🌸 2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS

 Fundamento teórico

El conocimiento no-monótono es un tipo de razonamiento en el que las conclusiones obtenidas pueden modificarse, corregirse o eliminarse cuando se incorpora nueva información.

A diferencia del razonamiento monótono, donde las conclusiones permanecen estables, en el razonamiento no-monótono el sistema puede reconsiderar decisiones previas cuando aparecen nuevos datos o excepciones.

Este enfoque es fundamental en la Artificial Intelligence, ya que permite modelar situaciones reales donde la información es incompleta, cambiante o incierta.

1. Limitaciones de la lógica clásica

La lógica clásica funciona bien cuando la información es completa y estable.

Sin embargo, en contextos reales:

• Puede surgir nueva información
• Existen excepciones
• Las reglas pueden cambiar

👉 Esto hizo necesaria una lógica más flexible.

2. Razonamiento no-monótono – John McCarthy

McCarthy desarrolló este concepto para que los sistemas inteligentes pudieran modificar conclusiones cuando aparecieran nuevos datos.

Ejemplo:

Premisa inicial:
“Las aves vuelan.”

Conclusión:
“Un pingüino vuela.”

Nueva información:
“El pingüino no vuela.”

Conclusión corregida.

👉 El sistema revisa su razonamiento.

3. Teoría de la revisión de creencias

Esta teoría explica cómo un sistema actualiza conocimiento al recibir nueva información.

Permite:

• Eliminar creencias incorrectas
• Incorporar nuevos hechos
• Mantener consistencia

👉 Hace posible aprendizaje dinámico.

4. Racionalidad limitada – Herbert A. Simon

Plantea que las decisiones se toman con información parcial.

👉 El razonamiento debe adaptarse a nueva evidencia.

 Otras lógicas relacionadas

A) Lógica difusa

Desarrollada por Lotfi A. Zadeh.

Permite manejar grados de verdad.

Ejemplo:

No solo “verdadero” o “falso”, sino:

• Muy verdadero
• Parcialmente verdadero
• Poco verdadero

👉 Útil en sistemas con incertidumbre.

B) Lógica probabilística

Combina lógica y probabilidad.

Permite razonar bajo incertidumbre usando porcentajes de certeza.

Ejemplo:

“Existe 80% de probabilidad de lluvia.”

👉 Utilizada en predicción y diagnóstico.

C) Lógica modal

Analiza conceptos como:

• Posibilidad
• Necesidad
• Contingencia

👉 Útil para razonamientos complejos.

D) Lógica temporal

Permite razonar considerando el tiempo.

Analiza:

• Pasado
• Presente
• Futuro

👉 Fundamental en sistemas dinámicos.

E) Lógica por defecto

Permite asumir algo como verdadero mientras no exista evidencia contraria.

Ejemplo:

“Normalmente los pájaros vuelan.”

👉 Muy usada en IA.

Características del conocimiento no-monótono

• Flexible
• Adaptable
• Permite corrección
• Maneja excepciones
• Se ajusta a información cambiante

 Importancia

Permite desarrollar sistemas capaces de:

• Adaptarse al cambio
• Aprender de nueva información
• Razonar en contextos reales
• Tomar decisiones bajo incertidumbre

Aplicaciones

• Sistemas expertos
• Asistentes inteligentes
• Diagnóstico médico
• Vehículos autónomos
• Procesamiento del lenguaje natural

Video explicativo:

Practica:

Actividad: Casos de actualización de conocimiento

Crear 5 situaciones donde nueva información cambie una conclusión inicial.

📄 Ver práctica en PDF

Evaluacion:

¿Qué es razonamiento no-monótono?

¿En qué se diferencia del monótono?

¿Qué es lógica difusa?

¿Qué estudia la lógica modal?

¿Qué papel tiene la lógica temporal?

Conclusion:

El conocimiento no-monótono permite que un sistema inteligente modifique sus conclusiones ante nueva información, mientras que otras lógicas amplían la capacidad de razonamiento para manejar incertidumbre, temporalidad y excepciones, acercando la inteligencia artificial al razonamiento humano real.

 Referencias APA 7

• John McCarthy. (1980). Circumscription—A form of non-monotonic reasoning. Artificial Intelligence, 13(1–2), 27–39.
• Lotfi A. Zadeh. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.
• Stuart Russell, S., & Peter Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
• Gabbay, D. M., Hogger, C. J., & Robinson, J. A. (1994). Handbook of logic in artificial intelligence and logic programming. Oxford University Press.
• Judea Pearl. (1988). Probabilistic reasoning in intelligent systems. Morgan Kaufmann.