Introducción a

la representación
del conocimiento
Índice

Introducción............................................................................................... 5

Objetivos....................................................................................................... 6

1. El conocimiento.................................................................................. 7
1.1. El conocimiento en la inteligencia artificial ............................... 7
1.2. IA simbólica frente a IA subsimbólica ........................................ 8
1.3. Clasificación del conocimiento .................................................. 10
1.3.1. La jerarquía del conocimiento ...................................... 11
1.3.2. Conocimiento tácito frente a conocimiento
explícito ......................................................................... 12
1.3.3. Conocimiento declarativo frente a conocimiento
procedimental ................................................................ 15
1.3.4. Conocimiento relacional ............................................... 16
1.3.5. Conocimiento inferencial .............................................. 17
1.3.6. Conocimiento heredable ............................................... 17
1.3.7. Conocimiento lingüístico .............................................. 22

2. La representación del conocimiento............................................. 24

2.1. Esquemas de representación del conocimiento .......................... 25
2.2. Propiedades de un esquema de representación .......................... 25
2.3. Etapas de la representación del conocimiento ........................... 26
2.4. Retos de la representación del conocimiento ............................. 27
2.4.1. El problema de modelizar el mundo ............................. 28
2.4.2. El problema del sentido común .................................... 30
2.4.3. El problema del lenguaje natural .................................. 31
2.5. Los esquemas lógicos .................................................................. 32
2.5.1. La implementación ........................................................ 34
2.6. Los esquemas basados en redes .................................................. 35
2.6.1. Las redes semánticas ...................................................... 36
2.6.2. Los grafos conceptuales ................................................. 38
2.6.3. La implementación ........................................................ 39
2.7. La representación estructurada ................................................... 41
2.7.1. Los marcos ..................................................................... 41
2.7.2. Los scripts......................................................................... 45
2.8. La representación procedimental ................................................ 48
2.8.1. Las reglas de producción ............................................... 49
2.8.2. Los programas ................................................................ 51
2.9. Las ontologías ............................................................................. 51
2.10. Cuestiones para tener en cuenta ................................................ 53
2.10.1. Las relaciones ................................................................. 54
 2.10.2. Los atributos .................................................................. 55
2.10.3. Restricciones de integridad ............................................ 55
2.10.4. La elección de la granularidad ...................................... 56
2.10.5. Relaciones individuales y colectivas .............................. 56
2.10.6. El reto del conocimiento incierto y heurístico .............. 57

Ejercicios de autoevaluación.................................................................. 59

Solucionario................................................................................................ 60

Glosario........................................................................................................ 65

Bibliografía................................................................................................. 67
Introducción

En el material siguiente, se presenta una de las principales áreas de la inteli- Epistemología

gencia artificial (IA), la representación del conocimiento, que es fundamental
La epistemología es la ciencia
para la resolución de gran variedad de problemas. Esta área es muy amplia y que reflexiona filosóficamen-
alcanza tanto aspectos teóricos como los más puramente epistemológicos, e te sobre el proceso del cono-
cimiento humano y los pro-
incluso los problemas más prácticos de tratamiento de datos. Este material se blemas que se presentan en el
mismo.
centrará en la vertiente más aplicada: las estrategias que permiten codificar
el conocimiento humano para ser utilizado computacionalmente. De hecho,
pese a enfocarse en el área de la IA, los principios de la representación del co-
nocimiento se utilizan en otras subáreas de la informática como, por ejemplo,
la modelización conceptual o las bases de datos.

Tal y como indica su propio nombre, la representación del conocimiento tiene

la intención de definir mecanismos para representar el conocimiento por me-
dio de símbolos y facilitar de este modo su tratamiento. Estos mecanismos son
los encargados de nutrir sistemas inteligentes dirigidos a resolver tareas com-
plejas que requieren razonar sobre un determinado dominio de aplicación.
Muchas veces, la eficacia de los sistemas inteligentes depende de una buena
representación de los datos, de la información o del conocimiento del domi-
nio en el cual actúen. Por lo tanto, estamos ante un área clave en el campo
de la ingeniería informática.

Antes de empezar, hay que tener presente que la tarea de modelizar la realidad
es una tarea imposible con las técnicas y herramientas actuales. La realidad
tiene demasiadas variables, casos particulares y relaciones causales como para
describirla totalmente. De hecho, representar de manera eficiente tan solo una
parte de la realidad, la relevante para un problema concreto, ya es un traba-
jo de unas dimensiones astronómicas. En este material mostraremos algunos
proyectos de investigación que llevan décadas persiguiendo este objetivo tan
ambicioso.
Objetivos

Con el estudio de este módulo didáctico, alcanzaréis los objetivos siguientes:

1. Saber analizar el conocimiento por medio de la clasificación de su proce-

dencia y forma.

2. Conocer la complejidad y los límites de representar el conocimiento.

3. Conocer con detalle diferentes representaciones del conocimiento.

4. Saber exponer los conjuntos de esquemas de representación y sus princi-

pales aplicaciones.

5. Saber qué formalismo específico es más apropiado para representar cada

tipo de conocimiento.
1. El conocimiento

El término conocimiento se utiliza de manera cotidiana con un significado muy

genérico.

Conocimiento

“Hechos, información y habilidades adquiridas mediante la experiencia

o el aprendizaje para la comprensión teórica o práctica de un tema.
También, conciencia o familiaridad adquirida por la experiencia de un
hecho o una situación.” (Oxford Dictionary.)

En este apartado, estudiaremos el papel del conocimiento en un ámbito con-

creto de la informática, la inteligencia artificial, y consideraremos los diferen-
tes tipos de conocimiento que intervienen en el mismo.

1.1. El conocimiento en la inteligencia artificial

(1)
Uno de los objetivos de la inteligencia artificial (IA1) es el desarrollo de técni- IA es el acrónimo de inteligencia
artificial.
cas y métodos que permitan a un sistema informático resolver problemas de
manera inteligente, es decir, teniendo en cuenta el contexto y la información
disponible para alcanzar el objetivo deseado. Resolver este tipo de problemas
puede requerir determinadas habilidades como la capacidad de aprender, de
razonar o de planificar, entre otras.

Un requerimiento implícito en el desarrollo de un sistema inteligente es la

capacidad de representar y utilizar el conocimiento necesario para resolver el
problema tal y como lo haría un experto humano.

Ejemplo 1. Conducción de vehículos terrestres: tipo de conocimiento

Observación
requerido

Una aplicación práctica de la inteligencia artificial es el desarrollo de sistemas capaces de En este punto, y hasta que
conducir vehículos terrestres sin la supervisión de los humanos. Un sistema como este presentemos una definición
más precisa del término cono-
tiene que ser capaz de tratar e interrelacionar conocimiento de diferentes ámbitos.
cimiento, abusaremos del len-
guaje para simplificar la lectu-
a) Conocimiento sobre el propio vehículo: ra y utilizaremos la palabra co-
nocimiento cuando en realidad
• Sus características (altura, anchura, longitud, peso, etc.). nos referimos a datos o a infor-
mación.
• Su estado (velocidad, combustible disponible, número de ocupantes, carga total, po-
sibles averías, etc.).

b) Conocimiento sobre el problema de la conducción:

• Las normas del código de circulación.

• Las leyes físicas relacionadas con el movimiento, la aceleración, etc.

 c) Conocimiento sobre el entorno:

• Los otros vehículos de la vía (posición, dirección y velocidad).

• Otros objetos relevantes para la conducción (carriles, señales de tráfico, obstáculos

en la ruta, etc.).

• Las condiciones climatológicas (lluvia, nieve, niebla, etc.).

• Las condiciones de la carretera (iluminación, tipo de vía, incidencias, etc.).

Desde que en 1956 aparece el término IA en la Darmouth Conference, hasta hoy Los dominios de discurso
día, los profesionales de esta área han construido sistemas que incorporan co-
Un dominio de discurso (o
nocimiento de manera más o menos explícita. Muchos sistemas inteligentes simplemente, dominio) es un
utilizan de modo intensivo el conocimiento de algún dominio, el campo de área de conocimiento que en-
globa el conocimiento rele-
aplicación en el que definimos nuestro problema. El abanico de ejemplos es vante que queremos represen-
tar. Ejemplos de conocimiento
muy grande y variado, y tenemos como muestra sistemas de diagnosis médica pueden ser el subconjunto de
la física dinámica necesaria pa-
y de análisis lingüístico. Sin embargo, en muchos casos el conocimiento que ra entender la conducción de
contienen no está representado explícitamente, algo que no lo hace ni exten- los vehículos, información so-
bre las funciones de un vehícu-
sible ni manipulable. lo, sobre su interfaz, etc.

Ejemplo 2. Jugar al ajedrez: el uso de la fuerza bruta frente al uso de

conocimiento

Un programa informático que juega al ajedrez puede intentar encontrar la mejor jugada
en cada posición utilizando únicamente “la fuerza bruta”: probando un gran número
de combinaciones de jugadas. No obstante, el programa resultará mucho más efectivo
si es capaz de reconocer y aprovechar conceptos del ajedrez como por ejemplo el de
apertura, final de rey y peones o jaque mate con torre y rey. En estos casos, y aprovechando
este conocimiento, el programa podría ajustar su proceso de búsqueda o bien utilizar una
biblioteca de jugadas predefinidas.

En consecuencia, la comunidad científica ha reconocido la necesidad de mo-

delizar�el�conocimiento.

Modelizar el conocimiento

“Si el propósito de trabajar con la IA es modelizar la mente humana

o diseñar sistemas inteligentes, necesariamente incluye un estudio del
conocimiento.” (Aaron Sloman, 1979.)

Como veremos a continuación, dentro del campo de la IA hay diferentes con-

cepciones sobre cómo utilizar el conocimiento para la resolución de proble-
mas.

1.2. IA simbólica frente a IA subsimbólica

(2)
La disciplina de la IA se clasifica en un conjunto de áreas, como por ejemplo En inglés, machine learning.
la resolución de problemas y búsqueda, la inteligencia artificial distribuida,
la representación del conocimiento y el aprendizaje computacional2. Las dos
últimas áreas están estrechamente relacionadas entre sí y representan dos pa-
radigmas diferenciados en el campo de la IA: la IA�simbólica y la IA�subsim-
bólica.

a)�IA�simbólica

En la IA simbólica, el conocimiento se representa por medio de unida-

des discretas (símbolos) que se pueden combinar siguiendo ciertas nor-
mas en un formalismo o lenguaje de estructuras más complejas: propie-
dades, fórmulas, reglas, relaciones, sentencias, etc.

Ejemplo 3. Norma del dominio de circulación viaria

En un sistema de conducción automática, el código de circulación viaria es crucial para

circular de manera segura y legal. Este conocimiento está descrito como un listado de
normas, cada una de las cuales se puede representar de manera simbólica. Un ejemplo
de esto podría ser la regla siguiente.

Si circulamos por una vía en EE. UU. entonces hay que circular por
la derecha

Históricamente, la IA simbólica es la aproximación original hacia la IA que se Reflexión

conoce como IA clásica. El campo de la representación del conocimiento se
En el apartado 2 de este mó-
engloba dentro de este paradigma, y será el objeto de estudio de este módulo. dulo, estudiaremos diferen-
tes formalismos de representa-
ción, mediante los cuales ex-
b)�IA�subsimbólica plicaremos, entre otros aspec-
tos, las representaciones lógi-
cas, las redes semánticas o los
marcos (frames).

En la IA subsimbólica, el conocimiento se transmite por medio de pro-

piedades implícitas de los objetos.

Este tipo de representación, utilizada en el área de aprendizaje computacio-

nal, aparece como consecuencia de las limitaciones de la IA clásica: en algu-
nos problemas, los formalismos existentes son inapropiados para capturar to-
da la información requerida con el nivel de detalle necesario. Esto sucede, por
ejemplo, en problemas en los que se trabaja con conocimiento incierto, rela-
ciones espaciales, etc. En otros casos, el problema es la falta de un experto del
dominio o estar ante un dominio de dimensiones considerables y que hace
inviable representarlo de manera simbólica.

Ejemplo 4. Reconocimiento facial: ejemplo de IA subsimbólica

Un problema típico en visión por computador es identificar un objeto, una persona o una
ubicación a partir de una imagen. Aunque un objeto tenga una forma muy característica,
reconocerlo puede llegar a ser un problema muy complicado. Puede variar el ángulo de
visión, la distancia a la que nos encontramos o el nivel de iluminación, o bien quizá haya
obstáculos que lo oculten de manera parcial. Así pues, no es posible describir simbólica-
mente todas las distintas formas en las que podemos percibir un objeto en una imagen.
 (3)
En estas situaciones, la solución pasa por utilizar técnicas de aprendizaje basa- En inglés, support vector machi-
3 nes.
das en ejemplos: máquinas de soporte vectorial , redes neuronales, etc. Estas
técnicas analizan un conjunto de ejemplos para calcular pesos, probabilidades
o heurísticas que se utilizarán en el proceso de decisión. Es decir, intentan ex-
trapolar el conocimiento a partir de los ejemplos, aunque este conocimiento
no se acaba explicitando sino que queda implícito en los valores calculados.

Ejemplo 5. Redes neuronales: ejemplo de IA subsimbólica

Campos de aplicación de
la IA
Una red neuronal es un modelo matemático de inspiración biológica que imita el fun-
cionamiento de las neuronas del sistema nervioso. En lugar de asignar una tarea diferen-
ciada a cada neurona, el comportamiento de la red está determinado por las conexiones Los campos más comunes en
los que se aplican métodos de
entre las neuronas.
IA subsimbólica son la visión
por computador, la robótica y
En la fase de entrenamiento, el peso o la relevancia de cada conexión se configura a partir el procesamiento del lenguaje
de los ejemplos disponibles. Una vez acabado el entrenamiento, estos pesos se utilizarán natural, entre otros.
para dar respuesta ante nuevos escenarios.

De este modo, una red neuronal puede “aprender” a reconocer formas (caras, señales de
tráfico, etc.) a partir de ejemplos. Sin embargo, no podrá “explicar” de manera simbólica
el porqué de sus decisiones, puesto que esta información queda implícita en los valores de
los pesos de las conexiones. Esto hace muy difícil manipular o ampliar este conocimiento.

Ejemplo 6. Algoritmos genéticos: ejemplo de IA subsimbólica

Los algoritmos genéticos son un esquema de búsqueda también de inspiración biológica.

Ante el reto de encontrar la mejor solución para un problema según un cierto criterio de
optimización, este método intenta imitar el proceso de evolución y selección natural.

El esquema parte de una población en la que cada individuo es una solución potencial. En
cada etapa de la búsqueda (generación), se evalúa la calidad de las soluciones y se elimina
una parte de las soluciones menos prometedoras, manteniendo las mejores. Además,
en la nueva generación se introducen mutaciones en forma de cambios en soluciones
existentes y cruces entre soluciones distintas para generar nuevos individuos. El proceso
continúa durante un cierto número de iteraciones y, finalmente, se selecciona la mejor
solución encontrada.

Aunque este proceso puede conseguir soluciones muy buenas a problemas de búsqueda
complejos, no permite extraer conocimiento del proceso. Por ejemplo, no permite expli-
car qué factores hay que tener en cuenta para construir buenas soluciones, puesto que la
búsqueda tiene un componente muy elevado de aleatoriedad.

1.3. Clasificación del conocimiento

En el transcurso de centenares de años de estudio del conocimiento en campos

como la filosofía o la religión, se han considerado numerosas clasificaciones
posibles. A continuación, presentamos de manera gráfica una clasificación de
los tipos de conocimiento que pueden aparecer en la modelización de un do-
minio. A lo largo de los subapartados siguientes, expondremos sus caracterís-
ticas.
Figura 1. Tipos de conocimiento y sus relaciones

1.3.1. La jerarquía del conocimiento

(4)
Para estudiar de dónde procede y cómo se obtiene el conocimiento, algunos Del inglés data, information,
knowledge and wisdom.
teóricos como J. Rowley (2007) utilizan la relación jerárquica entre los con-
ceptos de datos, información, conocimiento y sabiduría (DIKW4).

La jerarquía del conocimiento empieza en el nivel más bajo a partir de

unos datos, de los que obtenemos información al organizarlos y anali-
zarlos. A continuación, la interpretación o evaluación de la información
nos da el conocimiento. Finalmente, la sabiduría es la comprensión
de los principios que el conocimiento alcanza interiormente.

Ahora podremos ver con más detalle cada uno de estos niveles.

a)�Datos

Los datos son valores, hechos y evidencias sobre un aspecto concreto de un

objeto o concepto.

Ejemplo 7. Significado de datos

Una señal de tráfico puede tener forma geométrica de octágono regular, triangular, re-
donda o cuadrada. Por ejemplo, un conjunto de datos sobre una señal podrían ser una
señal de color rojo con la forma geométrica de un octágono regular y con el texto “STOP”
inscrito en su interior.

b)�Información
La información es una idea elaborada sobre un objeto o concepto a partir de
la combinación de sus datos.

Ejemplo 8. Significado de información

Una señal de stop tiene la forma geométrica de un octágono regular con fondo de color
rojo y la palabra “STOP” inscrita en mayúsculas en color blanco. Por lo tanto, la infor-
mación sería discernir que la señal descrita en el ejemplo anterior es una señal de stop.

c)�Conocimiento

El conocimiento es información contextual que ayuda a entender una situa-

ción real y define la experiencia.

Ejemplo 9. Significado de conocimiento

Si encontramos una señal de stop en el sentido de la circulación, entonces tenemos que

detener el vehículo, buscar una buena visibilidad y ceder el paso, si procede, antes de
continuar. Este conocimiento se crea a partir de la información que tenemos: hay una
señal de stop, está en la dirección de la marcha y la información de que la señal de stop
controla la preferencia de paso de diferentes vehículos en un cruce.

d)�Sabiduría

La sabiduría es el peldaño más elevado de la comprensión, es decir, la com-

prensión completa de los efectos y los resultados del conocimiento.

Ejemplo 10. Significado de sabiduría

No detenerse en un stop supone un riesgo muy elevado de sufrir un accidente. Por pre-
caución, aunque el stop afecte a otros vehículos, es importante estar alerta y comprobar
que han visto el stop y se han parado. Este razonamiento parte del hecho de que las se-
ñales de stop suelen situarse en cruces donde el conductor tiene poca visibilidad o poco
margen de reacción.

1.3.2. Conocimiento tácito frente a conocimiento explícito

Un primer criterio de clasificación del conocimiento es la posibilidad de co- Observación

municarlo. Según este criterio, podemos distinguir entre el conocimiento tá-
Observad que hay un paralelis-
cito (o implícito) y el conocimiento explícito: mo claro entre el conocimien-
to explícito y tácito y la IA sim-
bólica y subsimbólica.
Tabla 1

Conocimiento tácito Conocimiento explícito

• Existe encarnado dentro del ser humano. • Puede existir fuera de los seres humanos.

• Resulta difícil de expresar en una estructura. • Es fácil de estructurar y expresar.

• Es complicado de comunicar o compartir. • Puede ser compartido, procesado y guarda-

do.
• Se elabora a partir de la experiencia, los ac-
tos y también una visión subjetiva. • Se elabora a partir de conceptos, procesos,
procedimientos y principios.
 Ejemplo 11. Conocimiento tácito y conocimiento explícito

Un ejemplo de conocimiento tácito es el reconocimiento facial. Las personas tenemos

la capacidad de reconocer la cara de una persona conocida entre un millón, aunque no
sepamos describir con palabras cómo lo sabemos.

Por el contrario, un ejemplo de conocimiento explícito es una ruta entre dos puntos: es
factible dar un mapa y un listado de indicaciones para ir desde el origen hasta el lugar
de destino.

Obviamente, en el estudio de la representación del conocimiento nos centra-

remos en el conocimiento explícito, puesto que es el que podemos codificar
y comunicar.

En el proceso de creación del conocimiento explícito, están involucrados los

objetos siguientes:

a)�Hechos: instancias o datos específicos y únicos.

Ejemplo 12. Hechos

Ejemplos de hechos podrían ser el número de accidentes que ha habido en el 2012 o la

constatación de que uno de los precursores de la informática fue Alan Turing o que el
color de fondo de una señal de stop es rojo.

b)�Objetos�o�individuos: elementos concretos del mundo real, entendiendo Observación

como elementos cualquier objeto concreto (personas, animales, edificios, do-
A partir de aquí, utilizaremos
cumentos, etc.) o abstractos (tiempo, hora, números, palabras, etc.). Los indi- los términos objeto, instancia e
viduos pueden ser tangibles o no. En algunos ámbitos, también se utiliza el individuo de manera indistinta
para referirnos al mismo con-
término instancia para referirse a individuos/objetos. cepto.

Ejemplo 13. Instancias

Ejemplos de individuos serían el número 3, el comandante Spock o Leonard Nimoy (que

es el actor que lo representa).

c)�Conceptos�o�clases: clases de elementos, palabras o ideas que son conoci-

das por un nombre común y comparten características también comunes. Los
conceptos permiten clasificar objetos en función de sus características comu-
nes, como por ejemplo la clase Estudiantes de la asignatura de “Representación
del conocimiento”, que incluiría a todos los estudiantes de esta asignatura. Otros
ejemplos de clase serían la clase Actores, la clase Estudiantes, la clase Facturas,
etc.

d)�Relaciones�entre�clases: indican posibles relaciones entre las clases o en-

tre sus instancias. El número de elementos que permite relacionar una rela-
ción suele ser fijo y viene determinado por su aridad. Aunque es posible tener
relaciones de aridad superiores a 2, es difícil encontrar representaciones que
utilicen relaciones con una aridad de 4 o superiores. Las relaciones acostum-
bran a tener una semántica que indica cuál es la relación entre los objetos re-
lacionados y un conjunto de restricciones de integridad. Las restricciones de
integridad pueden ser muy variadas, pero por norma general permiten indicar
cuántos objetos pueden participar en la relación, de qué tipo tienen que ser
estos objetos y su obligatoriedad de participar en la relación.

Ejemplo 14. Relaciones

Algunos ejemplos de relaciones serían los siguientes:

• La relación denominada estudia en, que relaciona la clase Estudiantes con la clase
Asignaturas y permite representar las asignaturas que cursa cada estudiante.

• La relación denominada madre biológica, que relaciona la clase Mujer con la clase Per-
sona. En este caso, se podría añadir una restricción de integridad para indicar que
todo humano debe tener por fuerza una madre y solo una, para lo que sería necesario
restringir el número de madres que puede tener una persona (a una) y definir la obli-
gatoriedad de que toda persona participe en la relación (toda persona tiene madre).

• La relación ha obtenido medalla entre las clases Atleta, Juegos Olímpicos, Tipos de meda-
lla y Prueba, que permite representar las medallas que obtienen los atletas en unas
pruebas de unos Juegos Olímpicos, así como de qué tipo son las medallas obtenidas.
Como se puede comprobar, esta relación sería cuaternaria, es decir, tendría una ari-
dad de 4.

e)�Principios: directrices, reglas que se tienen que satisfacer, normas y pará-

metros que rigen y permiten tomar decisiones y extraer consecuencias. Los
tipos de principios más conocidos son las restricciones de integridad, las reglas
de derivación y las reglas heurísticas:

• Las restricciones de integridad definen condiciones que todas las instan-

cias deben satisfacer para ser válidas. Ejemplos claros de restricción de in-
tegridad son “la edad de una persona no puede ser negativa” o “un hom-
bre no puede ser la madre biológica de una persona”.

• Las reglas de derivación permiten calcular de manera automática instan-

cias (o valores de estas) a partir de otra información. La regla que permite
calcular la edad de una persona a partir de su fecha de nacimiento sería
un ejemplo de regla de derivación.

• Las reglas heurísticas permiten indicar condiciones que se cumplen en mu-

chos casos, pero que no se satisfacen siempre. Ejemplos de reglas heurísti-
cas serían “los pianos son grandes” o “los animales de compañía son apa-
cibles”.

f)�Eventos (procesos/procedimientos): indican acciones que se pueden llevar

a cabo sobre el conocimiento descrito o eventos que pueden suceder en el
dominio de discurso. Pueden definirse de manera declarativa o procedimental.
En el primer caso se definirá cuál es el resultado esperado, mientras que en el
segundo caso se definirán las acciones y decisiones necesarias para resolver una
tarea y en qué orden se tienen que ejecutar (es decir, cómo llegar al resultado
esperado).
1.3.3. Conocimiento declarativo frente a conocimiento
procedimental

Un segundo criterio para clasificar el conocimiento es el tipo de pregunta al

que da respuesta: “¿qué?” o “¿cómo?”. Según este criterio, podemos distinguir
entre conocimiento declarativo (o descriptivo) y conocimiento procedimental
(u operacional).

Símil
El conocimiento�declarativo se centra en la representación de los he-
chos o las afirmaciones, es decir, nos indica qué es cierto o falso refi- Haciendo un símil, podemos
ver el conocimiento declarati-
riéndose a los objetos y los eventos. vo como una base de datos de
alto nivel.

Desde el punto de vista de la descripción del mundo, el conocimiento declara-

tivo es un conocimiento�factual. Es decir, estructura los hechos, los significa-
dos, los conceptos y el conocimiento sobre el mundo externo que las personas
podemos adquirir. Además, se puede compartir porque es independiente de la
experiencia personal y del contexto espacial y temporal.

Así pues, el conocimiento declarativo se limita a enunciar información pero

sin tener en cuenta los procesos ni algoritmos que se aplicarán. Esto es muy
útil para facilitar la agregación de nuevo conocimiento en la estructura que
lo sustenta, pero también nos limitará en el proceso de inferencia. Hay que
decir, sin embargo, que se trata posiblemente del conocimiento más utilizado
y, al mismo tiempo, el más conocido.

Ejemplo 15. Conocimiento declarativo en el contexto de conducción de

vehículos

Un coche está bien aparcado cuando se encuentra a una distancia prudencial de los
vehículos circundantes y de las aceras, sin tocar ninguno de estos elementos, y no infrin-
ge ninguna norma viaria.

Observad que el conocimiento descrito es declarativo porque describe qué significa apar-
car bien, pero no cómo hacerlo.

Los tipos de conocimiento declarativo son el relacional, el inferible y el here-

dable. Antes de analizarlos en detalle, estudiemos primero cómo es el conoci-
miento procedimental.

(5)
Enfocado a la tarea para llevar a
5
El conocimiento�procedimental nos indica cómo se hace algo, es de- cabo un objetivo.

cir, se centra en las acciones que hay que llevar a cabo para lograr un
objetivo concreto.
Podemos ver el conocimiento procedimental como un conjunto de pasos e
instrucciones que especifican el conjunto de acciones para llevar a cabo una
tarea. Como ventaja con respecto al conocimiento declarativo, es un tipo de
conocimiento muy fácil de aplicar, pero por otro lado, se hace más difícil la
inferencia, la modificación y la verificación.

Ejemplo 16. Conocimiento procedimental

Es posible conocer toda la teoría para la conducción de un coche; por ejemplo, qué pedal
es el acelerador, qué direcciones toma el cambio de marcha o qué significan las señales
de tráfico, pero estos conocimientos declarativos no nos sirven para saber conducir un
coche. El conocimiento de la conducción es procedimental, muy distinto a conocer una
colección de hechos.

También relacionado con el ejemplo anterior, el conocimiento que explica cómo esta-
cionar un coche es procedimental: comprobar que está permitido estacionar, situarse en
paralelo al coche anterior adyacente al lugar de estacionamiento, introducir el vehículo
en el hueco dando marcha atrás, etc.

A diferencia del conocimiento declarativo, el conocimiento procedimental in-

cluye también los procesos para utilizar y manipular el conocimiento decla-
rativo. Los mecanismos para representar el conocimiento procedimental los
tenemos en los programas que todos conocemos y que podemos ver como
algoritmos, reglas, estrategias y modelos.

En los apartados siguientes veremos con más detalle los tres tipos de conoci-
miento declarativo (relacional, inferencial y heredable), así como el conoci-
miento lingüístico.

1.3.4. Conocimiento relacional

La manera más simple y habitual de representar hechos declarativos consiste

en un conjunto de relaciones expresadas en forma de tablas, al igual que se
haría en una base de datos.

Ejemplo 17. Conocimiento relacional

Como ejemplo de conocimiento relacional mostramos la tabla 2, que indica que los con-
ductores tienen los atributos Nombre, Edad y Tipo de licencia y permite representar ins-
tancias de estos:

Tabla 2. Características del conocimiento relacional

Driver Name Age Licence Type

John Smith 25 B

Peter Clinton 32 A

Por sí misma, una tabla solo aporta aquella información (conocimiento) que
se pueda extraer directamente, como por ejemplo, saber qué licencia de con-
ducción tiene una persona en concreto.
Por otro lado, podemos añadir procedimientos que enriquezcan el conoci-
miento. Por ejemplo, podemos añadir un motor de inferencia y así generar
nuevo conocimiento a partir del existente y validar el que ya hay. Así pues, nos
puede interesar saber cuántas licencias de conducción hay de un tipo determi-
nado, cuál es la media de edad de los conductores de una licencia, etc. Tam-
bién podremos llevar a cabo validaciones de los datos existentes; por ejemplo:
“ningún conductor mayor de 75 años puede tener una licencia de tipo A”.

Base de datos tradicionales como método de representación

Los sistemas de bases de datos son por regla general muy útiles para la compu-
tación, pero en lo que respecta a la IA resultan limitados. No hay duda de que
se trata de una manera eficiente de representar y procesar grandes cantidades
de datos. Pero entonces estamos limitados a describir solo hechos simples de
dominio y a efectuar razonamientos sencillos basados en la búsqueda.

1.3.5. Conocimiento inferencial

El conocimiento inferible o deductivo describe el conocimiento mediante la

lógica tradicional. Por lo tanto, utiliza la semántica de los operadores y el mo-
dus ponens para inferir de nuevo.

Ejemplo 18. Conocimiento inferencial en el caso de la conducción de

vehículos

Definiremos el coche de John utilizando la lógica de primer orden:

1. El Porsche de John es una instancia de la clase Coche:

car(Porsche de John)

2. Todos los coches son vehículos:

x:car(x) → vehicle(x)

3. Todos los vehículos pueden ir por tierra, mar o aire:

x:vehicle(x) → travel(x, land) ∨ travel(x, water) ∨ travel(x, air)

De estos enunciados, por ejemplo, podemos inferir que el Porsche de John puede ir por
tierra, mar o aire. Podemos ver que cuanta más información tengamos de estos objetos,
más conocimiento podremos inferir.

1.3.6. Conocimiento heredable

La representación heredable es una estructura jerárquica que permite repre-

sentar el conocimiento de manera incremental. Se obtiene relacionando cla-
ses con otras clases de carácter más general, lo que permite reutilizar el cono-
cimiento general en las nuevas clases y heredar de manera total o parcial el
conjunto de atributos que tienen definidos. Con este objetivo, se utiliza una
estructura de árbol (taxonomía) o grafo (red) en la que los vértices serán clases
–también denominadas categorías– y las aristas representarán las relaciones
entre clases.
Una categoría es una abstracción que permite representar las características
que tienen en común un conjunto de objetos. Un ejemplo de categoría sería la
clase Coche, que permite agrupar vehículos terrestres a motor de cuatro ruedas.
El concepto de categoría es vital para la representación del conocimiento.

Aunque la interacción con el mundo se efectúa en un ámbito de objetos

individuales, la mayor parte del proceso de razonamiento tiene lugar en
el ámbito de las categorías (S. Russell, P. Norvig, 2004).

Si organizamos las categorías en subcategorías por medio de un árbol que las

relacione, obtendremos lo que se denomina una taxonomía. Conviene des-
tacar que la taxonomía es una estructura utilizada durante siglos en muchos
campos técnicos para la clasificación. Uno de los campos es la biología, en la
que durante mucho tiempo se ha trabajado para crear una taxonomía para la
clasificación de todas las especies vivas y también extinguidas.

Ejemplo 19. Taxonomía de señales de tráfico

En la siguiente imagen, podemos ver una clasificación taxonómica de los diferentes tipos
de señales de tráfico verticales. Por ejemplo, el tipo de señal Señales de dirección hereda
las propiedades de su nodo padre y este al mismo tiempo del suyo, de modo que obtiene
la propiedad de ser una señal de orientación e indicación.

Ilustración 2. Ejemplo de taxonomía

Una manera de representar fácilmente las categorías, su relación con otras

categorías y los objetos que clasifican es utilizar lógica de primer orden y la
teoría de conjuntos, como podemos ver a continuación:
• El operador de pertenencia de elementos a un conjunto se puede utilizar
para indicar que un objeto es un miembro de una categoría.

Ejemplo 20. Definición de pertenencia de un objeto a una categoría

La señal de indicación de salida 15 de autopista AP7 es un objeto que pertenece a la

categoría Señales de dirección:

Señal de salida 15 de la autopista AP7 ∈ Señales de dirección

• El operador de subconjunto se puede utilizar para indicar que una cate-

goría es subcategoría de otra. Matemáticamente, is a corresponde a la re-
lación de pertenecer a un subconjunto (⊆), e instance of, a la relación de
miembro de un conjunto (∈).

Ejemplo 21. Definición de subconjunto entre categorías

El conjunto de Señales de dirección es un subconjunto de las Señales de orientación:

Señales de dirección ⊆ Señales de orientación

• La lógica de primer orden se puede utilizar para indicar las propiedades de

los objetos de una categoría.

Ejemplo 22. Definición de las propiedades de la categoría Señal

Propiedades o atributos
Todas las señales están geográficamente ubicadas en algún lugar y, por lo tanto, tienen
un atributo para indicar su longitud y otro para indicar su latitud: Una propiedad (o atributo) es
un caso particular de relación
binaria en el que uno de los
x ∈ Señal ⇒ latitud(x, lat)
participantes es un tipo de da-
x ∈ Señal ⇒ longitud(x, lon) tos. Podéis ver el subapartado
2.10.2 de este módulo para
más información.
La herencia es la manera de definir las relaciones de pertenencia entre catego-
rías y, por lo tanto, permite definir que una categoría es subtipo de otra cate-
goría. Conceptualmente, la herencia se utiliza para especificar categorías más
específicas y que, de este modo, clasifican menos objetos. Desde un punto de
vista formal, la definición de la herencia entre dos categorías (que denomina-
remos categoría y subcategoría) define una restricción de integridad de per-
tenencia entre las dos categorías, que indica que todo objeto clasificado por
subcategoría también debe ser clasificado por categoría. Así pues, si definimos
que la categoría Hombre es una subcategoría de Persona, estaremos creando un
esquema que garantizará que todo hombre (por ejemplo, Jorge García) es tam-
bién una persona (Jorge García está clasificado también como Persona). Puesto
que una subcategoría define de manera más concreta los elementos de una
categoría, todas las relaciones de la categoría son también válidas en la subca-
tegoría (y por lo tanto, aplicables).

Aunque se permite que una subcategoría herede de más de una categoría (lo
que se denomina herencia múltiple), a la hora de la verdad no es algo muy
común en las representaciones que podemos encontrar. No porque no sea útil
ni porque no represente la realidad de manera fiel, sino porque muchos len-
guajes de representación no permiten la herencia múltiple. Si no hay heren-
cia múltiple, la jerarquía de categorías y subcategorías se puede representar en
forma de árbol. En este árbol, las instancias de las subcategorías se propagan
hacia su categoría (hacia arriba en el árbol) y las relaciones de las categorías se
propagan hacia sus subcategorías (hacia abajo en el árbol). Obviamente, si no
hay herencia múltiple, la estructura tiene que ser la de un árbol, puesto que
por la definición de la herencia no puede haber ciclos.

La generalización y especialización del conocimiento

La manera más común de representar la herencia entre conceptos es mediante

relaciones de generalización y/o especialización. Una relación de generaliza-
ción/especialización permite definir que hay una clase general –que denomi-
namos entidad superclase (o supertipo o padre)– que se especializa en una (o
más) clases, denominadas subclases, subtipos o hijas:

1) La superclase define conocimiento más general y acostumbra a definir las

características comunes de todas sus subclases.

2) Las subclases definen información más concreta y suelen definir caracterís-

ticas que no son comunes para todas las subclases de superclase.

Formalmente, podríamos decir que necesitamos dos relaciones para definir la

herencia: una para decir que un concepto es más general que otro (relación de
generalización), y la otra para decir que un concepto es más específico que otro
(relación de especialización). La relación de generalización/especialización es
bidireccional y engloba estas dos semánticas. De hecho, se usarán los térmi-
nos especialización o generalización en función de si se lee la relación de los
supertipos a los subtipos o en sentido contrario.

También es importante notar que la herencia, y por lo tanto la generalización

y especialización, son aplicables a las relaciones.

Ejemplo 23. Definición de herencia entre relaciones

La relación tiene una propiedad que relaciona las clases Persona y Vivienda e indica que
una persona es propietaria de un inmueble puede especializarse en dos relaciones más
específicas: tiene primera residencia y tiene segunda residencia.

Los términos es un (is a en inglés) y tipo de (kind of o type of en inglés) también

se suelen utilizar en algunos lenguajes de representación de conocimiento pa-
ra representar relaciones de generalización/especialización. Por ejemplo: “Ca-
nario es un Animal” o “Silla es un tipo de Mueble”.

Otro elemento directamente afectado por el concepto de herencia son las ins-
tancias. Para indicar que un individuo pertenece a una clase, se utiliza un tipo
de relación denominado instancia de (o instance of en inglés). Un ejemplo de
instancia sería “La silla en la que estás sentado ahora mismo es una instancia
de Silla”. Al definir este conocimiento, el sistema podría inferir de manera au-
tomática que vuestra silla es un mueble.
 Ejemplo 24. Uso de herencia en una representación

Circulando hacia Barcelona por la autopista AP7, veremos indicada su salida por medio
de una señal vertical que contiene el texto “Salida 18, Barcelona”. Estamos ante una ins-
tancia de una señal de dirección sobre la calzada de una autopista. Es una señal fácilmente
identificable para los que conocen el código de circulación, puesto que es igual en forma
al resto de las señales de la misma clase; es decir, tiene las mismas características.

De las clases a las que pertenece la señal “Salida 18, Barcelona” se puede inferir que esta
es una placa rectangular y contiene una flecha.

Ilustración 3. Ejemplo de herencia en la especialización

Este esquema muestra cómo podemos representar todo este conocimiento de manera organizada para reflejar las
entidades más generales y las específicas.

En la práctica, las fuentes de conocimiento declarativo están divididas en dos

grandes bloques según el tipo de conocimiento que describen:

(6)
1)� Conocimiento� intensivo6, cuando se describe el dominio por medio de En inglés, intensive knowledge.

conceptos generales (clases, superclases, relaciones y principios).

(7)
En inglés, extensive knowledge.
2)�Conocimiento�extensivo7, cuando se describe el dominio mediante infor-
mación concreta, como por ejemplo utilizando las instancias concretas pro-
pias del dominio.

Ejemplo 25. Definición de la clase Planeta del Sistema Solar de manera

intensiva y extensiva

La clase Planeta del Sistema Solar podría definirse de manera intensiva o extensiva. De
manera intensiva, la podríamos definir como un subtipo de Planeta con una restricción
de integridad que diga que todas sus instancias tienen que orbitar alrededor del Sol. De
manera extensiva, la clase se podría definir indicando que sus instancias son Mercurio,
Venus, La Tierra, Marte, Júpiter, Saturno, Urano, Neptuno y Plutón.

1.3.7. Conocimiento lingüístico

Cuando hablamos de conocimiento lingüístico, lo primero que nos puede ve-

nir a la mente es un diccionario. El diccionario es una compilación de pa-
labras de una lengua con sus definiciones. Sin embargo, un diccionario solo
contiene la palabra principal, es decir, sin derivados (plurales, flexiones ver-
bales o declinados).

Si a este recurso añadimos relaciones entre las palabras, relaciones léxicas que
expresen similitud en el significado (sinonimia y antonimia), obtenemos un
tesauro. Si no nos quedamos aquí y damos un paso más, y añadimos más rela-
ciones léxicas (como la hiponimia, metonimia) y también agrupamos las pa-
labras por conceptos, obtendríamos un recurso de conocimiento declarativo.
Parte de este trabajo se ha llevado a cabo en diferentes proyectos, y WordNet
es el más conocido.

Sinonimia, antonimia, hiponimia, metonimia

Sinonimia: relación semántica que se establece entre dos o más palabras diferentes que
tienen el mismo significado.

Antonimia: relación semántica que se establece entre dos o más palabras de significados
opuestos, es decir, entre palabras que significan lo contrario o lo inverso.

Hiponimia: relación semántica que se establece entre una unidad léxica (grupo de pala-
bras con significado propio) y otra cuando esta se encuentra incluida dentro del campo
léxico de la primera. Por ejemplo: fruta tiene los hipónimos naranja, pera, manzana. La
relación vista a la inversa es la hiperonimia.

Metonimia: relación entre significados basada en una relación de contigüidad. Por ejem-
plo: “Se comió dos platos” (se comió el contenido del plato).

Ejemplo 26. WordNet

El proyecto WordNet
Si consultamos la palabra car del inglés en el recurso léxico del proyecto WordNet, ob-
tendríamos el conjunto de conceptos del que forma parte. Si nos fijamos en el concepto El proyecto WordNet es un
principal, “vehículo de motor de cuatro ruedas, generalmente propulsado por un motor ejemplo de representación uti-
lizada para el estudio del len-
de combustión interna”, vemos que incluye cuatro sinónimos o, dicho de otro modo,
guaje. El proyecto reúne en
variantes de car: auto, automobile, machine y motocar. una base de datos léxica nom-
bres, verbos, adjetivos y adver-
Además, también podemos consultar cuál es su hiperónimo si su concepto es: “vehículo bios del inglés en conjuntos de
propulsado de manera autónoma que no va por vías”. Este tiene dos variantes: motor sinónimos, es decir, conceptos.
vehicle y automotive vehicle. De este modo, podríamos ir navegando por la relación de
hiperonimia hasta llegar al concepto raíz: entity (entidad).
Además de este conocimiento que hemos mencionado, otros tipos de conoci- Noam Chomsky
miento como el conocimiento fonético, fonológico, morfológico, sintáctico,
Noam Chomsky es uno de los
semántico e incluso el pragmático son conocimiento lingüístico. Sin embargo, científicos más importantes de
no todo tiene que ser conocimiento declarativo, puesto que hay autores (co- la segunda mitad del siglo XX
y un estudioso de la lingüística
mo es el caso de Noam Chomsky) que lo ven como procedimental. Su postura con derivaciones en las cien-
cias de la computación.
se basa en que parte de este conocimiento es fruto de habilidades aprendidas Podéis consultar más sobre su
y, por lo tanto, simulables como procedimientos. figura y su trabajo en la direc-
ción siguiente:
The Noam Chomsky Website
Ejemplo 27. Fonología y fonética

La fonología es la ciencia que estudia los fonemas, es decir, la relación de los sonidos y
las palabras. Con mucha frecuencia se confunde con la fonética, la ciencia que estudia
el habla humana, y en concreto la producción de los sonidos. Las dos disciplinas tienen
en común el hecho de que tratan aspectos del habla, pero desde puntos diferentes y
complementarios.

El conocimiento fonológico es representado como conocimiento declarativo por medio

de estructuras de árbol que definen las relaciones entre los fonemas y el conjunto de
sílabas de una lengua. Estamos, pues, ante un conocimiento declarativo.

En cambio, en lo que respecta al conocimiento fonético, este será procedimental puesto

que tiene que representar:

a) Procesos que transformen secuencias de fonemas en articulaciones del tracto vocal.

b) Procesos que conviertan vibraciones vocálicas en secuencias de fonemas.

2. La representación del conocimiento

La representación�del�conocimiento es un ámbito dentro del paradigma de la

IA simbólica que estudia cómo especificar el conocimiento en un formato que
soporte la resolución de problemas. Otro término muy utilizado en el ámbito
de la representación del conocimiento es el de ingeniería del conocimiento. La
ingeniería del conocimiento es la disciplina que estudia cómo integrar cono-
cimiento en sistemas informáticos para resolver problemas complejos que, de
lo contrario, necesitarían de intervención humana debido a su complejidad.
Por lo tanto, podemos decir que la ingeniería del conocimiento no tan solo
se ocupa de la representación del conocimiento, sino de cómo utilizarlo para
solucionar un problema dado.

Los sistemas informáticos que utilizan conocimiento para llevar a cabo sus
tareas se denominan sistemas basados en conocimiento (knowledge-based sys-
tems, en inglés). Quizá el tipo de sistema basado en conocimiento que mejor
ejemplifica cómo se usa el conocimiento son los sistemas expertos. Los siste-
mas expertos utilizan la experiencia de un especialista del dominio (o de un
conjunto de ellos) previamente formalizada para solucionar problemas com-
plejos que requieren gran cantidad de conocimiento, ya sea teórico, práctico
o tácito.

Ejemplo 28. Medicina y representación del conocimiento

La eficacia de un médico al resolver un caso médico no solo recae en el acierto de la

diagnosis, sino que también es clave su habilidad en la elección del tratamiento más
apropiado. En este proceso, lo ayudarán sus conocimientos de medicina y su experiencia
en casos anteriores.

Si se representara la experiencia del médico en una base de conocimiento, se podría cons-

truir un sistema experto que emulase a un médico en las tareas de hacer diagnósticos,
proponer tratamientos y justificar tanto los diagnósticos hechos como los tratamientos
propuestos.

Si hasta ahora hemos estudiado el conocimiento (la información disponible

sobre el mundo, el “qué” se sabe), ahora pasaremos a analizar su representa-
ción (la forma en que se codifica este conocimiento, el “cómo” se representa
lo que se sabe). Esta cuestión no es banal, puesto que la manera de representar
el conocimiento determinará cómo lo podremos manipular.

Cabe destacar que serán el problema y el dominio los que marcarán cómo
representar el conocimiento en cada caso. Por otro lado, hay que subrayar que
la eficiencia de la solución que proponemos vendrá condicionada, además de
por la cantidad y el tipo de conocimiento que se trata, por lo bien que se
codifica y se almacena.
2.1. Esquemas de representación del conocimiento

El principal objetivo de la representación del conocimiento es facilitar la ex-

tracción de conclusiones (inferencia) a partir del conocimiento, y para hacerlo
es necesario expresar el conocimiento en una forma computable.

Un esquema�de�representación es un instrumento para transformar el cono-

cimiento de un dominio en un lenguaje�simbólico dotado de sintaxis y se-
mántica para que pueda procesarse de manera computacional. Cada elemento
de la representación (símbolo) codificará un fragmento de información perte-
neciente al dominio en cuestión.

La sintaxis�describe las posibles formas de construir y combinar los ele-

mentos del lenguaje. Es decir, la sintaxis especifica cuál es el conjunto
de sentencias de un lenguaje y qué combinaciones de sentencias son
válidas.

La semántica� determina el significado de los elementos del lenguaje

y la relación entre estos y su referente en el dominio real. Es decir, la
semántica determina de manera no ambigua qué significa cada una de
las sentencias del lenguaje.

Es importante destacar que los esquemas de representación van más allá de las
estructuras de datos o las bases de datos, las cuales se preocupan de manera
exclusiva de cómo almacenar y recuperar datos de manera eficiente. Interna-
mente, la implementación de un esquema de representación puede utilizar
estructuras de datos y bases de datos, pero tiene que añadir otras estructuras y
procesos que permitan hacer inferencia de conocimiento nuevo.

2.2. Propiedades de un esquema de representación

Un buen esquema de representación del conocimiento posibilita en todo mo-

mento un acceso rápido y preciso al contenido, así como las propiedades si-
guientes:

a)�Representación�apropiada (relativo a la representación). Debe tener la ha-

bilidad para representar todo el conocimiento que es necesario para el domi-
nio en cuestión. Es decir, tiene que ser lo suficientemente rico como para con-
tener los datos y la información mínima para dar una solución apropiada al
problema.

b)�Inferencia�apropiada (relativo a la representación). Tiene que ser capaz de

manipular las estructuras de la representación, de modo que en todo momen-
to se puedan derivar nuevas estructuras asociadas con conocimiento nuevo
inferido del antiguo.
c)�Eficiencia�inferencial (relativo al uso de la representación). Debe mejorar
el proceso de inferencia mediante la inclusión de heurísticas y guías que lo
agilicen, para, de este modo, optimizar el cómputo. Por lo tanto, tiene que
representar aquellas características del problema que puedan ser explotadas de
manera computacional.

d)�Eficiencia�de�adquisición (relativo al uso de la representación). El esquema

tiene que permitir la fácil incorporación de conocimiento nuevo.

Otras propiedades que conviene tener en cuenta son las siguientes.

• Claridad: facilidad de identificar el conocimiento representado.

• Naturalidad: capacidad de representar el conocimiento en su forma origi-

nal, de la manera más “natural” posible; es decir, el conocimiento no tiene
que transformarse. La finalidad es que pequeños cambios en el problema
requieran solo pequeños cambios en el esquema.

• Modularidad: posibilidad de fragmentar el conocimiento sin perder efi-

ciencia ni eficacia.

2.3. Etapas de la representación del conocimiento

Dado un problema complejo que requiere el uso intensivo de conocimiento,

podemos considerar las siguientes etapas en su resolución:

• El punto de partida es el problema que se quiere resolver, que marca cuál Reflexión
será el dominio de interés.
En este módulo, dejaremos de
lado la fase de adquisición por
• La siguiente fase es la adquisición de conocimiento sobre el dominio de su complejidad y nos centrare-
mos en la representación y uti-
interés y el problema que se quiere resolver. Obtener el conocimiento de lización del conocimiento.

un dominio es una tarea muy compleja que involucra capacidades de pro-

cesado de la información como por ejemplo percepción, comunicación,
asociación y razonamiento. Es vital obtener todo el conocimiento relevan-
te para el problema y evitar conocimiento superfluo. De este modo, evita-
remos problemas (errores, malas interpretaciones, redundancias, informa-
ción sobrante, dispersión, etc.), minimizaremos los errores y mejoraremos
el rendimiento en el acceso a la información.
• Una vez obtenido el conocimiento del dominio, el paso siguiente es su
codificación en un esquema apropiado. El tipo de codificación elegido
y el modo como codificar la información condicionará hasta qué punto
el conocimiento puede ser integrado con otras fuentes de información y
compartido con terceros.

• Entonces, se aplica un motor de inferencia sobre el conocimiento guar-

dado en el esquema de representación para extraer conclusiones sobre el
problema.

• Para comunicar el resultado, el último paso es la interpretación de las con-

clusiones obtenidas en términos de hechos del dominio. De este modo,
obtenemos una solución al problema planteado inicialmente.

Ejemplo 29. Etapas de la representación del conocimiento en la creación de

un sistema experto médico

En el caso de que queramos crear un sistema experto para diagnosticar enfermedades,

una posible distribución de las tareas por hacer en cada etapa es la siguiente:

1)�Definición�del�problema: dar un diagnóstico a un paciente a partir de un conjunto de

síntomas y saberlo justificar. Se puede limitar el sistema a una enfermedad o un conjunto
de enfermedades.

2)�Adquisición�del�conocimiento: reunir información sobre la relación entre síntomas

y enfermedades. Hacer un conjunto de entrevistas a expertos en el dominio (médicos)
para averiguar cómo pronostican enfermedades.

3)�Codificación: se codificará el conocimiento obtenido en los pasos anteriores mediante

reglas causales del tipo “si se dan el síntoma X, el síntoma Y y el síntoma Z entonces es
probable que el paciente tenga la enfermedad E”.

4)�Inferencia: cuando un paciente informe al sistema de sus síntomas, el sistema experto

usará un motor de inferencia para averiguar cuál de las posibles enfermedades es más
probable que tenga el usuario y por qué (en caso de que esté enfermo, claro). En el caso
de que el sistema necesite más información para llegar a alguna conclusión, la pedirá al
paciente.

5)� Interpretación: el sistema recogerá la información inferida en el apartado anterior

y la presentará en un formato que sea comprensible para el paciente. En este caso, el
sistema prepararía una respuesta en lenguaje natural para explicar al paciente su potencial
enfermedad y un pequeño texto justificando este diagnóstico.

2.4. Retos de la representación del conocimiento

En las etapas que acabamos de identificar, aparecen varias cuestiones interre-

lacionadas sobre las que hay que tomar decisiones:

• ¿Cómo elegir cuál es el dominio relevante al problema? ¿Cómo acotar qué

conocimiento queda dentro y cuál queda fuera?

• Una vez elegido el dominio de interés, ¿cuánto conocimiento se tiene que

almacenar? ¿De qué tipo?

• ¿Cómo se adquiere este conocimiento del dominio?

• ¿Qué uso se hará de este conocimiento? Es decir, ¿qué tipo de inferencias
se tienen que llevar a cabo para resolver el problema?

• A partir de todos los puntos anteriores, ¿cuál es el esquema de representa-

ción más adecuado para el problema?

Todas estas cuestiones nos sirven para darnos cuenta de lo complicado que será
elegir una buena representación. Tenemos que hacer énfasis en que cuando
hablamos de conocimiento, además de representarlo, no debemos olvidar en
ningún momento que también deberemos procesarlo.

Además de estas decisiones, que son particulares para cada problema, hay una
serie de retos más generales que aparecerán en cualquier problema de repre-
sentación del conocimiento que consideremos: la imposibilidad de modeli-
zarlo todo, el conocimiento de sentido común y el lenguaje natural. Antes de
continuar, estudiaremos estos retos con más detalle.

2.4.1. El problema de modelizar el mundo

El éxito con el que un problema pueda ser solucionado dependerá directamen-

te de nuestra habilidad para representar el conocimiento sobre el mundo re-
lacionado con el problema. Aun así, no debemos olvidar que no trabajaremos
sobre el mundo sino sobre una simplificación de este, que inevitablemente
será imperfecta o incompleta.

Por supuesto, modelizar el mundo entero es una tarea de dimensiones astro-

nómicas. Un volumen de información tan grande sería difícil de almacenar, y
muy ineficiente su tratamiento computacional.

Por este motivo, generalmente diseñaremos estructuras y procedimientos para

modelizar una parte de estos (un dominio concreto). De todos modos, aunque
se trata de un objetivo terriblemente ambicioso, encontramos una variedad de
proyectos que pretenden registrar gran cantidad de conocimiento del mundo
en todos sus ámbitos. De entre estos, destacamos los proyectos Cyc, Concept-
Net, WordNet (explicado anteriormente), The Knowledge Graph y Probase.

Cyc

Cyc es un proyecto privado iniciado en 1984 en el seno de una empresa de EE. El proyecto Cyc
UU. Desde entonces, el proyecto ha reunido millones de hechos, conceptos,
Encontraréis más información
relaciones entre estos, ideas, reglas, heurísticos, etcétera. Algunos ejemplos de sobre el proyecto Cyc en la pá-
su contenido son “Cada perro es un mamífero”, “Los perros mueren” o “Los gina web de OpenCyc.

animales de compañía tienden a ser apacibles”. Todo este conocimiento se ha

codificado mediante un formalismo, el lenguaje denominado CycL (basado
en el lenguaje Lisp). Hay que destacar la publicación en abierto de una parte
del proyecto, con el nombre de OpenCyc.
 Ejemplo 30. Definición de información en Cyc

La regla “Los perros son mamíferos” se define en CycL como:

(#$genls #$Dogs #$Mammals)

Donde Dogs es la clase que representa a los perros; Mammals, la clase que representa a los
mamíferos; y genls es la relación de generalización/especialización de CycL.

ConceptNet

ConceptNet es un proyecto que nace dentro del Massachusetts Institute of El proyecto ConceptNet
Technology (MIT), en el MIT Media Lab, con la colaboración de numerosos
Encontraréis más información
organismos y empresas de todo el mundo. El objetivo es describir el conoci- sobre el proyecto ConceptNet
miento básico, cultural y científico del mundo que las computadoras deben en la página web de Concept-
net 5.
saber. El fruto de este trabajo es un inmenso grafo en el que los vértices repre-
sentan conceptos y las aristas, las propiedades que los relacionan. Actualmen-
te se encuentra en su versión 5 y se distribuye mediante la licencia Creative
Commons.

Ejemplo 31. Definición de información en ConceptNet

La regla básica “All dogs are mammals” se define en ConceptNet como:

dog --(belongs to the collection of)--> mammals

The Knowledge Graph

The Knowledge Graph es un proyecto de Google que tiene como objetivo crear El proyecto The
una base de conocimiento para mejorar los resultados de su motor de búsque- Knowledge Graph

da. Este conocimiento representará el mundo por medio de las entidades que Encontraréis más información
lo forman: personas, lugares, películas, etc., así como las relaciones entre es- sobre el proyecto en la página
web The Knowledge Graph;
tas. Con este proyecto, Google quiere dar un paso adelante tecnológicamen- también en el blog de este
proyecto.
te, introduciendo conocimiento semántico dentro de la búsqueda. Este cono-
cimiento semántico permite, entre otras cosas, tener información de contex-
to de los términos buscados por los usuarios y utilizar esta información para
desambiguar búsquedas, refinarlas o ampliarlas.

Probase

Probase es el homónimo de The Knowledge Graph de Microsoft. Probase es El proyecto Probase

una base de conocimiento que contiene conocimiento general y de sentido
Encontraréis más información
común, y tiene como objetivo dar apoyo a los programas informáticos en lo sobre el proyecto en la página
que respecta a entender mejor la comunicación humana. Su base de conoci- web: Probase.

miento, que contiene cerca de 3 millones de registros, se puebla automática-

mente a partir de los millones de páginas web que hay en Internet y de los
logs de búsqueda de los internautas.
2.4.2. El problema del sentido común

Un chiste popular explica que el sentido común es “el menos común de los
sentidos”. Incluso a los seres humanos nos cuesta aplicar el sentido común en
todas las situaciones, y podemos llegar a cometer errores evidentes.

Si queremos evitar que un sistema inteligente cometa este tipo de errores, te-
nemos que codificar el conocimiento de sentido común relativo al problema.

Veamos, como ejemplo, un texto de Marvin Minsky en el que habla sobre el sentido
común y el razonamiento:

“Solo en matemáticas podemos decir (sentencias como) «si a y b son enteros, entonces
a + b = b + a» . Consideremos ahora un hecho como «los pájaros pueden volar». Si pen-
samos que el razonamiento del sentido común es el mismo que el razonamiento lógico,
entonces uno cree que hay principios generales de este tipo: «si Joe es un pájaro y los
pájaros pueden volar, entonces Joe puede volar». ¿Consideramos que Joe es un avestruz
o un pingüino? Bien, si es así podemos crear el axioma «si Joe es un pájaro y no es un
avestruz ni un pingüino, entonces Joe puede volar». Sin embargo, ¿y si Joe está muerto?
¿O tiene los pies clavados?”

Hay dos factores que deberemos tener en cuenta a la hora de intentar codificar El razonamiento
el conocimiento del sentido común:
“El razonamiento es la capa-
cidad de los humanos de dar
• Hay una gran cantidad de conocimiento de sentido común y no es factible sentido a las cosas para esta-
blecer y verificar hechos, así
representarlo todo. Habrá que elegir el conjunto mínimo suficiente para como para cambiar o justificar
prácticas y/o creencias.”
resolver el problema. Nikolas Kompridis (2000).
So we need something else for
reason to mean (págs. 271-
• Puede ser difícil identificar el conocimiento de sentido común, puesto que 295). [Traducción libre.]
es tan evidente que acostumbra a darse por asumido. Por lo tanto, hay
un riesgo elevado de pasar por alto este conocimiento en el esquema de
representación. Será necesario hacer un esfuerzo adicional para explicitar
este conocimiento durante la fase de adquisición.

Ejemplo 32. Uso del sentido común en problemas de posicionamiento

Los problemas de posicionamiento (layout) consisten en elegir la ubicación de un con-

junto de objetos (puertas lógicas en circuito, maquinaria en una fábrica, etc.) en una su-
perficie bidimensional acotada. El posicionamiento tiene que optimizar criterios como
por ejemplo el tamaño o el rendimiento del sistema global.

Hay algunas restricciones de sentido común a la hora de posicionar los objetos, como
por ejemplo el hecho de que dos objetos no se pueden solapar. Si nos olvidamos de re-
presentar este conocimiento, podemos obtener soluciones erróneas a nuestro problema.
Por ejemplo, podríamos obtener como solución óptima “ubicar todos los objetos en la
misma posición”. Esta solución minimiza claramente la superficie ocupada y el tiempo
de comunicación entre objetos, pero no se puede llevar a la práctica puesto que las leyes
de la física impiden que dos objetos ocupen el mismo espacio de manera simultánea.
2.4.3. El problema del lenguaje natural

El lenguaje que utilizamos las personas como mecanismo para comunicarnos Lenguajes naturales y
se denomina lenguaje� natural. Este nombre se utiliza en contraposición a lenguajes formales

los conocidos como lenguaje�formales, como por ejemplo los lenguajes de Lenguaje�naturales: lenguaje
programación. producido de manera espon-
tánea por los seres humanos,
y cuyas reglas derivan del uso.
Se utiliza en la comunicación
La ventaja del lenguaje natural es su gran expresividad: permite expresar cual- humana.
quier cosa que se pueda representar simbólicamente y, por lo tanto, puede des- Lenguaje�formales: lenguajes
artificiales definidos a partir de
cribir incluso elementos de arte, fotografías o emociones. Una segunda ven- un conjunto de convenciones
y reglas que permiten una co-
taja es la gran cantidad�de�conocimiento que está representado en lenguaje municación precisa.
natural.

En consecuencia, gran parte de los primeros estudios efectuados en el campo

de la representación del conocimiento estaban vinculados al lenguaje y la bús-
queda de la información en el campo del lenguaje. Su base eran las investiga-
ciones llevadas a cabo durante décadas en el análisis filosófico del lenguaje.

Por desgracia, la potencia del lenguaje natural genera un gran inconveniente:

la ambigüedad. Una frase o palabra es ambigua cuando admite más de una
interpretación posible. En estos casos, para elegir la interpretación correcta es
necesario basarse en el contexto de la frase, que normalmente queda implícito.

Ejemplo 33. Ambigüedad del lenguaje natural

La frase siguiente:

“John vio a David en el bosque con los binóculos.”

tiene dos interpretaciones posibles: la primera, que John vio a David por medio de los
binóculos. No obstante, tenemos una segunda interpretación posible: John vio que David
llevaba unos binóculos. Por lo tanto, nos falta conocer el contexto para saber a quién
pertenecen los binóculos.

La ambigüedad es el motivo por el que los esquemas de representación se basan

en lenguajes formales y no en el lenguaje natural. El uso del lenguaje natural
se centrará mayoritariamente en la interacción persona-ordenador o bien en
la fase de adquisición del conocimiento.

(8)
El procesamiento�del�lenguaje�natural� (NLP8) es el ámbito de la IA dedicado Del inglés natural language pro-
cessing.
a la investigación sobre la comprensión y el tratamiento del lenguaje natural.
Principalmente, las técnicas de procesamiento de lenguaje natural pertenecen (9)
En inglés, data mining.
9
a las disciplinas de aprendizaje automático y de extracción de datos , las que
contribuyen al desarrollo de métodos de resolución de tareas como sumariza- (10)
En inglés, question answering.
10
ción automática, búsqueda de respuestas , traducción automática, identifica-
(11)
En inglés, named-entity recogni-
ción de entidades11, desambiguación lingüística, etc.
tion.
2.5. Los esquemas lógicos Lectura complementaria

Para empezar la indagación

La lógica matemática define muchos formalismos diferentes para codificar he- en el campo del procesa-
chos y propiedades. Cada formalismo ofrece una cierta capacidad�expresiva miento del lenguaje natural,
un buen libro de referencia
para representar el conocimiento en expresiones denominadas fórmulas. Ade- es:
más, cada formalismo establece unas reglas�de�cálculo�o�inferencia que per- C.�D.�Manning;�H.�Schütze
(1999). Foundations of statisti-
miten combinar fórmulas para extraer conclusiones a partir del conocimiento cal natural language processing.
existente. Cambridge: MIT Press.

El proceso de inferencia tiene un coste computacional que puede llegar a ser Indecidibles
muy elevado y que no sea factible razonar sobre una base de conocimiento.
Encontramos formalismos ló-
Este coste está directamente vinculado a dos factores: gicos en los que el proceso de
cálculo puede ser tan costoso
que no hay garantía de su ter-
• El tamaño de la base de conocimiento: cuanto más conocimiento guarda- minación: ¡el proceso podría
quedar calculando de manera
mos, más costoso es razonar sobre el mismo. indefinida, sin llegar a dar nin-
guna respuesta!

• La expresividad del formalismo lógico: cuanto más expresivo es el forma-

lismo, las reglas de cálculo son más flexibles y, por lo tanto, hay muchas
más maneras de aplicarlas.

La elección del formalismo lógico apropiado para un problema es nece-

sariamente un compromiso. Hay que buscar un equilibrio entre la ex-
presividad (para representar el conocimiento necesario) y la eficiencia
del proceso de inferencia (para razonar con rapidez).

En el ámbito de la representación del conocimiento, un formalismo lógico

que se utiliza frecuentemente es la lógica�de�primer�orden (LPO), puesto que
permite razonar tanto sobre objetos individuales como sobre conjuntos de
objetos.

Uno de los componentes fundamentales de las fórmulas en LPO son los tér-
minos. Un término puede ser:

• Una variable (x, y, z, etc.), que puede tomar diferentes valores.

• Una función de 1 o más argumentos (suma(x,7), padre(z), potencia(x,2,

y),...), en la que cada argumento puede ser una constante, variable u otra
función.

(12)
• Una constante12 (peter, 2, blue, etc.), que puede hacer referencia a un objeto Las constantes se pueden ver
como un caso particular de fun-
del dominio o al valor de un atributo de un objeto. ción con 0 argumentos.

Los términos se pueden relacionar entre sí definiendo predicados. Un predi-

cado está formado por un símbolo (que indica el tipo de relación entre los
términos) seguido de 0 o más términos. Por ejemplo, el predicado Loves(john,
mother(x)) establece la relación Loves entre los términos john y mother(x). Este
predicado, pues, nos podría servir para codificar que “John ama a la madre de
x” (donde no sabemos quién es x).

La interpretación�que hacemos de un predicado –es decir, el significado que

damos a los símbolos de predicado, de función, las constantes, etc.– y la co-
rrespondencia entre este y el mundo real nos dirá si el predicado es cierto�(1)
o es falso�(0).

Los predicados se combinan en fórmulas mediante conectivas lógicas, como

por ejemplo la conjunción (∧, también denominada and o y-lógica), la disyun-
ción (∨, también denominada or u o-lógica), la implicación (→) y la negación
(¬). Un ejemplo de esto podría ser: “John ama a Lucy pero no a la hermana
de Gema”.

Loves(john, lucy) ∧ ¬ Loves(john, sister(gema))

La interpretación de una fórmula se calcula a partir de la interpretación de

cada una de sus subexpresiones, como se puede ver en la tabla siguiente.

Tabla 3. Tabla de verdad de conectivas lógicas: conjunción, disyunción, implicación y negación

A B A∧B A∨B A→B ¬A ¬B

0 0 0 0 1 1 1

0 1 0 1 1 1 0

1 0 0 1 0 0 1

1 1 1 1 1 0 0

Por último, a las fórmulas también se pueden añadir cuantificadores, que

especifican el valor que toman las variables que aparecen en las mismas. Hay
dos tipos de cuantificadores:

• Existencial (∃), que indica que la fórmula es cierta para algún valor de
la variable. Por ejemplo, para indicar que “John es amado por alguien”
utilizaríamos la fórmula siguiente:
∃x: Loves(x, john)

• Universal ( ), que indica que la fórmula es cierta para cualquier valor de

la variable. Para decir que “John ama a todo el mundo que es amado por
Peter”:
x: Loves(peter, x) → Loves(john, x)
2.5.1. La implementación

Prolog es uno de los lenguajes más utilizados en la representación de esque-

mas lógicos. Desde su creación en 1972 por A. Colmerauer y P. Rousell, este
lenguaje ha contribuido de manera sustancial a la evolución de la IA.

Un esquema Prolog consta de dos elementos: hechos (predicados que son cier- Convenciones de Prolog
tos) y reglas�(patrones del tipo “si se cumplen un conjunto de condiciones,
En Prolog, cualquier cadena
se puede afirmar este predicado”). El esquema responderá a cuestiones plan- que empieza por mayúscula se
teadas en forma de uno o más objetivos, predicados en los que alguno de sus considera una variable: un sím-
bolo que puede tomar cual-
argumentos puede ser variable. Prolog utilizará los hechos y las reglas para quier valor. Los nombres de
los predicados y las funciones
encontrar una asignación posible de valores a las variables que hacen cierto el tienen que empezar necesaria-
mente por minúscula. Obser-
predicado (respuesta “Yes”), o concluir que el predicado es falso para cualquier vad que la convención es di-
valor de las variables (respuesta “No”). Internamente, se utiliza un algoritmo ferente a lo habitual en lógica
de primer orden, en la que los
de backtracking (vuelta atrás) para considerar todas las posibles combinaciones predicados se escriben en ma-
yúscula y las funciones, cons-
de valores de las variables. tantes y variables, en minúscu-
la.
Ejemplo 34. Definición de hechos utilizando Prolog

Consideremos el dominio de las relaciones familiares. Primero, definiremos un conjunto

de hechos.

gender(sarah, female).
gender(peter, male).
gender(john, male).
parent(sarah, john).
parent(sarah, peter).

La parte derecha de una regla indica las condiciones que se tienen que cumplir
y es una lista de predicados separada por comas. En la parte izquierda hay un
único predicado: el que será cierto si se cumplen todas las condiciones de la
parte derecha.

Ejemplo 35. Definición de predicados en Prolog y resolución de consultas

A continuación, definimos un conjunto de predicados para especificar qué es una perso-

na, qué es una madre y qué es un hermano:

• si X es el progenitor de alguien, es una persona:

person(X) :- parent(X,_).

• si X es el progenitor de alguien y es una mujer, es su madre:

mother(X,Y) :- parent(X,Y), gender(X, female).

• X e Y son hermanos si tienen un progenitor Z común:

sibling(X,Y) :- parent(Z,X), parent(Z,Y).

Entonces, el sistema sería capaz de responder a las cuestiones siguientes:

person(sarah) Respuesta: Yes

mother(X, peter) Respuesta: Yes (X = sarah)
sibling(peter, sarah) Respuesta: No
Una característica muy particular de Prolog es que los valores pueden ser listas
de elementos: secuencias de elementos entre llaves y separadas por comas,
como por ejemplo [ ] (lista vacía), [2] , [3, 17, 1, 3, 45]. El tratamiento de listas
en Prolog se suele hacer de manera recursiva: por un lado, se trata el caso de
la lista vacía; posteriormente se hace esto con el primer elemento de la lista, y
se continúa tratando el resto de los elementos de manera recursiva.

Ejemplo 36. Tratamiento de listas en Prolog

Si definiésemos el siguiente predicado para indicar si alguno de los elementos de la lista

del segundo parámetro es un ancestro del valor pasado en el primer parámetro, “Generar
una lista ordenada de los ancestros femeninos de X”:

ancestors(X, []) :- \+ mother(X, _). (X has no mother)

ancestors(X, [ First | Rest ]) :-
mother(First, X), (Add X's mother as the first element)
ancestors(First, Rest). (Repeat recursively)

Entonces el sistema podría responder a las preguntas siguientes:

ancestors( sarah, X ). Respuesta: Yes (X = [] )

ancestors( john, Y ). Respuesta: Yes( Y = [sarah] )
ancestors( peter, [Y, Z] ). Respuesta: No

2.6. Los esquemas basados en redes

A diferencia de la representación lógica, que se destina a la búsqueda del razo-

namiento, los esquemas basados en redes están principalmente destinados a
formalizar el conocimiento que el hombre utiliza en su mundo. Por esta razón,
este tipo de representación aparece de la mano de lingüistas y psicólogos en
trabajos que tienen como finalidad la comprensión del lenguaje natural.

Otra apreciación respecto a la representación lógica es que esta pretende asig-

nar valores verdaderos (valor que indica en qué medida una declaración es
verdad) a las expresiones lógicas basadas en la interpretación del mundo. Esto
provoca que la representación lógica no siempre sea suficiente para responder
cuestiones como por ejemplo: “¿De qué está hecho el caucho?”.

Recordemos
En cuanto a su forma, la representación en red sostiene el conocimiento
por medio de una estructura de grafo, en la que los vértices represen- Recordemos que un grafo eti-
quetado es un grafo que tie-
tan objetos o conceptos del dominio del problema (por ejemplo, el “co- ne asociada información a sus
arcos (o aristas) mediante una
che” o el color “rojo”) y los arcos representan normalmente relaciones etiqueta que contiene cual-
o asociaciones entre sí (por ejemplo, “el coche es de color rojo”). Tanto quier tipo de datos o informa-
ción útil.
los arcos como los vértices pueden estar anotados con etiquetas que
aportan información adicional.

Los ejemplos más conocidos de esquemas basados en redes son las redes se-
mánticas, los grafos conceptuales y las ontologías.
2.6.1. Las redes semánticas

(13)
Para entender qué son las redes semánticas13, hay que hablar primero de lin- Las redes semánticas constitu-
yen una representación idónea pa-
güística. El análisis lingüístico está dividido mayoritariamente en cinco cam- ra la visualización del conocimien-
pos de estudio: to.

• El fonológico, en el que se estudia cómo se asigna el sonido a las palabras.

• El lexicológico, en el que se analiza cómo se categorizan las palabras según

su morfología.

• El sintáctico, en el que se estudia cómo se valida el orden y la estructura

de las palabras en una frase.

• El semántico, centrado en cómo se le asigna un significado a las palabras.

• El pragmático, en el que se estudia cómo se extrae la intención de uso de

las palabras en un contexto concreto.

En este ámbito, las redes semánticas quieren proveer representaciones de co-

nocimiento para el estudio de la semántica. La semántica intenta describir el
significado de las palabras (permite desambiguar su sentido, en caso de ambi-
güedad) y las condiciones en las que los significados pueden interactuar para
ser compatibles con los otros aspectos del lenguaje.

El significado de un concepto se define a partir de las relaciones hacia

otros conceptos. De este modo, somos capaces de inferir conocimiento
por medio de relaciones apropiadas como por ejemplo is a o instance of.

Por lo tanto, el conocimiento que mantienen las redes semánticas son defi-
niciones de conceptos además de las relaciones entre ellas. Aparentemente,
este es un patrón de estructura muy simple, pero ha sido utilizado con éxito
para la construcción de muchas redes complejas, como es el caso del proyecto
WordNet y su versión europea, EuroWordnet.

Muchas de estas redes han sido propuestas como modelos de representación de

mapas conceptuales y mentales. Por el contrario, otros se han propuesto como
componentes para la comprensión del lenguaje en sistemas de razonamiento.

Ejemplo 37. Red semántica con información sobre pájaros

El gráfico que acompaña este ejemplo (ilustración 4) es una muestra extraída de la red
semántica desarrollada por A. Collins y R. Quillian (1969) en su investigación sobre el
almacenamiento de información humana. Se trata de un buen ejemplo sobre cómo la
jerarquía de la estructura tiene la capacidad de dar respuestas. Es decir, podemos hallar
la respuesta a las preguntas siguientes: “¿Puede un canario cantar?”; “¿Es un canario un
pájaro?”; “¿Puede un canario volar?”; o “¿Respira un canario?”.
 Ilustración 4. Red semántica

Estudios efectuados sobre cómo almacenan información los humanos revelan Ved también
que utilizamos niveles de abstracción, y cada uno de estos contiene las pro-
El mecanismo de generaliza-
piedades que esperamos que sean generalizadas. Así pues, los seres humanos ción y especialización se ex-
usamos de manera interna conocimiento heredable. Ante este conocimiento, plica con más detalle en el
subapartado 1.3.6 de este mó-
la red semántica es un mecanismo idóneo para su representación. dulo didáctico.

Ejemplo 38. Niveles de abstracción

La ilustración 4, además, nos ejemplifica una estructura con la repartición de la infor-

mación en diferentes niveles de abstracción. En vez de almacenar de manera individual
todas las características en el “canario”, tenemos que la característica de “respirar” y la de
“mover” están en el nivel de “animal”. De este modo, en la estructura también podemos
incluir el conocimiento de “pez”, puesto que se trata de una especificación de “animal”.
2.6.2. Los grafos conceptuales

Estructuralmente, un grafo conceptual es un grafo finito y conexo que tiene Grafos bipartitos y grafos
la propiedad de ser bipartito. Los vértices del grafo pueden ser conceptos o conexos

relaciones conceptuales. Este tipo de representación no asocia etiquetas a los Recordemos que un grafo G
arcos, sino que son los vértices de relaciones conceptuales los que representan = (V, A) es bipartito si existe
una partición del conjunto de
las relaciones entre los conceptos. De este modo, los vértices de conceptos solo vértices, es decir, si se pueden
separar en dos conjuntos dis-
tendrán arcos hacia vértices de relaciones conceptuales, y también a la inversa. juntos V1 y V2 de modo que las
Por lo tanto, se garantiza la propiedad bipartita del grafo. aristas solo conectan vértices
de un conjunto con vértices
del otro.
Un grafo G = (V, A) es conexo
Los vértices concepto representan objetos concretos o abstractos del mundo
si para cada par de vértices u y
caracterizados por nuestra capacidad para formarnos una imagen mental de v de G hay un camino entre u
y v.
estos. Pueden incluir tanto conceptos generales –por ejemplo avión, teléfono
u hotel– como instancias (objetos más específicos): el avión Boeing 747 con
número de serie XW63783736E o el hotel Ritz de París.

Los vértices relación�conceptual indican una relación que involucra uno o

más conceptos. La ventaja de no utilizar etiquetas en los vértices es que esto
simplifica la representación de relaciones con cualquier aridad (número de
participantes en una relación). De este modo, una relación n-aria está repre-
sentada por un nodo conceptual conectado con n vértices.

Un sistema basado en este tipo de representación estará formado por un con-

junto de grafos en el que cada uno representa una única proposición. Las
proposiciones representan parte de conocimiento del dominio.

Ejemplo 39. Grafo conceptual

La ilustración 5 representa un grafo conceptual sencillo de la proposición “un pájaro tie-

ne plumas”. En cambio, la ilustración 6 y la ilustración 7 añaden algo más de compleji-
dad. En concreto, el grafo conceptual 2 representa “el pájaro puede volar con las alas”.
Observad que “volar” se relaciona conceptualmente con “pájaro”, puesto que es el agente
de la acción. También se relaciona con “alas”, ya que estas son el objeto de vuelo. Por otro
lado, el grafo conceptual 3 define que canario es un tipo de pájaro que es amarillo y canta.

Ilustración 5. Grafo conceptual 1

Ilustración 6. Grafo conceptual 2

 Ilustración 7. Grafo conceptual 3

La teoría asociada a los grafos conceptuales incluye un conjunto de operacio-

nes para facilitar la creación de nuevos grafos a partir de los que ya hay. Las
operaciones son la copia, la unión, la restricción y la simplificación. La ilus-
tración 8 muestra la operación de unión entre los grafos conceptuales 1 y 2.

Ilustración 8. Ejemplo de unión de los grafo conceptuales 1 y 2

Los ejemplos vistos de grafos conceptuales demuestran lo sencillo que es re-

presentar objetos y sus características (en inglés, conjunctive concepts). En cam-
bio, no hay ningún mecanismo estándar establecido para representar la ne-
gación o la disyunción. Algunos autores proponen utilizar la relación unaria
“negation” asociada a una proposición.

Ejemplo 40. Operación de negación en grafos conceptuales

La ilustración 9 muestra la proposición “La avestruz no puede volar aunque tiene alas”.

Ilustración 9. Operación de negación

2.6.3. La implementación

Los ejemplos de esquemas de representación que hemos mencionado en este

subapartado (2.6) se utilizan de manera muy variada: para la recogida de co-
nocimiento para la consulta humana, o bien para la consulta, la creación, la
modificación o la inferencia automática. Al mismo tiempo, también se aplican
en muchos dominios como por ejemplo en el estudio del lenguaje (bases de
conocimiento léxico), la web semántica o incluso la detección de plagio.

Esta variedad de usos es tan grande que ha provocado la proliferación de mu-

chos lenguajes de programación destinados a la implementación de esquemas
de representación. De estos lenguajes, hay que distinguir los que son de pro-
pósito específico, como es el caso del lenguaje CycL –creado por el proyecto
Cyc (podéis ver el subapartado 1.3.1)–, de aquellos que son de propósito ge-
neral, como el Semantic Network Processing System (SNePS) o el Lisp.

Para ilustrar cómo se utilizan estos lenguajes, veremos de qué manera imple-
mentar una red semántica en Lisp. La implementación es sencilla y, además,
encontramos varios estilos para hacerlo.

Ejemplo 41. Red semántica implementada en Lisp

El siguiente código Lisp es la implementación del ejemplo 37 del subapartado 2.5.1 (red
semántica sobre pájaros). Antes que nada, se define la función para crear relaciones de
herencia entre conceptos (entities) de primer nivel (función isa), y a continuación para
añadir atributos (función attr):

(defun isa (entity1 entity2)

(setf (get entity1 'isa)
(cons entity2 (get entity1 'isa))))

(defun attr (entity attribute value)

(setf (get entity attribute)
(cons value (get entity attribute))))

Ahora codificaremos el conocimiento propio del ejemplo utilizando las funciones defi-
nidas anteriormente.

(attr 'animal 'can 'breathe)

(attr 'animal 'can 'move)
(attr 'animal 'has 'skin)
(attr 'bird 'can 'fly)
(attr 'bird 'has 'wings)
(attr 'bird 'has 'feathers)
(isa 'bird 'animal)
(isa 'fish 'animal)
(attr 'canary 'can 'sing)
(attr 'canary 'is 'yellow)
(isa 'canary 'bird)
(attr 'ostrich 'cannot 'fly)
(attr 'ostrich 'is 'tall)
(isa 'ostrich 'bird)

Una vez tenemos todo el conocimiento creado y codificado, dotaremos a la representa-

ción de la funcionalidad para acceder al mismo y consultar los atributos de cada concep-
to, incluso aquellos que se heredan.

(defun get-attr (entity attr)

(append (get entity attr)
(get-from-parents (get entity 'isa) attr)
)
)

(defun get-from-parents (parents attr)

(cond ((null parents) nil)
((atom parents) (get-attr parents attr))
(or (get-from-parents (car parents) attr)
(get-from-parents (cdr parents) attr)
)
 )
)
)

(defun entity-attr-value (entity attr value)

(consp (member value (get-attr entity attr))
)
)

(defun question-isa (entity parent)

(consp (member parent (get-attr entity 'isa))
)
)

Ahora ya estamos en disposición de llevar a cabo consultas:

• ¿Puede volar un canario?

(entity-attr-value 'canary 'can 'fly)

• ¿Tiene piel un pájaro?

(entity-attr-value 'bird 'has 'skin)

• ¿Un canario es un animal?

(question-isa 'canary 'animal)

También hay que destacar la proliferación de herramientas específicas para el

tratamiento de ontologías, fruto del aumento en los últimos tiempos de su uso
(en buena parte por la aplicación a la web semántica). Veréis más ejemplos
relacionados con ontología y web semántica en el próximo módulo didáctico.

2.7. La representación estructurada

Aunque la representación estructurada se clasifica como otro tipo de esquema

de representación, no deja de ser una variante de la representación en red.
En concreto, la representación estructurada es un grafo ampliado en el que
los vértices pasan a ser estructuras complejas con una colección de campos
denominados slots.

Los slots permiten representar valores que pueden ir de un simple número

hasta un procedimiento que lleva a cabo una tarea en particular. Los slots tam-
bién pueden contener punteros, es decir, referencias a otra representación es-
tructurada.

Los marcos y los scripts son ejemplos de esta representación.

2.7.1. Los marcos

Muchas veces, el conocimiento requiere ser organizado en unidades más com-

plejas que simples vértices para que puedan representar situaciones u objetos
muy conocidos del dominio. Estas unidades complejas de conocimiento se
denominan marcos.
 Marcos

Minsky (1975) describe un marco de la manera siguiente: “Cuando al-

guien se encuentra en una nueva situación (o cambia sustancialmente
su perspectiva sobre un problema), selecciona desde su memoria una
estructura denominada marco (frame). Un marco es un framework guar-
dado en memoria que se puede adaptar para ajustarse a la realidad cam-
biando detalles según sea necesario”.

Según Minsky, los humanos trabajamos con estructuras que recordamos de

nuestra experiencia pasada y que ajustamos a las nuevas situaciones.

Ejemplo 42. Definición de un marco relacionado con alquiler de coches

Cualquier persona que tenga experiencia en conducir un coche posiblemente puede ha-
ber conducido más de un coche en su vida. Por este motivo, si alguna vez necesita alqui-
lar uno, no tendrá ningún problema en saberlo conducir.

Cuando la empresa de alquiler de vehículos hace entrega del coche, el locatario espera
encontrar unas puertas de acceso, un asiento para el conductor y para el resto de los
pasajeros, un volante, unos pedales de gas y freno, etc. Pero además, percibe el color del
coche, la posición del retrovisor y de los mandos de las luces, etc. También recordará
las instrucciones de cómo llenar el depósito de gasolina: accionar la palanca debajo del
volante, desenroscar el tapón exterior del depósito, etc. Todos estos detalles se organizan
dentro de una estructura conceptual que representa un coche genérico.

La figura siguiente muestra cómo un coche de alquiler puede ser representado por un
marco en el que se describen cada una de sus características. Vemos claro que el coche
de alquiler es una especialización de la clase Coche, e incluye slots para detallar su uso,
el segmento, las partes que lo componen y los pasos para cargarlo. Recordemos que los
slots pueden contener valores (como son el uso, el segmento y el cambio), punteros a
otros marcos (como es el caso del motor eléctrico) y también procedimientos, en este
caso “cómo cargar de electricidad”.
 Ilustración 10. Marco que describe un coche de alquiler

Cada marco individual se puede ver como una estructura de datos que contie-
ne la información relevante de sus características estereotipadas. En un marco,
los slots contienen información como la siguiente:

• Identificador del marco.

• Relaciones hacia otros marcos. En el ejemplo de este subapartado, el co-

che de alquiler es una instancia especial de Coche y la empresa de alquiler
también alquila motos.

• Restricciones de integridad. Condiciones que determinan si un nuevo ob-

jeto encaja en el estereotipo definido por el marco (principios). Por ejem-
plo, la moto de alquiler tiene una cilindrada de entre 125 y 650 centíme-
tros cúbicos.

• Información procedimental para el uso de las estructuras descritas. Es un

mecanismo para incrementar la capacidad expresiva del marco.

• Información por defecto del marco. El valor de este slot se usa por defec-
to cuando no se informa de lo contrario. Por ejemplo, la moto tiene dos
ruedas.
• Información de una instancia nueva. Serán valores que no están especi-
ficados hasta darse una instancia particular. Por ejemplo, el Segmento del
coche no hay que especificarlo en la definición de Coche.

Ejemplo 43. Slot con información procedimental

En lugar de escribir un valor directamente en un slot, el gráfico siguiente nos muestra

cómo los slots área y perímetro son procedimientos que permiten obtener un valor cuando
se necesita. Con este mecanismo, podemos modificar la longitud del rectángulo y siempre
obtendremos el área asociada al nuevo valor correctamente.

Ilustración 11. Slots con información procedimental

Para concluir, recordaremos que los marcos son útiles para simular el
conocimiento de sentido común, generalmente conocido y estereotipa-
do y que nos permite detallar todas las características típicas de lo que
se modeliza.

La división explícita entre relaciones y atributos (slots) es una propiedad ven-

tajosa que tiene el marco respecto a otros esquemas de representación. Hay
que destacar también la posibilidad de descripción de su semántica a partir de
su propia estructura.

Sin embargo, aun estando ante una representación que provee un método
natural para representar entidades estereotipadas, clases, herencia y valores
por defecto, G. F. Luger y W. A. Stubblefield avisan de los problemas todavía no
resueltos que presentan los lenguajes de programación para su organización.
Uno de estos problemas tiene relación con la herencia y se manifiesta cuando
una instancia no puede heredar uno de sus slots de una superclase. En este
caso, el usuario tiene que decir cómo se procede: bien eligiendo si hay que
cancelar el slot en concreto o bien solo el valor que debería contener.
2.7.2. Los scripts

(14)
En español, ‘guion’.
Scripts

Lectura complementaria
G. F. Luger y W. A. Stubblefield (1998) definen el script14 de esta manera:
El script fue diseñado origina-
“Una representación estructurada que describe una secuencia estereoti- riamente por R. Schank y R.
pada de eventos en un contexto particular”. Abelson:
R.�Schank;�R.�Abelson
(1977). Scripts, planes, goals
and understanding: An inquiry
Estamos, por lo tanto, frente a una estructura que tiene como objetivo la des- into human knowledge structu-
res. Erlbaum.
cripción de situaciones típicas por medio de la representación de secuencias
de los eventos que suceden en ellas.

Su representación es una ampliación de los marcos, cuyos objetos se estructu-

ran de modo que se pueda dar orden a las acciones que esperamos que pasen
en aquella situación y los cambios de estado que se producen en ella.

Ejemplo 44. Uso de scripts para comer en un restaurante

R. Schank y R. Abelson proponen un ejemplo muy aclaratorio del uso de un script. Ima-
ginemos la secuencia de escenarios posibles que tienen lugar cuando una persona come
en un restaurante:

• Primero la persona entra dentro del restaurante.

• A continuación pide la comida al camarero.
• Después se la traen y se la come.
• Finalmente, se va del restaurante.

(15)
Como hemos visto en este ejemplo, el conjunto de escenarios sirve para or- En inglés, conceptual depen-
dency.
denar y dividir la secuencia de eventos que tienen lugar en una situación, pero
también es preciso descomponerlos con más detalle, en un ámbito de acciones
y cambios de estado. Para hacerlo, se utilizará la teoría de dependencias�con-
ceptuales15, enfocada a representar el conocimiento de los eventos que apare-
cen en las frases en lenguaje natural y facilitar la inferencia de conocimiento
de manera independiente del lenguaje en el que se expresen.

La representación de las dependencias conceptuales de una frase se construye Lectura complementaria

con el significado que corresponde a las palabras que aparecen en la frase. Es
Si queréis profundizar más en
decir, se separa el significado de las palabras. De este modo, tendremos que la teoría de las dependencias
dos frases con el mismo significado dispondrán de una sola representación. Se conceptuales, os recomenda-
mos la lectura siguiente:
utilizarán las transiciones�conceptuales –formalismo para modelizar objetos R.�Schank (1969). A concep-
y acciones del mundo– para representar de manera única el significado de las tual dependency parser for na-
tural language. Proceedings of
frases. the 1969 conference on compu-
tational linguistics. Sång-Säby,
Suecia (págs. 1-3).
 Ejemplo 45. Script relacionado con una transición conceptual

Para describir la acción que un cliente hace en un restaurante para llegar a la mesa, hay
una gran diversidad de frases posibles: “el cliente andará hacia la mesa”, “el cliente se
desplazará hasta la mesa”, etc.

Todas las frases anteriores tienen el mismo significado. De este modo, para representarlas
utilizaremos la transición conceptual PTRANS, destinada a las acciones de movimiento:

client PTRANS client to table

Además de PTRANS, también están MTRANS, utilizada para acciones de trans- Reflexión
ferencia “dar” o “tomar”; y ATRANS, útil para las acciones que representan
Estamos ante un tipo de repre-
acciones mentales; etc. sentación canónica del lengua-
je natural que puede ser pro-
cesado por los ordenadores.
Ejemplo 46. Descripción de un script para un restaurante

El diagrama siguiente muestra un script que representa un restaurante con todas las ac-
ciones que suceden cuando un cliente entra a comer.
El script se compone de los elementos siguientes:

(16)
1) Las condiciones�de�entrada16, que se tienen que satisfacer para que se pueda En inglés, entry conditions.

iniciar el script.

Ejemplo 47. Condiciones de entrada en el restaurante

S is hungry
S has money

(17)
2) El resultado17; es un conjunto de condiciones que son ciertas cuando el En inglés, results.

script finaliza.
 Ejemplo 48. Resultados en el restaurante

S has less money

O has more money
S is not hungry
S is pleased (optional)

(18)
3) Las propiedades18; son los objetos involucrados en la situación que se des- En inglés, abreviadas, props.

cribe.

Ejemplo 49. Propiedades en el restaurante

Tables
Menu
F = Food
Check
Money

(19)
4) Los roles19; son las diferentes entidades o personas que intervienen en la En inglés, roles.

situación descrita.

Ejemplo 50. Roles aplicables al dominio del restaurante

S = Customer
W = Waiter
C = Cook
M = Cashier
O = Owner

(20)
5) Los escenarios20; son las diferentes secuencias de eventos que se dan en el En inglés, scenes.

script.

Ejemplo 51. Escenarios del restaurante

Scene 1: Entering
Scene 2: Ordering
Scene 3: Eating
Scene 4: Exiting

El script es un método de representación que está a caballo entre la represen-

tación estructurada y la procedimental (representación que describimos en el
subapartado siguiente). Por este motivo, os avisamos de que en la bibliografía
encontraréis algunos autores que lo clasifican de un modo u otro.

2.8. La representación procedimental

Las arquitecturas de este tipo codifican el “cómo llevar a cabo alguna tarea”, Ved también
y así modelizan el conocimiento procedimental, que ya hemos definido. En
Podéis ver la definición de co-
otras palabras, representan las habilidades que contiene el conocimiento, co- nocimiento procedimental que
mo por ejemplo conducir un coche, ir en bicicleta, etc. En definitiva, la repre- proponemos en esta asignatu-
ra en el subapartado 1.3.3 de
sentación procedimental incluye todo lo que suponga detallar los pasos para este módulo didáctico.

llevar a cabo una tarea.

Esta es una de las técnicas más utilizadas para representar conocimiento, pues-
to que tiene la ventaja de que no solo codifica los hechos, sino también la
secuencia de operaciones. Sin embargo, esta ventaja es igualmente una debili-
dad por el hecho de tener entrelazados de manera intrínseca el conocimiento
y su manipulación.

Podemos ver los lenguajes de programación como los mecanismos naturales

para la codificación del conocimiento procedimental, además de los métodos
basados en reglas.

Ejemplo 52. Representación procedimental de objetos gráficos

Lectura complementaria
La infografía es uno de los campos en los que el diseño gráfico y la informática coinciden
para trabajar juntos. La unión de las dos tecnologías ha producido un salto espectacular C.�W.�Reynolds (1982).
en el campo de la animación y el cine. “Computer animation with
scripts and actors”. Computer
En este campo, trabajar con gráficos requiere no solo crear un conjunto estático de valores graphics (vol. 3, núm. 16).
(como pueden ser todos los puntos que conforman una imagen en 3D), sino además los
procedimientos que describen su animación.

Este tipo de representación permite la generación de formas y movimientos complejos.

En concreto, se utiliza para modelizar fenómenos naturales: humo, plantas y colisión o
rotación de objetos, entre otros.

Actor/Scriptor Animation System (ASAS) es un lenguaje de programación destinado a la

creación de animaciones y gráficos por ordenador. Realmente es una ampliación de Lisp,
pero provee una biblioteca de funcionalidades destinadas a la manipulación de objetos
animados: vectores, polígonos, operaciones geométricas, etc.

El código siguiente ejemplifica cómo se define en ASAS la animación de la rotación de

un cubo:

2.8.1. Las reglas de producción

Las reglas de producción, también denominadas reglas IF-THEN, conforman

una de las técnicas de representación del conocimiento más antiguas. Son un
importante paradigma de representación aplicado en sistemas expertos: la pla-
nificación automática o la action selection. Además, su uso se ha popularizado
en muchos dominios, como por ejemplo la medicina, como mecanismo útil
para diagnosticar patologías médicas.

Las reglas representan el conocimiento utilizado en el formato SI-ENTONCES

(IF-THEN), compuesto por dos partes esenciales:

• La parte del SI (IF), que indica el antecedente, la premisa, la condición o

la situación.
• La parte del ENTONCES (THEN), que es el consecuente, la conclusión, la
acción o la respuesta.

Ejemplo 53. Ejemplos de reglas SI-ENTONCES

SI conduces un vehículo Y se aproxima una ambulancia, ENTONCES tienes que reducir

la velocidad Y debes ceder el paso a la ambulancia.

SI la temperatura corporal es superior O igual a 39 C, ENTONCES tiene fiebre.

Las ventajas que proporciona esta representación son las siguientes:

• Permite representar conocimiento declarativo y procedimental de manera

conjunta.

• Es modular, puesto que cada una de las reglas es una porción de conoci-
miento independiente.

• Es fácil de manejar. Para modificar el conocimiento, solo hay que añadir

o eliminar reglas.

• La forma SI-ENTONCES de la regla tiene con frecuencia una buena corre-

lación con el lenguaje natural, con el objetivo de dar explicaciones.

• En algunos dominios, los sistemas basados en reglas consiguen algo pare-

cido al modelo que el hombre utilizaría para solucionar por sí mismo el
problema.

• Un sistema experto basado en reglas puede conseguir el mismo compor-

tamiento que un experto humano en algunos dominios.

Por otro lado, también encontramos desventajas:

• El control de las reglas puede hacerse difuso, debido a que las reglas quizá
tengan interacciones entre sí que pueden ser difíciles de controlar.

• El conjunto de reglas no tiene de manera intrínseca una estructura, lo que

provoca que resulte difícil la manipulación de grandes conjuntos de reglas.

• No todos los métodos de resolución de problemas humanos se representan

fácilmente en este formalismo.

• Estamos ante un método que, implementado en un sistema experto, no

permite llevar a cabo una prueba rigurosa para la validación de su com-
portamiento.
2.8.2. Los programas

Los programas son una representación de unas secuencias de instrucciones,

y cada una de estas puede ser ejecutada de manera automática para accionar
nuevos eventos u obtener cambios de estado. Como sabéis, el orden secuen-
cial de lectura del código no será el mismo que en la ejecución, ya que hay
unos mecanismos especiales para indicar el control del flujo, y este control
permite el salto de un punto a otro del código de manera independiente de
su ejecución.

2.9. Las ontologías

La definición de ontologías más difundida en el ámbito de la informática es

la que hizo Tomas Gruber en 1993, al definirlas como una especificación ex-
plícita y compartida de un dominio. En otros campos, como por ejemplo en
el de la filosofía, el término ontología se utiliza desde la antigüedad (de hecho,
desde que Aristóteles creó el concepto en la antigua Grecia). Ahora bien, pa-
ra entender qué es una ontología, hay que analizar a fondo la definición de
Gruber. Su definición habla de “conceptualización explícita, compartida y de
un dominio”. Estudiemos con calma qué significan los tres términos de esta
expresión:

• “Conceptualización explícita” indica que una ontología es la representa-

ción de algo que se ha escrito de manera explícita en algún lugar; es decir,
que no está solo en la mente de una persona. En este sentido, “explícita”
también se refiere al hecho de que tiene que estar codificada en un forma-
to que pueda ser codificado e interpretado por sistemas informáticos.

• “Compartida” significa que la representación de una ontología no puede

ser la visión particular de alguien respecto a un dominio, sino que tiene
que representar el conocimiento/información que una comunidad de per-
sonas tiene sobre un dominio.

• “De un dominio” indica que está enfocada a representar tan solo una parte
de la realidad.

Una vez hemos clarificado estos conceptos, podemos definir el término

de ontología de manera conceptual como la representación de parte de
la realidad compartida por una comunidad y expresada en un esquema
de representación que permite su interpretación por un sistema infor-
mático.

Aunque hoy día las ontologías acostumbran a usar esquemas de representa-

ción complejos basados en lógica descriptiva o en orientación a objetos, cual-
quier representación explícita y consensuada sobre un dominio es una onto-
logía. Así pues, una lista de conceptos de un dominio en un fichero de texto
también podría ser una ontología, muy simple y con pocas posibilidades de
inferencia, pero una ontología en efecto.

Según su poder expresivo, las ontologías se pueden clasificar en ligeras�(que

utilizan esquemas de representación simples y sin posibilidades de inferencia)
o pesadas�(con esquemas de representación complejos y altas capacidades de
inferencia).

La representación ontológica refleja la conceptualización del dominio entre

las personas de una comunidad, y es necesario un consenso para su creación.
Por este motivo, una ontología describe la conceptualización en términos ge-
nerales, en lugar de definir situaciones específicas.

Técnicamente, los elementos que constituyen una ontología son los concep-
tos, las relaciones, las instancias y los atributos:

• Los conceptos (vértice de la red) representan las categorías ontológicas

que son relevantes en el dominio.

• Las relaciones (arcos de la red) conectan los conceptos de manera semán-

tica.

• Las instancias (vértices hoja de la red) representan los objetos concretos

del dominio, vértices que se clasifican por medio de las relaciones con los
conceptos.

• Los atributos (combinación de vértices y arcos de la red) representan las

propiedades y sus valores asignados de conceptos o instancias. Los valores
son, al mismo tiempo, otros conceptos o instancias de la misma red.

Muchos autores, entre ellos T. R. Gruber (1993), comparten la opinión

de que las ontologías tienen como propósito compartir y reutilizar el
conocimiento que contienen, además de que han de tener un consenso
(acuerdo) en el vocabulario utilizado.

Por este motivo, son muchas las fuentes de conocimiento del dominio médico SNOMED CT
®
representadas con ontologías. Un ejemplo es el de SNOMED-CT , la ontología
Para conocer más lo que es
más grande, precisa y multilingüe de terminología clínica. SNOMED CT, podéis ver el re-
curso de Internet siguiente:
®
SNOMED Clinical Terms
Ejemplo 54. Definición de un concepto SNOMED-CT® y sus relaciones y ®
(SNOMED CT ) - OS National
atributos Library of Medicine

En la ilustración siguiente, mostramos el concepto Infective pneumonia (disorder) con todas

sus relaciones y atributos.
 Ilustración 12. Concepto Infective pneumonia

En cuanto a la visualización, una ontología se suele visualizar como una red

semántica, como hemos hecho en este ejemplo.

Con mucha frecuencia, las ontologías se equiparan con jerarquías taxonómi-

cas de clases. Sin embargo, recordemos que las taxonomías están limitadas a
relacionar de padres a hijos o de subclase a superclase, y una ontología permite
modelizar relaciones mucho más complejas.

2.10. Cuestiones para tener en cuenta

Son muchas las cuestiones que surgen cuando se utilizan algunos de los es-
quemas anteriormente descritos o tenemos la intención de representar algún
tipo de conocimiento. Por ejemplo:

• ¿Qué relaciones son las más importantes y a la vez básicas?

• ¿Qué nivel de granularidad debería representar?

• ¿Cómo se tendrían que representar los conjuntos de los objetos?

• Dada una gran cantidad de conocimiento almacenado, ¿cómo se puede

acceder a las partes relevantes?
A lo largo del módulo, se ha dado respuesta a algunas de estas cuestiones. Ved también
A continuación, para dar luz alguna de las respuestas, reflexionamos sobre
Recordemos que en el
ciertos aspectos estructurales y funcionales. subapartado 1.3.6 se han ex-
plicado los tipos de relaciones
de herencia, objetos y clases,
2.10.1. Las relaciones bajo el epígrafe “La generaliza-
ción y especialización del co-
nocimiento”. Además, en el
subapartado 2.6.1 hemos en-
Existe una gran variedad de relaciones que conforman el conocimiento a par- trado a diferenciar qué eran los
tir de relacionar entidades, como ya hemos mencionado. Hasta ahora, hemos atributos de los objetos y las
relaciones.
visto relaciones de herencia (es un, tipo de) y de instanciación (instancia de).
Aparte de estas relaciones, normalmente denominadas taxonómicas, también
hay otras denominadas relaciones no taxonómicas. Este segundo grupo inclu-
ye aquellas relaciones que no se utilizan para crear la taxonomía de herencia.

Otro tipo de relación muy común es la de meronimia, que incluye aquellas

relaciones que permiten definir relaciones de pertenencia. Algunos ejemplos
de esto son las relaciones part of, has, member of, belongs to, etc.

Ejemplo 55. Ejemplos de relaciones de meronimia

• Canadá pertenece a Norteamérica.

• Un motor es parte de un coche.
• Un árbol tiene hojas.
• Un dedo forma parte de la mano.

Otros tipos de relaciones utilizadas son las relaciones que indican propiedades
semánticas de la lengua, como por ejemplo sinónimo y antónimo.

Ejemplo 56. Ejemplos de sinonimia

Alegre es sinónimo de divertido, gracioso y risueño.

Los tipos de relaciones que utilizaremos para representar el conocimiento en

un problema concreto dependerán de distintos factores. Las relaciones de he-
rencia y pertenencia tienen cabida en casi todas las representaciones. Por otro
lado, las relaciones de instanciación tan solo son necesarias cuando la repre-
sentación debe contener instancias o cuando queremos proveernos de ejem-
plos. Las relaciones que indican propiedades de la lengua serán muy útiles
cuando se quiera interpretar u ofrecer información en lenguaje natural o cuan-
do deseemos hacer tareas de alineación de conceptos (averiguar cuándo dos
conceptos son el mismo o no); de lo contrario, pueden ser descartables.

Otro aspecto que conviene tener en cuenta a la hora de definir las relaciones es
el esquema de representación. Según el esquema de representación que se uti-
lice, algunas restricciones de integridad de las relaciones serán muy relevantes
o totalmente irrelevantes. Por ejemplo, las restricciones que indican que una
relación es simétrica, transitiva o funcional toman mucha relevancia si traba-
jamos con esquemas de representación basados en lógica descriptiva, mientras
que las relaciones de cardinalidad pueden no ser tan relevantes. Además, no
será posible utilizar relaciones con una aridad superior a 2. Por otro lado, si uti-
lizamos UML para representar el conocimiento, la aridad de las relaciones po-
drá ser superior a 2 y las restricciones de cardinalidad se hacen más relevantes.

2.10.2. Los atributos

Los atributos o las propiedades son relaciones binarias en las que cada uno
de los participantes de la relación es un tipo de datos. Sorprendentemente,
a día de hoy todavía encontramos muchas definiciones de tipos de datos y
no parece haber un consenso claro sobre su semántica. En esta asignatura,
para simplificar su identificación, estableceremos los tipos de datos según esta
definición: un tipo de dato es una clase cuyos valores la identifican de manera
unívoca. Por ejemplo, el número 3 es un tipo de dato porque dos números 3
son el mismo número. Lo mismo sucede con el texto “Juan” o con la fecha “3
de julio de 1974”. No obstante, la clase Libro no es un tipo de datos porque
podríamos tener dos libros con los mismos datos (ISBN, idioma, título, autor,
etc.) pero que, aun así, se tratara de dos ejemplares físicos distintos.

Los atributos son muy importantes en la representación del conocimiento,

porque nos permiten definir las características que tienen los elementos que
modelizamos.

2.10.3. Restricciones de integridad

Tal y como se ha dicho, las restricciones de integridad son condiciones

que tienen que satisfacer todas las instancias de nuestra representación.
Hay muchas restricciones de integridad, de muchos tipos y que afectan a
diferentes elementos (clases, objetos, relaciones, especializaciones, etc.).

Es importante definir las restricciones de integridad a la hora de representar

el conocimiento, porque estas nos permitirán definir representaciones que
tengan suficiente información como para detectar cuándo un problema dado
(una posible instanciación) no pertenece al dominio representado (no es una
instancia válida de la representación creada). Aparte de este aspecto práctico,
las restricciones de integridad ofrecen conocimiento intensivo sobre el fun-
cionamiento y las restricciones de los elementos del dominio.

Algunos ejemplos de restricciones de integridad

Ejemplos de restricciones de integridad serían “Todo estudiante de doctorado ha de tener

un título universitario”, “No puede haber dos restaurantes con el mismo nombre en la
misma localidad”, “La edad de una persona tiene que ser positiva”, o bien “Una persona
tan solo puede votar una vez en cada comicio electoral”.
Las restricciones de integridad están soportadas de diferente manera en dis-
tintos lenguajes de representación de conocimiento. Cuanto más complejas
sean las restricciones de integridad que definimos, más complejo (y normal-
mente más lento) será el motor de inferencia necesario para garantizar que se
satisfacen.

2.10.4. La elección de la granularidad

El grado de detalle del conocimiento representado dependerá del problema

y el tipo de conocimiento representado. Por este motivo, deberán tenerse en
cuenta las consideraciones siguientes:

• Ser conscientes del volumen, tanto por los hechos generales (clases, con-
ceptos) como por los más específicos (instancias, objetos).

• Las entidades más específicas suelen tener un mayor volumen y, por lo

tanto, requieren más almacenamiento.

• Los hechos más generales no suelen ser los adecuados para la inferencia
de conocimiento, puesto que tenemos menos especificación del dominio.

Ejemplo 57. Elección de la granularidad

Supongamos que estamos interesados en representar la información siguiente:

“Mary manchó a Peter.”

La podemos representar como:

Manchar (agent(Mary), object(Peter))

Ahora, con esta representación es fácil responder cuestiones como esta:

“¿Quién manchó a Peter?”

Sin embargo, supongamos ahora que queremos saber:

“¿Vio Mary a Peter?”

Para responder a esta pregunta, necesitamos añadir algún hecho más; con los que tene-
mos, no podemos dar una respuesta. Elegimos generalizar la implicación de que manchar
también significa ver lo que se mancha:

Manchar(x,y) → Ver(x,y)

Ahora ya estamos en disposición de inferir una respuesta y darla.

2.10.5. Relaciones individuales y colectivas

Las clases pueden tener relaciones que las caracterizan y las definen, pero al-
gunas forman parte de un conjunto más amplio. Es decir, hay afirmaciones
ciertas de hechos a escala de conjunto, que no lo son a escala individual.
 Ejemplo 58. Relaciones colectivas

Consideremos la afirmación siguiente:

“En Australia hay más ovejas que personas.”

El hecho de que haya más ovejas que personas no es una propiedad individual de una
oveja, sino que recae en el conjunto de ovejas. Por lo tanto, esta propiedad se tiene que
definir para el conjunto de las ovejas.

Especificar una propiedad de manera colectiva en una entidad que representa

un conjunto de objetos resulta mucho más eficiente que asociarla a cada uno
de los elementos del conjunto que representa.

2.10.6. El reto del conocimiento incierto y heurístico

En el ámbito de las matemáticas, es posible enunciar propiedades universales

y sentencias que tienen una validez absoluta, sin margen de duda o error. Des-
graciadamente, fuera de este ámbito nuestro conocimiento está sujeto a fac-
tores que pueden introducir incertidumbre: errores de percepción, comunica-
ción o interpretación; la subjetividad de los seres humanos; la aleatoriedad;
etc.

Ejemplo 59. Ejemplos reales de conocimiento incierto

En el ámbito de la física, el resultado de cualquier experimento lleva asociado un margen

de error, puesto que los aparatos de medida no tienen una precisión infinita.

En una prueba médica, siempre está presente el riesgo de obtener un resultado erróneo,
ya sea por un error humano, una contaminación de la muestra, la interferencia de otra
enfermedad, etc. Por este motivo, en ocasiones se pide repetir una prueba o hacer otras
relacionadas para tener más fiabilidad en el diagnóstico. Un sistema inteligente que tra-
baje en el ámbito médico ha de tener en cuenta esta posibilidad de error a la hora de
tomar decisiones.

(21)
El hecho de que un problema conlleva asociado un conocimiento�incierto En inglés, fuzzy logic.
resulta más normal de lo que creemos, puesto que el conocimiento es casi
siempre incompleto o incierto. Por este motivo, hay métodos de modelización
especiales para indicar incertidumbre y que normalmente consisten en pon-
derar valores de confianza o pesos. La lógica difusa21 es un ejemplo de esto.

Ejemplo 60. Planteamiento de un problema con conocimiento difuso

Dados los conjuntos de ciudades siguientes:

X = {NYC, Paris} and Y = {Beijing, NYC, London}

¿Cómo podemos representar la idea de “muy lejos”? (J. Klir; T. A. Folger, 1988).

El conocimiento� heurístico es fruto de la experimentación, y es el menos

riguroso de los tipos de conocimiento. Un ejemplo de conocimiento heurístico
sería la regla “Una persona no puede medir más de 10 metros”. No hay ningún
hecho que limite que una persona mida más de 10 metros, pero por lo que
hemos observado hasta hoy día, damos esta suposición como cierta. Este tipo
de conocimiento contiene una subjetividad que lo hace individual.
Algunos autores definen el conocimiento�heurístico como “el conoci-
miento que subyace en el arte de adivinar bien”.

Ejemplo 61. Procesamiento automático del lenguaje chino

En el procesamiento del lenguaje natural, una de las técnicas básicas para extraer infor-
mación de un texto es llevar a cabo un análisis de las categorías gramaticales de cada
una de las palabras. Es decir, detectar si la palabra es un nombre, un verbo, un adjetivo,
un artículo, etc. Después de este primer análisis, se pueden llevar a cabo posteriormente
procesamientos más complejos, como por ejemplo un análisis sintáctico.

Este análisis en un texto escrito en una lengua románica o germánica es relativamente

más sencillo que en el caso del chino. Para poner un ejemplo, en inglés las palabras hacen
uso de sufijos que indican la categoría gramatical: translation y translate utilizan el sufijo
-ion para el nombre y - e para el verbo. Desgraciadamente, en el chino las marcas flexivas
que indican la categoría gramatical de las palabras son prácticamente inexistentes, lo que
hace imposible distinguir si un mismo ideograma funciona como un nombre o como
un verbo.

Para resolver este problema, se diseñan procedimientos que utilizan conocimiento heu-
rístico basado en reglas que cuentan los patrones con ponderaciones para la clasificación
gramatical de cada uno de los ideogramas en función del contexto (los otros ideogramas
que lo acompañan en la oración).
Ejercicios de autoevaluación
1. Considerad el conocimiento implicado en los dominios o problemas siguientes y clasificad
este conocimiento como tácito, explícito, declarativo, procedimental, heredable, etc., según
corresponda. Tened en cuenta que puede haber más de un tipo de conocimiento implicado
en cada dominio de conocimiento.

a) Un árbol genealógico de una familia.

b) La existencia de Dios.
c) Dibujar una casa sobre un papel en blanco.
d) Saber quiénes son los herederos de una persona.
e) Cocinar una tortilla de patatas.

2. Considerad el contexto de un agente de bolsa que compra y vende acciones. Identificad

los ámbitos de conocimiento que están relacionados con este contexto, tal y como hemos
hecho en el ejemplo 1.

3. Considerad la siguiente oración ambigua. Utilizando el esquema de grafo conceptual, re-

presentad sus diferentes significados posibles.

“John vio a David en el bosque con los binóculos.”

4. Considerad la información siguiente y encontrad una red semántica que la represente:

a) El agua es líquida entre 0 y 100 grados.

b) El agua hierve a 100 grados.
c) El agua de la botella de Peter está congelada.
d) Picante es un tipo de agua.
e) Peter tiene agua del tipo picante en su botella.
f) Todos los líquidos tienen un punto de congelación.
g) El alcohol tiene una densidad de 0,79 gramos por centímetro cúbico.
h) El agua tiene una densidad de 1 gramo por centímetro cúbico.
Glosario
aridad f En los ámbitos de modelización conceptual y de representación del conocimiento,
número de participantes en una relación. En el lenguaje matemático, la aridad es el número
de argumentos u operandos de una función u operación.
Véase relación.

atributo m Característica de una instancia o categoría que puede tener un determinado

valor. Se puede ver también como una relación entre una instancia (o categoría) y un tipo
de datos.

categoría f Abstracción de las características que tienen en común un conjunto de ins-

tancias.
sin. clase

clase f Véase categoría.

concepto m Según el contexto, este término se puede utilizar para referirse a una idea
abstracta (véase instancia) o bien a un conjunto de objetos.
Véase categoría.
sin. entidad

dominio m Área de conocimiento que engloba la información relevante para uno o más
problemas relacionados.

entidad f Véase concepto.

esquema de representación m Instrumento para transformar el conocimiento de un

dominio a un lenguaje simbólico que puede ser procesado de manera computacional.

frame m Véase marco.

grafo conceptual m Esquema conceptual en forma de grafo bipartito con dos tipos de
nodos: concepto y relación conceptual. Las aristas indican qué conceptos participan en cada
relación, lo que permite representar fácilmente relaciones con múltiples participantes.
Véase red semántica.

granularidad f Grado de detalle en el que se descompone un sistema.

guion m Esquema de representación que describe una secuencia estereotipada de eventos

en un contexto particular.
en script

individuo f Véase instancia

instancia f Elemento concreto del mundo real, ya sea un objeto tangible o una idea abs-
tracta.
sin. individuo
sin. objeto

instanciación f Acción de creación de una nueva instancia dentro de una categoría. Como
parte de esta acción, se definen unos valores de sus atributos.

lenguaje formal m Lenguaje artificial definido a partir de un conjunto de convenciones

y reglas que permiten una comunicación precisa. Se utiliza en el ámbito de las matemáticas
o la lógica.

lenguaje natural m Lenguaje utilizado por los seres humanos para comunicarse entre
sí, y cuyas reglas derivan del uso.

marco m Esquema de representación en forma de grafo ampliado en el que cada vértice

puede tener asociada información declarativa o procedimental.
en frame

objeto m Véase instancia.

ontología f Esquema de representación que especifica de manera explícita y compartida

la información de un dominio.

red semántica f Esquema de representación en forma de grafo etiquetado en el que los

conceptos se representan como vértices del grafo y las relaciones, como aristas en las cuales
la etiqueta indica el tipo de relación. Así pues, este esquema está orientado a representar
relaciones binarias.
Véase grafo conceptual.

relación f Vínculo entre dos o más instancias o categorías. Una relación se caracteriza por
el tipo de vinculación, cuáles son los participantes, el papel de cada uno y las restricciones de
integridad (participación obligatoria u opcional, número mínimo y máximo de participantes,
etc.). Algunos ejemplos de tipos de vinculación son la generalización/especialización (is a) o
la pertenencia (part of, member of, belongs to, etc.).

restricción de integridad f Condición que tienen que satisfacer obligatoriamente todas

las instancias de una representación.

script m Véase guion.

semántica f Descripción del significado de los elementos de un lenguaje y la relación entre

estos y su referente en un cierto dominio.

sintaxis f Conjunto de reglas que indican cómo se pueden construir y combinar los ele-
mentos de un lenguaje para formar sentencias.

slot m Denominación de los atributos en el contexto de los marcos.

Veáse atributo.
Bibliografía
Bibliografía básica

Davis, R.; Shrobe, H.; Szolovits, P. (1993). “What is knowledge representation?”. AI ma-
gazine (vol. 1, núm. 14, págs. 17-33).

Kompridis, N. (2000). “So we need something else for reason to mean”. International journal
of philosophical studies (vol. 3, núm. 8, págs. 271-295).

Luger, G. L.; Stubblefield, W. (1998). Artificial intelligence – Structures and strategies for
complex problem solving (3.ª ed.). Addison-Wesley.

Nonaka, I.; Takeuchi, H. (1995). The knowledge creating company: how Japanese companies
create the dynamics of innovation. Nueva York: Oxford University Press.

Pole. D.; Mackworth, A. K.; Goebel, R. (1998). “Computational intelligence - A logical

approach” (I-XVI, págs. 1-558). Oxford University Press.

Reynolds, C. W. (1982). “Computer animation with scripts and actors”. Computer graphics
(vol. 3, núm. 16).

Rich, E.; Knight, K. (2006). Artificial intelligence (págs.105-192). McGraw Hill.

Russell, S.; Norvig, P. (2010). Artificial intelligence – A modern approach (3.ª ed.). Person
Education.

Bibliografía adicional

Rowley, J. (2007). “The wisdom hierarchy: representations of the DIKW hierarchy”. Journal
of Information Science (abril, vol. 33, núm. 2, pág 163-180).

Klir, G. J.; Folger, T. A. (1988). Fuzzy sets, uncertainty and information (1.ª ed.). Prentice
Hall (enero). ISBN-13: 978-0133459845.

Sloman, A. (1979). “Epistemology and artificial intelligence”. En: D. Michie (ed.). Expert
systems in the microelectronic age. Edinburgh University Press.