Tesis:
Listas KBM2L para la síntesis de conocimiento en sistemas de ayuda a la decisión.
- Autor: FERNANDEZ DEL POZO DE SALAMANCA, Juan Antonio
- Título: Listas KBM2L para la síntesis de conocimiento en sistemas de ayuda a la decisión.
- Fecha: 2006
- Materia: Sin materia definida
- Escuela: FACULTAD DE INFORMATICA
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico: http://oa.upm.es/1701/
- Director/a 1º: BIELZA LOZOYA, María Concepción
- Resumen: La construcción, evaluación y explotación de los Sistemas de Ayuda a la Decisión mediante Redes Bayesianas y Diagramas de Influencia, entre otros modelos de razonamiento, supone el manejo de tablas con información diversa. Entre ellas destacan las tablas de probabilidad condicionada, que especifican la relación probabilística entre variables, y las tablas de decisiones óptimas resultantes de evaluar el modelo. Dichas tablas, que pueden ser muy complejas, recogen conocimientos estructurados de los dominios de aplicación sobre un conjunto de variables del modelo gráfico probabilístico. Bajo el nombre de KBM2L introducimos técnicas para construir la base de conocimiento de los sistemas de ayuda a la decisión. Tratamos de explotar la lista KBM2L Como herramienta útil de representación del conocimiento del sistema, constituido por la estructura gráfica del modelo, los modelos de probabilidad y de utilidad y el resultado de la evaluación. La representación gráfica es cualitativa e intuitiva y por tanto, los usuarios del sistema tienen fácil acceso al conocimiento si son expertos en el problema. Por el contrario, los modelos cuantitativos de probabilidad y utilidad y la evaluación no muestran el conocimiento fácilmente. Por una parte, los modelos codifican gran parte del conocimiento numéricamente mediante numerosos parámetros, y por otra, las tablas de decisiones óptimas son de gran tamaño. Ambos aspectos impiden reconocer las variables y relaciones fundamentales que describen la representación del conocimiento y que explican los resultados de la inferencia o evaluación. Mientras que las tablas se pueden considerar como entidades estáticas, las listas KBM2L son representaciones del conocimiento dinámicas. Una configuración Concreta de la lista determina la capacidad de explicación del conocimiento, la eficiencia para resolver las consultas al sistema de ayuda a la decisión desde diversos puntos de vista, y la complejidad de memoria requerida para gestionar la base de conocimiento. La estructura de la lista permite revelar la granularidad del conocimiento de las tablas mientras que las configuraciones nos muestran el papel que las variables del modelo tienen en la evaluación inferida. La granularidad posibilita articular procedimientos para estructurar y comprender mejor el conocimiento que el sistema alberga en sus tablas. El papel de las variables en los diferentes contextos y en el conjunto del modelo nos facilita un mecanismo de generación de explicaciones del conocimiento y de las propuestas que hace el sistema, así como el análisis de sensibilidad del propio modelo. La memoria se estructura como sigue. Tras la introducción exponemos los fundamentos de la lista KBM2L Como representación del conocimiento y describimos los problemas de búsqueda de la representación óptima y diferentes propuestas de solución. Nos enfrentamos a un problema de optimización combinatoria que abordamos en el marco de las actuales metaheurísticas Con algoritmos y métodos adaptados a nuestro objetivo. A continuación, mostramos la aplicación de las técnicas a tablas de decisiones óptimas ya tablas de probabilidad condicionada del diagrama de influencia. Finalmente proponemos realizar un análisis de sensibilidad del modelo mediante la extensión natural de la lista KBM2L usual con los parámetros de interés.