Las reglas onduladas ( RDR ) son una forma de abordar la adquisición de conocimientos . La adquisición de conocimientos se refiere a la transferencia de conocimientos de expertos humanos a sistemas basados en el conocimiento .
Material introductorio
Las reglas onduladas son un enfoque incremental para la adquisición de conocimientos y cubren una familia de técnicas. Los RDR fueron propuestos por Compton y Jansen basándose en la experiencia en el mantenimiento del sistema experto GARVAN-ES1 (Compton y Jansen 1988). El GARVAN-ES1 original (Horn et al. 1985) empleó un proceso de adquisición de conocimiento en el que los casos nuevos que estaban mal clasificados por el sistema se agregaban a una base de datos y luego se usaban para refinar gradualmente la base de conocimientos. Los casos añadidos, cuyas conclusiones contradecían el asesoramiento del sistema, se denominaron "casos fundamentales". En consecuencia, la base de datos creció iterativamente con cada refinamiento del conocimiento. Luego, la base de datos podría usarse para probar los cambios en el conocimiento. Se desarrollaron herramientas de adquisición de conocimiento, similares a las proporcionadas por Teiresias, para encontrar y ayudar a modificar las reglas en conflicto. Las herramientas mostrarían las reglas disparadas por cada caso y sugerencias para "editar" el conocimiento para eliminar los conflictos.
En el marco de RDR, el conocimiento del experto humano se adquiere con base en el contexto actual y se agrega de forma incremental. Compton y Jansen argumentaron que el conocimiento de la experta está hasta cierto punto "inventado" para justificar por qué tenía razón, no para explicar cómo llegó a esta interpretación (o conclusión) correcta. La justificación se basa en características que se identifican en el caso actual. El experto crea una regla para clasificar los casos correspondientes a un contexto particular. Es poco probable que esta regla clasifique todos los casos que pertenecen a la clase. Compton y Jansen afirmaron que no es posible crear una sola regla elegante libre de contexto, ya que el conocimiento que comunicamos es una justificación en un contexto. Esto implica que no existe un conocimiento absoluto que actúe como fundamento de otro conocimiento, ya que el conocimiento solo es verdadero en un contexto (Compton y Jansen 1990).
Metodología
Las reglas de expansión consisten en una estructura de datos y escenarios de adquisición de conocimiento. El conocimiento de los expertos humanos se almacena en la estructura de datos. El conocimiento está codificado como un conjunto de reglas. El proceso de transferencia del conocimiento de los expertos humanos a los sistemas basados en el conocimiento en RDR se explica en el escenario de adquisición de conocimiento.
Estructura de datos
Hay varias estructuras de reglas de ondulación descendente, por ejemplo, reglas de ondulación descendente de clasificación única (SCRDR), reglas de ondulación descendente de clasificación múltiple (MCRDR), reglas de ondulación descendente anidadas (NRDR) y ondulación de clasificación múltiple de inferencia repetida -reglas descendentes (RIMCRDR). La estructura de datos de RDR descrita aquí es SCRDR, que es la estructura más simple.
La estructura de datos es similar a un árbol de decisiones . Cada nodo tiene una regla, el formato de esta regla es SI cond1 Y cond2 Y ... Y condN ENTONCES conclusión. Cond1 es una condición (evaluación booleana), por ejemplo A = 1, isGreater (A, 5) y average (A, ">", average (B)). Cada nodo tiene exactamente dos nodos sucesores, estos nodos sucesores están conectados al nodo predecesor por "ELSE" o "EXCEPT".
A continuación se muestra un ejemplo de árbol SCRDR (definido de forma recursiva):
SI (OutLook = "SOLEADO" Y Temperatura = "FRÍO") ENTONCES JUEGA = "TENIS" EXCEPTO Niño-1 ELSE Niño-2
donde Child-1 y Child-2 también son árboles SCRDR. Por ejemplo, Child-1 es:
SI (Viento = "VENTOSO" Y Humedad = "ALTA") ENTONCES Jugar = "SQUASH" EXCEPTO No Niño ELSE No Niño
Escenario de adquisición de conocimientos
Los expertos humanos proporcionan un caso al sistema y agregan una nueva regla para corregir la clasificación de un caso mal clasificado. Por ejemplo, la regla Child-1 se agrega a la clasificación correcta del caso [OutLook = "SOLEADO", Temperatura = "FRÍO", Viento = "VENTOSO", Humedad = "ALTA", Previsión = "TORMENTA", Juego = "SQUASH" ]. Este caso está clasificado erróneamente como Play = "TENNIS".
Cuando una regla es construida por expertos humanos, las condiciones de esta regla deben ser satisfechas por el caso mal clasificado y también NO deben ser satisfechas por ningún caso previo clasificado correctamente por la regla padre (que en este contexto es la primera regla).
Implementaciones
A continuación se muestra una lista de implementaciones conocidas de RDR
- La versión alfa del Marco RDR (MCRDR) fue desarrollada por UNSW y el Equipo de Investigación de UTAS y financiada por ARC (Sistema disponible en BESTRDR )
- El clasificador de documentos RDR (MCRDR) fue desarrollado por el Dr. Yang Sok Kim, UNSW y el profesor Byyeong Ho Kang, UTAS (Sistema disponible en BESTRDR )
- Erudine Behavior Engine es un producto de software comercial que emplea RDR como parte de su metodología para la captura de conocimientos y el modelado de procesos comerciales. Implementado en Java.
- Ballarat Incremental Knowledge Engine (BIKE) es una implementación integral de código abierto en C ++ . Incluye complementos para RDR de clasificación única y clasificación múltiple.
- Pacific Knowledge Systems (PKS) utiliza un producto comercial llamado RippleDown Expert que se basa en las reglas de clasificación múltiple de Ripple Down
- El software de minería de datos de Java WEKA tiene una versión de Induct RDR llamada Ridor. Aprende reglas de un conjunto de datos con el objetivo principal de predecir una clase dentro de un conjunto de prueba.
- Kit de herramientas RDRPOSTagger : Reglas de ondulación de clasificación única para el etiquetado de parte del discurso
- Kit de herramientas de RDRsegmenter : Reglas de ondulación de clasificación única para la segmentación de palabras
Ver también
Referencias
- DQ Nguyen, DQ Nguyen y SB Pham (2017). "Reglas onduladas para responder preguntas". Web semántica , vol. 8, no. 4, páginas 511–532. [.pdf]
- DQ Nguyen, DQ Nguyen, DD Pham y SB Pham (2016). "Un enfoque de aprendizaje robusto basado en la transformación que utiliza reglas de ondulación para el etiquetado de parte del discurso". AI Communications , vol. 29, no. 3, páginas 409–422. [.pdf]
- "MEJOR RDR (reglas de ondulación de la mejor técnica de sistema experto)" . Publicaciones y sistemas RDR disponibles . Consultado el 15 de febrero de 2013 .
- "El motor de conocimiento incremental de Ballarat" . Introducción . Consultado el 27 de septiembre de 2010 .
- R. Dazeley, P. Warner, S. Johnson y P. Vamplew (2010). "El motor de conocimiento incremental de Ballarat". XI Taller Internacional sobre Gestión y Adquisición del Conocimiento para Sistemas y Servicios Inteligentes (PKAW 2010) . págs. 195–207. doi : 10.1007 / 978-3-642-15037-1_17 .CS1 maint: varios nombres: lista de autores ( enlace )
- D. Richards (2009). "Dos décadas de investigación RDR". Revisión de la ingeniería del conocimiento . 24 (2): 159-184. doi : 10.1017 / S0269888909000241 .
- P. Compton y R. Jansen (1988). "Conocimiento en contexto: una estrategia para el mantenimiento de sistemas expertos". Proc. Segunda Conferencia Australiana Conjunta sobre Inteligencia Artificial . págs. 292-306.
- P. Compton y R. Jansen (1990). "Una base filosófica para la adquisición de conocimientos". Adquisición de conocimientos . 2 (3): 241-257. CiteSeerX 10.1.1.31.7340 . doi : 10.1016 / S1042-8143 (05) 80017-2 .
- K. Horn, L. Lazarus, P. Compton y JR Quinlan (1985). "Un sistema experto para la interpretación de ensayos de tiroides en un laboratorio clínico". Aust Comp J . 17 : 7-11.CS1 maint: varios nombres: lista de autores ( enlace )