Introducción a la Ingeniería del Conocimiento

Tema 1: Introducción a la Ingeniería del Conocimiento

• La Ingeniería del Conocimiento (IC) busca integrar el conocimiento en sistemas informáticos para resolver problemas complejos que requieren experiencia humana.
• Es una rama de la Inteligencia Artificial (IA) que se centra en el diseño y desarrollo de Sistemas Expertos (SE) que imitan el razonamiento humano en un dominio concreto.
• El objetivo principal de la IC es reducir el esfuerzo y tiempo necesarios para resolver problemas complejos y de gran escala.

Objetivos de la Ingeniería del Conocimiento (IC)

• Comprender qué es la Ingeniería del Conocimiento.
• Conocer el rol del Ingeniero del Conocimiento.
• Conocer los conceptos básicos de datos e información y cómo se relacionan con el conocimiento.
• Conocer los fundamentos de la Inteligencia Artificial.
• Conocer los principios de los Sistemas Basados en Conocimiento.
• Identificar posibles entornos de desarrollo para implementar sistemas de conocimiento.

Contenido de la Ingeniería del Conocimiento

• Introducción a la IC.
• El Ingeniero del Conocimiento y sus responsabilidades.
• Datos e Información.
• Inteligencia Artificial.
• Sistemas Basados en Conocimiento.
• Entorno de desarrollo.

Metodología de la Ingeniería del Conocimiento

• Captación y modelado formal del conocimiento.
• Obtener el conocimiento.
• Estructurar el conocimiento.
• Formalizar el conocimiento
• Diseño e implementación de software para tareas complejas de alto componente cognitivo (Sistemas Basados en el Conocimiento (SBC).
• ¿Quién lleva a cabo estas tareas?: el Ingeniero del Conocimiento.

Objetivos de la IC

• Extraer el conocimiento del experto humano.
• Transferir el conocimiento al experto humano a las bases de conocimiento (BC).
• El experto debe describir qué reglas aplicar, conceptos relevantes y cómo se relacionan (lenguaje natural a representaciones formales).
• Los expertos, ingenieros y desarrolladores deben tener un punto de vista común del problema y un vocabulario común.

Tareas de la Ingeniería del Conocimiento

• Identificar el problema.
• Adquirir el conocimiento.
• Representar el conocimiento.
• Desarrollo de entornos de trabajo.
• Implementación en un SBC (Inferencia, análisis, diagnóstico, explicación, entrenamiento)
• Prueba y validación del SBC.
• Integración y mantenimiento del SBC.
• Revisión y evaluación del SBC.

Pilares Fundamentales de la Inteligencia Artificial (IA)

• Metodologías de Ingeniería de Software: Analizar, requisitos, desarrollo, implantación y mantenimiento.
• Herramientas de Inteligencia Artificial: Sistemas de producción, redes bayesianas, razonamiento basado en casos, redes neuronales, algoritmos genéticos y evolutivos, algoritmos de aprendizaje.
• Aplicaciones de Conocimiento Experto: Sistemas expertos, sistemas de diagnóstico, sistemas de análisis de requisitos y sistemas de predicción.

Herramientas de la IC

• Minería de datos: Extraer información predictiva de datos.
• Redes neuronales: Estimar relaciones entre los datos basándose en funciones.
• Sistemas Expertos: Utilizar reglas, conocimiento y relaciones entre datos.

Retos de la IC

• Dificultad para la captura y representación de la información compleja y el conocimiento.
• Diversas fuentes de conocimiento que pueden ser contradictorios o incompletos.
• Las respuestas de los expertos pueden ser inseguras o inconexas, y su grado de confianza variado.
• La variedad de representaciones.
• El conocimiento puede evolucionar continuamente; nuevos conocimientos a incorporar y los expertos que lo revisen.

Fases de la IC

• Adquisición del conocimiento (fuente de conocimiento).
• Representación del conocimiento (base de conocimiento).
• Validación del conocimiento.
• Inferencia.
• Explicación y justificación.

El Ingeniero del Conocimiento:

• Desarrollar sistemas expertos reuniendo el conocimiento de los expertos humanos y codificándolo de forma sistemática.
• Los ingenieros del conocimiento son especialistas en sistemas expertos, productividad y precisión; ayudan a lograr altos niveles de eficiencia.
• Responsabilidades: Evaluación del problema, obtención del conocimiento, creación de la estructura y validación del sistema.
• Tareas: desarrollar, mantener y mejorar el conocimiento, interpretar datos, procesar conocimiento, clasificar acontecimientos, identificar errores, apoyar iniciativas, predecir y trabajar con expertos.
• Habilidades: Análisis, lenguajes de programación (Python, Java, Clojure, React), infraestructuras de hardware y software (LAMP - Linux, Apache, MySQL, PHP), marcos como ITIL, habilidades sociales, comunicación eficaz y razonamiento lógico.
• Destrezas: Lenguajes de programación, desarrollo de bases de datos, gestión de entregas de aplicaciones, ingeniería del conocimiento (SQL, RDF, SPARQL, OWL), inteligencia de negocios (BI).
• Formación: Título universitario en TI (Ingeniería Informática, Telecomunicaciones, Ciencia de Datos), Experiencia laboral como programador, administrador de sistemas o bases de datos relacionales, IA, desarrollador de Inteligencia Artificial o lingüista computacional.

Datos vs Información vs Conocimiento

• Datos: Hechos recolectados en la organización que aún no han sido procesados.
• Información: Datos procesados, agregados y presentados de manera útil para la organización.
• Conocimiento: Mezcla de experiencia, valores, información y know-how para incorporar nuevas experiencias e información para la acción.

Big Data

• Conjuntos masivos de datos complejos, que requieren aplicaciones de procesamiento informático para su gestión.
• Desafíos en adquisición y procesamiento adecuados considerando la complejidad y las imprecisiones de la información.

La Importancia de los Datos en Proyectos de IA

• Datos inadecuados conducen a información y conocimiento incorrecto.
• Los datos son esenciales para cualquier proyecto de IA.
• Técnicas de IA potentes pero con datos malos no generan resultados óptimos.

Inteligencia Artificial (IA)

• IA: máquinas que imitan la capacidad de razonar de los humanos.
• Machine Learning (ML): subconjunto de IA donde las máquinas aprenden de datos para reconocer patrones y hacer predicciones.
• Deep Learning (DL): subconjunto de ML donde las máquinas aprenden de manera autónoma a razonar y sacar sus propias conclusiones.

IA en los Sistemas Basados en el Conocimiento (SBC)

• Es importante desarrollar técnicas de IA adecuadas al problema para obtener conocimiento a partir de los datos.
• Si las técnicas de IA no son lo suficientemente buenas, los SBC no funcionarán correctamente.

Sistemas Basados en el Conocimiento (SBC)

• Herramientas de IA que proporcionan decisiones inteligentes en un dominio específico mediante una representación simbólica del conocimiento humano.
• Componentes: Base de Conocimiento, Motor de Inferencia, Memoria de Trabajo, Módulo de Explicación e Interfaz gráfica.
• Tipos de SBC: Pizarra, Basado en Casos, Clasificación, Sistemas expertos, sistemas de tutoría inteligente y sistemas de diagnóstico médico.

SBC vs Sistemas Convencionales

• Estructura: Separación de conocimiento y control (SBC) vs combinación de datos y algoritmos (SI); explicación de resultados no siempre disponible en SI.
• Tipos de problemas: Problemas mal definidos (requieren conocimiento heurístico, SBC) vs problemas bien definidos (resueltos por algoritmos, SI).
• Estrategias de resolución: Métodos declarativos (SBC), métodos procedimentales (SI).
• Conocimiento e Información: Conocimiento tácito, basado en experiencia (SBC) vs Conocimiento algorítmico basado en algoritmos (SI).

Ventajas de los SBC

• Mantenimiento y reutilización del conocimiento.
• Resolución rápida de problemas complejos.
• Gestión de la incertidumbre.
• Explicación del razonamiento.
• Reducción de costes.
• Aumento de la fiabilidad.
• Modularidad y disponibilidad.
• Experiencia múltiple de expertos.

Inconvenientes de los SBC

• Dificultad en la adquisición del conocimiento y representación abstracta efectiva del conocimiento humano.
• Imposibilidad de simular creatividad y sentido común.
• Obstacles para el aprendizaje y adaptación.

SBC vs Sistemas Expertos (SE)

• SBC: conocimiento no necesariamente experto.
• SE: conocimiento experto + interacción.

Entorno de Desarrollo para la ingeniería del conocimiento

• Python >= 3.10
• CUDA
• cuDNN
• Anaconda
• Google Colaboratory
• Kaggle
• Librerías: Numpy, Pandas, Scikit-learn, TensorFlow, Keras, Matplotlib.

Este cuestionario aborda los conceptos fundamentales de la Ingeniería del Conocimiento, una rama de la Inteligencia Artificial. Exploraremos el rol del Ingeniero del Conocimiento, así como los principios de los Sistemas Basados en Conocimiento. Además, se examina la relación entre datos, información y conocimiento para entender mejor la resolución de problemas complejos.