Red de lógica probabilística - Enciclopedia

Una red lógica probabilística (PLN) es un enfoque conceptual, matemático y computacional para la inferencia incierta. Se inspiró en la programación lógica y utiliza probabilidades en lugar de valores de verdad claros (verdadero/falso) y incertidumbre fraccional en lugar de valores conocidos/ignorados claros. Para llevar a cabo razonamientos efectivos en circunstancias del mundo real, el software de inteligencia artificial maneja la incertidumbre. Los enfoques anteriores a la inferencia incierta no tienen el amplio alcance requerido para proporcionar un tratamiento integrado de las diversas formas de incertidumbre cognitivamente crítica como se manifiestan dentro de diversas formas de inferencia pragmática. superando los enfoques probabilísticos anteriores a la inferencia incierta, PLN abarca la lógica incierta con ideas como la inducción, la abducción, la analogía, la nebulosidad y la especulación, y la razón sobre el tiempo y la causalidad.

PLN fue desarrollado por Ben Goertzel, Matt Ikle, Izabela Lyon Freire Goertzel y Ari Heljakka para su uso como un algoritmo cognitivo utilizado por MindAgents dentro del OpenCog Core. PLN fue desarrollado originalmente para su uso dentro del motor de cognición Novamente.


Objetivo
El objetivo básico de una PLN es proporcionar inferencias probabilísticas precisas de una manera compatible con la lógica de términos y la lógica de predicados y que se escalen para operar en tiempo real en bases de conocimientos dinámicas grandes.
El objetivo subyacente al desarrollo teórico de PLN ha sido la creación de sistemas de software prácticos que realicen inferencias complejas basadas en conocimientos inciertos y que alcancen conclusiones inciertas. PLN ha sido diseñado para permitir que la inferencia probabilística básica interactúe con otros tipos de inferencia como la inferencia intensional, la inferencia nebulosa y la inferencia de orden superior utilizando cuantificadores, variables y combinadores, y ser un enfoque más conveniente que las redes bayesianas (u otros métodos convencionales) para la interfaz de inferencia probabilística básica con estos otros tipos de inferencia. Además, las reglas de inferencia se formulan de manera tal que eviten los paradoxos de la teoría Dempster–Shafer.


Implementación
PLN comienza con una base de lógica de términos y luego añade elementos de lógica probabilística y combinatoria, así como algunos aspectos de lógica de predicados y lógica autoepistémica, para formar un sistema de inferencia completo, diseñado para integrarse fácilmente con componentes de software que encarnan otros aspectos (no estrictamente lógicos) de la inteligencia.
PLN representa los valores de verdad como intervalos, pero con diferentes semánticas que en la teoría de la probabilidad imprecisa. Además de la interpretación de la verdad de manera probabilística, un valor de verdad en PLN también tiene una cantidad asociada de certidumbre. Esto generaliza la noción de valores de verdad utilizados en la lógica autoepistémica, donde los valores de verdad son conocidos o desconocidos y, cuando se conocen, son verdaderos o falsos.
La versión actual de PLN ha sido utilizada en aplicaciones de IA restringida como la inferencia de hipótesis biológicas a partir de conocimientos extraídos de textos biológicos mediante procesamiento de lenguaje, y para asistir en el aprendizaje por reforzamiento de un agente encarnado en un mundo virtual simple, mientras se le enseña a jugar "busca y devuelta".


Referencias
Ben Goertzel; Matthew Iklé; Izabela Lyon Freire Goertzel; Ari Heljakka (2008). Redes Lógicas Probabilísticas: Un Marco Conceptual, Matemático y Computacional Completo para la Inferencia Incierta. Springer. pp. 333. ISBN 978-0-387-76871-7.


Ver también
Red de lógica de Markov
Lógica probabilística


Referencias


Enlaces externos
Wiki de OpenCog (GNU-FDL)