UNIDAD 3: SISTEMAS DE PRODUCCIÓN

3.1  Representación de problemas como  sistema de producción La incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos, algoritmos genéticos y autómatas programables para optimización de sistemas de producción es una tendencia activa en el ambiente industrial de países con alto desarrollo tecnológico y con una gran inversión en investigación y desarrollo. Dichos componentes de la Inteligencia Artificial tienen como función principal controlar de manera independiente, y en coordinación con otros agentes, componentes industriales tales como celdas de manufactura o ensamblaje, y operaciones de mantenimiento    3.2   Mecanismos de inferencia El mecanismo de inferencia es la unidad lógica con la que se extraen conclusiones de la base de conocimientos, según un método fijo de solución de problemas que esta configurado imitando el procedimiento humano de los expertos para solucionar problemas.     Una conclusión se produce mediante aplicación de las reglas sobre los hechos presentes. Ejemplo. Una Regla es: Si p y q entonces r p y q son justo aquellos hechos que se mencionan en la cláusula "si" de la regla, es decir, las condiciones para la aplicabilidad de la regla. Aplicar la regla es: deducir de los hechos p y q el hecho r.    3.3  Resolución de conflictos La resolución de conflictos se aplica sobre un conjunto de reglas que pueden ser desencadenables (reglas que cazan con las condiciones pero todavía no han pasado a la memoria de trabajo (MT). Con esto se evita su almacenamiento en la MT. 1. Orden de las reglas en la base de conocimientos. 2. Reglas con mayor coeficiente de credibilidad 3. Reglas con menor número de cláusulas a instanciar. 4. Reglas con mayor número de conclusiones. 5. Reglas menos complejas. 6. Descartar las reglas ya utilizadas. 7. Reglas con mayor numero de condiciones La heurística muchas veces puede provocar que el problema no tenga solución (producto de las podas del árbol), sin embargo las sistemáticas siempre hayan la solución    3.4  Mecanismo de explicación  Los mecanismos de explicación, la parte más fascinante de los sistemas expertos, permiten a los sistemas explicar o justificar sus conclusiones, y también posibilitan a los programadores verificar el funcionamiento de los propios sistemas. Los sistemas expertos comenzaron a aparecer en la década de 1960. Sus campos de aplicación son la química, la geología, la medicina, la banca e inversiones y los seguros.      3.5  Busquedas Las técnicas de solución de problemas en IA, en general, incorporan un proceso de búsqueda. Todo proceso de búsqueda puede ser visualizado como el recorrido por un árbol en el que cada nodo representa un estado y cada rama representa las relaciones entre los estados cuyos nodos conecta. A continuación se describen los algoritmos de tres procesos básicos de búsqueda de soluciones en el espacio de estado. Algoritmo Generación Y Prueba (GENERATE-AND-TEST) 1. Generar una posible solución. (estado o camino) 2. Comprobar para ver si es una solución, mediante comparación con los elementos del conjunto de objetivos aceptables. 3. Si la solución ha sido encontrada salir, de otra manera, retornar al paso 1. Algoritmo Primero a lo Ancho (BREATH-FIRST) 1.Crear una variable NODE_LIST y ponerla al estado inicial. a.Remover el primer elemento de NODE_LIST, y llamarlo E. Si NODE_LIST estuvo vacía, salir. i.Aplicar la regla para generar un nuevo estado. ii.Si el nuevo estado es un estado objetivo, salir y retornar este estado. iii.Sino, añada el nuevo estado al final de NODE_LIST. b.Para cada forma en que cada regla puede ajustarse al estado descrito en E, haga lo siguiente: 2.Hasta que se encuentre el objetivo o hasta que NODE_LIST esté vacía haga lo siguiente: Algoritmo Primero en Profundidad (DEPTH-FIRST) 1.Si el estado inicial es el objetivo, salir y retornar éxito. a.Genere un sucesor E del estado inicial. Si no hay más sucesores, retorne con señal de fracaso. b.Llame recursivamente al algoritmo, esta vez con E como el estado inicial. c.Si la señal es éxito, retorne, de otra manera, continúe en este lazo. Búsqueda Heurística Para resolver muchos problemas difíciles (explosión combinatoria), es necesario muchas veces llegar a un compromiso de los requerimientos de movilidad y sistematicidad y construir una estructura de control que no necesariamente garantiza el encontrar la mejor respuesta, sino que casi siempre encuentra una buena respuesta. Una técnica heurística mejora la eficiencia del proceso de búsqueda sacrificando, usualmente, exhaustividad. Las consideraciones que sirven de soporte a un proceso de búsqueda heurística, son: Rara vez se requiere, en realidad, una solución óptima. Una buena aproximación, normalmente, sirve muy bien.  A pesar que una aproximación heurística no puede resultar muy buena en el peor de los casos, raras veces aparecen los peores casos en la práctica. El tratar de comprender por qué un heurístico funciona o por qué no funciona, a menudo conduce a una mejor comprensión del problema.    3.6 Busquedas de profundidad En inglés, depth-first search. Si el conjunto open se maneja como una lista LIFO, es decir, como un stack, siempre se estará visitando primero los últimos estados en ser generados. Esto significa que si A genera B y C, y B genera D, antes de visitar C se visita D, que está más alejado de la raiz A, o sea más profundo en el árbol de búsqueda. El algoritmo tiene en este caso la tendencia de profundizar la búsqueda en una rama antes de explorar ramas alternativas.