ARQUITECTURA DE UNA BDI

1) Desarrollo de un SI
1. No existen los SGBD inteligentes, en su arquitectura intervienen múltiples factores:
  1. Estrategias
  2. Necesidades del sistema
2. Una BDI debe cumplir con :
  1. Toma de decisiones
  2. Opiniones informadas
  3. Explicación razonamientos
  4. Directivo manipule grandes volúmenes (Por medio de un tablero de control de mando)
2) Beneficios de un BDI
1. Mejora Diagnóstico de fallas
2. Retención del “Conocimiento y Experiencia Corporativa”
3. Capacitación acelerada del personal
4. Mejora el Desempeño del personal “No Experto”
5. Reducción en el tiempo de Toma Decisiones
6. Apoyo a la toma de decisiones basadas en ”Hechos”
7. Flexibilidad y Apoyo a la Reorganización y Reingeniería
3) El Desarrollo de una BDI sobre un Motor Relacional Integra:
1. Una B. D. relacional
2. Base de Conocimiento Dinámica
3. Modulos de Preproceso
4. Una B. D. “de Reglas"
5. Modulos de acceso binario
4) BLOB Binary Large Objets (Objetos Binarios Grandes)
1. son elementos utilizados en las bases de datos para almacenar datos de gran tamaño que cambian de forma dinámica.
2. Generalmente, estos datos son imágenes, archivos de sonido y otros objetos multimedia;
5) Inteligencia de una BD con Motor Relacional
1. La inteligencia de una B.D. esta relacionada con la explotacion del sistema sobre los datos
5) Inteligencia de una BD
1. La Extensión lógica se desarrolla normalmente en DML, creando funciones para lograr:
  1. Tratamiento de la Incertidumbre
  2. La Extensión lógica se desarrolla normalmente en DML, creando funciones para lograr:
6) Modelos de Computacion Evolutiva IPL (Prog.Lógica Inductiva)
1. Rama de la inteligencia artificial enfocada al desarrollo de Algoritmos Genéticos, (“Modelos” lógico matemáticos) Y se efectua a partir de:
  1. Las leyes fisicas
  2. Interacciones entre los diversos subsistemas
  3. Relaciones empiricas generadas con la observacion y experimentacion
7) IPL
1. Es la interseccion entre el:
  1. aprendizaje inductivo
    1. Herramientas y Técnicas p/Inducir Hipótesis a partir de Observaciones
    2. Sintetiza nuevo conocimiento partiendo de experiencia
  2. la programacion logica
    1. Mecanismo para Representar Hipótesis y Observaciones
2. 8) Principales Limitaciones de las Tecnicas Clasicas de Aprendizaje
  1. La Rígidez en la Representación del Conocimiento
  2. La Dificultad para expresar Conocimiento de base
3. 9) IPL es la Búsqueda de clausulas consistentes
  1. Técnicas para recorrer el espacio de posibles clausulas :
    1. Resolución Inversa
    2. Modelos de Reglas
    3. Búsqueda de grafos refinados
    4. Generalización relativa menos general (rlgg)
    5. Primero Transformación del problema a formato Proposicional
10) Conocimiento con Incertidumbre
1. *Significado, Como y Donde Operan
  1. Incertidumbre: Conceptos vagos o borrosos, en donde sus límites no están perfectamente determinados
    1. Tratamiento de Incertidumbre en I.A:
      1. Datos inciertos o difusos (formas verbales indeterminadas que representan rangos heurísticos de valor [alto, muy alto, a menudo, etc.]
      2. Datos desconocidos o condicionales(valores nulos)
  2. La Lógica borrosa: Ofrece un método natural para representar esa imprecisión y subjetividad humanas
2. *Tipos de Incertidumbre
  1. Incertidumbre Total
  2. Imprecision
  3. Vaguedad
  4. Inconsistencia
  5. Ambiguedad
3. *Solucion a la Incertidumbre. Tratamiento de Motro y Johnston
  1. MOTRO
    1. Señalo como se ha intentando solocionar la incertidumbre en SGBD:
      1. Validaciones
      2. Nulos
    2. Propuso nuevas tecnicas:
      1. Recuperacion de la informacion
      2. Sistemas Expertos
      3. Logica Borroza (Fuzzy Logic)
  2. JOHNSTON
    1. Propone una Logica Multivaluada
  3. Logica difusa
    1. Parte del Razonamiento aproximado y Razonamiento Preciso
4. *Tratamiento de Valores Inciertos
  1. Se necesita un mecanismo capas de expresar la incertidumbre (BD Relacionales)
    1. Por medio de Algoritmos Derivados de la Logica Difusa
  2. *Multiples Formas de Representar el Conocimiento Difuso
    1. Escalar simple
      1. Por ejemplo Aptitud=buena; representado mediante la distribución de posibilidad 1/buena
    2. Numero simple
      1. Por ejemplo Edad =28; representado mediante la distribución de posibilidad 1/28
    3. Conjunto de posibles asignaciones excluyentes de escalares
      1. Por ejemplo Aptitud = (buena;mala), expresado por {1/mala; 1/buena}.
    4. Conjunto de posibles asignaciones excluyentes de numeros
      1. Por ejemplo Edad={20;21}; representado mediante {1/20; 1/21}
    5. Distribucion de posibilidad en el dominio de los escalares
      1. Por ejemplo Aptitud= {0.6/mala; 0.7/regular}
    6. Distribucion de posibilidad en el dominio de los numeros
      1. Por ejem. Edad= {0.4/23; 1.0/24; 0.8/25}.
    7. Numero real
      1. Por ejemplo Calidad = 0.9
  3. *Valores Asignados por la Logica Difusa
    1. Se requiere un Diccionario de Datos ( para clasificar los valores de los atributos deacuerdo a su edo. pertenencia), que constituye un Modelo Difusor Universal
5. *Estructura Basica de un "Sistema de Logica Difusa"
11) Tratamiento de la Información
1. *Desconocida o Condicional
  1. Los valores nulos se les conoce como “valor ausente o condicional”.
    1. Lógica Trivaluada
      1. En las tablas de lógica trivaluadase utilizan valores: C (cierto), F (falso) y Q (quizás)
      2. También se incluye un nuevo operador MAYBE, que cuando se aplica al valor de una expresión “quizás”, da como resultado “cierto”.
    2. Lógica Tetravaluada
      1. Esta lógica surge de la necesidad de diferenciar 2 tipos importantes de valores inaplicables:
        1) Que no tienen sentido
        2) Desconocidos
        En ese caso las operaciones aritmética quedan modificadas como sigue, Siendo <-> un operador aritmético Y x un valor no nulo de la B.D. A= Aplicable I= Inaplicable
YOLANDA SIAS N°C:10480386

Siguiente

ARQUITECTURA DE UNA BDI

Descripción

Resumen del Recurso

Recursos multimedia adjuntos

Similar

	Creado por Yolanda Eloisa S hace más de 9 años