Hispanopedia Wiki
Articulo de referencia

Reglas de efecto dominó

Las reglas de propagación descendente ( RDR , por sus siglas en inglés ) son una forma de abordar la adquisición de conocimiento . La adquisición de conocimiento se refiere a la...

Hispanopedia WikiContenido en espanolLectura gratuita

Las reglas de propagación descendente ( RDR , por sus siglas en inglés ) son una forma de abordar la adquisición de conocimiento . La adquisición de conocimiento se refiere a la transferencia de conocimiento de expertos humanos a sistemas basados ​​en conocimiento .

Material introductorio

Las reglas de propagación descendente (RDR, por sus siglas en inglés) constituyen un enfoque incremental para la adquisición de conocimiento y abarcan una familia de técnicas. Compton y Jansen propusieron las RDR basándose en su experiencia en el mantenimiento del sistema experto GARVAN-ES1 (Compton y Jansen, 1988). El GARVAN-ES1 original (Horn et al., 1985) empleaba un proceso de adquisición de conocimiento, basado en el desarrollo guiado por pruebas (TDD), donde los nuevos casos mal clasificados por el sistema se añadían a una base de datos y se utilizaban para refinar incrementalmente la base de conocimiento. Los casos añadidos, cuyas conclusiones entraban en conflicto con las recomendaciones del sistema, se denominaban "casos clave". En consecuencia, la base de datos crecía iterativamente con cada refinamiento del conocimiento. Posteriormente, la base de datos podía utilizarse para probar los cambios en el conocimiento. Se desarrollaron herramientas de adquisición de conocimiento, similares a las proporcionadas por Teiresias, para encontrar y ayudar a modificar las reglas conflictivas. Estas herramientas mostraban las reglas activadas por cada caso y sugerencias para "editar" el conocimiento y eliminar los conflictos.

En el marco RDR, el conocimiento del experto humano se adquiere en función del contexto actual y se incrementa progresivamente. Compton y Jansen argumentaron que el conocimiento del experto se «construye» en cierta medida para justificar su acierto, no para explicar cómo llegó a esa interpretación (o conclusión) correcta. La justificación se basa en características identificadas en el caso actual. El experto crea una regla para clasificar los casos que corresponden a un contexto particular. Es improbable que esta regla clasifique todos los casos pertenecientes a la clase. Compton y Jansen afirmaron que no es posible crear una única regla elegante e independiente del contexto, ya que el conocimiento que comunicamos es una justificación dentro de un contexto. Esto implica que no existe un conocimiento absoluto que sirva de fundamento para otros conocimientos, puesto que el conocimiento solo es verdadero en un contexto (Compton y Jansen, 1990).

Metodología

Las reglas de propagación en cascada constan de una estructura de datos y escenarios de adquisición de conocimiento. El conocimiento de los expertos humanos se almacena en la estructura de datos y se codifica como un conjunto de reglas. El proceso de transferencia del conocimiento de los expertos humanos a los sistemas basados ​​en conocimiento en RDR se explica en el escenario de adquisición de conocimiento.

Estructura de datos

Existen diversas estructuras de reglas de propagación descendente, como las reglas de propagación descendente de clasificación única (SCRDR), las reglas de propagación descendente de clasificación múltiple (MCRDR), las reglas de propagación descendente anidadas (NRDR) y las reglas de propagación descendente de clasificación múltiple con inferencia repetida (RIMCRDR). La estructura de datos de RDR descrita aquí es SCRDR, que es la estructura más simple.

La estructura de datos es similar a un árbol de decisión . Cada nodo tiene una regla; el formato de esta regla es SI cond1 Y cond2 Y ... Y condN ENTONCES conclusión. Cond1 es una condición (evaluación booleana), por ejemplo A=1, esMayor(A,5) y promedio(A,">",promedio(B)) . Cada nodo tiene exactamente dos nodos sucesores; estos nodos sucesores están conectados al nodo predecesor mediante "ELSE" o "EXCEPT".

A continuación se muestra un ejemplo de un árbol SCRDR (definido recursivamente):

SI (OutLook = "SOLADO" Y Temperature = "FRÍO") ENTONCES JUGAR "TENIS" EXCEPTO Niño-1 SINO Niño-2

donde Child-1 y Child-2 también son árboles SCRDR. Por ejemplo, Child-1 es:

SI (Viento = "VENTOSO" Y Humedad = "ALTA") ENTONCES Jugar="SQUASH" EXCEPTO NoChild SINO NoChild

Escenario de adquisición de conocimiento

Expertos humanos proporcionan un caso al sistema, y ​​este añade una nueva regla para corregir la clasificación errónea de un caso. Por ejemplo, se añade la regla Niño-1 para corregir la clasificación del caso [OutLook="SUNNY", Temperature="COOL", Wind="WINDY", Humidity="HIGH", ForeCast="STORM", Play="SQUASH"]. Este caso está clasificado erróneamente como Play = "TENNIS".

Cuando los expertos humanos elaboran una regla, las condiciones de esta regla deben cumplirse en el caso mal clasificado, y tampoco deben cumplirse en ningún caso anterior clasificado correctamente por la regla principal (que en este contexto es la primera regla).

Implementaciones

A continuación se muestra una lista de implementaciones conocidas de RDR:

  • La versión alfa del marco RDR (MCRDR) fue desarrollada por el equipo de investigación de la Universidad de Nueva Gales del Sur (UNSW) y la Universidad de Tasmania (UTAS), y financiada por el ARC.
  • El clasificador de documentos RDR (MCRDR) fue desarrollado por el Dr. Yang Sok Kim, de la UNSW, y el Prof. Asociado Byeong Ho Kang, de la UTAS.
  • El motor de comportamiento Erudine es un producto de software comercial que emplea RDR como parte de su metodología para la captura de conocimiento y el modelado de procesos de negocio. Está implementado en Java.
  • El motor de conocimiento incremental de Ballarat (BIKE) es una implementación integral de código abierto en C++ . Incluye complementos para RDR de clasificación única y de clasificación múltiple.
  • Pacific Knowledge Systems (PKS) utiliza un producto comercial llamado RippleDown Expert que se basa en reglas de propagación descendente de clasificación múltiple.
  • El software de minería de datos Weka, escrito en Java , cuenta con una versión de Induct RDR llamada Ridor. Esta versión aprende reglas a partir de un conjunto de datos con el objetivo principal de predecir una clase dentro de un conjunto de prueba.
  • Kit de herramientas RDRPOSTagger: Reglas de clasificación única en cascada para el etiquetado de partes del discurso.
  • Kit de herramientas RDRsegmenter: Reglas de clasificación única en cascada para la segmentación de palabras

Véase también

Referencias

  • Nguyen, Dat Quoc; Nguyen, Dai Quoc; Pham, Son Bao (2017). "Reglas de propagación para la respuesta a preguntas". Semantic Web . 8 (4): 511– 532. arXiv : 1412.4160 . doi : 10.3233/SW-150204 .
  • Nguyen, Dat Quoc; Nguyen, Dai Quoc; Pham, Dang Duc; Pham, Son Bao (2016). "Un enfoque de aprendizaje robusto basado en transformaciones que utiliza reglas de propagación descendente para el etiquetado de partes del discurso". AI Communications . 29 (3): 409– 422. arXiv : 1412.4021 . doi : 10.3233/AIC-150698 .
  • "BEST RDR (Mejor técnica de sistema experto: reglas de propagación descendente)" . Sistemas y publicaciones RDR disponibles . Consultado el 15 de febrero de 2013 .
  • "El motor de conocimiento incremental de Ballarat" . Introducción . Consultado el 27 de septiembre de 2010 .
  • R. Dazeley, P. Warner, S. Johnson y P. Vamplew (2010). "El motor de conocimiento incremental de Ballarat". 11.º Taller Internacional sobre Gestión y Adquisición de Conocimiento para Sistemas y Servicios Inteligentes (PKAW 2010) . págs. 195–207 . doi : 10.1007/978-3-642-15037-1_17 . {{cite conference}}: CS1 maint: varios nombres: lista de autores ( enlace )
  • D. Richards (2009). "Dos décadas de investigación sobre reglas de propagación descendente". Knowledge Engineering Review . 24 (2): 159– 184. doi : 10.1017/S0269888909000241 . S2CID 6183087 . 
  • P. Compton y R. Jansen (1988). "Conocimiento en contexto: una estrategia para el mantenimiento de sistemas expertos". Actas de la Segunda Conferencia Conjunta Australiana sobre Inteligencia Artificial . págs. 292–306 . 
  • P. Compton y R. Jansen (1990). "Una base filosófica para la adquisición de conocimiento". Adquisición de conocimiento . 2 (3): 241– 257. CiteSeerX 10.1.1.31.7340 . doi : 10.1016/S1042-8143(05)80017-2 . 
  • K. Horn, L. Lazarus, P. Compton y JR Quinlan (1985). "Un sistema experto para la interpretación de análisis tiroideos en un laboratorio clínico". Aust Comput J. 17 : 7–11 .{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )
  • Kit de herramientas RDRPOSTagger
  • Kit de herramientas RDRsegmenter