Languages

You are here

RSC

Razonamiento de Sentido Común

Curso optativo, 3 ECTS, 2º cuatrimestre

Profesores:
Ramón Pérez Otero 3 ECTS 30 h (responsable del curso)
Descripción:

"Un camino hacia la inteligencia artificial de nivel-humano usa lógica matemática para formalizar el conocimiento de sentido común de tal manera que se pueden resolver problemas de sentido común a través de razonamiento lógico. Esta metodología necesita comprender el mundo del sentido común suficientemente bien como para formalizar hechos sobre él y maneras para alcanzar metas en él. Basar la inteligencia artificial en la comprensión del mundo del sentido común es diferente de basarla en la comprensión de la psicología humana o de la neurofisiología. Esta aproximación a la IA, basada en lógica y en computación, es complementaria a las aproximaciones que parten del hecho de que los humanos exhiben inteligencia y exploran la psicología humana o la neurofisiología humana.
 
El conocimiento de sentido común incluye los hechos básicos sobre sucesos (incluidas acciones) y sus efectos, hechos sobre el conocimiento en sí y cómo se obtiene, hechos sobre creencias y deseos. También incluye los hechos básicos sobre  objetos materiales y sus propiedades.
 
Hay tres razones para que la IA haga énfasis en el conocimiento de sentido común en vez de en el conocimiento contenido en las teorías científicas.
 
(1) Las teorías científicas representan conocimiento compartimentalizado. Cuando se presenta una teoría científica, así como cuando se desarrolla, hay una etapa pre-científica de sentido común. En esta etapa, se decide o simplemente se consideran dados los fenómenos que van a ser cubiertos y cuál es la relación entre algunos de los términos formales de la teoría y el mundo de sentido común [...] Las técnicas de razonamiento axiomático usadas en las teorías matemáticas y lógicas dependen de que se haga esto antes. Sin embargo, un robot o un programa de un computador con inteligencia al nivel humano tendrá que hacer esto por sí mismo. Para usar la ciencia, se requiere  sentido común.
 
Una vez desarrollada, una teoría científica permanece incrustada en sentido común. Para aplicar la teoría a un problema específico, las descripciones de sentido común  deben hacerse corresponder con los términos de la teoría.
 
(McCarthy y Hayes 1969) usa el calculo situacional para insertar, por ejemplo,  fórmulas matemáticas en una formula lógica que describe la situación de sentido común.
 
(2) El razonamiento de sentido común se requiere para resolver problemas de sentido común en el mundo. Desde el punto de vista de la solución de problemas o de lograr metas, el mundo de sentido común se caracteriza por una situación informática diferente de la que se da en una teoría científica formal. En la situación informática típica de sentido común, el razonador no conoce qué hechos  son relevantes para resolver su problema. Pueden aparecer obstáculos inesperados que implican usar partes de su conocimiento que previamente no se pensaban relevantes.
 
(3) Finalmente, la metateoría informal de toda teoría científica tiene un carácter informático de sentido común. Por esto quiero decir el acto de pensar sobre la estructura de la teoría  en general y los problemas de investigación que presenta. Los matemáticos inventaron el concepto de grupo para convertir paralelismos vagos previamente entre diferentes dominios en una noción precisa. El acto de pensar sobre cómo hacer esto tiene un carácter de sentido común."
 

John McCarthy, 1989
(Traducción: R. Otero)

 
Descripción de las competencias: C1, C2, C3, C6, C7

Temario:
  • Lenguajes:
    • Lógica proposicional
      • Programas positivos
        • Forward chaining
      • El problema de la negación.
      • Lógica clásica:
        • Semántica de modelos
        • Resolución
    • Lógica de primer orden
      • Programación lógica
        • Unificación
        • SLD y SLDNF
  • Razonamiento no-monótono:
    • Teoría:
      • Circunscripción
      • Modelos estables
        • Smodels, dlv, cmodels.
      • Abducción
      • Strong Equivalence.
    • Aplicaciones:
      • Redes metabólicas.
      • Robótica: un sistema de autolocalización para un robot (Aibo, de Sony)
      • Razonamiento en juegos.
  • Dominios dinámicos:
    • Teoría:
      • El frame problem
        • La ley de inercia
        • Ramification problem
        • Qualification problem
      • Teorías de acciones
        • Predicción
        • Explicación
        • Planificación
      • Causalidad
      • Lógica de pertinencia
      • Diagnóstico mínimo en dominios dinámicos
    • Aplicaciones:
      • Sistemas expertos: Medtool
      • Semántica del lenguaje natural.
      • Diagnóstico en el trasbordador espacial.
  • Aprendizaje máquina (ILP):
    • Teoría:
      • Inverse entailment.
    • Progol, Aleph.
    • Aplicaciones:
      • Plegamiento de las proteínas.
      • Robótica: aprendizaje para un robot (Aibo, de Sony).
  • Aprendizaje en dominios dinámicos:
    • Teoría:
      • Aprendizaje de acciones en ILP (efectos directos e indirectos).
    • Aprendizaje bajo teorías no-monótonas.
    • Aplicaciones:
      • Plegamiento de proteínas.
      • Aprendizaje de  interfaces bajo el principio de satisfacción subjetiva.
Bibliografía

John McCarthy, Artificial Intelligence, Logic and Formalizing Common Sense, in Philosophical Logic and Artificial Intelligence, edited by Richmond Thomason  (Dordrecht; Kluwer Academic, 1989).
 
S. J. Russell, P. Norvig, Artificial Intelligence: A Modern Approach (Pearson Education, 2003).
 
D. Poole, A. Mackworth, and R. Goebel. Computational Intelligence: A Logical Approach. Oxford University Press, New York, 1997.
 
J. W. Lloyd. Foundations of Logic Programming.  Springer-Verlag, New York, 2nd edition, 1987.
 
McCarthy, John (1980). Circumscription | A Form of Non-Monotonic Reasoning, Artificial Intelligence, Volume 13, Numbers 1,2. (Reprinted in B. L.) Webber and N. J. Nilsson (eds.), Readings in Artificial Intelligence, Tioga, 1981, pp. 466{472; also in M. J. Ginsberg (ed.), Readings in Nonmonotonic Reasoning, Morgan Kaufmann, 1987, pp. 145{152)
 
V. Lifschitz. Circumscription, volume 3, pages 298-352. Oxford University Press, 1993.
 
Michael Gelfond and Vladimir Lifschitz. The stable model semantics for logic programming. In R. Kowalski and K. Bowen, editors, Logic Programming: Proc. of the Fifth Int’l Conf. and Symp, pages 1070–1080, 1988.
 
Katsumi Inoue. Principles of Abduction. Journal of the Japanese Society for Artificial Intelligence, 7(1):48-59, 1992.
 
A.C. Kakas, R.A. Kowalski, and F. Toni. Abductive logic programming. Journal of Logic and Computation, 2(6):719–770, 1993.
 
Pearce, D. 1997. A new logical characterisation of stable models and answer sets. In J. Dix, L. P., and Przymusinski, T., eds. Non-monotonic Extensions of Logic Programming. Proc. NMELP 96, LNAI 1216.
 
J. McCarthy and P. Hayes. Some philosophical problems from the standpoint of  artificial intelligence. In Meltzer and Michie, editors, Machine Intelligence, volume 4, pages 463-502. Edinburgh University Press, 1969.
 
N. McCain and H. Turner. Causal theories of action and change.  In Proc. of the AAAI-97, pages 460-465, 1997.
 
F. Lin. Embracing causality in specifying the indirect effects of actions.  In Proc. of the 14th IJCAI, pages 1985-1991, 1995
 
Otero, R.P.: Pertinence logic for reasoning about actions and change. Technical Report TR-AI-97-03, AILab, University of Corunna, Galicia, Spain (1997)
 
M. Otero and R. Otero. Using causality for diagnosis. In Proceedings of the 11th International Workshop on Principles of Diagnosis, 2000.
 
S. Muggleton. Inverse entailment and Progol. New Generation Computing, 13:245– 286, 1995.
 
Otero, R.: Induction of the effects of actions by monotonic methods. In: Proc. of the 13th Int. Conference on Inductive Logic Programming, ILP 03, LNAI 2835. (2003) 299–310
 
Otero, R.: Induction of stable models. In: Proc. of the 11th Int. Conference on Inductive Logic Programming, ILP 01, LNAI 2157. (2001) 193–205

Sistemas de evaluación

Método Moore (adaptado a clases teóricas):
http://www.discovery.utexas.edu/rlm/reference/mahavier1.html
 

Planificación de actividades formativas, con la dedicación estimada en horas de trabajo del estudiante:
  Actividad formativa Horas
A. Clases magistrales 20
B. Exposición oral 25
E. Prueba objetiva (alternativa a B)
D. Trabajo práctico 30
TOTAL 3 ECTS x 25 h 75
Idioma(s) empleado(s) :

-    Inglés, Castellano.