1 INDIRA NOLIVOS ALVAREZ, PhD. CARLOS JORDAN VILLAMAR, MSc.APLICACIÓN DE SISTEMAS EXPERTOS AL ANALISIS DE SISTEMAS La ingeniería del conocimiento INDIRA NOLIVOS ALVAREZ, PhD. CARLOS JORDAN VILLAMAR, MSc.
2 SISTEMAS EXPERTOS Un sistema experto debe ser capaz de emular a un experto resolviendo un problema específico. evidencia Base de conocimiento Usuario Datos Hardware Software experiencia Motor de inferencia Sistema experto
3 REPRESENTACION DEL CONOCIMIENTOMotores de Inferencia están diseñados para un cierto tipo de representación del conocimiento como las reglas o la lógica. Regla 1: SI ?x trabaja para ESPOL ENTONCES ?x gana un buen salario La manera en la que el conocimiento es representado afecta el desarrollo, eficiencia, velocidad y mantenimiento del sistema experto.
4 CONOCIMIENTO POSTERIOREl CONOCIMIENTO EPISTEMIOLOGIA TEORIAS FILOSOFICAS CONOCIMIENTO PREVIO CONOCIMIENTO POSTERIOR ARISTOTELES PLATO KANT LOCKE MILL
5 TIPOS DE CONOCIMIENTO Conocimiento procedimental: know howConocimiento declarativo: Proposiciones Conocimiento tácito: Conocimiento inconsciente
6 JERARQUIA DEL CONOCIMIENTOMeta conocimiento Conocimiento Información Data Ruido
7 REPRESENTACION DEL CONOCIMIENTOReglas de producción Redes semánticas: conocimiento declarativo- estructura de conocimiento superficial Esquemas: meta-conocimiento; causa-efecto Marcos o cuadros: estereotipos, sentido común Marcos situacionales Marcos de acción Lógica y conjuntos Venn Diagram
8 ADQUISICION DEL CONOCIMIENTOExperto Humano Diálogo Ingeniero del conocimiento Explícito Proceso clave en el desarrollo de un modelo experto. Giarratano & Riley, 2002 Base de conocimiento del sistema experto
9 CRITERIOS El propósito del ejercicio de modelaje.La fase del proceso de construcción del modelo y el tipo de tarea que se realiza (Ej. extracción, exploración o evaluación). Número de personas involucradas. El tiempo disponible. El costo del método.
10 METODOS Métodos cualitativos: modelaje conceptual – basados en entrevistas Metáfora-Analogía Causal loop diagrams Métodos cuantitativos: modelaje formal Construcción de modelos dinámicos Construcción de modelos matemáticos
11 MÉTODO DE EXTRACCIÓN DEL CONOCIMIENTOFase de posicionamiento Establecer el contexto Enfocarse en una relación a la vez Ilustrar el método Fase de descripción Descripción visual Descripción verbal Descripción textual Descripción gráfica Fase de discusión Analizar descripciones individuales Comparar descripciones
12 MOTOR DE INFERENCIA Deducción: causa + regla efectoAbducción: efecto + regla causa Inducción: causa + efecto regla Data-driven Análisis de datos Goal driven Enfocado en la solución
13 ADQUISICION DEL CONOCIMIENTOExperto Humano Diálogo Ingeniero del conocimiento Explícito Proceso clave en el desarrollo de un modelo experto. Giarratano & Riley, 2002 Base de conocimiento del sistema experto
14 DISEÑO DE ALTERNATIVASPROCESO DE DECISION ANALISIS DEL PROBLEMA CONSTRUCCION DE MODELOS DISEÑO DE ALTERNATIVAS (SOLUCION) SELECCION DE UNA ALTERNATIVA
15 SISTEMA EXPERTO PROCESOS ACTORESDEFINICION DEL PROBLEMA Expertos, involucrados, ingeniero del conocimiento DISEÑO DEL SISTEMA: Expertos, involucrados, Conocimiento, datos ingeniero del conocimiento asunciones, modelos-reglas IMPLEMENTACION DEL SISTEMA Ingeniero del conocimiento, programadores VALIDACION DEL SISTEMA Involucrados, Ingeniero del conocimiento, expertos
16 CONSTRUCCIÓN DE MODELOSIdentificación del objetivo: que debe arrojar el modelo? Identificación de variables: cualitativas/cuantitativas Identificación de procesos: simples/complejos Identificación de interrelaciones: integración de procesos Identificación de asunciones: contexto/simplificación Identificación de escenarios: condiciones de fondo Implementación formal
17 LA CUENCA DEL RIO CHAGUANAEL GUABO MUNICIPALITY MAJOR RULER RURAL POPULATION MAIN LAND USE IN THE LOWLANDS: THE PRODUCTION OF BANANA FOR EXPORTS UNDER INTENSIVE MONO-CROPPING SYSTEMS BLACK SIGATOKA (FUNGAL DISEASE) PERIODICAL AERIAL APPLICATIONS OF PESTICIDES CONTAMINATION OF RIVERS WITH PESTICIDES HEALTH RISK FOR DOWNSTREAM POPULATIONS WATER RESOURCES MANAGEMENT PERSPECTIVE: DECREASING THE PESTICIDE CONCENTRATION PEAKS AT THE OUTLET MAINTAINING BANANA YIELD AT SUSTAINABLE LEVELS
18 OBJETIVO: MANEJO INTEGRADO DEL AGUA
19 ESTRATEGIA ANALISIS DEL PROBLEMA DE MANEJO DEL AGUACOLECCION DE DATOS // EXTRACCIÓN DEL CONOCIMIENTO ANALISIS DE DATOS Y CONOCIMIENTO ESTADISTICO EXPERTO SIX STEPS KNOWLEDGE ENGINEER (MYSELF) AND DOMAIN EXPERTS: FIRST 4 PERFORMED WITH THE HELP OF COMPUTER SCIENTISTS : LAST 2 SELECCION DE MODELOS IA / ESTADISTICOS / MATEMATICOS DESARROLLO DE APLICACIONES
20 ANALISIS DEL PROBLEMA: MODELO CONCEPTUALMODELO AGNPS (concentración de Propiconazole en ríos) No existe modelo formal Economical revenue Environmental risks: Human health Agricultural Practices: Pest Control Crop Yield Water Quality Production Costs (-) (+) Export Price PREVIOUS RESEARCH: MODEL PROPICONAZOLE CONCENTRATION IN RIVERS – AGNPS – CALIBRATED MODEL AGRICULTURAL COMPONENT HAS NOT BEEN INCLUDED YET IN THE WATER QUALITY ASSESSMENT OBJECTIVE: STRUCTURE THE AVAILABLE INFORMATION ON WATER CONTAMINATION OF RIVERS WITH PESTICIDES MAKE THIS INFORMATION AVAILABLE TO WATER MANAGERS (EL GUABO MUNICIPALITY) CONSTRAINT: THERE IS NOT A WATER MANAGEMENT PROCESS RUNNING IN THE BASIN HYPOTHETICAL WATER MANAGER: MUNICIPALITY OF EL GUABO
21 COLECCION DE INFORMACIONPOPULATION IS NOT STRONGLY AGAINST THE FUMIGATIONS HEALTH PROBLEMS ARE PRESENT BUT NO STUDY HAVE LINKED THEM TO THE FUMIGATIONS INFORMATION GATHERING: IMPORTANT VARIABLES FOR BANANA PRODUCTION AND BLACK SIGATOKA CONTROL IN FARM MANAGEMENT VARIABLES THRESHOLDS DATASETS
22 DATOS Variable Unidad Media DS Rango Serie Emisión foliar (FE)leaves/week 1.0 0.1 * Lluvia acumulada (R) mm/week 20 36.3 Estado de evolución de S.N. (SED) 329.4 83.4 Hoja más joven con síntomas de S.N.(YLS) leaf number 7.2 0.4 Período de fumigación (FP) days 18.1 3.3 12-27 Producción de banano (BP) boxes/ha/ week 30.1 7.1 6 VARIABLES WEEKLY MONITORED 5 BANANA FARMS (size: MORE THAN 90 ha) * (excepto 2005) + (excepto 2003)
23 MODELO EXPERTO Irrigación Fertilización Textura del sueloIrrigación & Drenaje Emisión foliar Lluvia Infr. Drenaje Producción de banano Clima 17 NODES DOBLE LINE BOXES: OBJECTIVE MODELLING NODES SOLID LINE BOXES: NODES WITH NUMERICAL DATA DASHED BOXES: NODES WITHOUT NUMERICAL DATA DOTTED BOXES: SCENARIO NODES THESE ARE BINARY NODES EXCEPT FOR PROPICONAZOLE RETENTION CAPACITY BANANA PRODUCTION NODE ENDED UP WITH 5 PARENT NODES. DISCRETE VALUES BASED ON THE MEAN VALUE OR QUALITATIVE STATES. WEATHER WAS APPROXIMATED BASED ON RAINFALL AND FOLIAR EMISSION DATASETS FOR THE SEASONAL PATTERN FOLIAR EMISSION WAS USED AS A PROXY VARIABLE FOR ATM. TEMPERATURE * FE (ATM. TEMPERATURE, DAY LENGTH, AGE OF PLANTING, PLANT DENSITY AND CULTIVAR STATURE) * PROPICONAZOLE CONCENTRATION AT THE OUTLET ENDED UP WITH 3 PARENT NODES. SYNTHETIC DATA FOR PROPICONAZOLE CONCENTRATION AT THE OUTLET WAS PRODUCED USING THE AGNPS MODEL DISCRETE VALUES BASED ON THE EUROPEAN STANDARD FOR WATER QUALITY FOR HUMAN CONSUMPTION (0.1 PPB) Labores agrícolas Infección por Sigatoka negra Período de fumigación Estado de evolución de la enfermedad Hoja mas joven con síntomas
24 PARAMETRIZACION DEL MODELO EXPERTODatos: frecuencia relativa de ocurrencia de un estado de la variable objetivo frente a la combinación de estados de las variables que la influencian directamente. (VALIDACION) Estimación directa de los parámetros: Cual es la probabilidad de que la produccion sea alta dado que drenaje & irrigación, prácticas agrícolas y fertilización son buenas, pero el clima es húmedo y la infección de Sigatoka negra es alta? Estimación indirecta de parámetros: modelos canónicos: Noisy-OR Noisy-AND Asumen independencia de influencias causales.
25 TALLER SOBRE ESTRUCTURACION DEL CONOCIMIENTOCASO: Asesoría para ubicar una vivienda en Guayaquil, considerando los escenarios futuros de inundación por la acción del cambio climático. ACTORES: La dinámica del juego considera a tres participantes por grupo. Experto: persona que maneja conocimiento, criterios y capacidad de juicio especializado. Cliente: persona que recurre al experto en busca de una solución a su problema. Ingeniero del conocimiento: observador que documenta la interacción entre el experto y el cliente, recreando el modelo de solución aplicado por el experto.
26 RECURSOS Comunicación verbal explícita: Entrevistas estructuradas/no estructuradas (cliente, experto e ingeniero del conocimiento) Datos del problema (cliente) Criterios y juicios para la solución del problema (experto) Reglas de producción, redes semánticas o esquemas (ingeniero del conocimiento) Validación (experto e ingeniero del conocimiento)