Tras explorar detalladamente el concepto de razonamiento monótono, nos adentramos ahora en el tema del razonamiento no monótono. Este enfoque diferente nos desafía a trascender las limitaciones del razonamiento lineal y explorar la capacidad de los sistemas inteligentes para adaptarse y revisar sus conclusiones a medida que adquieren nueva información.
Para iniciar nos haremos la siguiente pregunta: ¿Qué es el razonamiento no – monótono? Es un tipo de razonamiento lógico que permite que las conclusiones se debiliten o se refuten a medida que se agrega nueva información. Este tipo de razonamiento es más flexible que el razonamiento monótono y puede manejar información incompleta, inconsistente o incierta.
Contrastando el subtema anterior, el razonamiento monótono donde las conclusiones son definitivas y no se revisan, podemos destacar que el razonamiento no monótono nos permite considerar otras opciones donde las inferencias pueden cambiar o ser reevaluadas en función de los datos nuevos. Es decir puede haber una actualización en las conclusiones.
La razón para usar el razonamiento no-monótono es la necesidad de desarrollar sistemas inteligentes capaces de manejar la incertidumbre y la información incompleta de manera efectiva si son comparados con el razonamiento monótono.
Algunas motivaciones del uso son:
Actualización de creencias:
A medida que se adquiere nueva información, es importante que los sistemas sean capaces de actualizar sus creencias y revisar sus conclusiones previas en función de esta nueva evidencia. El razonamiento no monótono permite esta actualización dinámica de creencias, lo que mejora la capacidad de los sistemas para adaptarse a cambios en su entorno.
Inferencia por anulación:
En muchos casos, las conclusiones a las que llegan los sistemas pueden ser refutadas o invalidadas por nueva información. El razonamiento no monótono permite realizar inferencias que son provisionales y pueden ser revisadas o anuladas si se presentan nuevos datos que las contradicen.
Resolución de conflictos de información:
En entornos donde se manejan múltiples fuentes de información, es común que existan conflictos o inconsistencias entre los datos disponibles. El razonamiento no monótono proporciona herramientas y técnicas para resolver estos conflictos y determinar las conclusiones más adecuadas dadas las circunstancias.
Imagina un sistema de recomendación de películas, Netflix por ejemplo. Supongamos que tenemos un sistema que recomienda películas a los usuarios en función de sus preferencias pasadas. Inicialmente, el sistema asume que si a un usuario le gustó una película en el pasado, es probable que le gusten películas similares en el futuro. Por lo tanto, si un usuario ha calificado una película de cierto género con una alta puntuación, el sistema puede inferir que le gustan las películas de ese género y recomendar otras películas similares.
¿Qué pasa si? Por ejemplo, si el usuario califica varias películas de comedia con alta puntuación, el sistema puede asumir inicialmente que le gustan las comedias y recomendar más películas de ese género. Sin embargo, si el usuario califica una película de comedia con una baja puntuación, esto podría indicar que esa película en particular no cumplió con sus expectativas de comedia, lo que sugiere que las preferencias del usuario podrían ser más complejas de lo que inicialmente se asumió.
En este caso, el sistema puede revisar su recomendación y considerar otros géneros o características de las películas que el usuario podría apreciar más. Es decir este razonamiento está dispuesto a revisar y actualizar esas inferencias en función de nueva información o evidencia que contradiga las conclusiones iniciales. Este enfoque permite que el sistema sea más flexible y adaptable a las preferencias cambiantes o más complejas de los usuarios a lo largo del tiempo.
En este caso, analizaremos el funcionamiento de un sistema de recomendación de películas usando ejemplos de películas de acción americana.
Escenario:
Un usuario califica películas de comedia.
En este caso, analizaremos el funcionamiento de un sistema de recomendación de películas usando ejemplos de películas de acción americana.
Datos del usuario:
Le gusta “Triple X” pero no “Rápido y Furioso”.
Características analizadas:
Recomendaciones:
Basado en el análisis anterior, el sistema de recomendación podría recomendar al usuario las siguientes películas:
1. xXx: Estado de la Unión:
2. A Todo Gas:
4. Drive:
3. Baby Driver:
5. John Wick:
| Criterio | Razonamiento Monótono | Razonamiento No Monótono |
|---|---|---|
| Definición | Tipo de razonamiento lógico donde las conclusiones siempre se fortalecen a medida que se agrega nueva información. | Tipo de razonamiento lógico donde las conclusiones no siempre se fortalecen, y pueden debilitarse o incluso refutarse con la adición de nueva información. |
| Características |
|
|
| Ejemplos |
|
|
| Ventajas |
|
|
| Desventajas |
|
|
En resumen el razonamiento no monótono es un tipo de razonamiento lógico que permite manejar información incompleta, inconsistente o incierta. Es más flexible que el razonamiento monótono, pero a menudo requiere técnicas más complejas para llegar a conclusiones. El razonamiento no monótono se utiliza en una variedad de aplicaciones, como el diagnóstico médico, la resolución de problemas y la inteligencia artificial.
Detección de Spam con razonamiento monótono y no monótono (equipo: 3 personas).
Objetivo:
Saberes y habilidades por desarrollar:
Materiales y Herramientas:
Introducción:
La detección de spam es un problema práctico que conecta la representación del conocimiento y los métodos de razonamiento en inteligencia artificial (IA). En esta actividad, se aplicarán los enfoques de razonamiento monótono y no monótono, destacando cómo se utilizan para resolver problemas dinámicos y complejos.
El razonamiento monótono opera con reglas estáticas que no cambian, asegurando que las conclusiones derivadas siempre sean válidas, incluso con nueva información. Por ejemplo, reglas como “Si el correo contiene la palabra ‘viagra’, entonces es spam” permanecen inalterables. Este enfoque es efectivo para patrones claros, pero no se adapta bien a escenarios cambiantes, como el spam que evoluciona constantemente.
Por otro lado, el razonamiento no monótono permite adaptar las conclusiones mediante métodos como la abducción, el razonamiento por defecto y la revisión de creencias. Esto lo hace ideal para contextos dinámicos, ya que las reglas se ajustan según nueva información o patrones emergentes.
En esta actividad, los correos electrónicos se analizan mediante características clave (remitente, asunto, contenido, enlaces, adjuntos), representando este conocimiento mediante reglas. Se comparará la efectividad de los sistemas monótonos y no monótonos al aplicar estas reglas para clasificar correos, reflexionando sobre sus ventajas y limitaciones en la representación del conocimiento y el razonamiento.
Metodología y descripción de la actividad:
1. Recopilación de datos:
2. Razonamiento monótono:
Si el correo electrónico contiene un enlace a un sitio web conocido por distribuir Malware, entonces es Spam.
3. Razonamiento no-monótono:
4. Usa las reglas obtenidas para detectar Spam en los datos de otros compañeros. ¿cuantas pudiste detectar?:
5. Compara los resultados obtenidos con los dos tipos de razonamiento.
Solución a un ejemplo:
| Remitente | Asunto | Contenido del mensaje | Enlaces | Archivos adjuntos | Spam |
|---|---|---|---|---|---|
| desconocido | ¡Oferta increíble! | Gana dinero rápido. | URL: malware.com | URL: malware.com | Sí. |
| amigo | Reunión mañana. | Te veo a las 10:00. | No. | ||
| empresa | Nuevo producto. | Presentamos nuestro nuevo producto. | URL:istmo.tecnm.mx | No. | |
| banco | Aviso importante. | Actualice su información de cuenta. | URL: FraudeSpain.es | Sí. |
Ejemplo de reglas:
Para utilizar estas reglas para detectar correos electrónicos no deseados, podemos seguir estos pasos:
Entregables:
Al finalizar la práctica deberá entregar un reporte con los siguientes puntos:
El reporte se entregará en formato PDF y debe estar estructurado con: Introducción, metodología, resultados, análisis y comparación y conclusiones.
Recursos: 1 Descargable
Duración: 1 Hora
Departamento de Sistemas e Informatica
sistemas@itistmo.edu.mx
“Por una tecnología propia como principio de libertad®️”
