Un clasificador deductivo es un tipo de motor de inferencia de inteligencia artificial . Toma como entrada un conjunto de declaraciones en un lenguaje marco sobre un dominio como la investigación médica o la biología molecular. Por ejemplo, los nombres de clases, subclases , propiedades y restricciones sobre los valores permitidos. El clasificador determina si las distintas declaraciones son lógicamente consistentes y, en caso contrario, resaltará las declaraciones inconsistentes específicas y las inconsistencias entre ellas. Si las declaraciones son consistentes, el clasificador puede afirmar información adicional basada en la entrada. Por ejemplo, puede agregar información sobre clases existentes, crear clases adicionales, etc. Esto difiere de los motores de inferencia tradicionales que activan condiciones SI-ENTONCES en las reglas. Los clasificadores también son similares a los demostradores de teoremas en que toman como entrada y producen salida mediante lógica de primer orden . Los clasificadores se originaron con lenguajes marco KL-ONE . Son cada vez más importantes ahora que forman parte de la tecnología habilitadora de la Web Semántica . Los clasificadores modernos aprovechan el lenguaje de ontología web . Los modelos que analizan y generan se denominan ontologías . [1]
Un problema clásico en la representación del conocimiento para la inteligencia artificial es el equilibrio entre el poder expresivo y la eficiencia computacional del sistema de representación del conocimiento. La forma más poderosa de representación del conocimiento es la lógica de primer orden. Sin embargo, no es posible implementar una representación del conocimiento que proporcione el poder expresivo completo de la lógica de primer orden. Dicha representación incluirá la capacidad de representar conceptos como el conjunto de todos los números enteros que son imposibles de iterar. La implementación de una afirmación cuantificada para un conjunto infinito por definición da como resultado un programa indecidible y sin terminación. Sin embargo, el problema es más profundo que no poder implementar conjuntos infinitos. Como demostró Levesque, cuanto más se acerca un mecanismo de representación del conocimiento a la lógica de primer orden, más probable es que dé como resultado expresiones que requieren recursos infinitos o inaceptablemente grandes para su cálculo. [2]
Como resultado de esta compensación, gran parte de los primeros trabajos sobre representación del conocimiento para la inteligencia artificial implicaron experimentar con diversos compromisos que proporcionaran un subconjunto de lógica de primer orden con velocidades de cálculo aceptables. Uno de los primeros y más exitosos compromisos fue desarrollar lenguajes basados predominantemente en modus ponens , es decir, reglas SI-ENTONCES. Los sistemas basados en reglas fueron el mecanismo de representación del conocimiento predominante para prácticamente todos los primeros sistemas expertos . Los sistemas basados en reglas proporcionaron una eficiencia computacional aceptable y al mismo tiempo proporcionaron una poderosa representación del conocimiento. Además, las reglas eran muy intuitivas para los trabajadores del conocimiento. De hecho, uno de los puntos de datos que animó a los investigadores a desarrollar una representación del conocimiento basada en reglas fue la investigación psicológica de que los humanos a menudo representaban una lógica compleja a través de reglas. [3]
Sin embargo, después del éxito inicial de los sistemas basados en reglas, surgió un uso más generalizado de lenguajes marco en lugar de reglas, o más a menudo combinados con ellas. Los marcos proporcionaron una forma más natural de representar ciertos tipos de conceptos, especialmente conceptos en jerarquías de subpartes o subclases. Esto llevó al desarrollo de un nuevo tipo de motor de inferencia conocido como clasificador. Un clasificador podría analizar una jerarquía de clases (también conocida como ontología ) y determinar si era válida. Si la jerarquía no fuera válida, el clasificador resaltaría las declaraciones inconsistentes. Para que un idioma utilice un clasificador, se requiere una base formal. El primer idioma que demostró con éxito un clasificador fue la familia de idiomas KL-ONE. El lenguaje LOOM de ISI estuvo fuertemente influenciado por KL-ONE. LOOM también se vio influenciado por la creciente popularidad de las herramientas y entornos orientados a objetos. Loom proporcionó una verdadera capacidad orientada a objetos (por ejemplo, paso de mensajes) además de capacidades de lenguaje de marco. Los clasificadores desempeñan un papel importante en la visión de la Internet de próxima generación conocida como Web Semántica. El lenguaje de ontología web proporciona un formalismo que se puede validar y razonar mediante clasificadores como Hermit y Fact++. [4]
Las primeras versiones de clasificadores eran demostradores de teoremas lógicos . El primer clasificador que trabajó con un lenguaje marco fue el clasificador KL-ONE . [5] [6] Un sistema posterior construido con ceceo común fue LOOM del Instituto de Ciencias de la Información. LOOM proporcionó verdaderas capacidades orientadas a objetos aprovechando el sistema de objetos Common Lisp, junto con un lenguaje de marco. [7] En la Web Semántica, la herramienta Protege de Stanford proporciona clasificadores (también conocidos como razonadores) como parte del entorno predeterminado. [8]
La buena noticia al reducir el servicio KR a la demostración de teoremas es que ahora tenemos una noción muy clara y específica de lo que debería hacer el sistema KR; la mala noticia es que también está claro que los servicios no se pueden proporcionar... decidir si una oración en FOL es o no un teorema... es irresoluble.