Razonamiento bajo Incertidumbre
El razonamiento bajo incertidumbre es la parte de la inteligencia artificial que utiliza la probabilidad y la teoría de la decisión para extraer conclusiones y tomar decisiones cuando el conocimiento es incompleto, ruidoso o solo parcialmente observable.
Definition
El razonamiento bajo incertidumbre representa el conocimiento incompleto de un agente como distribuciones de probabilidad y calcula, a través de las leyes de la probabilidad y la maximización de la utilidad esperada, qué creer y cómo actuar.
Scope
Esta área abarca la representación del conocimiento incierto con probabilidad y los métodos para razonar y decidir bajo ella: modelos gráficos probabilísticos como las redes bayesianas, inferencia probabilística exacta y aproximada, teoría de la decisión que combina probabilidades con utilidades, y toma de decisiones secuencial a través de procesos de decisión de Markov. Trata cómo se actualizan los grados de creencia con la evidencia y cómo se calculan las elecciones racionales. La estimación de estos modelos basada en datos y el aprendizaje por refuerzo de políticas pertenecen al subcampo del aprendizaje automático; esta área enfatiza las representaciones y los principios de inferencia y decisión.
Sub-topics
Core questions
- ¿Cómo se representan y actualizan los grados de creencia a medida que llega nueva evidencia?
- ¿Cómo se pueden representar de forma compacta grandes distribuciones conjuntas utilizando la independencia condicional?
- ¿Cómo se calcula la probabilidad de una consulta de forma exacta o aproximada en un modelo probabilístico?
- ¿Cómo se combinan las probabilidades con las preferencias para elegir acciones que maximicen la utilidad esperada?
Key concepts
- probabilidad como grado de creencia
- regla de Bayes
- independencia condicional
- redes bayesianas
- inferencia exacta y aproximada
- utilidad y utilidad esperada
- teoría de la decisión
- procesos de decisión de Markov
Key theories
- Actualización bayesiana
- La regla de Bayes prescribe cómo un grado de creencia previo se revisa en un posterior dada la evidencia, proporcionando la base normativa para el razonamiento probabilístico y para combinar el conocimiento previo con las observaciones.
- Modelos gráficos e independencia condicional
- Las redes bayesianas y de Markov explotan la independencia condicional para factorizar una distribución conjunta en componentes locales, haciendo que tanto la representación como la inferencia sean tratables para problemas que de otro modo serían exponencialmente grandes.
- Máxima utilidad esperada
- La teoría de la decisión sostiene que un agente racional debe elegir la acción que maximice la utilidad esperada, unificando la creencia probabilística con las preferencias sobre los resultados y extendiéndose a decisiones secuenciales a través de los procesos de decisión de Markov.
Clinical relevance
El razonamiento probabilístico subyace a los sistemas de diagnóstico médico, el diagnóstico de fallas y la fusión de sensores, el procesamiento del habla y el lenguaje, la robótica y la localización, el análisis de riesgos y los sistemas de recomendación y apoyo a la decisión, dondequiera que se deban tomar conclusiones y decisiones a partir de información incompleta o ruidosa.
History
La IA temprana se mostraba escéptica ante la probabilidad, favoreciendo factores de certeza ad hoc, pero el trabajo de Pearl en la década de 1980, que culminó en su libro de 1988, demostró que las redes bayesianas hacían que el razonamiento probabilístico fuera tanto bien fundamentado como computacionalmente factible. Los métodos de teoría de la decisión y de modelos gráficos, consolidados en textos como Koller y Friedman (2009), se volvieron centrales para la IA moderna.
Debates
- Probabilidad vs. formalismos alternativos de incertidumbre
- Históricamente, la IA debatió si modelar la incertidumbre con probabilidad o con alternativas como factores de certeza, lógica difusa o funciones de creencia de Dempster-Shafer; la visión probabilística y de teoría de la decisión se volvió dominante en gran parte debido a sus sólidas bases y la tratabilidad que ofrecen los modelos gráficos.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- ¿Por qué usar la probabilidad en lugar de la lógica para el conocimiento incierto?
- La lógica estricta obliga a que las afirmaciones sean verdaderas o falsas, lo cual es incómodo cuando el conocimiento es incompleto o la evidencia es parcial. La probabilidad representa grados graduales de creencia y proporciona reglas basadas en principios, como la regla de Bayes, para actualizarlos con la evidencia, lo que la hace muy adecuada para el razonamiento bajo incertidumbre.
- ¿Qué hace que las redes bayesianas sean importantes para esta área?
- Una distribución conjunta completa sobre muchas variables es astronómicamente grande, pero las redes bayesianas utilizan la independencia condicional para representarla de forma compacta como un grafo con distribuciones condicionales locales. Esto hace que tanto el almacenamiento del modelo como el cálculo de consultas probabilísticas sean factibles, por lo que son una piedra angular del razonamiento bajo incertidumbre.