Representación del Conocimiento

REPRESENTACIÓN DEL
CONOCIMIENTO

“El conocimiento es el lenguaje que nombra y describe” (Wittgenstein)

“La ciencia es conocimiento organizado” (Herbert Spencer)

“El conocimiento es lingüístico” (Peirce)

La Escala “Dato – Información – Conocimiento”
La triada “Dato - Información - Conocimiento” constituye una escala de semántica creciente, desde lo superficial a lo profundo, desde la forma al fondo. Dado que la semántica es inexpresable, existe una cierta frontera difusa entre estos tres conceptos. No obstante, podemos señalar las características principales de cada uno de ellos:

Dato

En general, un dato es un valor aislado o es el valor de un atributo o predicado de una cierta entidad desconocida. El valor puede ser cuantitativo o cualitativo, con o sin unidad (en el caso de valor numérico). Por ejemplo: el dato “33” no sabemos si se trata de la edad de alguien, de una temperatura, una longitud, una velocidad, etc.; el dato “azul” no sabemos si es el color de algo, un ejemplo de palabra de 4 letras, etc. Y si conocemos el valor numérico y la unidad (es decir, tenemos una magnitud), no sabemos a qué entidad corresponde. Por ejemplo, 1, 80 metros puede ser la altura de una persona, el ancho de un armario, etc.

Información

Una información es un dato (o conjunto de datos) con contexto, con referencia, asociado a una entidad concreta. Información = dato + interpretación. Por ejemplo: “Pepe tiene 33 años”, “la temperatura en esta habitación es de 33 grados”, “mi velocidad es de 33 Kms/hora”, etc.

Conocimiento

El conocimiento corresponde a lo más alto de la escala semántica. Como la semántica no se puede definir, tampoco se puede definir lo que es el conocimiento. Ocurre lo mismo que con la conciencia, la verdad y la vida.

Podemos decir que el conocimiento es la interpretación subjetiva de la información. El conocimiento es una información (o conjunto de informaciones) con significado, que se interioriza, interpreta o evalúa de forma subjetiva dentro de un contexto. Cuando el conocimiento se hace explícito, se convierte en un conjunto de informaciones interrelacionadas.

La representación del conocimiento

La representación del conocimiento se utiliza principalmente en los llamados “sistemas expertos”. Un sistema experto es un sistema que recoge el conocimiento de un experto (o conjunto de expertos) en un dominio determinado. Suelen estar basados en reglas.

Algunos ejemplos de sistemas expertos son: Dendral (el primer sistema experto para ayuda en la identificación de estructuras moleculares de sustancias desconocidas), Macsyma (manipulación simbólica de expresiones matemáticas), Mycin (diagnóstico y tratamiento de enfermedades de la sangre), Prospector (búsqueda de yacimientos geológicos), KRM (dinámica no-lineal), ARIS (recursos de información aeroportuaria), etc.

Conocimiento vs. Información

Hay muchos aspectos diferenciadores entre conocimiento e información.

La información es siempre específica, basada en hechos o eventos determinados (por ejemplo, “esta mesa es verde”). El conocimiento es genérico, basado en patrones o en mecanismos de tipo general (por ejemplo, “todos los hombres son mortales”).
La información es externa, superficial. El conocimiento es profundo, interno; está asociado a la conciencia, a la unión o conexión entre lo interno (el mundo subjetivo) y lo externo (el mundo objetivo).
La información es objetiva; la interpretación es siempre la misma para todos los observadores. El conocimiento es subjetivo, es la información interpretada subjetivamente.
La información es pública. El conocimiento es privado. Información es lo que sabemos. El conocimiento es lo que uno sabe.
Una información está desconectada de otras informaciones. Una unidad de conocimiento, en general, interrelaciona informaciones.
La información acaba en sí misma, no produce más informaciones. Con el conocimiento se puede razonar y realizar inferencias que generen informaciones o conocimientos más detallados.
La información no requiere de un lenguaje formal. Basta con un lenguaje limitado, específico, más o menos informal. El conocimiento, para ser expresado, requiere un lenguaje formal, de tipo general, completo, con su sintaxis y su semántica, capaz de representar todos los tipos de informaciones de un cierto dominio.
La información se representa de una sola forma única o de formas muy limitadas. El conocimiento se puede representar de muchas formas: atributos (o predicados), reglas, marcos, guiones, redes semánticas, etiquetas, etc.
La información se puede procesar. El conocimiento se puede gestionar. Gestionar el conocimiento significa: recuperar o acceder, seleccionar, modificar, considerar aspectos del conocimiento, etc.
La información se integra en los Sistemas de Información. El conocimiento se integra en los Sistemas de Gestión del Conocimiento.
La información que se procesa está ligada exclusivamente a la informática. El conocimiento es transdisciplinario, pues puede utilizarse en multitud de dominios: inteligencia artificial, lingüística, ciencia cognitiva, etc.
La información es concreta, específica. El conocimiento es genérico o abstracto.
La información está asociada al mundo real. El conocimiento no está asociado forzosamente al mundo real; puede ser virtual, imaginativo, especulativo, posible, etc.

Metadato, Metainformación y Metaconocimiento

Un metadato es un dato aplicado a un dato. Por ejemplo, en “azul oscuro”, “oscuro” es un dato aplicado al dato “azul”.

Una metainformación es una información aplicada a una información. Por ejemplo, en “33 frutas, 12 son manzanas”, “12 manzanas” es una metainformación de la información “33 frutas”. Y en “Juan tiene dos hijos”, una metainformación sería decir que sus hijos se llaman Elena e Iván.

Un metaconocimiento es un conocimiento que se refiere a otro conocimiento. Por ejemplo, puede referirse a la evaluación del conocimiento, cómo utilizar el conocimiento, su prioridad o peso, etc.

El Problema de la Representación del Conocimiento
En el área de la representación del conocimiento podemos distinguir los siguientes problremas:

Diversidad de paradigmas.
El tema de representación del conocimiento es uno de los temas centrales en IA (inteligencia artificial), pues constituye el fundamento necesario para la resolución de los problemas que se plantean en esta área.

La representación del conocimiento es un tema transdisciplinario, pues trasciende todos los dominios, constituyendo el elemento de unión de los diferentes dominios. Afecta, no solo a la IA, sino también a la psicología cognitiva,a la filosofía (epistemología), a la lingüística (psicolingüística), etc.

El problema es que hasta ahora no se ha definido claramente qué es exactamente el conocimiento. Y como resultado de este desconocimiento se han propuesto numerosos y diversos lenguajes y sistemas de representación del conocimiento, cada uno con su particular concepción o paradigma de lo que es el conocimiento, incluyendo los basados en matemática y lógica.
Diversidad de lenguajes y sistemas de representación del conocimiento.
El resultado de la diversidad de paradigmas ha sido una torre de Babel, tanto en lenguajes como en sistemas. Nos encontramos así con una situación similar a la de los lenguajes de programación y sus diferentes paradigmas.

Entre estos lenguajes o sistemas están: CYC, LOOM, KOS, KRL, SOAR, SHRDLU y LOOP. Unos son de representación del conocimiento de sentido común, otros incorporan mecanismos generales de razonamiento o inferencia, algunos son multiparadigma, etc.

Y la solución ideal a este problema es que hubiera un lenguaje o sistema estándar de representación del conocimiento que permita expresar todos los diferentes paradigmas.

Ante la diversidad de lenguajes y sistemas de representación del conocimiento, la pregunta es: ¿Existe un lenguaje universal que nos permitan representar todo tipo de conocimiento y en todo tipo de dominios? Es decir, los sistemas concretos de representación del conocimiento ¿pueden ser como casos particulares de ese lenguaje universal de representación del conocimiento?

La elección de un buen lenguaje de representación del conocimiento es vital para que ciertos problemas sean más fáciles de abordar y resolver. Un ejemplo paradigmático a medio camino entre información y conocimiento es el sistema indo-arábigo de representación numérica, mucho más simple e inteligible que la numeración romana, y mucho más sencillo a la hora de realizar cálculos aritméticos.
Niveles de realidad.
Un sistema de representación del conocimiento es un mapa de una cierta realidad. El mapa es una abstracción, una simplificación que solo considera los aspectos o características particulares de interés. El mapa es otro tipo de realidad, del que podríamos hacer otro mapa (mapa de orden 2), y así sucesivamente. El problema es la representación de los niveles de realidad.
La representación interna del conocimiento.
El principal problema que tiene planteada la psicología cognitiva es el tema de cómo se almacena o representa el conocimiento a nivel interno o mental. La llamada “hipótesis de representación interna del conocimiento” es la hipótesis de que la mente o el cerebro humano representa internamente el conocimiento de alguna manera, y que ese conocimiento se puede hacer explícito a nivel formal y externo. También la psicología cognitiva investiga cómo se almacenan los sonidos, los colores, los olores, las formas, las emociones, las ideas abstractas, etc.
La representación del sentido común.
Un aspecto especialmente importante es la representación del conocimiento de sentido común. El sentido común es un conocimiento genérico, transdisciplinario y muy relacionado con la conciencia.

Sistemas de Representación del Conocimiento

Existen numerosos sistemas de representación del conocimiento. Destacan los siguientes:

Marcos

Los marcos (frames), propuestos por Marvin Minsky en 1975 son el sistema de representación del conocimiento que han tenido históricamente mayor nivel de aceptación.

Sus características son las siguientes:

Un marco representa una entidad y pretende expresar lo que se conoce de esa entidad mediante la representación de una situación típica o estereotipada. Por ejemplo, hacer una visita a un enfermo, acudir a una fiesta de cumpleaños, entrar en un restaurante, etc. Incluye información sobre cómo manejar la situación y qué hacer en el caso de que la situación no se ajuste a las expectativas.
Un marco tiene un nombre asociado y está constituido por un conjunto de atributos o campos (slots). Cada slot contiene uno o varios valores asociados, valores posibles (las condiciones que deben satisfacer los datos) y valores por defecto.
Se pueden asociar procedimientos y disparadores (triggers) a un marco o a alguno de sus componentes (slots). Los disparadores se activan (se ejecutan) automáticamente en función de ciertos eventos (definidos mediante reglas), como cuando se cambia el valor de un atributo.
Los marcos se estructuran de forma jerárquica, donde los inferiores heredan los slots y los valores de los marcos superiores. Los marcos superiores tienen información típica, general, poco variable, mientras que los inferiores tienen información más específica. Hay marcos genéricos (clases) y marcos particulares (instancias).
Una base de conocimientos basada en marcos es una colección de marcos organizados jerárquicamente. La base de conocimientos es modular, pues está organizada en componentes claramente diferenciados, que son los marcos.
Herencia. Los marcos están conceptualmente relacionados, permitiendo que los atributos de los marcos sean heredados de otros marcos superiores en la jerarquía.

Un objeto (en POO, programación orientada a objetos) es muy similar a un marco. Los objetos tienen propiedades, que son atributos y métodos internos. Un objeto puede compartir (heredar) propiedades (atributos y métodos) de los objetos de un nivel superior. Los objetos se comunican mediante mensajes. Cada mensaje hace reaccionar al objeto, a nivel interno, externo o ambos. Análogamente, los marcos tienen asociados propiedades, que son los atributos (slots), los procedimientos y las reglas.

Desde la formulación teórica de Minsky, se han realizado diversas implementaciones de los marcos, como KL-ONE, KRL, OWL y CLASSICS. KL-ONE es el más relevante. CLASSICS es un descendiente de KL-ONE.

Minsky admitía que los marcos no constituyen una teoría completa, pero que los marcos pueden explicar muchas características de la conciencia humana. Por ejemplo, que la inteligencia consiste en seleccionar en cada nueva situación el marco general más adecuado y adaptarlo cambiando los detalles. Y que el aprendizaje consiste en la construcción de nuevos marcos.

Redes semánticas

Una red semántica es un conjunto de nodos y arcos. Cada nodo representa una entidad, que puede ser una acción, un atributo, un evento, una estructura, una clase, un marco, etc. Un arco es una relación entre dos nodos (entidades). Hay muchos tipos de relaciones, entre las que están:

IS-A (es un/una). Es una relación de pertenencia. Indica que un nodo (entidad) pertenece a una clase.
HAVE-A (tiene un/una). Es una relación de propiedad. Indica que un nodo (entidad) tiene una cierta característica o propiedad.

Una red semántica es diferente de un grafo. Un grafo es una estructura de datos. Una red semántica es un sistema de representación del conocimiento. Por lo tanto, una red semántica tiene mayor nivel semántico que un grafo.

En una red semántica, la red puede ser jerárquica (una jerarquía taxonómica) o relacional. En la jerárquica hay un nodo superior (top) al que se le asigna uno o varios nodos hijos, que a su vez tienen otros nodos hijos y así sucesivamente hasta que se alcanza el final (bottom), cuyos nodos pueden ser o bien entidades o bien instancias de entidades.

El concepto de herencia es fundamental en las redes semánticas jerárquicas. Las propiedades de un nodo se basan en las propiedades de los nodos superiores de la jerarquía.

El tipo de red semántica más corriente es el de red IS-A. De hecho, muchas veces se menciona este tipo como sinónimo de red semántica. Una red IS-A es una jerarquía taxonómica constituida por un sistema de enlaces de jerarquía y herencia entre los nodos. Las taxonomías clásicas naturales son un buen ejemplo: un perro es un cánido, un cánido es un mamífero, un mamífero es un animal.

Las redes semánticas IS-A son muy flexibles, pero los investigadores de IA han puesto de manifiesto algunos problemas y desventajas importantes, entre los que cabe destacar los siguientes:

La elección de los nodos y los arcos de la red semántica es crucial en la fase de análisis. Una vez se ha decidido una estructura determinada, es muy difícil modificarla.
Dificultad para expresar cuantificación. Por ejemplo en expresiones tales como "algunos pájaros vuelan" o "todos los pájaros pían".
Dificultad para representar la dimensión intencional. Por ejemplo en proposiciones tales como "Pedro cree que Ana sabe conducir".
No tienen capacidad de procesamiento.

Marcos vs. Redes semánticas

Existen coincidencias y diferencias entre las redes semánticas y los marcos:

Ambos sistemas son redes formados por nodos y relaciones entre nodos. En la red semántica las relaciones se establecen entre dos nodos. En la red de marcos, las relaciones van asociadas a los slots de los marcos.
Las redes semánticas pueden ser jerárquicas o no. Las redes de marcos son jerárquicas.
La estructura de los nodos de la red de marcos es más rica que la de los nodos de las redes semánticas.
La red de marcos permite detectar y procesar eventos. La red semámtica no.
La herencia en las redes semánticas es monotónica. La herencia en marcos puede ser no-monotónica, es decir, un nodo puede heredar o no los slots de un nodo superior, según lo que se especifique.

En general, la red basada en marcos es la que ha recibido más atención, tanto a nivel teórico (ciencia cognitiva y lingüística) como práctico, por su flexibilidad y sus posibilidades.

Ontologías

Una ontología es un conjunto de conceptos y de relaciones entre esos conceptos. Esas relaciones incluyen restricciones de consistencia del sistema. Por ejemplo, en el mundo de los bloques, los conceptos son “bloque” y “suelo”, y la relación “sobre”. Un bloque está sobre otro bloque o sobre el suelo. Un bloque no puede estar sobre sí mismo.

Actualmente, la representación del conocimiento se ha reorientado hacia el amplio dominio de las ontologías. La mayoría de los lenguajes de ontologías son de tipo declarativo, y están basados, en mayor o menor medida, en marcos o en la lógica de predicados de primer orden.

Los nuevos desarrollos de lenguajes y sistemas de representación del conocimiento con ontologías se han reorientado hacia la Web. Hacen uso de los estándares XML, XML Schema, RDF, RDF Schema, así como lenguajes de ontologías Web como Web Ontology Language.

XML es un sistema de representación sintáctica de bajo nivel basado en etiquetas. Es una versión simplificada de SGML para la Web. Codifica las relaciones binarias objeto-valor. Por ejemplo, en “color azul”, “color” es el objeto y “azul” es el valor.
XML Schema define una estructura de documentos (o estructuras en general) codificados con XML. Define qué tipo de elementos puede contener un documento XML y su estructura.
RDF (Resource Description Framework. Marco de Descripción de Recursos) es un lenguaje para definir relaciones entre objetos y metadatos. Codifica las relaciones ternarias sujeto-propiedad-objeto o entidad-atributo-valor (también llamadas “triples”). El sujeto indica el recurso. La propiedad (o predicado) es un aspecto del recurso que expresa una relación entre sujeto y objeto. Por ejemplo, en “el cielo es de color azul”, “el cielo” es el sujeto, “color” es la propiedad y “azul” es el objeto.
RDF Schema es una extension semántica de RDF. Es un lenguaje básico para definir ontologías.
Las ontologías se sitúan conceptualmente en una capa superior a RDF y RDF Schema.

Sistemas de producción

Un sistema de producción se basa en el paradigma de la programación lógica. Se compone de una base de hechos (conocimiento específico) y una base de reglas (conocimiento genérico) del tipo “condición → acción”.

Para inferir nuevos conocimientos mediante reglas hay dos mecanismos:

Inferencia (o encadenamiento) hacia adelante (forward chaining). Es el modus ponens generalizado: a partir de hechos y reglas, se obtienen nuevos hechos, y a partir de de los hechos deducidos se obtienen nuevos hechos, y así sucesivamente hasta agotar todas las posibilidades de inferencia.
Inferencia (o encadenamiento) hacia atrás (backward chaining). Es el proceso inverso al anterior. Va desde un posible hecho a su validación por las reglas existentes.

Ventajas: Las reglas son independientes entre sí, son simples y se actualizan fácilmente.

Inconvenientes: Se requieren muchas reglas, necesita un motor de inferencia, y no permite herencia ni compartición en general.

Prolog es el lenguaje de programación lógica más conocido.

MENTAL, un Lenguaje Universal para Representación del Conocimiento
MENTAL, como lenguaje de representación del conocimiento, resuelve la problemática planteada anteriormente:

Universalidad.
Por su flexibilidad, MENTAL permite representar el conocimiento utilizando diferentes paradigmas: redes semánticas, marcos, ontologías, eventos, predicados (o atributos), reglas, etc. Todos los sistemas específicos de representación del conocimiento derivan de MENTAL, que es un lenguaje de representación universal.
Teoría y práctica.
MENTAL es una teoría y una práctica de representación del conocimiento, así como un modelo universal de la realidad interna (mental) y externa (física). MENTAL es autosuficiente como teoría (y práctica) de la representación.
La tesis de MENTAL.
La tesis es que conocimiento es todo lo que es representable mediante las primitivas de MENTAL, que son los arquetipos primarios presentes en la realidad interna y externa.

La tesis de Church-Turing se refiere a la computación exclusivamente, que es un tipo de información o conocimiento. La tesis de MENTAL es más general, pue se refiere a todo tipo de conocimiento.
La unión lenguaje - sistema.
Con MENTAL se diluye la distinción entre lenguaje de representación del conocimiento y sistema de representación del conocimiento, de la misma manera que se diluye la distinción entre lenguaje de programación y sistema operativo.
La escala “dato - información - conocimiento”.
Esta escala se amplía con “sabiduría” y “trascendencia”. Cuanto más profundo es un conocimiento, más importante es. La sabiduría es el conocimiento general común a varios dominios diferentes. La trascendencia es un punto de vista privilegiado desde donde se contempla la unidad esencial de todas las cosas. MENTAL implica sabiduría y una visión trascendente de lo real y lo posible.
Unión de opuestos.
MENTAL contempla los opuestos para permitir representar todo tipo de conocimiento: genérico y específico, descriptivo y operativo, cualitativo y cuantitativo, abstracto y concreto, preciso y difuso, etc. Con MENTAL, utilizamos los mismos recursos semánticos del mundo interno (mental) para representar el mundo externo (físico). Por medio de la abstracción nos conectamos con la esencia de las cosas y con la esencia de la información y del conocimiento. A nivel abstracto hay equivalencia entre ontología y epistemología, entre la representación y lo representado, entre mapa y realidad.
Niveles meta.
MENTAL permite representar datos, información y conocimiento, así como niveles meta: meta-datos, meta-información y meta-conocimiento, así como niveles meta de orden superior.
Granularidad.
MENTAL permite representar el conocimiento con el grado de detalle (granularidad) que se desee.
Modularidad.
MENTAL permite, si se desea, modularizar o fragmentar el conocimiento en unidades interrelacionadas.
Ontologías.
MENTAL permite trabajar fácilmente con ontologías porque MENTAL es una ontología-epistemología universal. MENTAL es también una meta-ontología que permite construir ontologías particulares. De la misma manera que es una gramática/lenguaje universal que permite construir gramáticas y lenguajes particulares.
La cuestión de la representación interna del conocimiento.
Con MENTAL se resuelve este problema. El conocimiento, tanto interno como externo, se expresa mediante los arquetipos primarios. Hay isomorfismo entre representación del conocimiento y realidad.
Representación del conocimiento de sentido común.
El tema de la representación del conocimiento de sentido común ha sido, paradójicamente, uno de los más difíciles en IA. MENTAL es un lenguaje de sentido común que permite representar este tipo de conocimiento de manera sencilla e intuitiva.
Simplicidad.
MENTAL es un lenguaje de economía cognitiva, pues se basa solo en 12 primitivas semánticas universales o arquetipos primarios.
Gestión del conocimiento.
La gestión del conocimiento (modificar, añadir, eliminar, seleccionar aspectos del conocimiento, etc.) se puede realizar también con MENTAL, pues la gestión de conocimiento es también conocimiento ( o metaconocimiento).
Inferencias.
MENTAL no necesita motor de inferencia hacia adelante porque ya tiene la inferencia automática con el encadenamiento hacia adelante. El motor de encadenamiento hacia atrás no es necesario, pues todas las inferencias posibles se realizan de forma automática, estando disponibles en todo momento.
Compartición.
MENTAL dispone de un mecanismo genérico de compartición, un mecanismo superior a la herencia tradicional, que está limitada a estructuras jerárquicas.
Modelado del conocimiento.
Hay un área llamada “Knowledge Modeling” (KM) (Modelado de Conocimiento)), que es un enfoque trans/interdisciplinario para representar el conocimiento de forma que sea reusable y compartido por los diferentes dominios y para simular inteligencia. Es un tema clave en IA y en ciencia cognitiva.

MENTAL es un sistema que permite modelar el conocimiento de cualquier sistema, porque es universal, independiente del dominio. Es abierto, flexible y creativo.
Lenguaje de la conciencia.
En MENTAL, el conocimiento está ligado a la conciencia, a través de los arquetipos primarios.
Nuevas posibilidades.
Con MENTAL se abren posibilidades insospechadas, como modificar una regla en función de ciertas circunstancias, crear nuevas reglas dinámicamente, etc.

Ejemplos

La relación IS-A (x es y) de las redes semánticas es una relación binaria tipo sujeto-predicado y se expresa simplemente como x/y, en donde x es el sujeto, e y es el predicado. Ejemplos:

Socrátes/hombre

azul/color

gato/mamífero

La relación HAVE-A (x tiene la propiedad y) de las redes semánticas es una relación ternaria de la forma x/(propiedad/y). Ejemplos:

gato/(color/negro)

mesa/(NroPatas/3)

Adenda
MENTAL, una lengua Tertium Comparationis para traducción

“Tertium Comparationis” significa en latín “la tercera (parte) de la comparación”. Es la cualidad que dos cosas tienen en común al compararlas. MENTAL se puede utilizar como lengua intermedia para representar la estructura común entre diferentes lenguas, para el proceso de traducción (especialmente automática) de un texto en una lengua A en otra lengua B.

Normalmente la traducción de un texto de una lengua a otra se realiza desde el nivel superficial. Con MENTAL se pasa el texto de la lengua A a un nivel profundo (el código MENTAL), para luego “emerger” en otra lengua B. El nivel profundo de MENTAL, junto con su flexibilidad y poder, es el que mejor puede reflejar y representar el conocimiento asociado a un texto.

Bibliografía

Fagin, Ronald; Halpern, Joseph Y.; Mose, Yoram; Vardi, Moshe Y. Reasoning About Knowledge. The MIT Press, 1995.Disponible en Internet.
Lenat, Douglas B.; R.V. Guha, R.V. Building Large Knowledge-Based Systems. Addison-Wesley, 1990.
Newell, Allen. The Knowledge Level. Artificial Intelligence 18 pp. 87-127, 1982.
Minsky, Marvin. A Framework for Representing Knowledge. En P. Winston (ed.) The Psychology of Computer Vision. McGraw-Hill, 1975. Disponible en Internet.
Sowa, John F. Knowledge Representation: Logical, Philosophical, and Computational Foundations. Brooks/Cole, 2000.
Sowa, John F. Conceptual Structures: Information Processing in Mind and Machine. Addison-Wesley, 1984.