Conferencia: 'Usando Answer Set Programming (ASP) para Representación de Conocimiento y Resolución de Problemas en IA'

Un desafío abierto en la investigación fundamental en Inteligencia Artificial es cómo hacer avanzar el aprendizaje automático desde su aplicación para clasificación y predicción (casi siempre, sin explicaciones comprensibles) hacia una adquisición real de conocimiento que pueda ser usado por un agente inteligente para resolver problemas y explicar sus decisiones -- después de todo, esto es lo que se entiende coloquialmente por "aprender". Para ganar nuevo conocimiento, sin embargo, debemos decidir primero cómo representar y manipular ese conocimiento dentro de un ordenador.

La Representación de Conocimiento y Razonamiento (en inglés "Knowledge Representation and Reasoning", KRR) es una de las disciplinas centrales en IA desde sus mismos comienzos y uno de sus paradigmas más destacados en la actualidad es Answer Set Programming (ASP). Con sus raíces en la programación lógica, ASP se aplica a una gran variedad de dominios como (por nombrar unos cuantos) configuración de productos, planificación multi-robot, diagnóstico aeroespacial, modelado de reacciones bioquímicas, gestión de carga de trabajo, encaminamiento de llamadas telefónicas, configuración de horarios, planificación ferroviaria, o composición musical, y la lista sigue creciendo.

La metodología ASP consiste en expresar las restricciones de un problema dado en términos de reglas en un programa lógico, obteniendo luego las soluciones al problema en forma de modelos del programa, denominados "answer sets". El éxito de ASP se debe a la disponibilidad de herramientas de resolución eficientes y fáciles de usar, pero también a sus sólidos fundamentos teóricos, basados en lógica formal. En esta charla, proporcionaré primero una introducción informal a ASP usando ejemplos simples y aplicaciones. Después, repasaré algunas de mis líneas de investigación, muchas de ellas en colaboración con coautores e investigadores de las comunidades de ASP y KRR, cubriendo universidades de 10 países diferentes. Estas líneas abarcan trabajo en activo sobre ampliación de ASP a diversos tipos de razonamiento (temporal, causal, epistémico, espacial, con restricciones, etc) pero también aplicaciones prácticas al razonamiento médico o a informática forense, así como líneas abiertas en mi agenda como el aprendizaje inductivo o el razonamiento probabilista.

Sobre el ponente

Toda la investigación de Pedro Cabalarse enmarca dentro de la inteligencia artificial. Sus intereses principales son

• Razonamiento sobre acciones: está a cargo de una herramienta para el razonamiento automatizado sobre las acciones llamadas PAL (lengua de la acción de la pertinencia).
• Programación de la lógica y razonamiento Nonmonotonic
• Razonamiento temporal. - Lógica no clásica (modal, condicional, multi-valued, etc)