El inicio del segundo auge | Toda la historia de la IA

011965–1977 · El poder del conocimiento

El poder está en el conocimiento

¿Una computadora inteligente necesita una buena forma de razonar o una gran cantidad de conocimiento?

En 1965, Edward Feigenbaum y sus colegas, que se habían trasladado a la Universidad de Stanford, incorporaron a DENDRAL, un programa que enumera todas las estructuras moleculares posibles, la experiencia de los químicos al interpretar datos de espectrometría de masas. La expresaron como reglas y redujeron los candidatos. En un ejemplo de Nilsson (2010), las 14,715,813 estructuras se redujeron a unas 1,284,792 con las reglas sobre los datos, y a 1 al añadir otra medición.

La figura de la derecha reduce, añadiendo reglas, las 729 maneras de ordenar 6 piezas de 3 tipos. Cuanto más conocimiento se incorpora, más se reduce, por órdenes de magnitud, el número de candidatos que hay que examinar.

En un artículo de 1970, los 3 autores escribieron: “La generalidad… no suele ir asociada a un rendimiento superior. Los expertos suelen ser especialistas.” (traducción). En 1977, Feigenbaum llamó ingeniería del conocimiento al trabajo de trasladar el conocimiento de los expertos a las computadoras, y lo resumió así: “en el conocimiento está el poder” (traducción).

N_restantes ≈ N × r₁ × r₂ × … × r_k

N: número total de candidatos
r_i: proporción que queda tras la regla i (≈ es una estimación cuando las reglas no dependen unas de otras)

Lo que se cree saberLo que suele decirse:Un libro blanco del gobierno (2016) dice “Desarrollo del primer sistema experto MYCIN (1972)” (traducción)
Según la fuente original:DENDRAL (desde 1965), que convirtió la experiencia de los expertos en reglas, fue anterior, y quienes participaron lo llamaron “el primer sistema experto” (traducción) en el título de un artículo de 1993. La respuesta cambia según qué se considere un sistema experto.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_knowledge_prune.py

# u06 知識で候補を絞る：専門家の「決まり」を足すたびに、考える候補が減っていく
#
# どの出来事か：1965 年からの DENDRAL（記録 dendral_1965）と、1977 年のファイゲンバウムの論文
#   「知識の中に力がある」（記録 feigenbaum_knowledge_bottleneck_1977）。
#   DENDRAL は、化学式から考えられる分子構造を網羅し、化学者の経験的なルールで候補を絞り込んだ。
#   Nilsson（2010）の例では、14,715,813 通りの構造が、質量分析のデータで約 1,284,792 通りに、別の測定も加えると 1 通りに絞られた。
# 仕組み：分子の代わりに、A・B・C の 3 種類の部品を 8 個つなぐ「並べ方」を全通り生成する（3 の 8 乗＝6,561 通り）。
#   専門家のルール（このサイトが作った例）を 1 つずつ適用して、残る候補を数える。
#   力任せの探索よりも、候補を絞り込む知識のほうが、答えに早く近づけることが分かる。
# 試してみよう：
#   - RULES の順番を入れ替えると、途中の数はどう変わるか。最後の数は変わるか
#   - 部品の数 N を 10 にすると、全体の数と、残る数はどうなるか

import math
from itertools import product

N = 8
PARTS = "ABC"

# 専門家のルール（このサイトが作った例）。どれも「この形はありえない」という知識
RULES = [
    ("はじめは A", lambda s: s[0] == "A"),
    ("C と C はとなり合わない", lambda s: "CC" not in s),
    ("B はちょうど 2 個", lambda s: s.count("B") == 2),
    ("最後は C", lambda s: s[-1] == "C"),
    ("A の次に B は来ない", lambda s: "AB" not in s),
    ("C はちょうど 3 個", lambda s: s.count("C") == 3),
    ("3 番目と 6 番目は同じ", lambda s: s[2] == s[5]),
    ("B と B はとなり合わない", lambda s: "BB" not in s),
    ("2 番目は A", lambda s: s[1] == "A"),
]

cands = ["".join(p) for p in product(PARTS, repeat=N)]
print(f"部品 {N} 個の並べ方：全部で {len(cands):,} 通り")

def bar(n):
    """対数目盛のバー表示（# 6 個で 10 倍）"""
    return "#" * max(1, round(math.log10(max(n, 1)) * 6)) if n else ""

for name, ok in RULES:
    cands = [s for s in cands if ok(s)]
    print(f"  ＋ルール「{name}」→ 残り {len(cands):>5,} 通り  {bar(len(cands))}")

print("\n残った候補：", cands[:10], "…" if len(cands) > 10 else "")
print("\nDENDRAL の実際の数値（Nilsson 2010）：14,715,813 → 約 1,284,792 → 1")
print("ルール（知識）を加えるほど、調べる数が桁違いに減る。これが「知識の中に力がある」の意味の 1 つ")

021972–1978 · MYCIN

Factores de certeza para enlazar “probablemente” (traducción)

¿Cómo se enlazan reglas que incluyen un “probablemente” (traducción)?

Desde alrededor de 1972, Edward Shortliffe y sus colegas de la Universidad de Stanford desarrollaron MYCIN, un programa que aconsejaba a los médicos sobre la elección de medicamentos para infecciones bacterianas. Incorporaron el conocimiento de los médicos como reglas de la forma: si (el resultado de la prueba es…) entonces (la bacteria parece ser…). Al principio había unas 200 reglas, y en 1978 unas 500.

Cada regla lleva un factor de certeza (−1 a +1), que indica lo segura que es. Cuando una condición es incierta, se multiplica el factor de certeza de la regla por la certeza de la condición. En un ejemplo del libro de los desarrolladores, una regla con un factor de certeza de 0.7 da 0.42 si una de sus condiciones tiene una certeza de 0.6. Cuando otra regla también apoya la misma conclusión, se combinan con la fórmula de abajo.

En la figura de la derecha (un ejemplo sobre bicicletas, no de medicina), al añadir reglas débiles, por débiles que sean, el factor de certeza se acerca a 1. El libro dice que eligieron esta forma de combinar por intuición, no por la teoría de la probabilidad. Un manual citado por Nilsson (2010) dice que, al aumentar las reglas, también hubo que corregir los factores de certeza de otras reglas.

factor de certeza combinado＝x＋y(1 − x)

x: factor de certeza acumulado
y: factor de certeza que aporta la nueva regla (factor de certeza de la regla × certeza de la condición; si hay 2 o más condiciones, se usa la certeza más baja)

Número de reglas utilizadas y factor de certeza combinado

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_expert_rules.py

# u06 エキスパートシステムの仕組み：「もし〜なら〜」のルールと確信度、「なぜ？」に答える
#
# どの出来事か：1972 年からの MYCIN（記録 mycin_1972）。医師の知識を「もし〜なら〜」のルールとして書き込み、
#   ルールごとに確からしさ（確信度）を設定し、なぜそう判断したかを説明できた。初めは約 200、1978 年に約 500 のルール。
# このサンプル：同じ仕組みで「自転車の調子が悪い理由」を診断する（医学の助言はしない）。
#   ゴール（原因の候補）から逆向きに、ルールを使って確かめていく（後ろ向き推論）。
# 試してみよう：
#   - FACTS の答えを変えると、結論と確信度がどう変わるか
#   - ルールにない症状（例：「ベルが鳴らない」）を入れると、何も判断できない → 知識を書き足す手間（知識獲得のボトルネック）

FACTS = {   # 利用者の回答（はい＝True、いいえ＝False）
    "こぐと音がする": True,
    "チェーンがさびている": True,
    "タイヤを押すとへこむ": False,
    "ブレーキをかけていないのに重い": True,
    "ベルが鳴らない": True,
}

RULES = [
    # (番号, 条件（すべて満たす場合）, 結論, ルールの確信度)
    ("R1", ["こぐと音がする", "チェーンがさびている"], "チェーンの油切れ", 0.8),
    ("R2", ["タイヤを押すとへこむ"], "空気が少ない", 0.9),
    ("R3", ["ブレーキをかけていないのに重い", "タイヤを押すとへこむ"], "空気が少ない", 0.6),
    ("R4", ["ブレーキをかけていないのに重い"], "ブレーキがこすれている", 0.5),
    ("R5", ["こぐと音がする"], "チェーンの油切れ", 0.3),
]
GOALS = ["チェーンの油切れ", "空気が少ない", "ブレーキがこすれている"]

def combine(a, b):
    """同じ結論を別のルールが支持したときの計算（MYCIN の確信度の合成。正の値同士）"""
    return a + b * (1 - a)

def prove(goal, depth=0):
    """ゴールの確信度を求め、どのルールを使ったかの説明も返す。"""
    cf, why = 0.0, []
    for no, conds, concl, strength in RULES:
        if concl != goal:
            continue
        cond_cfs = [1.0 if FACTS.get(c) else 0.0 for c in conds]
        if min(cond_cfs) > 0:
            this = strength * min(cond_cfs)
            cf = combine(cf, this)
            why.append(f"{no}：もし {'・'.join(conds)} なら {concl}（確信度 {strength}）")
    return cf, why

for g in GOALS:
    cf, why = prove(g)
    print(f"{g}：確信度 {cf:.2f}")
    for w in why:
        print(f"   なぜ？ → {w}")

unknown = [f for f, v in FACTS.items() if v and not any(f in conds for _, conds, _, _ in RULES)]
print("\nルールが 1 つもないため、何も判断できなかった回答：", unknown)
print(f"現在のルールの数：{len(RULES)}。MYCIN は 1978 年に約 500。ルールを書き足し、直し続けるのが大仕事だった")

03Década de 1970 · Motor de inferencia

Hacia adelante y hacia atrás

Cuando hay muchas reglas, ¿por cuál empieza la máquina?

Un programa que incorpora el conocimiento de los expertos como reglas y da respuestas con sus razones se llama sistema experto. La parte que enlaza las reglas para obtener una respuesta es el motor de inferencia. El libro de los creadores de MYCIN (1984) distingue 2 formas de enlazarlas. El encadenamiento hacia adelante (desde los datos) parte de los hechos conocidos y enlaza las reglas desde el “si” hasta el “entonces”. El encadenamiento hacia atrás (desde la meta) parte de la meta que se quiere comprobar, recorre el camino en sentido inverso y pregunta solo por los hechos que faltan. MYCIN trabajaba principalmente hacia atrás y también se describió como un programa que reúne pruebas.

En la figura de la derecha (un ejemplo sobre bicicletas) se pueden comparar las 2 formas. Hacia adelante se hacen todas las preguntas antes de aplicar las reglas; hacia atrás solo se hacen preguntas relacionadas con la meta.

En MYCIN, el conjunto de reglas (la base de conocimiento) estaba separado del motor de inferencia. Por eso se creó EMYCIN, una estructura vacía sin las reglas médicas (la E corresponde a empty, ‘vacío’), que también se utilizó en sistemas de consulta para temas como la planificación fiscal.

Hacia adelante: hechos → conclusión　　Hacia atrás: meta → preguntas

Hacia adelante: avanzar del si (condición) al entonces (conclusión)
Hacia atrás: recorrer en sentido inverso del “entonces” al “si” y preguntar solo por lo que falta

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_forward_backward.py

# u06 前向き推論と後ろ向き推論：同じルールでも、適用する順番で「聞く質問の数」が変わる
#
# どの出来事か：MYCIN（記録 mycin_1972）。開発者たちの本（1984）は、分かっている事実からルールを左から右へ
#   つないでいくやり方を前向き（データから進む）、確かめたいゴールからルールを右から左へたどり、
#   足りない事実だけを聞くやり方を後ろ向き（ゴールから進む）と呼び、MYCIN は主に後ろ向きを使ったと書いている。
# このサンプル：医学ではなく「自転車の調子が悪い理由」の知識（このサイトが作ったルール）で比較する。
# 試してみよう：
#   - TRUTH（実際の状態）を変えて、それぞれ何問質問するかを比べる
#   - GOAL を「空気が少ない」に変える。後ろ向き推論は、どの質問を省略するか

TRUTH = {  # 使う人に聞けば分かる事実（実際の状態）
    "こぐと音がする": True,
    "チェーンがさびている": False,
    "雨の中に置いていた": True,
    "タイヤを押すとへこむ": False,
    "ブレーキをかけていないのに重い": True,
    "前に乗ったのは 1 か月以上前": True,
    "空気を入れたのは最近": False,
    "ブレーキのレバーが戻りにくい": False,
}

RULES = [  # (番号, もし（すべて満たせば）, なら)。「〜でない」は「not 〜」と書く
    ("R1", ["雨の中に置いていた"], "さびやすい所にあった"),
    ("R2", ["前に乗ったのは 1 か月以上前"], "しばらく乗っていない"),
    ("R3", ["こぐと音がする", "チェーンがさびている"], "チェーンの油切れ"),
    ("R4", ["こぐと音がする", "さびやすい所にあった"], "チェーンの油切れ"),
    ("R5", ["タイヤを押すとへこむ"], "空気が少ない"),
    ("R6", ["しばらく乗っていない", "ブレーキをかけていないのに重い", "not 空気を入れたのは最近"], "空気が少ない"),
    ("R7", ["ブレーキをかけていないのに重い", "ブレーキのレバーが戻りにくい"], "ブレーキがこすれている"),
]
GOAL = "チェーンの油切れ"

def forward():
    """前向き推論：まず事実をすべて確認し、使えるルールがなくなるまで適用を繰り返す"""
    known = dict(TRUTH)  # すべての質問を行う
    asked = len(TRUTH)
    changed = True
    while changed:
        changed = False
        for no, conds, concl in RULES:
            if concl not in known and all(known.get(c[4:]) is False if c.startswith("not ") else known.get(c) for c in conds):
                known[concl] = True
                changed = True
                print(f"   {no} を適用 → {concl}")
    return known.get(GOAL, False), asked

def backward(goal, known, asked, depth=0):
    """後ろ向き推論：ゴールを結論に持つルールを探し、その条件を新たなゴールとしてたどる。事実なら質問する"""
    if goal in known:
        return known[goal]
    concl_rules = [r for r in RULES if r[2] == goal]
    if not concl_rules:  # どのルールの結論でもない＝使う人に尋ねる事実
        known[goal] = TRUTH[goal]
        asked.append(goal)
        print("   " + "  " * depth + f"質問：{goal}？ → {'はい' if TRUTH[goal] else 'いいえ'}")
        return known[goal]
    for no, conds, _ in concl_rules:
        print("   " + "  " * depth + f"{no} を試す（{goal} を確かめるため）")
        ok = True
        for c in conds:
            neg = c.startswith("not ")
            v = backward(c[4:] if neg else c, known, asked, depth + 1)
            if v == neg:
                ok = False
                break
        if ok:
            known[goal] = True
            return True
    known[goal] = False
    return False

print("■ 前向き推論（データから）：")
ans, n = forward()
print(f"   答え：{GOAL} は {'あり' if ans else 'なし'}。聞いた質問 {n} 問\n")

print("■ 後ろ向き推論（ゴールから）：")
asked = []
ans = backward(GOAL, {}, asked)
print(f"   答え：{GOAL} は {'あり' if ans else 'なし'}。聞いた質問 {len(asked)} 問")
print("\n後ろ向き推論は、ゴールに関係のある質問しかしない。開発者たちが MYCIN を、証拠を集めるプログラムと呼んだ理由がここにある")

04Década de 1970 · Explicación

Una máquina para preguntar “¿Por qué?”

¿Cómo pueden las personas confiar en la respuesta de una máquina?

Los desarrolladores de MYCIN consideraron importante explicar sus razones desde el principio. Cuando MYCIN hacía una pregunta, el usuario podía escribir WHY (¿por qué se pregunta eso?). MYCIN mostraba la meta superior que estaba comprobando y la regla que enlazaba esa meta con la pregunta. Al repetir WHY, se subía aún más en la cadena. Al escribir HOW (¿cómo se llegó a saber eso?), mostraba la regla utilizada o que el propio usuario había dado esa respuesta.

La figura de la derecha es una consulta sobre bicicletas. Al responder las preguntas y pulsar varias veces “¿Por qué?”, aparece dentro de la figura la cadena de reglas que se está comprobando.

En el razonamiento hacia atrás, cada pregunta surge para comprobar la condición de alguna regla. Por eso, las razones pueden explicarse mediante una cadena de reglas.

¿Por qué? → meta superior＋regla　¿Cómo? → regla／respuesta

Meta: conclusión que se intenta comprobar en ese momento
Cadena: enlaces entre las reglas que van de la meta a la pregunta

El capítulo 18 del libro contiene un ejemplo de intercambio con WHY y HOW. Como es un ejemplo médico, en la figura se sustituyó por uno sobre bicicletas.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_why_how.py

# u06 「なぜ？」と「どうやって？」に答える相談の機械
#
# どの出来事か：MYCIN（記録 mycin_1972）。開発者たちの本（1984）の第 18 章によると、MYCIN が質問している時、
#   使う人は WHY（なぜそれを聞くのか）と入力できた。MYCIN は、いま確かめようとしている上のゴールと、
#   そのゴールと質問をつなぐルールを示した。WHY を繰り返すと、さらに上のゴールへさかのぼった。
#   HOW（どうやってそれが分かったのか）と入力すると、使ったルールか、使う人自身が答えたことを示した。
# このサンプル：医学ではなく「自転車の調子が悪い理由」の小さな知識（このサイトが作ったルール）。
#   input() の代わりに、ANSWERS に答えを、COMMANDS に質問ごとに打つ言葉を書いておく。
# 試してみよう：
#   - COMMANDS に "なぜ" を 3 回並べると、どこまでさかのぼるか
#   - ANSWERS を変えると、どのルールが使われ、HOW の答えがどう変わるか

ANSWERS = {"こぐと音がする": True, "チェーンがさびている": False, "雨の中に置いていた": True}
COMMANDS = {"雨の中に置いていた": ["なぜ", "なぜ"]}  # この質問の時に打つ言葉
HOW_AT_END = ["チェーンの油切れ", "さびやすい所にあった", "こぐと音がする"]

RULES = [
    ("R3", ["こぐと音がする", "チェーンがさびている"], "チェーンの油切れ", 0.8),
    ("R4", ["こぐと音がする", "さびやすい所にあった"], "チェーンの油切れ", 0.6),
    ("R1", ["雨の中に置いていた"], "さびやすい所にあった", 0.7),
]

how = {}    # 分かったこと → どうやって分かったか
stack = []  # いま確かめているゴールと使っているルール（WHY のために記録）
known = {}  # 分かったこと → はい・いいえ

def ask(fact):
    print(f"質問：{fact}？")
    level = len(stack)  # WHY で、どこまでさかのぼったか
    for cmd in COMMANDS.get(fact, []):
        print(f"  ** {cmd}")
        if cmd == "なぜ":
            if level == 0:
                print("     （これが、いちばん上のゴールです）")
                continue
            level -= 1
            goal, (no, conds, concl, cf) = stack[level]
            print(f"     → {concl} を確かめるためです。{no}：もし {'・'.join(conds)} なら {concl}（確信度 {cf}）")
    ans = ANSWERS[fact]
    print(f"  答え：{'はい' if ans else 'いいえ'}")
    how[fact] = "あなたがそう答えた"
    return ans

def prove(goal):
    if goal in known:
        return known[goal]
    rules = [r for r in RULES if r[2] == goal]
    if not rules:
        known[goal] = ask(goal)
        return known[goal]
    for rule in rules:
        stack.append((goal, rule))
        ok = all(prove(c) for c in rule[1])  # all は、いいえが出たところで止まる
        stack.pop()
        if ok:
            how[goal] = f"{rule[0]} を使った（{'・'.join(rule[1])} がそろった）"
            known[goal] = True
            return True
    how[goal] = "使える決まりが無かった"
    known[goal] = False
    return False

result = prove("チェーンの油切れ")
print(f"\n結論：チェーンの油切れ は {'あり' if result else 'なし'}\n")
for f in HOW_AT_END:
    print(f"** どうやって「{f}」が分かった？ → {how.get(f, 'まだ分かっていない')}")

051974 · Marcos

Conocimiento en plantillas de situaciones

¿Por qué basta con oír “fiesta de cumpleaños” para pensar en un pastel y regalos?

En junio de 1974, Marvin Minsky, del MIT, propuso en su informe (traducción) que, al encontrarse con una situación nueva, las personas recuperan de la memoria una estructura llamada marco y ajustan sus detalles a la realidad. Un marco, descrito como “una estructura de datos para representar una situación típica” (traducción), tiene campos vacíos (slots). Estos campos contienen provisionalmente los valores habituales (valores por defecto). El informe puso como ejemplo asistir a la fiesta de cumpleaños de un niño.

En la figura de la derecha se puede hacer que el sistema lea la historia una oración a la vez. Los valores escritos llenan los campos, y para lo que no está escrito se supone el valor por defecto, como un “probablemente” (traducción). Si un valor difiere del valor por defecto, se vuelve morado.

Minsky aclaró que había escrito el informe “fingiendo tener una teoría unificada y coherente” (traducción), y en la última sección escribió: “dudar de la viabilidad de representar eficazmente el conocimiento cotidiano… muchas proposiciones pequeñas, independientemente ‘verdaderas’” (traducción). Él no construyó un sistema de marcos; los estudiantes lo hicieron unos años después (Nilsson 2010).

Lo que se cree saberLo que suele decirse:Se suele agrupar todo bajo la idea de que “la IA del segundo auge consistía en incorporar mucho conocimiento como ‘reglas SI–ENTONCES’ o fórmulas lógicas”
Según la fuente original:los marcos, una de las ideas influyentes de esa misma época, intentaron representar el conocimiento mediante plantillas con expectativas sobre lo que suele ocurrir.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_frames.py

# u06 フレーム：よくある場面のひな型に、スロット（空き欄）と「とりあえずの値」を持たせる
#
# どの出来事か：1974 年 6 月のミンスキーの報告「知識を表すための枠組み」（記録 minsky_frames_1974）。
#   人は新しい場面に出会うと、記憶からフレームという枠組みを取り出し、細かいところを直して現実に合わせる、という考え方。
#   フレームにはスロット（空き欄）があり、そこには、ふつうはこうだというデフォルト（とりあえずの値）が入っている。
#   報告は、子どもの誕生会に行く場面を例に挙げている。
# このサンプル：誕生会のフレーム（スロットととりあえずの値は、このサイトが作った例）に、物語の文を 1 つずつ読ませる。
#   文に書かれた値でスロットを埋め、書かれていない所は、とりあえずの値で「たぶん〜」と考える。
#   とりあえずの値と違うことが書かれていたら「予想とちがう」と知らせる。
# 試してみよう：
#   - STORY に「ケーキはなかった」の文を足すと、どうなるか
#   - レストランのフレームを作って、同じ物語を読ませる（スロットがどれだけ埋まるか）

FRAME = {  # スロット（空き欄） → とりあえずの値
    "主役": "誕生日の子",
    "場所": "主役の家",
    "食べ物": "ケーキ",
    "プレゼント": "おもちゃ",
    "遊び": "ゲーム",
    "終わりに": "ろうそくを吹き消す",
}

STORY = [  # (文, スロット, 書かれた値)。文から値を取り出す処理は、ここでは人が書いておく
    ("今日はケンの 8 歳の誕生会だ。", "主役", "ケン"),
    ("みんなで公園に集まった。", "場所", "公園"),
    ("ぼくは本を包んで持っていった。", "プレゼント", "本"),
    ("おやつは大きなすいかだった。", "食べ物", "すいか"),
]

filled = {}
for sentence, slot, value in STORY:
    filled[slot] = value
    mark = "予想とちがう！" if value != FRAME[slot] and slot != "主役" else "埋まった　"
    print(f"{sentence:<16} → {slot}＝{value}　{mark}（とりあえずの値は {FRAME[slot]}）")

print("\n現在のフレーム：")
for slot, default in FRAME.items():
    if slot in filled:
        print(f"  {slot:<6}：{filled[slot]}（物語に書いてあった）")
    else:
        print(f"  {slot:<6}：たぶん {default}（書いていないので、とりあえずの値）")

print("\n書いていないことまで「たぶん」で埋められるのが、フレームの強み。")
print("そのかわり、とりあえずの値が現実と違うこともある（すいかの誕生会）。")

061979 · Resultados de MYCIN

Evaluar sin conocer los nombres

¿Cómo se puede comprobar de manera justa si la respuesta de una máquina es buena?

En una evaluación de 1979, se reunieron 10 propuestas de tratamiento para cada uno de 10 pacientes con meningitis: las de MYCIN, las de 5 profesores de enfermedades infecciosas de Stanford, la de un médico en formación especializada en enfermedades infecciosas, la de un residente de medicina interna, la de un estudiante de medicina y el tratamiento que realmente se había aplicado. 8 especialistas en enfermedades infecciosas de fuera de Stanford las evaluaron una por una sin saber de quién era cada propuesta (8 personas × 100＝800 evaluaciones).

El 65% de las propuestas de MYCIN fue “calificado como aceptable por los evaluadores” (traducción), frente al 42.5–62.5% de los 5 profesores (promedio de 55.5%). MYCIN también tuvo 7 de 10 casos en los que la mayoría de los especialistas aceptó su propuesta. En la figura de la derecha se puede cambiar el criterio y revelar los nombres.

Aun así, el libro de sus creadores (1984) dice: “MYCIN nunca se utilizó de forma habitual en la atención a pacientes” (traducción). También consideraban deseable que la mayoría de los especialistas aprobara al menos el 90% antes de su uso habitual.

Lo que se cree saberLo que suele decirse:Se suele decir que “MYCIN era más preciso que los especialistas, pero no se usó en los hospitales por problemas legales y de responsabilidad”
Según la fuente original:el libro de sus creadores menciona el costo y el personal necesarios para añadir conocimiento, el deseo de pasar a la siguiente investigación y, sobre todo, que sabían que el programa probablemente no sería aceptado por razones corrientes, ajenas a su excelente rendimiento al tomar decisiones: “sabíamos que era probable que el programa resultara inaceptable… completamente ajeno a su excelente” (traducción). Muchas tenían que ver con la facilidad de uso y el trabajo necesario.

071979–1982 · PROSPECTOR

Estimar aplicando multiplicadores

¿Cómo se puede estimar un yacimiento subterráneo a partir de pistas en la superficie?

PROSPECTOR, de SRI, era una IA que asesoraba a los geólogos que buscaban minerales. En 1979 también se presentó un análisis de sus resultados en una conferencia internacional en Tokio. Las reglas se enlazaban formando una red de inferencia: una roca con cavidades en forma de cristales indica sulfuros; si hay barita sobre los sulfuros, podría haber un yacimiento de sulfuros masivos, y así sucesivamente.

A diferencia de los factores de certeza de MYCIN, PROSPECTOR utilizaba probabilidades y la regla de Bayes. Para cada regla, los expertos daban 2 números: por cuánto se multiplica la razón entre la probabilidad de que ocurra algo y la de que no ocurra (odds) cuando la condición es verdadera (LS) y por cuánto cuando no lo es (LN). En la figura de la derecha, al pulsar una pista, se recorre la red y cambia la probabilidad (los multiplicadores son números creados para este sitio).

En 1982, a partir de datos cartográficos de Mount Tolman (estado de Washington), elaboró un mapa que indicaba lo prometedor de los yacimientos de molibdeno en una escala de +5 a −5.

odds ← odds × LS (sí) o × LN (no)　　probabilidad＝odds ÷ (1＋odds)

Odds: probabilidad de que ocurra ÷ probabilidad de que no ocurra
LS, LN: los 2 multiplicadores establecidos por los expertos

Lo que se cree saberLo que suele decirse:Se suele decir que “PROSPECTOR descubrió un yacimiento que los seres humanos no habían encontrado”
Según la fuente original:según los desarrolladores, en un lugar donde una empresa minera ya había perforado más de 200 pozos y encontrado el yacimiento, identificó “una extensa mineralización de calidad explotable… desconocida hasta entonces” (traducción) y “las zonas estériles” (traducción). Y también: “Hasta la fecha, el éxito de PROSPECTOR ha sido científico, más que económico” (traducción). Esta historia se ha comprobado solo mediante el libro de uno de los desarrolladores.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_prospector_odds.py

# u06 PROSPECTOR の推論方法：「A は B を示す」ルールに、2 つの倍率をつけてオッズをかけ算する
#
# どの出来事か：SRI の PROSPECTOR（記録 prospector_mount_tolman_1982）。Nilsson（2010）によると、
#   ルールは「結晶の形の空洞がある岩は、硫化物がある印」（ルール 22）や、
#   「硫化物の上に重晶石があれば、塊状の硫化物の鉱床があるかもしれない」（ルール 3）のような形で、
#   ルール同士がつながった「推論の網」になっていた。地質の専門家はルールごとに 2 つの数値を与えた。
#   条件が正しい時にオッズが何倍に増えるか（ここでは LS）と、条件が誤りの時に何倍に減るか（ここでは LN）である。
#   それをベイズの規則で使い、結論の確率を計算した。
# このサンプル：同じ構造の小さなネットワーク（倍率と初期確率は、このサイトが作った数）。
#   手がかりの入力は はい（True）・いいえ（False）・分からない（None）。
#   ネットワーク途中の結論（硫化物がある）は確率で次へ渡す。その計算（はい と いいえ の間を直線で補間する）は、
#   このサンプルのやり方で、本物の PROSPECTOR の式そのものではない。
# 試してみよう：
#   - EVIDENCE の答えを変えて、鉱床の確率がどう動くかを見る
#   - LS を大きくすると、1 つの手がかりの影響がどれだけ変わるかを見る

PRIOR = {"硫化物がある": 0.10, "塊状の硫化物の鉱床": 0.01}

# (手がかり, 結論, LS＝正しい時の倍率, LN＝誤りの時の倍率)
RULES = [
    ("結晶の形の空洞がある岩", "硫化物がある", 20.0, 0.8),
    ("方鉛鉱が見つかった", "硫化物がある", 50.0, 0.9),
    ("硫化物がある", "塊状の硫化物の鉱床", 5.0, 0.2),
    ("重晶石が上にある", "塊状の硫化物の鉱床", 8.0, 0.6),
]

EVIDENCE = {"結晶の形の空洞がある岩": True, "方鉛鉱が見つかった": None, "重晶石が上にある": True}

def odds(p):
    return p / (1 - p)

def prob(o):
    return o / (1 + o)

def factor(pe, pe0, ph0, ls, ln):
    """手がかりの確率 pe から、結論のオッズを何倍にするかを計算する（はい＝LS、いいえ＝LN、初期値のまま＝1 倍）"""
    p_yes, p_no = prob(odds(ph0) * ls), prob(odds(ph0) * ln)
    if pe >= pe0:
        p = ph0 + (p_yes - ph0) * (pe - pe0) / (1 - pe0)
    else:
        p = p_no + (ph0 - p_no) * pe / pe0
    return odds(p) / odds(ph0)

def infer(node, depth=0):
    """結論の確率を、下の手がかりから順に計算する。手がかりの確率を返す"""
    pad = "  " * depth
    if node in EVIDENCE:
        v = EVIDENCE[node]
        return 0.5 if v is None else (1.0 if v else 0.0), 0.5
    o = odds(PRIOR[node])
    print(pad + f"{node}（初期確率 {PRIOR[node]:.3f}）")
    for ev, concl, ls, ln in RULES:
        if concl != node:
            continue
        pe, pe0 = infer(ev, depth + 1)
        f = factor(pe, pe0, PRIOR[node], ls, ln)
        o *= f
        print(pad + f"  ← {ev}（{pe:.2f}）：オッズ ×{f:.2f} → {prob(o):.3f}")
    return prob(o), PRIOR[node]

p, _ = infer("塊状の硫化物の鉱床")
print(f"\n塊状の硫化物の鉱床がある確率：{p:.3f}（初期確率は {PRIOR['塊状の硫化物の鉱床']}）")
print("手がかりはかけ算で効く。専門家が決めるのは、ルールごとの 2 つの倍率だけである")

081980 · R1 (XCON)

Detectar las piezas que faltan

¿Qué reglas permiten convertir un pedido de computadora en un plano de montaje?

John McDermott, de la Universidad Carnegie Mellon, creó R1 (llamado XCON dentro de la empresa), que determinaba la configuración de las piezas a partir de los pedidos de computadoras VAX de DEC. Cada máquina solía tener unas 90 piezas, y a menudo faltaban piezas necesarias en los pedidos. R1 detectaba esas faltas, las completaba y elaboraba un plano de distribución. Desde enero de 1980, se utilizó en el trabajo habitual de la fábrica de DEC.

R1 consultaba sus notas de trabajo, buscaba todas las reglas cuyas condiciones se cumplían, ejecutaba una y repetía el proceso. En el artículo de 1980 había 772 reglas. Para cada pedido, se ejecutaban en promedio 1,056 reglas y el tiempo de cálculo medio era de 2.5 minutos. En la figura de la derecha (las piezas y las reglas son un ejemplo creado para este sitio) se puede pulsar “Ejecutar un ciclo”.

① Buscar todas las reglas cuyas condiciones se cumplen → ② Elegir 1 → ③ Ejecutarla y actualizar las notas → ①

Notas de trabajo: tarea actual (comprobar, colocar, conectar) e información conocida

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_configurator.py

# u06 注文書から、足りない部品を足して、箱に並べる：「条件がそろった決まりを 1 つ実行する」をくり返す
#
# どの出来事か：R1（社内名は XCON）。1980 年 1 月から DEC の工場で使われた（記録 xcon_r1_dec_1980）。
#   1980 年の論文によると、R1 は OPS4 という言語で書かれ、作業のメモ（working memory）を見て、
#   条件を満たすルールをすべて見つけ、そのうち 1 つを実行する処理を繰り返した（recognize-act cycle）。
#   注文には必要な部品の不足が多く、それに気づいて補うのが大きな仕事だった。1 台は通常約 90 の部品。
# このサンプル：本物の VAX の部品ではなく、このサイトが作った小さな部品表と 8 つのルール。
#   ルールは「いまの作業（文脈）」ごとに分かれている（R1 のルールも、文脈の条件から始まっていた）。
# 試してみよう：
#   - ORDER のディスクを 5 台にすると、制御装置はいくつ追加されるか
#   - ルール R2 を消すと（RULES から外すと）、どんな誤った組み立てになるか

ORDER = {"CPU": 1, "メモリ": 3, "ディスク": 3, "端末": 2}
SLOTS_PER_BOX = 4          # 1 つの箱に入る基板の数（このサイトが作った数）
DISKS_PER_CONTROLLER = 2   # 1 つの制御装置につなぐディスクの数（このサイトが作った数）

wm = {"文脈": "点検", "部品": dict(ORDER), "箱": [[]], "置いた": {k: 0 for k in ORDER}, "ケーブル": 0, "足した": []}
BOARDS = ["CPU", "メモリ", "制御装置", "端末の板"]  # 箱の中に差し込む部品

def add(part, why):
    wm["部品"][part] = wm["部品"].get(part, 0) + 1
    wm["置いた"].setdefault(part, 0)
    wm["足した"].append(part)
    return f"{part} を追加（{why}）"

def next_unplaced():
    for p in BOARDS:
        if wm["置いた"].get(p, 0) < wm["部品"].get(p, 0):
            return p
    return None

def place(p):
    box = wm["箱"][-1]
    box.append(p)
    wm["置いた"][p] += 1
    return f"{p} を 箱 {len(wm['箱'])} の {len(box)} 番に配置"

RULES = [  # (名前, 条件, 実行)
    ("R1 制御装置が足りない", lambda: wm["文脈"] == "点検" and wm["部品"].get("制御装置", 0) * DISKS_PER_CONTROLLER < wm["部品"]["ディスク"],
     lambda: add("制御装置", "ディスクに対して不足")),
    ("R2 端末の板が無い", lambda: wm["文脈"] == "点検" and wm["部品"].get("端末", 0) > 0 and wm["部品"].get("端末の板", 0) == 0,
     lambda: add("端末の板", "端末をつなぐため")),
    ("R3 点検おわり", lambda: wm["文脈"] == "点検",
     lambda: wm.update(文脈="置く") or "不足なし → 文脈を「置く」へ"),
    ("R4 箱がいっぱい", lambda: wm["文脈"] == "置く" and next_unplaced() and len(wm["箱"][-1]) >= SLOTS_PER_BOX,
     lambda: wm["箱"].append([]) or add("箱", "空きが無い")),
    ("R5 次の板を置く", lambda: wm["文脈"] == "置く" and next_unplaced(),
     lambda: place(next_unplaced())),
    ("R6 置きおわり", lambda: wm["文脈"] == "置く",
     lambda: wm.update(文脈="ケーブル") or "配置完了 → 文脈を「ケーブル」へ"),
    ("R7 ディスクにケーブル", lambda: wm["文脈"] == "ケーブル" and wm["ケーブル"] < wm["部品"]["ディスク"],
     lambda: wm.update(ケーブル=wm["ケーブル"] + 1) or add("ケーブル", "ディスク 1 台に 1 本")),
    ("R8 おわり", lambda: wm["文脈"] == "ケーブル",
     lambda: wm.update(文脈="おわり") or "組み立て図を出力"),
]

cycle = 0
while wm["文脈"] != "おわり" and cycle < 100:
    cycle += 1
    ready = [r for r in RULES if r[1]()]          # ① 条件を満たすルールをすべて探す
    name, _, act = ready[0]                       # ② 1 つ選ぶ（ここでは表の上にあるもの＝特別なルールを優先）
    print(f"{cycle:>2} [{len(ready)} 個そろった] {name}：{act()}")   # ③ 実行して、作業のメモを書き換える

print("\n組み立て図：")
for i, box in enumerate(wm["箱"], 1):
    print(f"  箱 {i}：" + " ｜ ".join(box))
print(f"注文に無かったが追加した部品：{', '.join(wm['足した'])}")

091981 · Japón

Traducir imitando ejemplos

¿Se puede traducir sin escribir todas las reglas de la gramática?

Makoto Nagao, de la Universidad de Kioto, escribió que la traducción automática anterior tenía una contradicción: “Cuanto más detallado se ha vuelto un sistema… más claros son sus limitaciones y sus límites” (traducción) de su capacidad de traducción. Por eso propuso un sistema que, como una persona que aprende una lengua extranjera, dispone de muchas parejas de oraciones de ejemplo en inglés y japonés. Busca el ejemplo más parecido a la oración que se quiere traducir y sustituye palabras para traducirla. La idea se escribió en un manuscrito para una conferencia de la OTAN en octubre de 1981. Esa conferencia tuvo lugar la semana siguiente a la conferencia internacional sobre la quinta generación celebrada en Tokio (del 19 al 22 de octubre).

En el ejemplo del manuscrito, a partir de A man eats vegetables. (Una persona come verduras.), se traduce He eats potatoes. como Él come papas. Esto funciona porque man y he, y vegetable y potato, están próximos en el diccionario de sinónimos. Acid eats metal. no es parecido a ese ejemplo, así que hace falta otro: El ácido corroe el metal. Se puede probar en la figura de la derecha.

El texto de apertura de una revista académica de 2015 dice que, a partir de esta “traducción basada en analogías” (traducción), avanzó la investigación sobre la traducción con grandes cantidades de textos y estadísticas.

Lo que se cree saberLo que suele decirse:Se dice que “el artículo de Makoto Nagao de 1984 inició la traducción automática basada en ejemplos”
Según la fuente original:la idea ya estaba escrita en el manuscrito para la conferencia de octubre de 1981. Se publicó en un libro en 1984.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_example_mt.py

# u06 例文をまねて訳す：最も似た例文を探し、単語を入れ替える（長尾真さんの 1981 年の着想）
#
# どの出来事か：長尾真さんの 1981 年 10 月の原稿（記録 nagao_analogy_translation_1981）。
#   英語と日本語の対訳例文を蓄えておき、訳したい文に最も似た例文を探す。
#   対応する単語を置き換えられるか（意味が近いか）をシソーラス（類語辞典）で確認し、
#   適切であれば、例文の訳語を置き換えて訳文を作る。
# このサンプル：例文と訳は、原稿の表にある例（A man eats vegetables. など）。
#   シソーラス（単語の分類）と類似度のスコアは、このサイトが作った小さな例。
# 試してみよう：
#   - EXAMPLES から「酸は金属を侵す」の組を消すと、Sulphuric acid eats iron. はどう訳されるか
#   - 自分で例文の組と、辞書の単語を追加してみる

EXAMPLES = [  # (主語, 動詞, 目的語) の英語と、その訳の (主語, 目的語, 動詞)
    (("man", "eats", "vegetables"), ("人", "野菜", "たべる")),
    (("acid", "eats", "metal"), ("酸", "金属", "侵す")),
]
# 類語の辞書：言葉 → (仲間の名前, 日本語)。仲間の木：生き物 > 人、物 > 食べ物・化学の物・金属
THESAURUS = {
    "man": ("人", "人"), "he": ("人", "彼"), "she": ("人", "彼女"), "president": ("人", "大統領"),
    "vegetables": ("食べ物", "野菜"), "potatoes": ("食べ物", "じゃがいも"), "bread": ("食べ物", "パン"),
    "acid": ("化学の物", "酸"), "sulphuric acid": ("化学の物", "硫酸"),
    "metal": ("金属", "金属"), "iron": ("金属", "鉄"), "copper": ("金属", "銅"),
}
PARENT = {"人": "生き物", "食べ物": "物", "化学の物": "物", "金属": "物"}

def close(a, b):
    """2つの単語の類似度：同じ単語 1.0、同じ仲間 0.8、同じ上位概念 0.3、その他 0"""
    if a == b:
        return 1.0
    ga, gb = THESAURUS[a][0], THESAURUS[b][0]
    if ga == gb:
        return 0.8
    return 0.3 if PARENT[ga] == PARENT[gb] else 0.0

def translate(subj, obj):
    best, best_s = None, -1
    for (es, ev, eo), jp in EXAMPLES:
        s = close(subj, es) * close(obj, eo)  # 両方とも置き換えられるときだけ、スコアが高くなる
        print(f"   例文「{es} {ev} {eo}」との近さ {s:.2f}")
        if s > best_s:
            best, best_s = ((es, ev, eo), jp), s
    if best_s < 0.5:
        return None
    (_, _, _), (js, jo, jv) = best
    return f"{THESAURUS[subj][1]}は{THESAURUS[obj][1]}を{jv}。"

for subj, obj in [("he", "potatoes"), ("sulphuric acid", "iron"), ("acid", "vegetables")]:
    print(f"訳したい文：{subj.capitalize()} eats {obj}.")
    out = translate(subj, obj)
    print(f"   → {out if out else '似た例文がないため、訳を出力しない'}\n")
print("eat の訳が「たべる」か「侵す」かは、文法規則ではなく、似た例文によって決まった")

101982–1986 · Japón

¿Qué número de auge era?

¿Cómo se llamaba en ese momento la popularidad de la IA en el Japón de la década de 1980?

En la búsqueda de texto completo de la Biblioteca Nacional de la Dieta, una revista de octubre de 1982 ya contiene la frase “El auge de la inteligencia artificial de hace unos diez años ha vuelto” (traducción). Al mes siguiente, la misma revista llamó al auge de unos 20 años antes “el primer auge de la inteligencia artificial” (traducción). En 1985, un libro incluía “82 Segundo auge de la inteligencia artificial: el proyecto de quinta generación” (traducción), en la Dieta se habló de “actualmente, el segundo auge” (traducción) (es decir, que entonces era el 2.º auge) y un reportaje de revista llevaba el título (traducción): las maneras de contar variaban mucho.

También variaba el desencadenante según el autor: se citaban el proyecto de quinta generación, el éxito de MYCIN, la ingeniería del conocimiento de Feigenbaum y las herramientas para crear IA. En pleno auge también había comentarios escépticos: “todo el mundo está haciendo alboroto con la inteligencia artificial” (traducción).

En julio de 1986, se reunieron más de 700 personas y se fundó la Sociedad Japonesa de Inteligencia Artificial. Su declaración fundacional señalaba que en Estados Unidos existía la AAAI desde 1980, pero decía: “En nuestro país todavía no existe una sociedad académica dedicada a este campo” (traducción). En la figura de la derecha se pueden ver los nombres uno por uno.

111984 · Expectativas y advertencias

Dos salas en la misma conferencia

En pleno auge, ¿quienes vendían IA y quienes la investigaban imaginaban el mismo futuro?

En agosto de 1984, la Asociación Estadounidense de Inteligencia Artificial (AAAI) celebró su conferencia en la Universidad de Texas en Austin. En la sala de exposiciones, el folleto de TIMM, una herramienta de IA que incorpora el conocimiento de los expertos, proclamaba “Hemos construido un cerebro mejor” (traducción) y afirmaba que los sistemas expertos no enferman, no renuncian ni se jubilan antes de tiempo. A un periodista, las voces de los vendedores le parecían a veces las de “profetas que anuncian una nueva era” (traducción).

En el debate “La edad oscura de la IA” de esa misma conferencia, el moderador John McDermott presentó “el peor escenario” (traducción). En unos 5 años, fracasaría el programa estadounidense de Computación Estratégica, el proyecto japonés de quinta generación se estancaría, las nuevas empresas quebrarían, se interrumpiría la financiación y todos cambiarían el nombre de sus investigaciones. Dijo que algunas personas llamaban a esto . En la figura de la derecha se puede avanzar en el tiempo para ver qué punto ocurrió y cuándo.

Lo que se cree saberLo que suele decirse:Se suele decir que “el debate de 1984 predijo exactamente el invierno de la IA (una advertencia acertada)”
Según la fuente original:el propio moderador afirmó: “No creo que este escenario sea muy probable… ni siquiera una versión más leve” (traducción). Muchas partes del escenario ocurrieron después, pero no todas a la vez, 5 años más tarde.

121983–1984 · Sentido común

“Líquido amniótico” de un paciente varón

¿Puede una máquina detectar que algo es “extraño” si no aparece escrito en las reglas?

Una nota del libro de MYCIN (1984) cuenta esta historia. John McCarthy introdujo “(maliciosamente)” (traducción) líquido amniótico como material de prueba (lugar del cultivo) de un paciente varón, y MYCIN no detectó el error y lo aceptó. El sentido común que todos conocen, que los hombres no tienen líquido amniótico, no estaba escrito en ninguna regla.

En su texto de 1984 (traducción), McCarthy señaló que MYCIN no tenía una idea de lo que ocurriría después de un tratamiento y ni siquiera podía responder “¿Qué pasará si le doy penicilina a este paciente?” (traducción). Nilsson (2010) describe la debilidad de estos sistemas con la palabra frágil (brittle).

En la figura de la derecha (una consulta sobre bicicletas) se puede elegir una respuesta imposible. Si se añaden reglas de sentido común, el sistema puede detectarla, pero, al aumentar los tipos de respuestas, crece rápidamente el número de parejas que hay que comprobar para saber si son compatibles.

número de parejas que hay que comprobar＝n(n − 1)／2

n: número de tipos de respuestas (hechos). Si n＝100, hay 4,950 parejas; si es 1,000, hay 499,500

Lo que se cree saberLo que suele decirse:Se suele transmitir que “hay una historia en la que McCarthy se burló de MYCIN (un rumor)”
Según la fuente original:los propios desarrolladores de MYCIN citaron “McCarthy, 1983” (traducción) como fuente en una nota de su libro de 1984. Sin embargo, la historia no aparece en el texto de McCarthy de 1984.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_common_sense.py

# u06 常識の穴：ルールに書いていない「ありえない組み合わせ」を、システムはそのまま受け入れてしまう
#
# どの出来事か：MYCIN の本（1984）の注に書かれた話（記録 mycin_mccarthy_amniotic_1983）。ジョン・マッカーシーさんが
#   男性患者の検査材料を羊水と入力したところ、MYCIN は間違いに気づかず受け入れた。
#   マッカーシーさんは 1984 年の文章で、いくつかのエキスパートシステムには常識が必要だ、と書いた。
# このサンプル：医学ではなく自転車の相談（このサイトが作った知識）。ありえない答えを入力しても、ルールは動いてしまう。
#   「常識の決まり」（2 つの答えが両立するか）を足すと気づけるが、答えの種類 n が増えると、
#   確認する組み合わせの数は n（n − 1）／ 2 で増えていく。
# 試してみよう：
#   - COMMON_SENSE を空にすると、どうなるか
#   - n を 10・100・1000 にして、組み合わせの数を見る

FACTS = {"車輪の数": 3, "こぐと音がする": True, "チェーンの無い自転車": True, "空気を入れたのは今朝": True, "タイヤを押すとへこむ": True}

RULES = [
    (lambda f: f["こぐと音がする"], "チェーンの油切れ（確信度 0.3）"),
    (lambda f: f["タイヤを押すとへこむ"], "空気が少ない（確信度 0.9）"),
]

COMMON_SENSE = [  # 両立しない組み合わせ（このサイトが作った常識のルール）
    (lambda f: f["車輪の数"] != 2, "自転車の車輪は 2 つのはず（三輪車の相談ではない）"),
    (lambda f: f["チェーンの無い自転車"] and f["こぐと音がする"], "チェーンが無いのに、チェーンの油切れは考えられない"),
    (lambda f: f["空気を入れたのは今朝"] and f["タイヤを押すとへこむ"], "今朝入れたのにへこむなら、パンクを先に疑う"),
]

print("■ ルールだけ：")
for cond, concl in RULES:
    if cond(FACTS):
        print("   結論：", concl)

print("\n■ 常識のルールを足すと：")
for bad, why in COMMON_SENSE:
    if bad(FACTS):
        print("   おかしい！", why)

print("\n答えの種類 n と、両立するか確認する組み合わせの数 n(n-1)/2：")
for n in (5, 10, 100, 1000, 10000):
    print(f"   n = {n:>6,} → {n * (n - 1) // 2:>12,} 組")
print("常識は、書き出そうとすると膨大な数になる。この「もろさ」を、常識を大量に書き込んで乗り越えようとしたのが、1985 年の CYC プロジェクトだ。")

131985 · Predicción

Una enciclopedia de sentido común

¿Cuántos años harían falta para escribir todo el sentido común?

En 1985, Douglas Lenat y sus colegas de MCC, en Austin, Texas, anunciaron el proyecto CYC. Era un intento de superar la de los sistemas expertos y la dificultad de adquirir conocimiento mediante una gran cantidad de sentido común. En los siguientes 10 años escribirían el conocimiento de una enciclopedia de 1 volumen (unas 30,000 entradas) y el sentido común que lo sustenta. Escribirían cuidadosamente unas 400 entradas ellos mismos, y muchas personas encargadas de introducirlas copiarían y corregirían el resto. El trabajo se estimaba en “unos 150 años-persona” (traducción). También escribieron que, si no lo lograban en unos 10 años, revisarían profundamente el proyecto.

En 2023, Lenat y Gary Marcus llamaron a CYC “un proyecto de 50 personas que dura cuatro décadas” (traducción), y escribieron que su base de conocimiento estaba formada por decenas de millones de afirmaciones escritas a mano, construida en 40 años y 2,000 años-persona. En la figura de la derecha se puede avanzar en el tiempo.

Sin embargo, los 150 años-persona correspondían a quienes introducían la enciclopedia, y los 2,000 años-persona a toda la base de conocimiento, así que el alcance del cálculo no es el mismo. Ni en 1985 ni en la actualidad se sabe cuánto sentido común hay que escribir para que sea suficiente.

años-persona＝número de personas × número de años　　2,000 años-persona ÷ 40 años＝50 personas en promedio

Año-persona: cantidad de trabajo que realiza 1 persona durante 1 año

141982–1987 · Japón

Software de traducción y “Esto es una ilusión” (traducción)

¿Hasta dónde se pudo utilizar la traducción automática con reglas en la década de 1980?

En el año fiscal de 1982 comenzó Mu, un proyecto de traducción automática del gobierno (Agencia de Ciencia y Tecnología). Su objetivo era demostrar que se podían traducir resúmenes de artículos científicos y técnicos entre el japonés y el inglés. Lo dirigieron Makoto Nagao y otros investigadores de la Universidad de Kioto, y continuó hasta 1986. Crearon gramáticas y diccionarios para 3 etapas: analizar la oración, convertir su estructura a la forma de la otra lengua y generar la oración.

Las empresas también lanzaron programas de traducción (ATLAS de Fujitsu en 1984, HICATS/JE de Hitachi desde mayo de 1986 y otros). En septiembre de 1987, en la cumbre de traducción automática de Hakone, Nagao dijo que “más de diez empresas de Japón… anunciaron productos comerciales… aproximadamente el mismo número… los estaba desarrollando” (traducción). Ante la expectativa de los usuarios de que “cualquier expresión podrá traducirse con buena calidad” (traducción), la calificó así: “Esto es una ilusión” (traducción), y señaló que la publicidad exagerada de las empresas era una de las causas. Mazda utilizó el programa para traducir manuales de mantenimiento. Al principio, el 40% de las traducciones se había “evaluado como bueno o corregible” (traducción), pero informó que al ajustar el sistema con Fujitsu, la precisión llegó a cerca del 80%.

En la figura de la derecha se puede añadir un diccionario de términos especializados. Se pueden traducir las oraciones del manual, pero la traducción de las oraciones comunes no cambia.

Lo que se cree saberLo que suele decirse:Se suele pensar que “la traducción automática empezó a utilizarse en el trabajo real mucho más tarde (con la traducción mediante aprendizaje profundo en la década de 2010)”
Según la fuente original:en las actas de la reunión de 1987, más de 10 empresas de Japón vendían programas de traducción, y algunas, como Mazda, los usaban para traducir manuales.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_transfer_mt.py

# u06 ルールに基づく翻訳機：解析 → 変換 → 生成の 3 段階と、専門用語の追加による精度の向上
#
# どの出来事か：国の機械翻訳プロジェクト Mu（1982〜1986 年、記録 mu_mt_project_1982）と、1980 年代の日本企業の翻訳ソフト
#   （記録 japan_commercial_mt_1984_1987）。Mu の 1985 年の論文では、解析・変換・生成の 3 段階の文法と辞書が示された。
#   1987 年の会議で、マツダは翻訳ソフトで自動車の整備マニュアルを翻訳し、初めは「よい、または直せる」訳が 40% だったが、
#   富士通と調整して約 80% の精度にしたと報告した。
# このサンプル：短い英文を日本語に翻訳する、このサイトが作った小さな翻訳機（本物の Mu や ATLAS ではない）。
#   ①解析：単語の品詞を辞書で引き、主語・動詞・目的語を見つける。
#   ②変換：英語の語順（主語・動詞・目的語）を日本語の語順（主語・目的語・動詞）へ並べ替える。
#   ③生成：助詞を補って文にする。辞書にない単語があると、訳を出さずに元の単語を残す。
# 試してみよう：
#   - ADD_DOMAIN を True にして、マニュアルの文の翻訳精度がどう変わるかを見る
#   - 日常の文（EVERYDAY）の精度は変わるか

ADD_DOMAIN = False

DICT = {  # 単語 → (品詞, 訳)。n＝名詞、v＝動詞
    "the": ("det", ""), "a": ("det", ""), "mechanic": ("n", "整備士"), "checks": ("v", "点検する"),
    "replace": ("v", "交換する"), "car": ("n", "車"), "engine": ("n", "エンジン"), "he": ("n", "彼"),
    "eats": ("v", "食べる"), "bread": ("n", "パン"), "reads": ("v", "読む"), "book": ("n", "本"),
}
DOMAIN = {  # 整備マニュアルの用語（専門用語の辞書）
    "technician": ("n", "整備士"), "tightens": ("v", "締める"), "tighten": ("v", "締める"), "bolt": ("n", "ボルト"),
    "drain": ("v", "抜く"), "oil": ("n", "オイル"), "inspect": ("v", "点検する"), "brake": ("n", "ブレーキ"),
    "pads": ("n", "パッド"), "coolant": ("n", "冷却水"),
}
MANUAL = ["the technician tightens the bolt", "drain the oil", "inspect the brake pads", "replace the coolant",
          "the mechanic checks the engine"]
EVERYDAY = ["he eats bread", "a child reads the book", "he reads a letter"]

def translate(sentence, dic):
    words = sentence.split()
    tags = [dic.get(w, ("?", w)) for w in words]                      # ① 解析：辞書を引く
    if any(t == "?" for t, _ in tags):
        return None, "辞書にない：" + ", ".join(w for w, (t, _) in zip(words, tags) if t == "?")
    nouns = [tr for t, tr in tags if t == "n"]
    verb = next((tr for t, tr in tags if t == "v"), None)
    vi = next(i for i, (t, _) in enumerate(tags) if t == "v")
    subj = next((tr for t, tr in tags[:vi] if t == "n"), None)          # 動詞より前の名詞＝主語
    obj = next((tr for t, tr in tags[vi + 1:] if t == "n"), None)       # 動詞より後の名詞＝目的語
    obj = "".join(tr for t, tr in tags[vi + 1:] if t == "n") or obj     # 名詞が 2 つ続く時は連結する
    out = (f"{subj}は" if subj else "") + (f"{obj}を" if obj else "") + verb   # ② 変換 ③ 生成
    return out + "。", ""

dic = dict(DICT, **(DOMAIN if ADD_DOMAIN else {}))
for name, test in (("整備マニュアルの文", MANUAL), ("日常の文", EVERYDAY)):
    ok = 0
    print(f"■ {name}（専門用語の辞書 {'あり' if ADD_DOMAIN else 'なし'}）")
    for s in test:
        out, why = translate(s, dic)
        ok += out is not None
        print(f"   {s:<32} → {out or '（訳せない）' + why}")
    print(f"   翻訳できた割合：{ok}/{len(test)}\n")
print("ルールに基づく翻訳機は、専門辞書とルールを追加するほど、その分野では精度が上がる。ただし分野外の文の精度は上がらない。")

151985 · Japón

Un robot que acompaña el canto

Si una persona empieza a cantar con una voz algo más aguda, ¿cómo se adapta el acompañamiento?

Varios laboratorios de la Universidad de Waseda comenzaron los preparativos en 1980 y, desde 1981, construyeron WABOT-2, un robot que toca instrumentos musicales. En lugar de hacer un robot que hiciera de todo, limitaron el objetivo a la “interpretación de instrumentos de teclado” (traducción), que requiere destreza e inteligencia. Conversa con personas en japonés, lee con una cámara partituras comerciales en unos 15 segundos y toca un órgano electrónico con los dedos de ambas manos y ambos pies. Tiene 50 grados de libertad en total y utilizaba 53 computadoras pequeñas solo para controlar los movimientos.

Para acompañar el canto, genera datos de notas en ese momento a partir de la voz y los compara con la partitura almacenada para detectar la diferencia. Cuando la diferencia superaba un valor establecido (el umbral), transponía la pieza para ajustarla a la voz en la siguiente interpretación. La altura de los sonidos se expresa en base 12: la cifra superior indica la octava y la inferior, el semitono. El control que coordina el conjunto estaba escrito como reglas if-then. En la figura de la derecha se puede cambiar la diferencia del cantante.

número de semitonos＝12 × log₂(frecuencia del canto ÷ frecuencia de la nota en la partitura)

log₂: potencia a la que hay que elevar 2 para obtener ese número
Frecuencia multiplicada por 2: 1 octava (12 semitonos)

Lo que se cree saberLo que suele decirse:Se suele decir que “el robot que tocó el órgano electrónico en la Expo de Tsukuba fue WABOT-2, de la Universidad de Waseda”
Según la fuente original:según los artículos de los desarrolladores de 1985 y 1987, quien tocó en la sala temática del pabellón del gobierno japonés de la Expo de Ciencia fue WASUBOT, construido por Sumitomo Electric Industries a partir de WABOT-2.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_transpose.py

# u06 歌声に合わせて移調する：歌の高さのずれを半音単位で測り、伴奏を移調する
#
# どの出来事か：1985 年の演奏ロボット WABOT-2（記録 wabot2_wasubot_expo85_1985）。開発者らの 1985 年の論文によると、
#   歌声トラッキングの仕組みは、歌声からその場で音符コードを生成し、記憶させた楽譜と比較して演奏と歌声のずれを検出した。
#   ずれが一定のしきい値を超えると、次の演奏時に歌声に合わせて曲を移調した。
#   音の高さは 12 進数で表し、上の桁がオクターブ、下の桁が半音の違いを表した。
# このサンプル：同じ考え方で作った小さなモデル。歌声の周波数（Hz）は、このサイトが作った数（歌う人が 3 半音高く歌い出したと仮定）。
#   半音の数 ＝ 12 × log₂（歌の周波数 ÷ 楽譜の音の周波数）
# 試してみよう：
#   - SHIFT を -2 や 0.4 に変える（しきい値より小さいずれでは移調しない）
#   - THRESHOLD を変える

import math
import random

SCORE = [60, 60, 67, 67, 69, 69, 67, 65, 65, 64, 64, 62, 62, 60]  # 楽譜の音（番号 60 ＝ ド。1 つ上がると半音上）
SHIFT = 3.0       # 歌う人が楽譜より何半音高く歌うか（このサイトが作った数）
THRESHOLD = 0.5   # これより大きなずれで移調する（このサイトが作った数）
random.seed(6)

def hz(n):
    """音の番号 → 周波数（番号 69 ＝ 440 Hz のラ）"""
    return 440 * 2 ** ((n - 69) / 12)

def note_code(n):
    """論文と同じ考え方の 12 進法：上の桁＝オクターブ、下の桁＝半音（0〜11）"""
    o, s = divmod(round(n), 12)
    return f"{o}{'0123456789AB'[s]}"

sung = [hz(n + SHIFT) * (1 + random.gauss(0, 0.01)) for n in SCORE]   # 歌声（わずかに揺れる）
diffs = [12 * math.log2(f / hz(n)) for f, n in zip(sung, SCORE)]
print("楽譜 → 歌声（音符コード）  ずれ（半音）")
for n, f, d in zip(SCORE, sung, diffs):
    print(f"  {note_code(n)} → {note_code(69 + 12 * math.log2(f / 440))}   {d:+.2f}")

mean = sum(diffs) / len(diffs)
print(f"\nずれの平均：{mean:+.2f} 半音")
if abs(mean) > THRESHOLD:
    k = round(mean)
    print(f"しきい値 {THRESHOLD} を超えた → 伴奏を {k:+d} 半音移調する")
    print("移調した伴奏：", " ".join(note_code(n + k) for n in SCORE))
else:
    print("ずれが小さいので、そのまま演奏する")

161965 · Conjuntos difusos

¿Desde cuántos cm se es “alto”?

¿En cuántos cm está el límite de una “persona alta”?

En 1965, Lotfi Zadeh, de la Universidad de California en Berkeley, describió en su artículo (traducción) conjuntos sin un límite claro, como “el conjunto de los hombres altos” (traducción), mediante un número de 0 a 1 (el grado de pertenencia) que indica cuánto pertenece cada elemento al conjunto. Como ejemplo del “conjunto de todos los números reales que son mucho mayores que 1” (traducción), el artículo da valores como f(10)＝0.2 y f(100)＝0.95.

También estableció reglas de cálculo. “No A” es 1 − f, “A o B” es el mayor valor y “A y B” es el menor. En la figura de la derecha se puede comparar un conjunto habitual, que pasa bruscamente de 0 a 1 a los 175 cm, con un conjunto difuso de transición suave. El artículo también dice que se trata de una idea completamente distinta de la estadística.

En 1980, el propio Zadeh recordó que había sabido desde el principio que la palabra fuzzy (borroso) tenía un matiz despectivo.

No A: 1 − f_A　A o B: max(f_A, f_B)　A y B: min(f_A, f_B)

f_A: grado de pertenencia al conjunto A (0–1)
max, min: el mayor valor, el menor valor

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_membership.py

# u06 ファジィ集合：「入る・入らない」ではなく、「どのくらい入るか」を 0〜1 の数で表す
#
# どの出来事か：1965 年のザデーの論文「ファジィ集合」（記録 zadeh_fuzzy_sets_1965）。
#   論文は、ものがどれくらいその集合に含まれるかを、0 から 1 の数値（所属度）で表した。
#   例として「1 よりずっと大きい実数」の集合を挙げ、f(0)=0、f(1)=0、f(5)=0.01、f(10)=0.2、f(100)=0.95、f(500)=1 とした。
#   また、「でない」は 1 − f、「または」は大きい方（Max）、「かつ」は小さい方（Min）と定めた。
# このサンプル：①論文の数値を、あいだを直線でつないで使う ②「背が高い」「重い」の度合い（このサイトが作った例）から、
#   かつ・または・でない を計算する。
# 試してみよう：
#   - tall() の 160・185 を変えて、「背が高い」の度合いの形を変える
#   - 通常の集合（175 cm 以上なら 1、それ以外は 0）と比べる

POINTS = [(0, 0), (1, 0), (5, 0.01), (10, 0.2), (100, 0.95), (500, 1)]  # 論文の例

def much_greater_than_1(x):
    for (x0, y0), (x1, y1) in zip(POINTS, POINTS[1:]):
        if x0 <= x <= x1:
            return y0 + (y1 - y0) * (x - x0) / (x1 - x0)
    return 1.0

def ramp(x, a, b):
    """a 以下で 0、b 以上で 1、その間を直線でつなぐ（このサイトが作った例）"""
    return 0.0 if x <= a else 1.0 if x >= b else (x - a) / (b - a)

def tall(cm):
    return ramp(cm, 160, 185)

def heavy(kg):
    return ramp(kg, 55, 85)

print("「1 よりずっと大きい数」の度合い（論文の数値を直線で補間）")
for x in (1, 5, 10, 50, 100, 300):
    print(f"  {x:>4} → {much_greater_than_1(x):.2f}")

print("\n背が高い（ファジィ）と通常の集合（175 cm 以上）")
for cm in (158, 168, 174, 176, 182, 190):
    print(f"  {cm} cm → ファジィ {tall(cm):.2f}   通常 {1 if cm >= 175 else 0}")

print("\nかつ・または・でない（身長 178 cm・体重 62 kg の人）")
t, h = tall(178), heavy(62)
print(f"  背が高い {t:.2f}、重い {h:.2f}")
print(f"  背が高い かつ 重い   ＝ min = {min(t, h):.2f}")
print(f"  背が高い または 重い ＝ max = {max(t, h):.2f}")
print(f"  背が高く ない        ＝ 1 − f = {1 - t:.2f}")

171987 · Japón

Frenar el metro con lógica difusa

¿Cómo consigue un buen conductor detenerse justo en el punto previsto sin sacudir el tren?

El 15 de julio de 1987 se inauguró el metro de Sendai. El sistema de operación automática desarrollado por Hitachi utilizaba “control difuso predictivo” (traducción). Según un artículo de la empresa de 1988, combinaba 3 elementos: reglas de IA (ingeniería del conocimiento) escritas en “formato SI… ENTONCES…” (traducción) (la forma si… entonces…), una simulación que sustituía la habilidad de un conductor experto y la teoría difusa, que expresa varios criterios de evaluación mediante grados de satisfacción de 0 a 1 y los combina. Mejoraron la comodidad del viaje, la precisión de la parada y el ahorro energético; el artículo lo llama “el primero en el mundo” (traducción) (palabras de la empresa que lo construyó).

La figura de la derecha es un ejemplo sencillo de esa misma idea, no el sistema de Sendai. Se pueden comparar 3 métodos según el error de la posición de parada y los cambios en el frenado (las sacudidas): utilizar solo 1 regla, combinar varias reglas y predecir lo que ocurrirá para elegir el frenado con mayor satisfacción.

satisfacción＝min(satisfacción con la posición de parada, satisfacción con la comodidad del viaje) → elegir el frenado con el valor más alto

Satisfacción con la posición de parada: se predice lo que ocurrirá; se acerca a 1 cuanto más cerca del objetivo se detiene
Satisfacción con la comodidad del viaje: se acerca a 1 cuanto menor es el cambio en el frenado (configuración de esta figura)

Lo que se cree saberLo que suele decirse:Se suele pensar que “la lógica difusa es una palabra de moda de los electrodomésticos”
Según la fuente original:antes de los electrodomésticos, ya se utilizaba en la operación automática del metro de Sendai, inaugurado en 1987.

Intensidad del frenado a lo largo del tiempo

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_fuzzy_brake.py

# u06 ファジィ制御で電車を止める：「近くて速ければ、強めにブレーキ」のあいまいなルール
#
# どの出来事か：1987 年 7 月 15 日、仙台市の地下鉄が開業。列車の自動運転に「予見ファジィ制御」を使った
#   （記録 sendai_subway_fuzzy_ato_1987）。上手な運転士の技を、「もし〜なら〜する」の形のルールで書いた。
#   ファジィ集合そのものは、1965 年のザデーの論文から始まった（記録 zadeh_fuzzy_sets_1965）。
# このサンプル：同じ考え方の小さなモデル（仙台の装置そのものではない）。ホームの停止位置の 200m 手前から
#   時速 60km で入ってくる電車を止める。ルールはどちらも同じ 3 つ（少し→弱く、中くらい→中くらい、たくさん→強く）。
#   ①通常のルール：最も当てはまる 1 つだけを使う　②ファジィ制御：あてはまり具合に応じて 3 つを混ぜて使う。
#   停止位置の誤差と、ブレーキの強さの変わり方（乗り心地）を比べる。
# 試してみよう：
#   - OUT（ルールごとのブレーキの強さ）を変えてみる
#   - DT（制御の間隔の秒数）を 1.0 にすると、止まり方はどう変わるか

DT = 0.5           # 0.5 秒ごとに計算して制御する
MAX_DECEL = 1.2    # 最大ブレーキで 1 秒に速さが何 m/s 落ちるか（仮の数）

def tri(x, a, b, c):
    """三角形の「あてはまり具合」（0〜1）。b でいちばん 1 に近い"""
    if x <= a or x >= c:
        return 0.0
    return (x - a) / (b - a) if x < b else (c - x) / (c - b)

def need_ratio(dist, speed):
    """停止位置でちょうど止まるのに必要な減速度が、最大ブレーキの何倍か（先を読む＝予見）"""
    return speed * speed / (2 * max(dist, 0.5)) / MAX_DECEL

def memberships(dist, speed):
    ratio = need_ratio(dist, speed)                   # 1 なら最大ブレーキが必要
    few = tri(ratio, -1.0, 0.0, 0.6)                  # 必要な減速度は「少し」
    mid = tri(ratio, 0.3, 0.7, 1.0)                   # 「中くらい」
    big = min(1.0, max(0.0, (ratio - 0.8) / 0.3))     # 「たくさん」
    return few, mid, big

OUT = (0.1, 0.6, 1.0)   # ルールごとのブレーキの強さ：少し → 弱く、中くらい → 中くらい、たくさん → 強く

def fuzzy_brake(dist, speed):
    """ファジィ制御：3 つのルールを、あてはまり具合で重みをつけて混ぜる"""
    m = memberships(dist, speed)
    w = sum(m)
    return sum(mi * o for mi, o in zip(m, OUT)) / w if w else 0.0

def crisp_brake(dist, speed):
    """通常のルール：同じ 3 つのルールのうち、いちばん当てはまる 1 つだけを使う（はい・いいえ）"""
    m = memberships(dist, speed)
    return OUT[m.index(max(m))]

def run(brake):
    pos, v, t, last = 0.0, 60 / 3.6, 0.0, 0.0
    jumps, biggest = 0.0, 0.0
    while v > 0 and t < 300:
        b = brake(200 - pos, v)
        jumps += abs(b - last)
        biggest = max(biggest, abs(b - last))
        last = b
        v = max(0.0, v - b * MAX_DECEL * DT)
        pos += v * DT
        t += DT
    return 200 - pos, jumps, biggest, t

for name, f in (("通常のルール（1 つだけ使う）", crisp_brake), ("ファジィ制御（混ぜて使う）", fuzzy_brake)):
    err, jumps, biggest, t = run(f)
    print(f"{name}：停止位置の誤差 {err:+.1f} m（＋は手前）、ブレーキの強さの変化の合計 {jumps:.1f}、1 回での最大変化 {biggest:.2f}、停止まで {t:.0f} 秒")
print("ブレーキの強さの変化が小さいほど、乗っている人はがくんと揺れない")

181980–1990 · Comprobar una predicción

La “herramienta estándar” en la lavadora

¿Dónde se pudo comprobar el pronóstico sobre la lógica difusa?

En septiembre de 1980, Zadeh escribió que la teoría de conjuntos difusos empezaba a utilizarse desde el control de procesos industriales hasta el diagnóstico médico, y que “es probable que se convierta, en un futuro no lejano, en una herramienta estándar” (traducción). No indicó un año límite.

7 años después, en 1987, la adoptó el metro de Sendai, y en 1989, 48 empresas fundaron el Laboratorio de Investigación Internacional en Ingeniería Difusa (LIFE). El 1 de febrero de 1990, Matsushita Electric lanzó la lavadora “Aisaigo Day Fuzzy”. A partir del tiempo que tarda en estabilizarse la turbidez del agua y de la transmitancia una vez estabilizada, determina el tiempo de lavado con 6 reglas, como “Si el tiempo de saturación es largo y la transmitancia es baja, el tiempo de lavado se hace muy largo” (traducción). Ese año, el premio de oro de la categoría de palabras nuevas de los premios a palabras y expresiones de moda fue para (traducción). En la figura de la derecha se puede cambiar la cantidad y el tipo de suciedad.

tiempo de lavado＝Σ(grado de ajuste × tiempo de la regla) ÷ Σ grado de ajuste

Grado de ajuste: min(grado de T, grado de V)
T: tiempo hasta que se estabiliza la turbidez
V: transmitancia una vez estabilizada

Cambio de la transmitancia con el tiempo (tanto las curvas como las reglas son un ejemplo creado para este sitio)

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_fuzzy_washer.py

# u06 ファジィ洗濯機：水の濁り方から、洗い時間を 6 つの「もし〜なら〜」ルールで決める
#
# どの出来事か：1990 年 2 月 1 日に発売された松下電器の全自動洗濯機（記録 fuzzy_washer_ryukogo_1990 と、
#   ザデーの 1980 年の予測記録 zadeh_fuzzy_standard_tool_prediction_1980）。開発者の 1990 年の記事によると、
#   排水弁の近くで光を当て、洗濯水を通る光の強さ（透過度）を測定する。洗い始めると汚れが溶け出して透過度が下がり、
#   やがて落ち着く。落ち着くまでの時間 T（泥の汚れは早く、脂の汚れは遅い）と、落ち着いたときの透過度 V（汚れが多いほど低い）
#   から、6 つのルールのファジィ推論で洗い時間を決めた。ルールは「飽和時間が長く、かつ透過度が低ければ
#   洗濯時間をとても長くする」のような形式で、家庭で集めたデータと作る人のコツから作られた。
# このサンプル：同じ仕組みの簡易推論。6 つのルールの中身・形・時間（分）の数は、このサイトが作った例。
#   「かつ」は最小値（min）をとる。ルールごとの洗い時間を、あてはまり具合で重みをつけて平均する（後件部が数値の簡便法）。
# 試してみよう：
#   - T と V を変えて、洗い時間がなめらかに変化するか確認する
#   - ルールを 1 つ削除すると、どこで時間が急変するか確かめる

def ramp(x, a, b):
    return 0.0 if x <= a else 1.0 if x >= b else (x - a) / (b - a)

def t_short(t): return 1 - ramp(t, 60, 180)     # 落ち着くのが早い（秒）
def t_long(t): return ramp(t, 60, 180)          # 落ち着くのが遅い
def v_high(v): return ramp(v, 0.4, 0.8)         # 透過度が高い（きれい）
def v_mid(v): return 1 - abs(v - 0.55) / 0.25 if abs(v - 0.55) < 0.25 else 0.0
def v_low(v): return 1 - ramp(v, 0.3, 0.6)      # 透過度が低い（汚れが多い）

RULES = [  # (T の形, V の形, 洗い時間（分）)
    (t_short, v_high, 4), (t_short, v_mid, 7), (t_short, v_low, 10),
    (t_long, v_high, 6), (t_long, v_mid, 10), (t_long, v_low, 15),   # 飽和時間が長く、かつ透過度が低い → とても長く
]

def wash_time(T, V, show=False):
    w = [min(ft(T), fv(V)) for ft, fv, _ in RULES]
    if show:
        for (ft, fv, m), wi in zip(RULES, w):
            print(f"   もし T が{'短い' if ft is t_short else '長い'}、かつ V が{ {v_high: '高い', v_mid: '中くらい', v_low: '低い'}[fv]} なら {m:>2} 分 … あてはまり {wi:.2f}")
    return sum(wi * m for wi, (_, _, m) in zip(w, RULES)) / sum(w)

T, V = 150, 0.35   # 脂の汚れが多い場合（このサイトが作った数）
print(f"T = {T} 秒、V = {V}")
print(f"→ 洗い時間 {wash_time(T, V, show=True):.1f} 分\n")

print("T を変えたときの洗い時間（V = 0.5）")
for t in range(40, 221, 30):
    m = wash_time(t, 0.5)
    print(f"   T = {t:>3} 秒 → {m:4.1f} 分 " + "■" * round(m))

191980–1989 · Mantenimiento

Las reglas siguieron aumentando

¿Basta con construir una vez una IA que contiene reglas?

Las reglas de R1 (XCON) siguieron aumentando desde las 772 de junio de 1980. Había unas 1,000 cuando DEC se hizo cargo del mantenimiento, unas 2,000 alrededor de julio de 1982 y 2,500 en 1984; en 1989, los sistemas relacionados sumaban 17,500. Esto ocurría porque, cada vez que DEC lanzaba un producto nuevo, cambiaba el propio trabajo de montaje.

Según un artículo escrito por personal de DEC en 1984, seguir añadiendo conocimiento requería el trabajo de unas 4 personas cada año. Sobre el mantenimiento, decía: “Probablemente representa el mayor costo” (traducción), y señalaba que se necesitaban personas con formación especial. Ese mismo año, 1984, el folleto de la exposición proclamaba que los sistemas expertos no renunciaban ni se jubilaban.

Hay que comprobar que las reglas nuevas no contradigan las anteriores. Al pulsar un punto en la figura de la derecha, aparecen el número de reglas de ese momento y el número de parejas.

número de parejas＝n(n − 1)／2

n: número de reglas. Con 772 hay 297,606 parejas; con 17,500, unos 153 millones de parejas

Lo que se cree saberLo que suele decirse:Se suele decir que “XCON fue una IA de gran éxito que ahorraba $40 millones cada año”
Según la fuente original:esa cifra es una estimación de un artículo de 1989 de una persona de DEC: “más de $40 millones al año” (traducción). Este sitio solo la ha comprobado mediante la cita de Nilsson. El artículo de 1984 del personal de DEC no da una cantidad de dinero y describe el trabajo de mantenimiento.

20Desde 1977 · Adquirir conocimiento

Cómo ensanchar el conducto

¿Cómo se traslada a una computadora el conocimiento que un experto tiene en la cabeza?

En 1977, Feigenbaum escribió en su artículo invitado (traducción) que “la adquisición de conocimiento del campo especializado era el cuello de botella” (traducción). Un cuello de botella es el paso más estrecho, como el cuello de una botella. También hubo ejemplos en los que extraer el conocimiento requirió poco trabajo. PUFF, un programa para diagnosticar pruebas pulmonares, obtuvo 55 reglas mediante menos de 50 horas de intercambio con expertos y menos de 10 semanas-persona de trabajo.

El mismo artículo presentó, como una forma de ensanchar el conducto, META-DENDRAL, un programa que encuentra reglas automáticamente a partir de datos de mediciones de moléculas cuya estructura se conoce. Según el artículo, las reglas encontradas tenían una calidad comparable a la de las reglas de los expertos. La figura de la derecha muestra el método más sencillo: encontrar una por una a partir de ejemplos con respuestas.

Las reglas escritas por personas siguieron necesitando mantenimiento. El camino del aprendizaje a partir de datos se desarrolla en los capítulos 8 y 9.

Lo que se cree saberLo que suele decirse:Se suele hacer la distinción de que “la IA del segundo auge solo podía incorporar el conocimiento de expertos escrito a mano, y el aprendizaje a partir de datos comenzó en el tercer auge”
Según la fuente original:el propio artículo de 1977 que describió el cuello de botella presentó, como una de las respuestas, META-DENDRAL, que encuentra reglas automáticamente a partir de datos.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u06_rule_induction.py

# u06 データからルールを見つける：人から聞き出す代わりに、正解付きのデータから「もし〜なら〜」を作る
#
# どの出来事か：1977 年のファイゲンバウムの論文（記録 feigenbaum_knowledge_bottleneck_1977）。
#   論文は、専門分野の知識を手に入れることがボトルネック（いちばん狭い通り道）の問題だった、と書いた。
#   その答えの 1 つとして、構造の分かっている分子の測定データからルールを見つけるプログラム META-DENDRAL を紹介した。
# このサンプル：分子ではなく、自転車の相談の例（このサイトが作ったデータ）。正解（原因）の付いた事例から、
#   「多くの例をまちがいなく説明できる条件」を 1 つずつ選んでルールにし、説明できた例を除いて繰り返す
#   （例を順にカバーしていくやり方。META-DENDRAL の手順そのものではない）。
# 試してみよう：
#   - EXAMPLES の正解を 1 つ変えると、見つかるルールはどう変わるか
#   - 例を減らすと、ルールはどうなるか

EXAMPLES = [  # (こぐと音, さび, 雨ざらし, へこむ, 重い, 答え)
    (1, 1, 1, 0, 0, "油切れ"), (1, 0, 1, 0, 1, "油切れ"), (1, 1, 0, 0, 0, "油切れ"), (1, 0, 1, 0, 0, "油切れ"),
    (0, 0, 0, 1, 1, "空気"), (0, 0, 1, 1, 1, "空気"), (1, 0, 0, 1, 1, "空気"), (0, 1, 0, 1, 0, "空気"),
    (0, 0, 0, 0, 1, "ブレーキ"), (0, 1, 0, 0, 1, "ブレーキ"), (0, 0, 1, 0, 1, "ブレーキ"),
]
NAMES = ["こぐと音がする", "さびている", "雨ざらし", "タイヤがへこむ", "重い"]

def conds():
    """1 つか 2 つの「〜がある／無い」の組み合わせをすべて作る"""
    single = [((i, v),) for i in range(len(NAMES)) for v in (1, 0)]
    pairs = [(a[0], b[0]) for a in single for b in single if a[0][0] < b[0][0]]
    return single + pairs

def fits(ex, cond):
    return all(ex[i] == v for i, v in cond)

def say(cond):
    return " かつ ".join(NAMES[i] + ("" if v else " でない") for i, v in cond)

left = list(EXAMPLES)
while left:
    best = None
    for cond in conds():
        covered = [ex for ex in left if fits(ex, cond)]
        labels = {ex[-1] for ex in covered}
        # 説明できる例が多く、誤りがない（答えが 1 種類だけ）条件を選ぶ。同じなら短く、「ある」の多い条件を優先する
        score = (len(covered), -len(cond), sum(v for _, v in cond))
        if len(labels) == 1 and (best is None or score > best[2]):
            best = (cond, covered, score)
    if best is None:
        print("これ以上、誤りのないルールは作れない")
        break
    cond, covered, _ = best
    print(f"見つけたルール：もし {say(cond)} なら {covered[0][-1]}（{len(covered)} 個の例を説明）")
    left = [ex for ex in left if ex not in covered]

print(f"\n{len(EXAMPLES)} 個の例から、人に聞かずにルールを作った。ただし、例にないことは分からない")

El poder está en el conocimiento

Factores de certeza para enlazar “probablemente” (traducción)

Hacia adelante y hacia atrás

Una máquina para preguntar “¿Por qué?”

Conocimiento en plantillas de situaciones

Evaluar sin conocer los nombres

Estimar aplicando multiplicadores

Detectar las piezas que faltan

Traducir imitando ejemplos

¿Qué número de auge era?

Dos salas en la misma conferencia

“Líquido amniótico” de un paciente varón

Una enciclopedia de sentido común

Software de traducción y “Esto es una ilusión” (traducción)

Un robot que acompaña el canto

¿Desde cuántos cm se es “alto”?

Frenar el metro con lógica difusa

La “herramienta estándar” en la lavadora

Las reglas siguieron aumentando

Cómo ensanchar el conducto

Lo que este capítulo aún no sabe