Representación del conocimiento y razonamiento.

La representación del conocimiento y el razonamiento (KR, KR², KR&R) es el campo de la inteligencia artificial (AI) dedicado a representar información sobre el mundo en una forma que un sistema informático puede utilizar para resolver tareas complejas, como diagnosticar una condición médica o dialogar. En un lenguaje natural. La representación del conocimiento incorpora hallazgos de la psicología sobre cómo los humanos resuelven problemas y representan el conocimiento para diseñar formalismos que harán que los sistemas complejos sean más fáciles de diseñar y construir. La representación del conocimiento y el razonamiento también incorporan los hallazgos de la lógica para automatizar varios tipos de razonamiento, como la aplicación de reglas o las relaciones de conjuntos y subconjuntos.

Ejemplos de formalismos de representación del conocimiento incluyen redes semánticas, arquitectura de sistemas, marcos, reglas y ontologías. Los ejemplos de motores de razonamiento automatizado incluyen motores de inferencia, probadores de teoremas y clasificadores.

La serie de conferencias KR se estableció para compartir ideas y avances en este desafiante campo.

Historia
El trabajo más temprano en representación computarizada de conocimiento se centró en los solucionadores de problemas generales, como el sistema General Problem Solver (GPS) desarrollado por Allen Newell y Herbert A. Simon en 1959. Estos sistemas presentaban estructuras de datos para la planificación y la descomposición. El sistema comenzaría con un objetivo. Luego, descompondría ese objetivo en subobjetivos y luego se propondría construir estrategias que pudieran lograr cada subobjetivo.

En estos primeros días de la IA, también se desarrollaron algoritmos de búsqueda generales como A *. Sin embargo, las definiciones de problemas amorfos para sistemas como el GPS significaban que funcionaban solo para dominios de juguete muy restringidos (por ejemplo, el «mundo de bloques»). Para abordar los problemas que no son juguetes, los investigadores de la IA como Ed Feigenbaum y Frederick Hayes-Roth se dieron cuenta de que era necesario enfocar los sistemas en problemas más restringidos.

Fue el fracaso de estos esfuerzos lo que condujo a la revolución cognitiva en psicología y a la fase de inteligencia artificial centrada en la representación del conocimiento que dio como resultado sistemas expertos en los años 70 y 80, sistemas de producción, lenguajes de marcos, etc. En lugar de los solucionadores de problemas generales, AI cambió su enfoque a sistemas expertos que podrían igualar la competencia humana en una tarea específica, como el diagnóstico médico.

Los sistemas expertos nos dieron la terminología que todavía se usa en la actualidad, donde los sistemas de inteligencia artificial se dividen en una Base de conocimientos con hechos sobre el mundo y las reglas y un motor de inferencia que aplica las reglas a la base de conocimientos para responder preguntas y resolver problemas. En estos primeros sistemas, la base de conocimiento tendía a ser una estructura bastante plana, esencialmente aseveraciones sobre los valores de las variables utilizadas por las reglas.

Además de los sistemas expertos, otros investigadores desarrollaron el concepto de lenguajes basados ​​en marcos a mediados de los años ochenta. Un marco es similar a una clase de objeto: es una descripción abstracta de una categoría que describe cosas en el mundo, problemas y posibles soluciones. Los marcos se utilizaron originalmente en sistemas orientados a la interacción humana, por ejemplo, entendiendo el lenguaje natural y los entornos sociales en los que varias expectativas predeterminadas, como ordenar comida en un restaurante, reducen el espacio de búsqueda y permiten al sistema elegir las respuestas adecuadas a situaciones dinámicas.

No pasó mucho tiempo antes de que las comunidades marco y los investigadores basados ​​en reglas se dieran cuenta de que había una sinergia entre sus enfoques. Los marcos eran buenos para representar el mundo real, descritos como clases, subclases, ranuras (valores de datos) con varias restricciones sobre valores posibles. Las reglas eran buenas para representar y utilizar una lógica compleja como el proceso para hacer un diagnóstico médico. Se desarrollaron sistemas integrados que combinaban marcos y reglas. Uno de los más poderosos y conocidos fue el Entorno de Ingeniería del Conocimiento (KEE) de 1983 de Intellicorp. KEE tenía un motor de reglas completo con encadenamiento hacia adelante y hacia atrás. También tenía una base de conocimientos completa basada en marcos con activadores, ranuras (valores de datos), herencia y paso de mensajes. Aunque el paso de mensajes se originó en la comunidad orientada a objetos en lugar de en la IA, los investigadores de AI también la aceptaron rápidamente en entornos como KEE y en los sistemas operativos para máquinas Lisp de Symbolics, Xerox y Texas Instruments.

La integración de marcos, reglas y programación orientada a objetos fue impulsada significativamente por empresas comerciales como KEE y Symbolics derivadas de varios proyectos de investigación. Al mismo tiempo que esto ocurría, hubo otra línea de investigación que estaba menos enfocada comercialmente y fue impulsada por la lógica matemática y la prueba automatizada de teoremas. Uno de los idiomas más influyentes en esta investigación fue el lenguaje KL-ONE de mediados de los 80. KL-ONE era un lenguaje de marco que tenía una semántica rigurosa, definiciones formales para conceptos tales como una relación Is-A. KL-ONE y los idiomas que fueron influenciados por él, como Loom, tenían un motor de razonamiento automatizado que se basaba en la lógica formal en lugar de en las reglas de IF-THEN. Este razonador se llama el clasificador. Un clasificador puede analizar un conjunto de declaraciones e inferir nuevas aserciones, por ejemplo, redefinir una clase para que sea una subclase o superclase de alguna otra clase que no fue especificada formalmente. De esta manera, el clasificador puede funcionar como un motor de inferencia, deduciendo nuevos hechos de una base de conocimiento existente. El clasificador también puede proporcionar una comprobación de coherencia en una base de conocimientos (que en el caso de los idiomas KL-ONE también se conoce como ontología).

Otra área de la investigación de la representación del conocimiento fue el problema del razonamiento del sentido común. Una de las primeras conclusiones aprendidas al tratar de crear software que puede funcionar con lenguaje natural humano fue que los humanos se basan regularmente en un extenso conocimiento sobre el mundo real que simplemente damos por sentado, pero eso no es en absoluto obvio para un agente artificial. . Principios básicos de la física del sentido común, la causalidad, las intenciones, etc. Un ejemplo es el problema del marco, que en una lógica basada en eventos debe haber axiomas que indiquen que las cosas se mantienen de un momento a otro a menos que sean movidas por alguna fuerza externa. . Para poder crear un verdadero agente de inteligencia artificial que pueda conversar con humanos usando un lenguaje natural y que pueda procesar declaraciones y preguntas básicas sobre el mundo, es esencial representar este tipo de conocimiento. Uno de los programas más ambiciosos para abordar este problema fue el proyecto Cyc de Doug Lenat. Cyc estableció su propio lenguaje Frame y tuvo un gran número de analistas que documentaron varias áreas del razonamiento del sentido común en ese idioma. El conocimiento registrado en Cyc incluía modelos de sentido común del tiempo, causalidad, física, intenciones y muchos otros.

El punto de partida para la representación del conocimiento es la hipótesis de representación del conocimiento formalizada por primera vez por Brian C. Smith en 1985:

Cualquier proceso inteligente materializado mecánicamente estará compuesto de ingredientes estructurales que a) nosotros, como observadores externos, tomamos naturalmente para representar una explicación proposicional del conocimiento que exhibe el proceso general, yb) independientes de dicha atribución semántica externa, desempeñamos una función formal pero causal y Rol esencial en engendrar el comportamiento que manifiesta ese conocimiento.

Actualmente, una de las áreas más activas de la investigación en representación del conocimiento son los proyectos asociados con la web semántica. La web semántica busca agregar una capa de semántica (significado) sobre la Internet actual. En lugar de indexar sitios web y páginas a través de palabras clave, la web semántica crea grandes ontologías de conceptos. La búsqueda de un concepto será más efectiva que las búsquedas de solo texto tradicional. Los lenguajes de marcos y la clasificación automática desempeñan un papel importante en la visión de la futura web semántica. La clasificación automática proporciona a los desarrolladores tecnología para proporcionar orden en una red de conocimiento en constante evolución. Definir ontologías que sean estáticas e incapaces de evolucionar sobre la marcha sería muy limitante para los sistemas basados ​​en Internet. La tecnología clasificadora proporciona la capacidad de lidiar con el entorno dinámico de Internet.

Los proyectos recientes financiados principalmente por la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) han integrado lenguajes de marcos y clasificadores con lenguajes de marcado basados ​​en XML. El Marco de Descripción de Recursos (RDF) proporciona la capacidad básica para definir clases, subclases y propiedades de objetos. El lenguaje de ontología web (OWL) proporciona niveles adicionales de semántica y permite la integración con los motores de clasificación.

Visión general
La representación del conocimiento es el campo de la inteligencia artificial que se centra en el diseño de representaciones informáticas que capturan información sobre el mundo que se puede utilizar para resolver problemas complejos.

La justificación para la representación del conocimiento es que el código de procedimiento convencional no es el mejor formalismo para resolver problemas complejos. La representación del conocimiento hace que el software complejo sea más fácil de definir y mantener que el código de procedimiento y se puede utilizar en sistemas expertos.

Por ejemplo, hablar con expertos en términos de reglas de negocio en lugar de código reduce la brecha semántica entre usuarios y desarrolladores y hace que el desarrollo de sistemas complejos sea más práctico.

La representación del conocimiento va de la mano con el razonamiento automatizado porque uno de los propósitos principales de representar explícitamente el conocimiento es poder razonar sobre ese conocimiento, hacer inferencias, afirmar nuevos conocimientos, etc. Prácticamente todos los lenguajes de representación de conocimiento tienen un motor de razonamiento o inferencia. como parte del sistema.

Un compromiso clave en el diseño de un formalismo de representación del conocimiento es el de la expresividad y la practicidad. El formalismo de representación de conocimiento definitivo en términos de poder expresivo y compacidad es la lógica de primer orden (FOL). No hay formalismo más poderoso que el utilizado por los matemáticos para definir proposiciones generales sobre el mundo. Sin embargo, FOL tiene dos inconvenientes como formalismo de representación de conocimiento: facilidad de uso y practicidad de implementación. La lógica de primer orden puede ser intimidante incluso para muchos desarrolladores de software. Los idiomas que no tienen el poder formal completo de FOL pueden proporcionar casi el mismo poder expresivo con una interfaz de usuario que es más práctica para que el desarrollador promedio entienda. El problema de la practicidad de la implementación es que el FOL en algunos aspectos es demasiado expresivo. Con FOL es posible crear sentencias (por ejemplo, cuantificación sobre conjuntos infinitos) que harían que un sistema nunca termine si intentara verificarlas.

Por lo tanto, un subconjunto de FOL puede ser más fácil de usar y más práctico de implementar. Esta fue una motivación impulsora detrás de los sistemas expertos basados ​​en reglas. Las reglas IF-THEN proporcionan un subconjunto de FOL pero muy útil que también es muy intuitivo. La historia de la mayoría de los primeros formalismos de la representación del conocimiento de la IA; Las bases de datos, las redes semánticas, los probadores de teoremas y los sistemas de producción se pueden ver como varias decisiones de diseño sobre si enfatizar el poder expresivo o la computabilidad y la eficiencia.

En un documento clave de 1993 sobre el tema, Randall Davis del MIT describió cinco roles distintos para analizar un marco de representación del conocimiento:

Una representación de conocimiento (KR) es fundamentalmente un sustituto, un sustituto de la cosa en sí, que se utiliza para permitir que una entidad determine las consecuencias pensando más que actuando, es decir, razonando sobre el mundo en lugar de actuar en él.
Es un conjunto de compromisos ontológicos, es decir, una respuesta a la pregunta: ¿En qué términos debo pensar sobre el mundo?
Es una teoría fragmentaria del razonamiento inteligente, expresada en términos de tres componentes: (i) la concepción fundamental del razonamiento inteligente de la representación; (ii) el conjunto de inferencias que la representación sanciona; y (iii) el conjunto de inferencias que recomienda.
Es un medio para la computación pragmáticamente eficiente, es decir, el entorno computacional en el que se logra el pensamiento. Una contribución a esta eficiencia pragmática es proporcionada por la guía que proporciona una representación para organizar la información a fin de facilitar la realización de las inferencias recomendadas.
Es un medio de expresión humana, es decir, un lenguaje en el que decimos cosas sobre el mundo.

La representación del conocimiento y el razonamiento son una tecnología habilitadora clave para la web semántica. Los idiomas basados ​​en el modelo Frame con clasificación automática proporcionan una capa de semántica sobre la Internet existente. En lugar de buscar a través de cadenas de texto como es típico hoy en día, será posible definir consultas lógicas y encontrar páginas que se asignen a esas consultas. El componente de razonamiento automatizado en estos sistemas es un motor conocido como el clasificador. Los clasificadores se centran en las relaciones de subsunción en una base de conocimiento en lugar de reglas. Un clasificador puede inferir nuevas clases y cambiar dinámicamente la ontología a medida que la nueva información esté disponible. Esta capacidad es ideal para el espacio de información en constante cambio y evolución de Internet.

La web semántica integra conceptos de representación de conocimiento y razonamiento con lenguajes de marcado basados ​​en XML. El Marco de Descripción de Recursos (RDF) proporciona las capacidades básicas para definir objetos basados ​​en el conocimiento en Internet con características básicas como las relaciones de Is-A y las propiedades de los objetos. El lenguaje de ontología web (OWL) agrega semántica adicional y se integra con los razonadores de clasificación automáticos.

Caracteristicas
En 1985, Ron Brachman clasificó los temas principales para la representación del conocimiento de la siguiente manera:

Primitivas ¿Cuál es el marco subyacente utilizado para representar el conocimiento? Las redes semánticas fueron una de las primeras primitivas de representación del conocimiento. Además, estructuras de datos y algoritmos para búsqueda general rápida. En esta área, hay una fuerte superposición con la investigación en estructuras de datos y algoritmos en ciencias de la computación. En los primeros sistemas, el lenguaje de programación Lisp, que fue modelado después del cálculo lambda, se usaba a menudo como una forma de representación del conocimiento funcional. Marcos y Reglas fueron el siguiente tipo de primitivo. Los lenguajes de marcos tenían varios mecanismos para expresar y hacer cumplir las restricciones en los datos de marcos. Todos los datos en marcos se almacenan en ranuras. Las ranuras son análogas a las relaciones en el modelado de relación de entidad y a las propiedades de objeto en el modelado orientado a objetos. Otra técnica para los primitivos es definir los idiomas que se modelan después de la lógica de primer orden (FOL). El ejemplo más conocido es Prolog, pero también hay muchos entornos de prueba de teoremas de propósito especial. Estos entornos pueden validar modelos lógicos y pueden deducir nuevas teorías a partir de modelos existentes. Esencialmente, automatizan el proceso por el que pasaría un lógico al analizar un modelo. La tecnología de demostración de teoremas tenía algunas aplicaciones prácticas específicas en las áreas de ingeniería de software. Por ejemplo, es posible probar que un programa de software se adhiere rígidamente a una especificación lógica formal.

Meta-representación. Esto también se conoce como el tema de la reflexión en informática. Se refiere a la capacidad de un formalismo para tener acceso a información sobre su propio estado. Un ejemplo sería el protocolo de metaobjetos en Smalltalk y CLOS que les da a los desarrolladores acceso en tiempo de ejecución a los objetos de clase y les permite redefinir dinámicamente la estructura de la base de conocimiento incluso en tiempo de ejecución. La meta-representación significa que el lenguaje de representación del conocimiento se expresa en ese lenguaje. Por ejemplo, en la mayoría de los entornos basados ​​en marcos, todos los marcos serían instancias de una clase de marco. Ese objeto de clase se puede inspeccionar en tiempo de ejecución, para que el objeto pueda comprender e incluso cambiar su estructura interna o la estructura de otras partes del modelo. En entornos basados ​​en reglas, las reglas también eran usualmente instancias de clases de reglas. Parte del metaprotocolo de las reglas fueron las metamarcas que priorizaron la activación de reglas.

Incompletitud. La lógica tradicional requiere axiomas y restricciones adicionales para lidiar con el mundo real en oposición al mundo de las matemáticas. Además, a menudo es útil asociar los grados de confianza con una declaración. Es decir, no simplemente decir «Sócrates es humano», sino «Sócrates es humano con confianza al 50%». Esta fue una de las primeras innovaciones de la investigación de sistemas expertos que migró a algunas herramientas comerciales, la capacidad de asociar factores de certeza con reglas y conclusiones. La investigación posterior en esta área se conoce como lógica difusa.

Definiciones y universales vs. hechos y valores por defecto. Los universales son declaraciones generales sobre el mundo, como «Todos los humanos son mortales». Los hechos son ejemplos específicos de universales como «Sócrates es un humano y, por lo tanto, mortal». En términos lógicos, las definiciones y los universales se refieren a la cuantificación universal, mientras que los hechos y los valores predeterminados se refieren a cuantificaciones existenciales. Todas las formas de representación del conocimiento deben tratar este aspecto y la mayoría lo hace con alguna variante de la teoría de conjuntos, modelando universales como conjuntos y subconjuntos y definiciones como elementos en esos conjuntos.

Razonamiento no monotónico. El razonamiento no monotónico permite varios tipos de razonamiento hipotético. El sistema asocia los hechos afirmados con las reglas y los hechos utilizados para justificarlos y, a medida que estos hechos cambian, también se actualiza el conocimiento dependiente. En los sistemas basados ​​en reglas, esta capacidad se conoce como un sistema de mantenimiento de la verdad.

Adecuación expresiva. El estándar que Brachman y la mayoría de los investigadores de IA utilizan para medir la adecuación expresiva suele ser la lógica de primer orden (FOL). Las limitaciones teóricas significan que una implementación completa de FOL no es práctica. Los investigadores deben tener claro qué tan expresivos (cuánto del poder expresivo FOL total) pretenden que sea su representación.

Eficacia de razonamiento. Esto se refiere a la eficiencia de tiempo de ejecución del sistema. La capacidad de la base de conocimientos para actualizarse y el razonador para desarrollar nuevas inferencias en un período de tiempo razonable. De alguna manera, esta es la otra cara de la adecuación expresiva. En general, cuanto más poderosa sea una representación, más tiene una expresividad adecuada y menos eficiente será su motor de razonamiento automatizado. La eficiencia era a menudo un problema, especialmente para las primeras aplicaciones de la tecnología de representación del conocimiento. Por lo general, se implementaron en entornos interpretados como Lisp, que eran lentos en comparación con las plataformas más tradicionales de la época.

Formalización del conocimiento.
Las herramientas más formales para representar conocimiento complejo son, por ejemplo, gráficos conceptuales o redes semánticas.

En el campo de las nuevas tecnologías, la representación formal del conocimiento se ha desarrollado en el campo de la inteligencia artificial. En una representación formal, el conocimiento está representado por objetos lógicos conectados por propiedades, axiomas y reglas. Este tipo de representación se utiliza en sistemas expertos.

El desarrollo de la Web, y en particular la perspectiva de la Web Semántica, ha renovado el dominio al introducir el controvertido término de ontología. Se han desarrollado varios idiomas en esta perspectiva, como RDFS estándar, SKOS y OWL de W3C o ISO Topic Maps.

Técnicas de representación del conocimiento.
Existen diferentes sistemas de ordenación y representación del conocimiento. Aproximadamente ordenados según el grado de su poder, estos son:

Catálogo, Glosario, Taxonomía (Vocabulario Controlado Simple),
Clasificación, Tesauro (número limitado de relaciones generalmente sin relación de herencia),
Red semántica, ontología, marcos, reglas de producción,
Sistema axiom, lógica predicada también.
Redes semánticas extendidas multicapa (MultiNet).
Si no hay una representación formal o posible, se deben encontrar otros métodos para mediar, por ejemplo, en el campo de la visualización de la información.

Criterios para la calidad de la representación.
Los criterios importantes para elegir un sistema de representación del conocimiento son:

Exactitud
¿Cómo asegurar la sintaxis correcta y la semántica correcta?

Adecuación / expresividad / espesor
¿Representa el lenguaje los componentes ontológicos requeridos de manera suficientemente clara y flexible?

Eficiencia
¿Cuán eficientemente se puede concluir?

Complejidad
¿Qué tan pronunciada es la curva de aprendizaje para el mapeo del conocimiento y su recuperación?

Translatibilidad a otros formatos de sintaxis o idiomas.

Vínculos entre conocimiento y razonamiento.
La representación formal de conocimiento (o creencias) hace posible automatizar varios tratamientos en esta información. Este es uno de los campos de investigación de la inteligencia artificial simbólica: la simulación del razonamiento «inteligente» basado en la información.

Uno de los marcos formales más utilizados es la lógica proposicional. De hecho, una gran cantidad de problemas se pueden resolver mediante una codificación lógica proposicional y el uso de técnicas algorítmicas desarrolladas en el contexto de la investigación sobre el problema SAT. Por ejemplo, varios juegos pueden codificarse como una fórmula proposicional.

Otros marcos formales hacen posible representar información que presenta una estructura particular, como sistemas de argumentación, redes bayesianas o lógica posibilista.

Se ha modelado un gran número de tipos de razonamiento humano, incluida la inferencia (por ejemplo, se pueden derivar consecuencias a partir de una base de conocimiento) o dinámicas de creencias (revisión, contracción y expansión del marco de la AGM).

Ingenieria ontologica
En los primeros años de los sistemas basados ​​en el conocimiento, las bases de conocimiento eran bastante pequeñas. Las bases de conocimiento que estaban destinadas a resolver problemas reales en lugar de hacer demostraciones de concepto necesitan centrarse en problemas bien definidos. Así, por ejemplo, no solo el diagnóstico médico como un tema completo, sino el diagnóstico médico de ciertos tipos de enfermedades.

A medida que se amplía la tecnología basada en el conocimiento, se hizo evidente la necesidad de bases de conocimiento más amplias y de bases de conocimiento modulares que pudieran comunicarse e integrarse entre sí. Esto dio origen a la disciplina de la ingeniería ontológica, diseñando y construyendo grandes bases de conocimiento que podrían ser utilizadas por múltiples proyectos. Uno de los principales proyectos de investigación en esta área fue el proyecto Cyc. Cyc fue un intento de construir una enorme base de conocimientos enciclopédicos que contendría no solo el conocimiento experto, sino también el sentido común. Al diseñar un agente de inteligencia artificial, pronto se dio cuenta de que representar el conocimiento del sentido común, un conocimiento que los humanos simplemente daban por sentado, era esencial para crear una IA que pudiera interactuar con los humanos utilizando un lenguaje natural. Cyc estaba destinado a abordar este problema. El lenguaje que definieron fue conocido como CycL.

Después de CycL, se han desarrollado varios lenguajes de ontología. La mayoría son lenguajes declarativos, y son lenguajes de marco o están basados ​​en lógica de primer orden. La modularidad, la capacidad de definir límites en torno a dominios y espacios de problemas específicos, es esencial para estos idiomas porque, como afirma Tom Gruber, «Toda ontología es un tratado: un acuerdo social entre personas con motivos comunes para compartir». Siempre hay muchos puntos de vista opuestos y diferentes que hacen imposible cualquier ontología de propósito general. Una ontología de propósito general tendría que ser aplicable en cualquier dominio y diferentes áreas de conocimiento necesitan ser unificadas.

Hay una larga historia de trabajos que intentan construir ontologías para una variedad de dominios de tareas, por ejemplo, una ontología para líquidos, el modelo de elementos agrupados ampliamente utilizado para representar circuitos electrónicos (por ejemplo,), así como ontologías para el tiempo, las creencias y incluso la programación en sí. Cada uno de estos ofrece una manera de ver alguna parte del mundo.

El modelo de elementos agrupados, por ejemplo, sugiere que pensamos en circuitos en términos de componentes con conexiones entre ellos, con señales que fluyen instantáneamente a lo largo de las conexiones. Esta es una vista útil, pero no la única posible. Surge una ontología diferente si necesitamos prestar atención a la electrodinámica en el dispositivo: aquí las señales se propagan a una velocidad finita y ahora se debe pensar en un objeto (como una resistencia) que antes se veía como un solo componente con un comportamiento de E / S de como un medio extendido a través del cual fluye una onda electromagnética.

Por supuesto, las ontologías se pueden escribir en una amplia variedad de lenguajes y notaciones (por ejemplo, lógica, LISP, etc.); La información esencial no es la forma de ese lenguaje sino el contenido, es decir, el conjunto de conceptos ofrecidos como una forma de pensar sobre el mundo. En pocas palabras, la parte importante son nociones como conexiones y componentes, no la elección entre escribirlos como predicados o construcciones LISP.

El compromiso realizado al seleccionar una u otra ontología puede producir una visión muy diferente de la tarea en cuestión. Considere la diferencia que surge al seleccionar la vista de elementos agrupados de un circuito en lugar de la vista electrodinámica del mismo dispositivo. Como segundo ejemplo, el diagnóstico médico visto en términos de reglas (por ejemplo, MYCIN) se ve sustancialmente diferente de la misma tarea vista en términos de marcos (por ejemplo, INTERNIST). Cuando MYCIN considera que el mundo médico está formado por asociaciones empíricas que conectan el síntoma con la enfermedad, INTERNIST considera que un conjunto de prototipos, en particular las enfermedades prototípicas, deben compararse con el caso en cuestión.