se vuelve al paso 1

El Motor de
principales:

Inferencia

realiza

dos

tareas

Examina los hechos y las reglas, y si es

posible, aade nuevos hechos.

Decide el orden
inferencias.

en

que

se

hacen

las

Para realizar estas tareas utiliza estrategias de

inferencia y estrategias de control.

ESTRATEGIAS DE INFERENCIA
MODUS PONENS:

Es quiz la regla de inferencia mas

comnmente utilizada.
Se utiliza para obtener conclusiones
simples, en ella se analiza la premisa de la
regla, y si es cierta, la conclusin entra a
formar parte del conocimiento.
Esta regla de inferencia es la base de un
gran nmero de sistemas expertos.
Como ilustracin supngase que se tiene la
regla: Si A es cierto, entonces B es cierto, y
que se sabe adems que A es cierto . La regla
Modus Ponens, concluye que B es cierto.

ESTRATEGIAS DE INFERENCIA
MODUS TOLLENS:
Se
utiliza
tambin
para
obtener
conclusiones simples. En este caso se
examina la conclusin, y si es falsa, se
concluye que la premisa tambin es falsa.
Por ejemplo, supngase de nuevo que Si A
es cierto, entonces B es cierto pero se sabe
que B es falso. Entonces, utilizando la regla
Modus Ponens no se puede obtener ninguna
conclusin pero la regla Modus Tollens
concluye que A es falso.

TOLLENS
DIFERENTES COMPORTAMIENTOS
La regla Modus Ponens se mueve
hacia adelante, de la premisa a la
conclusin de una regla.
La regla Modus Ponens necesita
informacin de los objetos de la
premisa para concluir.

La regla Modus Tollens se mueve

hacia atrs, de la conclusin a la
premisa.
La regla Modus Tollens necesita
informacin sobre los objetos de la
conclusin.

Las dos reglas de inferencia no deben ser vistas como alternativas

sino como complementarias.
La combinacin de ambas estrategias proporciona ms conocimiento
que cada una por separado.

ENCADENAMIENTO HACIA ADELANTE

Dada R: si A entonces C

R se puede disparar, ejecutar o aplicar hacia

adelante cuando se satisfacen las condiciones
especificadas en su antecedente A.
Cuando la regla se dispara se procede a la
ejecucin de las acciones especificadas en su
consecuente C.

Un motor de inferencia con encadenamiento

hacia adelante

Parte de unos hechos

Va emparejando los datos de la memoria de trabajo
con los antecedentes de las reglas,
va disparando las reglas hasta que se satisface algn
objetivo o hasta que ninguna regla se aplicable

Emparejamiento

Comparacin de los antecedentes de cada

regla con los hechos de la memoria de
trabajo.
Resultado: conjunto de reglas que pueden
aplicarse en cada momento(conjunto
conflicto).

Resolucin de
Conflictos

Seleccin de una
regla del conjunto
conflicto
Resultado: regla
seleccionada para
su aplicacin

Ejecucin de la regla

se ejecutan las acciones

especificadas en su parte
derecha.
Principio de refraccin la
regla ejecutada no volver a ser
aplicable hasta que no
desaparezca alguno de los
hechos que hicieron posible su
aplicacin y vuelvan a afirmarse

ejemplo

R0: IF hay placas (puntos blancos) en la garganta IF hay

placas (puntos blancos) en la garganta THEN diagnstico:
posible infeccin de garganta
R1: IF garganta inflamada AND sospechamos infeccin
bacteriana THEN diagnstico: posible infeccin de
garganta
R2: IF temperatura paciente > 39 THEN paciente tiene
fiebre
R3: IF paciente enfermo ms de una semana AND paciente
tiene fiebre THEN sospechamos infeccin bacteriana

Datos provenientes de la exploracin

del paciente

M.T.
temperatura = 40
enfermo dos semanas
garganta inflamada

C.C.

Resolucin

M.T.
temperatura = 40
enfermo dos semanas
garganta inflamada
temperatura = 40
enfermo dos semanas
garganta inflamada
fiebre

C.C.

Resolucin

R2

R2

M.T.
temperatura = 40
enfermo dos semanas
garganta inflamada
fiebre
temperatura = 40
enfermo dos semanas
garganta inflamada
fiebre
Posible infeccin bacteriana

C.C.

Resolucin

R1

R1

M.T.
temperatura = 40
enfermo dos semanas
garganta inflamada
fiebre
Posible infeccin bacteriana
temperatura = 40
enfermo dos semanas
garganta inflamada
fiebre
Posible infeccin bacteriana
Infeccin en la garganta

C.C.

Resolucin

R1

R1

ENCADENAMIENTO HACIA
ATRS

El encadenamiento hacia
atrs comienza con una lista
de objetivos y trabaja al
revs de lo consecuente al
antecedente.

Un motor de inferencia sera

buscar
las
reglas
de
inferencia hasta que se
encuentra una que tiene un
consecuente que coincide
con el objeto deseado.

El razonamiento inverso es ms
rpido que el prorazonamiento
por que no tiene que considerar
todas las reglas y no efecta
mltiples
pasadas
por
el
conjunto de reglas.
El encadenamiento hacia atrs lo
identificamos cuando tenemos
mucha informacin disponible,
pero poca es relevante. Por
ejemplo la consulta de un
mdico.

El razonamiento inverso
en apropiado cuando:

Hay mltiples variables de

meta.
Hay muchas reglas.
No es preciso examinar la
mayor parte de las reglas
en el proceso de llegar a
una solucin.

En el encadenamiento
hacia atrs, el motor de
inferencia parte de los
resultados y trata de
volver a los hechos para
comprobar si encajan con
el problema planteado.
Veamos
el
siguiente
ejemplo :

EJEMPLO

MANEJO DE LA
INCERTIDUMBRE

INCERTIDUMBRE: Falta de informacin adecuada para tomar una decisin

Generalmente se hace la acepcin del mundo cerrado (close world
assumption). Si no sabemos que una proposicin es verdadera, la proposicin
se asume como falsa. Si no se hace dicha acepcin aparece una tercera categora
considerada como desconocida (clear-cut world)
Razonamiento monotnico. La verdad se puede deducir con igual seguridad.
Se mueve en una sola direccin. El nmero de hechos nunca decrece
Razonamiento no monotnico. Las suposiciones que se hagan estn sujetas al
cambio de acuerdo a la informacin que se proporcione
Reglas
De bajo nivel, conciernen a los sensores de datos y se eligen generalmente para
examinarse
De alto nivel, reglas que conducen a una solucin
De transicin reglas intermedias

Tipos de Incertidumbre

Los mas comunes en dominio de expertos:

Conocimientos inciertos. Con frecuencia el experto tendr solamente

conocimiento heursitico con relacin a algunos aspectos del dominio.
P. ej. Si el experto podra saber que solamente cierto tipo de evidencia
implicara una conclusin, es decir, existe incertidumbre en la regla
Datos inciertos. An cuando tengamos la certidumbre en el
conocimiento del dominio, puede haber incertidumbre en los datos que
describen el ambiente externo. P. ej. Cuando intentamos deducir una
causa especfica a partir de un efecto observado, debido a que la
evidencia puede provenir de una fuente que no es totalmente confiable,
o la evidencia puede derivarse de una regla cuya conclusin fue
probable en lugar de cierta y por lo mismo proporciona

Informacin incompleta. Toma de decisiones basados en

informacin incompleta debido a mltiples sucesos:

Toma de decisiones en el curso de la informacin adquirida en forma

incremental.
La informacin disponible est incompleta en cualquier punto de
decisin
Las condiciones cambian en el tiempo
Necesidad de lograr una adivinacin eficiente, pero posiblemente
incorrecta, cuando el razonamiento alcance un callejn sin salida

Nuestra forma de hablar presenta

Uso del lenguaje vago (coloquial).

mucha ambigedades
Azar. El dominio tiene propiedades estocsticas. Hay situaciones
cuya naturaleza es aleatoria y cuya ocurrencia, aunque incierta,

Problemas esencialmente
deterministas

Son aquellos donde se supone que los datos se

conocen con certeza, es decir, se supone que
cuando el modelo sea analizado se tiene
disponible toda la informacin necesaria para la
toma de decisiones.

Ejemplos:
la planificacin de una lnea de produccin, asignacin
de las salas de clases en una universidad.

Problemas esencialmente estocsticos

tambin conocidos como modelos

probabilsticos, algn element no se conoce con
anticipacin, incorporando as la incertidumbre.

Ejemplos:
filas de espera, administracin de proyectos y
pronstico.