glossaLAB - User contributions [en]

User:Anas Chetouan

2026-01-02T20:28:08Z

Anas Chetouan:

{{Person
|Given name=Anas
|Family name=Chetouan Ghailan
|Image filename=Captura de pantalla 2026-01-02 212535.png
|Sex=Masculino
|Country=España
|Institution=Universidad a Distancia de Madrid (UDIMA)
|Professional category=Personal administrativo / de oficina
|Highest academic degree=Título de Formación Profesional
|KD of expertise=Gestión administrativa, Administración y finanzas
|Current academic institution=Universidad a Distancia de Madrid (UDIMA)
|Pursued academic degree=Grado universitario
|Field of pursued degree=Administración y Dirección de Empresas
|input language=ES (español)
}}

File:Captura de pantalla 2026-01-02 212535.png

2026-01-02T20:28:05Z

Anas Chetouan:

Draft:Representación del conocimiento

2025-12-29T20:53:48Z

Anas Chetouan:

[[Category:Proposal]]
'''Resumen''': La representación del conocimiento es el campo de la inteligencia artificial (IA) que actúa como un sustituto de la realidad; permite que un agente inteligente determine consecuencias "pensando" en lugar de actuar físicamente sobre el entorno.

==Introducción==
La '''representación del conocimiento''' es el campo de la inteligencia artificial (IA) que se encarga de estructurar la información del mundo real en modelos simbólicos que un ordenador puede procesar para razonar, tomar decisiones y actuar.

Su objetivo principal es crear un modelo del mundo que permite a los sistemas IA tomar decisiones de forma autónoma.

Sus fundamentos son:

* Lógica Matemática y Lenguajes Formales: Es la base teórica que garantiza que las representaciones sean precisas y verificables. Se utiliza la lógica de primer orden para definir axiomas y reglas de derivación.

* Sustituto de la Realidad: La representación actúa como un sustituto de los objetos del mundo real. Lo que ocurre dentro del sistema debe corresponderse con hechos reales.

* Formalismos de Estructura: Son los marcos o plantillas donde se guarda la información.

* Enfoque Neuro-Simbólico: Una tendencia fundamental en 2025 es la combinación de las reglas lógicas con las redes neuronales, buscando sistemas que no solo aprendan patrones, sino que puedan explicarlos mediante lógica.

== Orígenes de la representación del conocimiento ==
La cuna de la representación del conocimiento comienza con la invención de la escritura, que fue una forma de preservar el conocimiento además de ordenarlo para agilizar su razonamiento e integración. Según los registros conocemos que la escritura nació en la civilización Mesopotámica, específicamente en Sumeria, hacia el año 3200 a.C, por lo que podemos deducir que ese fue el momento exacto del nacimiento de la representación del conocimiento, por el hecho de que el ser humano desarrolló una técnica para plasmar el conocimiento de la memoria al registro. Este acto no sólo permitió preservar el conocimiento, sino que, al plasmarlo, lo dotó de una estructura que facilitaba su organización, aceleraba su análisis racional y permitía su integración y transmisión a través del tiempo. <ref>National Geographic Historia. (s. f.). Así se originó la escritura en la antigua Mesopotamia. NationalGeographicEspaña. <nowiki>https://historia.nationalgeographic.com.es/a/asi-se-origino-escritura-antigua-mesopotamia_20605</nowiki></ref>

Varios siglos después, tras la externalización del conocimiento mediante la escritura, en la antigua Grecia, Aristóteles y Porfirio, dieron el siguiente gran salto para la formalización de la representación del conocimiento. En primer lugar, Aristóteles, estableció las bases de la lógica formal y el silogismo, dotando a la escritura un sistema formado por dos premisas y una conclusión, a través del cual se puede representar lógicamente cualquier argumento válido, por ejemplo, “todos los hombres son mortales”, “Aristóteles es un hombre”, “por lo cual, Aristóteles es mortal”. <ref>Minecan, A. M. (2019, 12 de marzo). La lógica de Aristóteles: introducción a los silogismos. AnaMinecan.com. <nowiki>https://www.anaminecan.com/post/logica-de-aristoteles</nowiki></ref>

En segundo lugar, Profilio desarrolló lo que hoy conocemos como el árbol de Profirio, que es un sistema estructural que organiza conceptos de lo más general, mediante un concepto supremo, a conceptos más específicos llamados especies individuales. Está técnica permite traducir la lógica Aristotélica en estructura gráfica.<ref>Rescher, N. (Ed.). (2013). Gottfried Wilhelm Leibniz. En The Stanford Encyclopedia of Philosophy (ed. revisada). Stanford University. <nowiki>https://plato.stanford.edu/entries/leibniz/</nowiki></ref>

En el siglo XVII, Leibniz, fue el eslabón que unificó la lógica antigua con la futura computación, gracias a su lenguaje simbólico, en el que cada idea primitiva tenía un símbolo único. Este alfabeto simbólico que llamó “Characteristica Universalis” fue creado por Leibniz, ya que la lógica antigua era muy compleja y suponía horas de discusión, Leibniz para agilizar este proceso creó el “Characteristica Universalis” con el objetivo de debatir los asuntos de forma más ágil calculando con símbolos, mediante premisas.<ref>Wikipedia. (s. f.). Historia de la lógica. En Wikipedia, la enciclopedia libre. <nowiki>https://es.wikipedia.org/wiki/Historia_de_la_l%C3%B3gica</nowiki></ref>

La visión de Leibniz sobre un pensamiento calculable se concretó en los siglos siguientes. En el XIX, George Boole y Gottlob Frege llevaron la lógica a un enfoque matemático. Crearon sistemas formales en los que se podía expresar el razonamiento mediante ecuaciones. Este desarrollo alcanzó su punto culminante en 1936 con Alan Turing. Él definió el modelo de la Máquina de Turing, que es una entidad abstracta capaz de ejecutar cualquier cálculo a partir de símbolos y reglas. Así, el sueño de Leibniz de automatizar el razonamiento encontró su "mecanismo" universal. Con los fundamentos lógicos, simbólicos y computacionales establecidos a mediados del siglo XX, se abrió el camino para el siguiente capítulo.<ref>Universidad de Pamplona. (s. f.). Lectura inicial de teoría de la computación [PDF]. <nowiki>https://www.unipamplona.edu.co/unipamplona/portalIG/home_23/recursos/general/17022011/lectura_inicial_tc.pdf</nowiki></ref>

==Representación del conocimiento mediante Inteligencia Artificial==

Actualmente, esta disciplina se centra en combinar el orden de los métodos antiguos con la versatilidad de los nuevos modelos de ''deeplearning''. Algunos de los enfoques más relevantes que se siguen utilizando y evolucionando en la actualidad:

* Redes semánticas: Son una forma de lógica, modelan el conocimiento mediante representaciones gráficas de nodos (conceptos) y arcos (relaciones entre ellos). Según Russell y Norvig (2010) <ref>Russell, S. J., & Norvig, P. (2010). ''Inteligencia artificial: un enfoque moderno'' (2ª ed.). Prentice Hall.</ref>, "Existen diversas variantes de las redes semánticas, pero todas son capaces de representar objetos individuales, categorías de objetos y relaciones entre objetos".

* Lógica descriptiva: Sistemas evolucionados desde las redes semánticas, utilizan reglas matemáticas (como la lógica de primer orden) para expresar hechos y reglas de forma más fácil. Es precisa y permite deducciones directas.

* Marcos: Considerado como una versión de las redes semánticas por algunos autores como Russell, fue un concepto introducido por Minsky (1975), <ref>Minsky, M. (1975). A framework for representing knowledge. En P. H. Winston (Ed.), ''The Psychology of Computer Vision'' (pp. 211-277). McGraw-Hill.</ref> como una forma de explicar cómo los seres humanos procesamos la información y resolvemos problemas mediante el uso de estructuras mentales preestablecidas. Explica cómo los niveles superiores de un marco contienen datos fijos (siempre ciertos), mientras que los niveles inferiores poseen terminales o ranuras (slots) que se rellenan con datos específicos. Este trabajo influyó en el desarrollo de la programación orientada a objetos y en las arquitecturas modernas de representación del conocimiento en IA.

* Sistemas de producción: Sistemas basados en reglas de condición y acción que emulan el razonamiento deductivo humano en las toma de decisiones. Su funcionamiento se articula mediante la interacción de tres componentes esenciales; una base de conocimientos compuesta por reglas de producción (estructuras "Si-Entonces"), una base de hechos o memoria de trabajo que almacena la información actual del entorno, y un motor de inferencia que actúa como el núcleo ejecutor del sistema.

== Criterios de evaluación de una buena representación del conocimiento ==
Para saber si una representación del conocimiento ''(RC)'' es realmente útil y sólida, no basta con que "funcione"; debe cumplir con ciertos estándares de calidad. <ref>Davis, R., Shrobe, H., & Szolovits, P. (1993). What is a knowledge representation? AI Magazine, 14(1), 17–33 </ref>

Un concepto fundamental aquí es el Rendimiento Intensional. Aunque suena complejo, básicamente mide la eficiencia: se trata de la capacidad de explicar un campo de conocimiento con la menor cantidad posible de "ruido" o repetición. <ref>glossaLAB. (2023, 9 de agosto). Rendimiento intensional.</ref> Si logras definir lo mismo usando menos elementos, tienes un alto rendimiento intensional. Es el arte de la síntesis conceptual. <ref>glossaLAB. (2023, 9 de agosto). Rendimiento intensional.</ref>

Más allá de las definiciones básicas, la literatura académica sugiere evaluar la calidad desde tres grandes dimensiones: qué tan bien representa la realidad, cómo razona el sistema y qué requisitos técnicos exige. <ref>Bingi, P., Khazanchi, D., & Yadav, S. B. (1995). A framework for the comparative analysis and evaluation of knowledge representation schemes. Information Processing & Management, 31(2), 233–247.</ref>

Una ontología define formalmente los conceptos y relaciones de un dominio. <ref>Morato-Lara, J. (2010). Ontología. GlossariumBITri, 1(1), 1063.</ref>

Principios clave para el diseño. Al diseñar ontologías o esquemas de conocimiento, buscamos: <ref>Gómez-Pérez, A. (1993). Modelo de diseño orientado a marcos para sistemas basados en el conocimiento (Tesis doctoral, Universidad Politécnica de Madrid). Archivo Digital UPM.</ref>

*Claridad: Definiciones objetivas y completas.
*Simplicidad: Mínima codificación para evitar estructuras laberínticas.
*Flexibilidad: Que sea fácil añadir nuevos conceptos (extensibilidad).
*Neutralidad: Asumir lo menos posible (mínimos compromisos ontológicos).
*Interoperabilidad: Que "hable el mismo idioma" que otros sistemas para compartir datos.

El Marco de Evaluación Práctica (Bingi, Khazanchi y Yadav). Para ir más allá de la teoría y evaluar cómo se comporta el modelo en la práctica, solemos usar el marco de Bingi et al. (1995), que se divide en tres áreas. <ref>Bingi, P., Khazanchi, D., & Yadav, S. B. (1995). A framework for the comparative analysis and evaluation of knowledge representation schemes. Information Processing & Management, 31(2), 233–247.</ref>

#Adecuación Representacional: ¿El mapa se parece al territorio? Evalúa si la estructura es coherente, si los significados son claros (semántica) y si es fácil de modificar por partes (modularidad).
#Requisitos de Inferencia: ¿Es fiable el razonamiento? Aquí miramos la velocidad, el coste computacional y si el sistema es capaz de llegar a conclusiones correctas sin contradecirse.
#Criterio de Usabilidad: ¿Es amigable para las personas? Valora si es fácil de crear, mantener y si se siente natural al usarlo, equilibrando el rigor matemático con la intuición humana.

== '''Evolución de las Técnicas de Representación del Conocimiento''' ==
La evolución de las técnicas de representación del conocimiento está directamente relacionada con el desarrollo de la Inteligencia Artificial y de los sistemas de información. A medida que han ido aumentando las necesidades de almacenar y utilizar información de forma más eficiente, estas técnicas han ido cambiando y adaptándose, pasando de modelos simples y formales a otros más complejos y flexibles.<ref>Wikipedia contributors. (s. f.). ''Representación del conocimiento''. En ''Wikipedia, la enciclopedia libre''. Recuperado el [29 12, 2025]

<nowiki>https://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento</nowiki></ref>

En una primera etapa, que abarca aproximadamente desde las décadas de 1940 hasta 1960, la representación del conocimiento se basó principalmente en la lógica proposicional y la lógica de predicados. Estas técnicas permitían expresar hechos y relaciones de manera formal y precisa, lo que resultó fundamental para los primeros intentos de razonamiento automático. No obstante, su uso presentaba limitaciones importantes, ya que resultaban poco adecuadas para representar conocimientos más complejos o situaciones ambiguas.<ref>Davis, R., Shrobe, H., & Szolovits, P. (s. f.). ''Knowledge representation''. En E. N. Zalta (Ed.), ''The Stanford encyclopedia of philosophy''.

<nowiki>https://plato.stanford.edu/entries/knowledge-representation/</nowiki></ref>

Posteriormente, durante los años setenta y ochenta, comenzaron a desarrollarse nuevas técnicas con el objetivo de acercar la representación del conocimiento al modo en que razonan las personas. En este periodo aparecieron los sistemas expertos, junto con estructuras como las redes semánticas y los frames o marcos, que facilitaban la organización del conocimiento en torno a conceptos y sus relaciones. Este avance permitió representar mejores dominios concretos y reutilizar el conocimiento en diferentes contextos.

En las décadas de 1980 y 1990, la evolución de estas técnicas se orientó hacia una mayor formalización y estandarización. Se desarrollaron taxonomías más estructuradas y sistemas basados en reglas más avanzados, con el objetivo de mejorar la coherencia y consistencia del conocimiento representado. Esta etapa fue especialmente importante para sentar las bases de sistemas más robustos y facilitar la comunicación entre diferentes aplicaciones.

A partir de los años noventa, con el auge de la denominada ingeniería del conocimiento, el interés se desplazó hacia la construcción de grandes repositorios de conocimiento. En esta fase, el objetivo ya no era únicamente resolver problemas concretos, sino representar conocimiento de forma sistemática para que pudiera ser compartido, ampliado y reutilizado en distintos entornos.

Finalmente, con la expansión de Internet y el entorno digital a comienzos del siglo XXI, las técnicas de representación del conocimiento evolucionaron para adaptarse a contextos más abiertos y distribuidos. La aparición de modelos orientados a la web permitió representar el conocimiento de forma estructurada y accesible, facilitando su intercambio y uso en sistemas interconectados.<ref>GeeksforGeeks. (s. f.). ''Knowledge representation in artificial intelligence''.

<nowiki>https://www.geeksforgeeks.org/knowledge-representation-in-artificial-intelligence/</nowiki></ref>

En conjunto, la evolución de las técnicas de representación del conocimiento muestra un proceso progresivo de mejora, en el que cada etapa ha tratado de superar las limitaciones de la anterior. Este desarrollo ha permitido avanzar hacia formas de representación cada vez más adecuadas a las necesidades actuales de gestión de la información y del conocimiento.

==Referencias== 
<references />

Draft:Representación del conocimiento

2025-12-29T20:44:05Z

Anas Chetouan: añadir fuentes

[[Category:Proposal]]
'''Resumen''': La representación del conocimiento es el campo de la inteligencia artificial (IA) que actúa como un sustituto de la realidad; permite que un agente inteligente determine consecuencias "pensando" en lugar de actuar físicamente sobre el entorno.

==Introducción==
La '''representación del conocimiento''' es el campo de la inteligencia artificial (IA) que se encarga de estructurar la información del mundo real en modelos simbólicos que un ordenador puede procesar para razonar, tomar decisiones y actuar.

Su objetivo principal es crear un modelo del mundo que permite a los sistemas IA tomar decisiones de forma autónoma.

Sus fundamentos son:

* Lógica Matemática y Lenguajes Formales: Es la base teórica que garantiza que las representaciones sean precisas y verificables. Se utiliza la lógica de primer orden para definir axiomas y reglas de derivación.

* Sustituto de la Realidad: La representación actúa como un sustituto de los objetos del mundo real. Lo que ocurre dentro del sistema debe corresponderse con hechos reales.

* Formalismos de Estructura: Son los marcos o plantillas donde se guarda la información.

* Enfoque Neuro-Simbólico: Una tendencia fundamental en 2025 es la combinación de las reglas lógicas con las redes neuronales, buscando sistemas que no solo aprendan patrones, sino que puedan explicarlos mediante lógica.

== Orígenes de la representación del conocimiento ==
La cuna de la representación del conocimiento comienza con la invención de la escritura, que fue una forma de preservar el conocimiento además de ordenarlo para agilizar su razonamiento e integración. Según los registros conocemos que la escritura nació en la civilización Mesopotámica, específicamente en Sumeria, hacia el año 3200 a.C, por lo que podemos deducir que ese fue el momento exacto del nacimiento de la representación del conocimiento, por el hecho de que el ser humano desarrolló una técnica para plasmar el conocimiento de la memoria al registro. Este acto no sólo permitió preservar el conocimiento, sino que, al plasmarlo, lo dotó de una estructura que facilitaba su organización, aceleraba su análisis racional y permitía su integración y transmisión a través del tiempo. <ref>National Geographic Historia. (s. f.). Así se originó la escritura en la antigua Mesopotamia. NationalGeographicEspaña. <nowiki>https://historia.nationalgeographic.com.es/a/asi-se-origino-escritura-antigua-mesopotamia_20605</nowiki></ref>

Varios siglos después, tras la externalización del conocimiento mediante la escritura, en la antigua Grecia, Aristóteles y Porfirio, dieron el siguiente gran salto para la formalización de la representación del conocimiento. En primer lugar, Aristóteles, estableció las bases de la lógica formal y el silogismo, dotando a la escritura un sistema formado por dos premisas y una conclusión, a través del cual se puede representar lógicamente cualquier argumento válido, por ejemplo, “todos los hombres son mortales”, “Aristóteles es un hombre”, “por lo cual, Aristóteles es mortal”. <ref>Minecan, A. M. (2019, 12 de marzo). La lógica de Aristóteles: introducción a los silogismos. AnaMinecan.com. <nowiki>https://www.anaminecan.com/post/logica-de-aristoteles</nowiki></ref>

En segundo lugar, Profilio desarrolló lo que hoy conocemos como el árbol de Profirio, que es un sistema estructural que organiza conceptos de lo más general, mediante un concepto supremo, a conceptos más específicos llamados especies individuales. Está técnica permite traducir la lógica Aristotélica en estructura gráfica.<ref>Rescher, N. (Ed.). (2013). Gottfried Wilhelm Leibniz. En The Stanford Encyclopedia of Philosophy (ed. revisada). Stanford University. <nowiki>https://plato.stanford.edu/entries/leibniz/</nowiki></ref>

En el siglo XVII, Leibniz, fue el eslabón que unificó la lógica antigua con la futura computación, gracias a su lenguaje simbólico, en el que cada idea primitiva tenía un símbolo único. Este alfabeto simbólico que llamó “Characteristica Universalis” fue creado por Leibniz, ya que la lógica antigua era muy compleja y suponía horas de discusión, Leibniz para agilizar este proceso creó el “Characteristica Universalis” con el objetivo de debatir los asuntos de forma más ágil calculando con símbolos, mediante premisas.<ref>Wikipedia. (s. f.). Historia de la lógica. En Wikipedia, la enciclopedia libre. <nowiki>https://es.wikipedia.org/wiki/Historia_de_la_l%C3%B3gica</nowiki></ref>

La visión de Leibniz sobre un pensamiento calculable se concretó en los siglos siguientes. En el XIX, George Boole y Gottlob Frege llevaron la lógica a un enfoque matemático. Crearon sistemas formales en los que se podía expresar el razonamiento mediante ecuaciones. Este desarrollo alcanzó su punto culminante en 1936 con Alan Turing. Él definió el modelo de la Máquina de Turing, que es una entidad abstracta capaz de ejecutar cualquier cálculo a partir de símbolos y reglas. Así, el sueño de Leibniz de automatizar el razonamiento encontró su "mecanismo" universal. Con los fundamentos lógicos, simbólicos y computacionales establecidos a mediados del siglo XX, se abrió el camino para el siguiente capítulo.<ref>Universidad de Pamplona. (s. f.). Lectura inicial de teoría de la computación [PDF]. <nowiki>https://www.unipamplona.edu.co/unipamplona/portalIG/home_23/recursos/general/17022011/lectura_inicial_tc.pdf</nowiki></ref>

==Representación del conocimiento mediante Inteligencia Artificial==

Actualmente, esta disciplina se centra en combinar el orden de los métodos antiguos con la versatilidad de los nuevos modelos de ''deeplearning''. Algunos de los enfoques más relevantes que se siguen utilizando y evolucionando en la actualidad:

* Redes semánticas: Son una forma de lógica, modelan el conocimiento mediante representaciones gráficas de nodos (conceptos) y arcos (relaciones entre ellos). Según Russell y Norvig (2010) <ref>Russell, S. J., & Norvig, P. (2010). ''Inteligencia artificial: un enfoque moderno'' (2ª ed.). Prentice Hall.</ref>, "Existen diversas variantes de las redes semánticas, pero todas son capaces de representar objetos individuales, categorías de objetos y relaciones entre objetos".

* Lógica descriptiva: Sistemas evolucionados desde las redes semánticas, utilizan reglas matemáticas (como la lógica de primer orden) para expresar hechos y reglas de forma más fácil. Es precisa y permite deducciones directas.

* Marcos: Considerado como una versión de las redes semánticas por algunos autores como Russell, fue un concepto introducido por Minsky (1975), <ref>Minsky, M. (1975). A framework for representing knowledge. En P. H. Winston (Ed.), ''The Psychology of Computer Vision'' (pp. 211-277). McGraw-Hill.</ref> como una forma de explicar cómo los seres humanos procesamos la información y resolvemos problemas mediante el uso de estructuras mentales preestablecidas. Explica cómo los niveles superiores de un marco contienen datos fijos (siempre ciertos), mientras que los niveles inferiores poseen terminales o ranuras (slots) que se rellenan con datos específicos. Este trabajo influyó en el desarrollo de la programación orientada a objetos y en las arquitecturas modernas de representación del conocimiento en IA.

* Sistemas de producción: Sistemas basados en reglas de condición y acción que emulan el razonamiento deductivo humano en las toma de decisiones. Su funcionamiento se articula mediante la interacción de tres componentes esenciales; una base de conocimientos compuesta por reglas de producción (estructuras "Si-Entonces"), una base de hechos o memoria de trabajo que almacena la información actual del entorno, y un motor de inferencia que actúa como el núcleo ejecutor del sistema.

== Criterios de evaluación de una buena representación del conocimiento ==
Para saber si una representación del conocimiento ''(RC)'' es realmente útil y sólida, no basta con que "funcione"; debe cumplir con ciertos estándares de calidad. <ref>Davis, R., Shrobe, H., & Szolovits, P. (1993). What is a knowledge representation? AI Magazine, 14(1), 17–33 </ref>

Un concepto fundamental aquí es el Rendimiento Intensional. Aunque suena complejo, básicamente mide la eficiencia: se trata de la capacidad de explicar un campo de conocimiento con la menor cantidad posible de "ruido" o repetición. <ref>glossaLAB. (2023, 9 de agosto). Rendimiento intensional.</ref> Si logras definir lo mismo usando menos elementos, tienes un alto rendimiento intensional. Es el arte de la síntesis conceptual. <ref>glossaLAB. (2023, 9 de agosto). Rendimiento intensional.</ref>

Más allá de las definiciones básicas, la literatura académica sugiere evaluar la calidad desde tres grandes dimensiones: qué tan bien representa la realidad, cómo razona el sistema y qué requisitos técnicos exige. <ref>Bingi, P., Khazanchi, D., & Yadav, S. B. (1995). A framework for the comparative analysis and evaluation of knowledge representation schemes. Information Processing & Management, 31(2), 233–247.</ref>

Una ontología define formalmente los conceptos y relaciones de un dominio. <ref>Morato-Lara, J. (2010). Ontología. GlossariumBITri, 1(1), 1063.</ref>

Principios clave para el diseño. Al diseñar ontologías o esquemas de conocimiento, buscamos: <ref>Gómez-Pérez, A. (1993). Modelo de diseño orientado a marcos para sistemas basados en el conocimiento (Tesis doctoral, Universidad Politécnica de Madrid). Archivo Digital UPM.</ref>

*Claridad: Definiciones objetivas y completas.
*Simplicidad: Mínima codificación para evitar estructuras laberínticas.
*Flexibilidad: Que sea fácil añadir nuevos conceptos (extensibilidad).
*Neutralidad: Asumir lo menos posible (mínimos compromisos ontológicos).
*Interoperabilidad: Que "hable el mismo idioma" que otros sistemas para compartir datos.

El Marco de Evaluación Práctica (Bingi, Khazanchi y Yadav). Para ir más allá de la teoría y evaluar cómo se comporta el modelo en la práctica, solemos usar el marco de Bingi et al. (1995), que se divide en tres áreas. <ref>Bingi, P., Khazanchi, D., & Yadav, S. B. (1995). A framework for the comparative analysis and evaluation of knowledge representation schemes. Information Processing & Management, 31(2), 233–247.</ref>

#Adecuación Representacional: ¿El mapa se parece al territorio? Evalúa si la estructura es coherente, si los significados son claros (semántica) y si es fácil de modificar por partes (modularidad).
#Requisitos de Inferencia: ¿Es fiable el razonamiento? Aquí miramos la velocidad, el coste computacional y si el sistema es capaz de llegar a conclusiones correctas sin contradecirse.
#Criterio de Usabilidad: ¿Es amigable para las personas? Valora si es fácil de crear, mantener y si se siente natural al usarlo, equilibrando el rigor matemático con la intuición humana.

== '''Evolución de las Técnicas de Representación del Conocimiento''' ==
La evolución de las técnicas de representación del conocimiento está directamente relacionada con el desarrollo de la Inteligencia Artificial y de los sistemas de información. A medida que han ido aumentando las necesidades de almacenar y utilizar información de forma más eficiente, estas técnicas han ido cambiando y adaptándose, pasando de modelos simples y formales a otros más complejos y flexibles.<ref>https://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento</ref>

En una primera etapa, que abarca aproximadamente desde las décadas de 1940 hasta 1960, la representación del conocimiento se basó principalmente en la lógica proposicional y la lógica de predicados. Estas técnicas permitían expresar hechos y relaciones de manera formal y precisa, lo que resultó fundamental para los primeros intentos de razonamiento automático. No obstante, su uso presentaba limitaciones importantes, ya que resultaban poco adecuadas para representar conocimientos más complejos o situaciones ambiguas.<ref>https://plato.stanford.edu/entries/knowledge-representation/</ref>

Posteriormente, durante los años setenta y ochenta, comenzaron a desarrollarse nuevas técnicas con el objetivo de acercar la representación del conocimiento al modo en que razonan las personas. En este periodo aparecieron los sistemas expertos, junto con estructuras como las redes semánticas y los frames o marcos, que facilitaban la organización del conocimiento en torno a conceptos y sus relaciones. Este avance permitió representar mejores dominios concretos y reutilizar el conocimiento en diferentes contextos.

En las décadas de 1980 y 1990, la evolución de estas técnicas se orientó hacia una mayor formalización y estandarización. Se desarrollaron taxonomías más estructuradas y sistemas basados en reglas más avanzados, con el objetivo de mejorar la coherencia y consistencia del conocimiento representado. Esta etapa fue especialmente importante para sentar las bases de sistemas más robustos y facilitar la comunicación entre diferentes aplicaciones.

A partir de los años noventa, con el auge de la denominada ingeniería del conocimiento, el interés se desplazó hacia la construcción de grandes repositorios de conocimiento. En esta fase, el objetivo ya no era únicamente resolver problemas concretos, sino representar conocimiento de forma sistemática para que pudiera ser compartido, ampliado y reutilizado en distintos entornos.

Finalmente, con la expansión de Internet y el entorno digital a comienzos del siglo XXI, las técnicas de representación del conocimiento evolucionaron para adaptarse a contextos más abiertos y distribuidos. La aparición de modelos orientados a la web permitió representar el conocimiento de forma estructurada y accesible, facilitando su intercambio y uso en sistemas interconectados.<ref>https://www.geeksforgeeks.org/knowledge-representation-in-artificial-intelligence/</ref>

En conjunto, la evolución de las técnicas de representación del conocimiento muestra un proceso progresivo de mejora, en el que cada etapa ha tratado de superar las limitaciones de la anterior. Este desarrollo ha permitido avanzar hacia formas de representación cada vez más adecuadas a las necesidades actuales de gestión de la información y del conocimiento.

==Referencias== 
<references />

Draft:Representación del conocimiento

2025-12-29T18:05:41Z

Anas Chetouan:

[[Category:Proposal]]
'''Resumen''': La representación del conocimiento es el campo de la inteligencia artificial (IA) que actúa como un sustituto de la realidad; permite que un agente inteligente determine consecuencias "pensando" en lugar de actuar físicamente sobre el entorno.

==Introducción==
La '''representación del conocimiento''' es el campo de la inteligencia artificial (IA) que se encarga de estructurar la información del mundo real en modelos simbólicos que un ordenador puede procesar para razonar, tomar decisiones y actuar.

Su objetivo principal es crear un modelo del mundo que permite a los sistemas IA tomar decisiones de forma autónoma.

Sus fundamentos son:

* Lógica Matemática y Lenguajes Formales: Es la base teórica que garantiza que las representaciones sean precisas y verificables. Se utiliza la lógica de primer orden para definir axiomas y reglas de derivación.

* Sustituto de la Realidad: La representación actúa como un sustituto de los objetos del mundo real. Lo que ocurre dentro del sistema debe corresponderse con hechos reales.

* Formalismos de Estructura: Son los marcos o plantillas donde se guarda la información.

* Enfoque Neuro-Simbólico: Una tendencia fundamental en 2025 es la combinación de las reglas lógicas con las redes neuronales, buscando sistemas que no solo aprendan patrones, sino que puedan explicarlos mediante lógica.

== El conocimiento debe ser explícito: El sistema no solo contiene algoritmos que ejecutan tareas, sino declaraciones sobre lo que es verdad en su entorno. ==
Orígenes de la representación del conocimiento

La cuna de la representación del conocimiento comienza con la invención de la escritura, que fue una forma de preservar el conocimiento además de ordenarlo para agilizar su razonamiento e integración. Según los registros conocemos que la escritura nació en la civilización Mesopotámica, específicamente en Sumeria, hacia el año 3200 a.C, por lo que podemos deducir que ese fue el momento exacto del nacimiento de la representación del conocimiento, por el hecho de que el ser humano desarrolló una técnica para plasmar el conocimiento de la memoria al registro. Este acto no sólo permitió preservar el conocimiento, sino que, al plasmarlo, lo dotó de una estructura que facilitaba su organización, aceleraba su análisis racional y permitía su integración y transmisión a través del tiempo. <ref>National Geographic Historia. (s. f.). Así se originó la escritura en la antigua Mesopotamia. NationalGeographicEspaña. <nowiki>https://historia.nationalgeographic.com.es/a/asi-se-origino-escritura-antigua-mesopotamia_20605</nowiki></ref>

Varios siglos después, tras la externalización del conocimiento mediante la escritura, en la antigua Grecia, Aristóteles y Porfirio, dieron el siguiente gran salto para la formalización de la representación del conocimiento. En primer lugar, Aristóteles, estableció las bases de la lógica formal y el silogismo, dotando a la escritura un sistema formado por dos premisas y una conclusión, a través del cual se puede representar lógicamente cualquier argumento válido, por ejemplo, “todos los hombres son mortales”, “Aristóteles es un hombre”, “por lo cual, Aristóteles es mortal”. <ref>Minecan, A. M. (2019, 12 de marzo). La lógica de Aristóteles: introducción a los silogismos. AnaMinecan.com. <nowiki>https://www.anaminecan.com/post/logica-de-aristoteles</nowiki></ref>

En segundo lugar, Profilio desarrolló lo que hoy conocemos como el árbol de Profirio, que es un sistema estructural que organiza conceptos de lo más general, mediante un concepto supremo, a conceptos más específicos llamados especies individuales. Está técnica permite traducir la lógica Aristotélica en estructura gráfica.<ref>Rescher, N. (Ed.). (2013). Gottfried Wilhelm Leibniz. En The Stanford Encyclopedia of Philosophy (ed. revisada). Stanford University. <nowiki>https://plato.stanford.edu/entries/leibniz/</nowiki></ref>

En el siglo XVII, Leibniz, fue el eslabón que unificó la lógica antigua con la futura computación, gracias a su lenguaje simbólico, en el que cada idea primitiva tenía un símbolo único. Este alfabeto simbólico que llamó “Characteristica Universalis” fue creado por Leibniz, ya que la lógica antigua era muy compleja y suponía horas de discusión, Leibniz para agilizar este proceso creó el “Characteristica Universalis” con el objetivo de debatir los asuntos de forma más ágil calculando con símbolos, mediante premisas.<ref>Wikipedia. (s. f.). Historia de la lógica. En Wikipedia, la enciclopedia libre. <nowiki>https://es.wikipedia.org/wiki/Historia_de_la_l%C3%B3gica</nowiki></ref>

La visión de Leibniz sobre un pensamiento calculable se concretó en los siglos siguientes. En el XIX, George Boole y Gottlob Frege llevaron la lógica a un enfoque matemático. Crearon sistemas formales en los que se podía expresar el razonamiento mediante ecuaciones. Este desarrollo alcanzó su punto culminante en 1936 con Alan Turing. Él definió el modelo de la Máquina de Turing, que es una entidad abstracta capaz de ejecutar cualquier cálculo a partir de símbolos y reglas. Así, el sueño de Leibniz de automatizar el razonamiento encontró su "mecanismo" universal. Con los fundamentos lógicos, simbólicos y computacionales establecidos a mediados del siglo XX, se abrió el camino para el siguiente capítulo.<ref>Universidad de Pamplona. (s. f.). Lectura inicial de teoría de la computación [PDF]. <nowiki>https://www.unipamplona.edu.co/unipamplona/portalIG/home_23/recursos/general/17022011/lectura_inicial_tc.pdf</nowiki></ref>

==Representación del conocimiento mediante Inteligencia Artificial==

Actualmente, esta disciplina se centra en combinar el orden de los métodos antiguos con la versatilidad de los nuevos modelos de ''deeplearning''. Algunos de los enfoques más relevantes que se siguen utilizando y evolucionando en la actualidad:

* Redes semánticas: Son una forma de lógica, modelan el conocimiento mediante representaciones gráficas de nodos (conceptos) y arcos (relaciones entre ellos). Según Russell y Norvig (2010) <ref>Russell, S. J., & Norvig, P. (2010). ''Inteligencia artificial: un enfoque moderno'' (2ª ed.). Prentice Hall.</ref>, "Existen diversas variantes de las redes semánticas, pero todas son capaces de representar objetos individuales, categorías de objetos y relaciones entre objetos".

* Lógica descriptiva: Sistemas evolucionados desde las redes semánticas, utilizan reglas matemáticas (como la lógica de primer orden) para expresar hechos y reglas de forma más fácil. Es precisa y permite deducciones directas.

* Marcos: Considerado como una versión de las redes semánticas por algunos autores como Russell, fue un concepto introducido por Minsky (1975), <ref>Minsky, M. (1975). A framework for representing knowledge. En P. H. Winston (Ed.), ''The Psychology of Computer Vision'' (pp. 211-277). McGraw-Hill.</ref> como una forma de explicar cómo los seres humanos procesamos la información y resolvemos problemas mediante el uso de estructuras mentales preestablecidas. Explica cómo los niveles superiores de un marco contienen datos fijos (siempre ciertos), mientras que los niveles inferiores poseen terminales o ranuras (slots) que se rellenan con datos específicos. Este trabajo influyó en el desarrollo de la programación orientada a objetos y en las arquitecturas modernas de representación del conocimiento en IA.

* Sistemas de producción: Sistemas basados en reglas de condición y acción que emulan el razonamiento deductivo humano en las toma de decisiones. Su funcionamiento se articula mediante la interacción de tres componentes esenciales; una base de conocimientos compuesta por reglas de producción (estructuras "Si-Entonces"), una base de hechos o memoria de trabajo que almacena la información actual del entorno, y un motor de inferencia que actúa como el núcleo ejecutor del sistema.

== Criterios de evaluación de una buena representación del conocimiento ==
Para saber si una representación del conocimiento ''(RC)'' es realmente útil y sólida, no basta con que "funcione"; debe cumplir con ciertos estándares de calidad. <ref>Davis, R., Shrobe, H., & Szolovits, P. (1993). What is a knowledge representation? AI Magazine, 14(1), 17–33 </ref>

Un concepto fundamental aquí es el Rendimiento Intensional. Aunque suena complejo, básicamente mide la eficiencia: se trata de la capacidad de explicar un campo de conocimiento con la menor cantidad posible de "ruido" o repetición. <ref>glossaLAB. (2023, 9 de agosto). Rendimiento intensional.</ref> Si logras definir lo mismo usando menos elementos, tienes un alto rendimiento intensional. Es el arte de la síntesis conceptual. <ref>glossaLAB. (2023, 9 de agosto). Rendimiento intensional.</ref>

Más allá de las definiciones básicas, la literatura académica sugiere evaluar la calidad desde tres grandes dimensiones: qué tan bien representa la realidad, cómo razona el sistema y qué requisitos técnicos exige. <ref>Bingi, P., Khazanchi, D., & Yadav, S. B. (1995). A framework for the comparative analysis and evaluation of knowledge representation schemes. Information Processing & Management, 31(2), 233–247.</ref>

Una ontología define formalmente los conceptos y relaciones de un dominio. <ref>Morato-Lara, J. (2010). Ontología. GlossariumBITri, 1(1), 1063.</ref>

Principios clave para el diseño. Al diseñar ontologías o esquemas de conocimiento, buscamos: <ref>Gómez-Pérez, A. (1993). Modelo de diseño orientado a marcos para sistemas basados en el conocimiento (Tesis doctoral, Universidad Politécnica de Madrid). Archivo Digital UPM.</ref>

*Claridad: Definiciones objetivas y completas.
*Simplicidad: Mínima codificación para evitar estructuras laberínticas.
*Flexibilidad: Que sea fácil añadir nuevos conceptos (extensibilidad).
*Neutralidad: Asumir lo menos posible (mínimos compromisos ontológicos).
*Interoperabilidad: Que "hable el mismo idioma" que otros sistemas para compartir datos.

El Marco de Evaluación Práctica (Bingi, Khazanchi y Yadav). Para ir más allá de la teoría y evaluar cómo se comporta el modelo en la práctica, solemos usar el marco de Bingi et al. (1995), que se divide en tres áreas. <ref>Bingi, P., Khazanchi, D., & Yadav, S. B. (1995). A framework for the comparative analysis and evaluation of knowledge representation schemes. Information Processing & Management, 31(2), 233–247.</ref>

#Adecuación Representacional: ¿El mapa se parece al territorio? Evalúa si la estructura es coherente, si los significados son claros (semántica) y si es fácil de modificar por partes (modularidad).
#Requisitos de Inferencia: ¿Es fiable el razonamiento? Aquí miramos la velocidad, el coste computacional y si el sistema es capaz de llegar a conclusiones correctas sin contradecirse.
#Criterio de Usabilidad: ¿Es amigable para las personas? Valora si es fácil de crear, mantener y si se siente natural al usarlo, equilibrando el rigor matemático con la intuición humana.

== '''Evolución de las Técnicas de Representación del Conocimiento''' ==
La evolución de las técnicas de representación del conocimiento está directamente relacionada con el desarrollo de la Inteligencia Artificial y de los sistemas de información. A medida que han ido aumentando las necesidades de almacenar y utilizar información de forma más eficiente, estas técnicas han ido cambiando y adaptándose, pasando de modelos simples y formales a otros más complejos y flexibles.

En una primera etapa, que abarca aproximadamente desde las décadas de 1940 hasta 1960, la representación del conocimiento se basó principalmente en la lógica proposicional y la lógica de predicados. Estas técnicas permitían expresar hechos y relaciones de manera formal y precisa, lo que resultó fundamental para los primeros intentos de razonamiento automático. No obstante, su uso presentaba limitaciones importantes, ya que resultaban poco adecuadas para representar conocimientos más complejos o situaciones ambiguas.

Posteriormente, durante los años setenta y ochenta, comenzaron a desarrollarse nuevas técnicas con el objetivo de acercar la representación del conocimiento al modo en que razonan las personas. En este periodo aparecieron los sistemas expertos, junto con estructuras como las redes semánticas y los frames o marcos, que facilitaban la organización del conocimiento en torno a conceptos y sus relaciones. Este avance permitió representar mejores dominios concretos y reutilizar el conocimiento en diferentes contextos.

En las décadas de 1980 y 1990, la evolución de estas técnicas se orientó hacia una mayor formalización y estandarización. Se desarrollaron taxonomías más estructuradas y sistemas basados en reglas más avanzados, con el objetivo de mejorar la coherencia y consistencia del conocimiento representado. Esta etapa fue especialmente importante para sentar las bases de sistemas más robustos y facilitar la comunicación entre diferentes aplicaciones.

A partir de los años noventa, con el auge de la denominada ingeniería del conocimiento, el interés se desplazó hacia la construcción de grandes repositorios de conocimiento. En esta fase, el objetivo ya no era únicamente resolver problemas concretos, sino representar conocimiento de forma sistemática para que pudiera ser compartido, ampliado y reutilizado en distintos entornos.

Finalmente, con la expansión de Internet y el entorno digital a comienzos del siglo XXI, las técnicas de representación del conocimiento evolucionaron para adaptarse a contextos más abiertos y distribuidos. La aparición de modelos orientados a la web permitió representar el conocimiento de forma estructurada y accesible, facilitando su intercambio y uso en sistemas interconectados.

En conjunto, la evolución de las técnicas de representación del conocimiento muestra un proceso progresivo de mejora, en el que cada etapa ha tratado de superar las limitaciones de la anterior. Este desarrollo ha permitido avanzar hacia formas de representación cada vez más adecuadas a las necesidades actuales de gestión de la información y del conocimiento.

==Referencias== 
<references />

gB talk:Mapas conceptuales

2025-12-29T17:43:27Z

Anas Chetouan:

== Comentario sobre el artículo ==

El artículo explica bien qué son los mapas conceptuales y cómo sirven para representar conocimiento de forma visual, empezando por su uso en educación y ampliándolo hacia ámbitos como la ingeniería del software o la web semántica. Me ha parecido útil la comparación con otras herramientas (Topic Maps, UML, redes semánticas), porque ayuda a ver el concepto en un contexto más amplio y a relacionarlo con sistemas de información. Aun así, echo en falta que se profundice un poco más en las diferencias reales entre estas propuestas, ya que en algunos momentos cuesta ver dónde acaba el mapa conceptual y dónde empiezan a ser otra cosa.

Anas Chetouan (talk) 18:42, 29 December 2025 (CET)

gB talk:Mapas conceptuales

2025-12-29T17:43:05Z

Anas Chetouan: Anas Chetouan (talk) 18:42, 29 December 2025 (CET)

2025-12-29T17:31:55Z

Anas Chetouan:

Draft talk:Representación del conocimiento

2025-12-29T17:19:36Z

Anas Chetouan:

[[User:Manuel.polo|Manuel Polo]] ha comentado: [[gB:Brecha digital|Brecha digital]]

[[User:Silvia.almansa|Silvia Almansa]] ha comentado: [[Draft:Representación del conocimiento|Introducción.]]

[[User:Samuel Rodríguez|Samuel Rodríguez]] ha comentado: [[gb:Web social|Web social]]

Anas Chetouan ha comentado:[[Draft:Dear Past Life|Mapas conceptuales]]

Draft talk:Representación del conocimiento

2025-12-29T17:18:40Z

Anas Chetouan:

[[User:Manuel.polo|Manuel Polo]] ha comentado: [[gB:Brecha digital|Brecha digital]]

[[User:Silvia.almansa|Silvia Almansa]] ha comentado: [[Draft:Representación del conocimiento|Introducción.]]

[[User:Samuel Rodríguez|Samuel Rodríguez]] ha comentado: [[gb:Web social|Web social]]

Anas Chetouan ha comentado:[[Draft|Mapas Conceptuales]]

Draft talk:Representación del conocimiento

2025-12-29T16:56:50Z

Anas Chetouan:

[[User:Manuel.polo|Manuel Polo]] ha comentado: [[gB:Brecha digital|Brecha digital]]

[[User:Silvia.almansa|Silvia Almansa]] ha comentado: [[Draft:Representación del conocimiento|Introducción.]]

[[User:Samuel Rodríguez|Samuel Rodríguez]] ha comentado: [[gb:Web social|Web social]]

Anas Chetouan ha comentado:[[Draft|mapas conceptuales]]

Draft talk:Representación del conocimiento

2025-12-29T16:55:54Z

Anas Chetouan:

Draft talk:Representación del conocimiento

2025-12-29T15:42:02Z

Anas Chetouan:

Draft talk:Representación del conocimiento

2025-12-29T15:38:59Z

Anas Chetouan:

[[User:Manuel.polo|Manuel Polo]] ha comentado: [[gB:Brecha digital|Brecha digital]]

[[User:Silvia.almansa|Silvia Almansa]] ha comentado: [[Draft:Representación del conocimiento|Introducción.]]

[[User:Samuel Rodríguez|Samuel Rodríguez]] ha comentado: [[gb:Web social|Web social]]

Anas Chetouan ha comentado: <nowiki>[[Mapas conceptuales]]</nowiki>

Draft talk:Representación del conocimiento

2025-12-29T15:35:11Z

Anas Chetouan: