glossaLAB - User contributions [en]

Draft:Representación del conocimiento

2025-12-29T10:23:28Z

Samuel Rodríguez: /* Criterios de evaluación de una buena representación del conocimiento */

{{Proposal
|Belongs to clarus=Tecnologías y gestión de la información y el conocimiento
|Has author=Paula Rojo Arranz// Ismail Benabdelkhalek Lahjouji (Ismail.benabdelkhalek)// Silvia Almansa Serrano (Silvia.almansa)// Anas Chetouan Ghailan (Anas Chetouan) // Manuel Polo Casado (Manuel.polo) // Samuel Rodríguez Helguera (Samuel_Rodríguez)
|Has publication status=glossaLAB:Open
|Was created on date=2025-12-03
}}
[[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.

==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.

==Referencias==

Draft:Representación del conocimiento

2025-12-29T10:20:07Z

Samuel Rodríguez: /* Criterios de evaluación de una buena representación del conocimiento */

{{Proposal
|Belongs to clarus=Tecnologías y gestión de la información y el conocimiento
|Has author=Paula Rojo Arranz// Ismail Benabdelkhalek Lahjouji (Ismail.benabdelkhalek)// Silvia Almansa Serrano (Silvia.almansa)// Anas Chetouan Ghailan (Anas Chetouan) // Manuel Polo Casado (Manuel.polo) // Samuel Rodríguez Helguera (Samuel_Rodríguez)
|Has publication status=glossaLAB:Open
|Was created on date=2025-12-03
}}
[[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.

==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. <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>

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. <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>

==Referencias==

Draft:Representación del conocimiento

2025-12-29T10:18:26Z

Samuel Rodríguez: /* Criterios de evaluación de una buena representación del conocimiento */

Draft:Representación del conocimiento

2025-12-29T10:09:29Z

Samuel Rodríguez: /* Criterios de evaluación de una buena representación del conocimiento */

{{Proposal
|Belongs to clarus=Tecnologías y gestión de la información y el conocimiento
|Has author=Paula Rojo Arranz// Ismail Benabdelkhalek Lahjouji (Ismail.benabdelkhalek)// Silvia Almansa Serrano (Silvia.almansa)// Anas Chetouan Ghailan (Anas Chetouan) // Manuel Polo Casado (Manuel.polo) // Samuel Rodríguez Helguera (Samuel_Rodríguez)
|Has publication status=glossaLAB:Open
|Was created on date=2025-12-03
}}
[[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.

==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. <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>

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. <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>

==Referencias==

Draft:Representación del conocimiento

2025-12-29T10:08:51Z

Samuel Rodríguez: /* Criterios de evaluación de una buena representación del conocimiento */

{{Proposal
|Belongs to clarus=Tecnologías y gestión de la información y el conocimiento
|Has author=Paula Rojo Arranz// Ismail Benabdelkhalek Lahjouji (Ismail.benabdelkhalek)// Silvia Almansa Serrano (Silvia.almansa)// Anas Chetouan Ghailan (Anas Chetouan) // Manuel Polo Casado (Manuel.polo) // Samuel Rodríguez Helguera (Samuel_Rodríguez)
|Has publication status=glossaLAB:Open
|Was created on date=2025-12-03
}}
[[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.

==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. <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>

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.

==Referencias==

Draft:Representación del conocimiento

2025-12-29T10:06:24Z

Samuel Rodríguez: /* Criterios de evaluación de una buena representación del conocimiento */

Draft:Representación del conocimiento

2025-12-29T09:56:56Z

2025-12-28T19:11:19Z

Samuel Rodríguez:

Draft talk:Representación del conocimiento

2025-12-28T19:09:31Z

Samuel Rodríguez:

[[User:Manuel.polo|Manuel.polo]] ([[User talk:Manuel.polo|talk]]) 17:53, 28 December 2025 (CET) ha comentado: [[gB:Brecha digital|Brecha digital]]

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

[[User:Samuel.Rodríguez|Samuel.Rodríguez]] ([[User talk:Samuel.Rodríguez|talk]]) 20:05, 28 December 2025 (CET) ha comentado: [[gb:Web Social|Web Social]]

Draft talk:Representación del conocimiento

2025-12-28T19:09:18Z

2025-10-14T21:14:08Z

Samuel Rodríguez:

{{Person
|Given name=Samuel
|Family name=Rodriguez Helguera
|Image filename=IMG_4842.jpeg
|Sex=Masculino
|Country=España
|Academic degree=Título de Formación Profesional
|KD of expertise=Marketing, Publicidad, IA
|Current academic institution=Universidad a Distancia de Madrid (UDIMA)
|Current academic level=Grado universitario
|Current academic degree=Empresa y Tecnologia
|input language=ES (español)
}}
[[File:073f85e8-3076-4d20-b271-ead144785af7.jpeg|thumb|291x291px]]
Mi nombre es Samuel y tengo 28 años. Me considero una persona inquieta y curiosa. Por diversas razones personales, estudié el Grado Medio de TCAE, que es mi trabajo actual y en el que llevo 9 años. Lo utilizo como puente para poder estudiar y prepararme para lo que realmente me gusta. He finalizado los estudios de FP Superior de Marketing y Publicidad, y he tenido la oportunidad de participar en eventos como AULA de IFEMA para la Universidad Camilo José Cela en la edición de 2024. También he realizado proyectos individuales sobre lanzamientos de infoproductos en Instagram para un influencer del nicho deportivo.

Mi objetivo principal, y la razón por la que estoy estudiando este Grado de Empresa y Tecnología, así como diferentes cursos de inteligencia artificial de forma paralela, es mi pasión por las nuevas tecnologías. Con el auge reciente de la inteligencia artificial y la robótica, me gustaría poder trabajar para una gran empresa y adquirir los conocimientos necesarios para seguir creciendo y, en el futuro, montar mi propia empresa.
[[Category:Person]]

File:IMG 4842.jpeg

2025-10-14T21:14:00Z

Samuel Rodríguez:

User:Samuel Rodríguez

2025-10-10T21:05:16Z

Samuel Rodríguez: Añadí la foto a mi descripción

{{Person}}
[[File:073f85e8-3076-4d20-b271-ead144785af7.jpeg|thumb|291x291px]]
Mi nombre es Samuel y tengo 28 años. Me considero una persona inquieta y curiosa. Por diversas razones personales, estudié el Grado Medio de TCAE, que es mi trabajo actual y en el que llevo 9 años. Lo utilizo como puente para poder estudiar y prepararme para lo que realmente me gusta. He finalizado los estudios de FP Superior de Marketing y Publicidad, y he tenido la oportunidad de participar en eventos como AULA de IFEMA para la Universidad Camilo José Cela en la edición de 2024. También he realizado proyectos individuales sobre lanzamientos de infoproductos en Instagram para un influencer del nicho deportivo.

Mi objetivo principal, y la razón por la que estoy estudiando este Grado de Empresa y Tecnología, así como diferentes cursos de inteligencia artificial de forma paralela, es mi pasión por las nuevas tecnologías. Con el auge reciente de la inteligencia artificial y la robótica, me gustaría poder trabajar para una gran empresa y adquirir los conocimientos necesarios para seguir creciendo y, en el futuro, montar mi propia empresa.
[[Category:Person]]

User:Samuel Rodríguez

2025-10-10T20:42:27Z

Samuel Rodríguez: Biografía

{{Person}}Mi nombre es Samuel y tengo 28 años. Me considero una persona inquieta y curiosa. Por diversas razones personales, estudié el Grado Medio de TCAE, que es mi trabajo actual y en el que llevo 9 años. Lo utilizo como puente para poder estudiar y prepararme para lo que realmente me gusta. He finalizado los estudios de FP Superior de Marketing y Publicidad, y he tenido la oportunidad de participar en eventos como AULA de IFEMA para la Universidad Camilo José Cela en la edición de 2024. También he realizado proyectos individuales sobre lanzamientos de infoproductos en Instagram para un influencer del nicho deportivo.

Mi objetivo principal, y la razón por la que estoy estudiando este Grado de Empresa y Tecnología, así como diferentes cursos de inteligencia artificial de forma paralela, es mi pasión por las nuevas tecnologías. Con el auge reciente de la inteligencia artificial y la robótica, me gustaría poder trabajar para una gran empresa y adquirir los conocimientos necesarios para seguir creciendo y, en el futuro, montar mi propia empresa.
[[Category:Person]]

File:073f85e8-3076-4d20-b271-ead144785af7.jpeg

2025-10-10T20:21:11Z

Samuel Rodríguez:

User:Samuel Rodríguez

2025-10-10T14:52:56Z

Samuel Rodríguez: create user page

{{Person}}[[Category:Person]]