DATR es un lenguaje declarativo de representación del conocimiento diseñado para codificar redes de herencia por defecto. Fue introducido en 1989 por Roger Evans y Gerald Gazdar en la Universidad de Sussex. El lenguaje se emplea en lingüística computacional para representar conocimiento léxico, como las propiedades morfológicas, sintácticas y fonológicas de las palabras. DATR es un subcampo de inteligencia artificial y destaca por su semántica formal y su soporte para herencia por defecto y múltiple.
Contexto histórico
DATR surgió a finales de la década de 1980, cuando los enfoques simbólicos dominaban la investigación en inteligencia artificial. Instituciones como MIT CSAIL, Stanford AI Lab y la Universidad Carnegie Mellon desarrollaban sistemas de representación del conocimiento y formalismos basados en lógica. La investigación en PARC y Bell Labs contribuyó con trabajos fundamentales en lenguajes de programación e inteligencia artificial. Posteriormente, Berkeley AI Research y la Universidad de Toronto se convirtieron en centros para enfoques conexionistas y estadísticos, que contrastaban con la tradición simbólica que produjo DATR.
Sintaxis y semántica
En DATR, una base de conocimiento consiste en un conjunto de nodos, cada uno con ecuaciones de ruta. Una ruta es una secuencia de átomos, y un nodo puede definir valores para rutas. Por ejemplo, un nodo para el sustantivo "perro" podría especificar <root> = "perro" y <plural> = "perros". La herencia por defecto se logra ordenando ecuaciones, de modo que los nodos más específicos sobrescriben a los más generales. El lenguaje también admite herencia múltiple, donde un nodo puede heredar de varios padres. La semántica formal de DATR se define mediante una construcción de punto fijo mínimo sobre una red de herencia global, lo que garantiza un modelo único para cualquier base de conocimiento bien formada.
El lenguaje tiene una sintaxis simple sin variables. Las rutas se escriben como secuencias de átomos entre llaves angulares, y las ecuaciones usan el signo igual. Los nodos pueden definirse listando ecuaciones, y la herencia se expresa referenciando otros nodos. DATR también soporta herencia ortogonal, donde diferencias rutas pueden heredar de diferentes padres de manera independiente.
Implementación
La implementación original de DATR se escribió en Prolog, y el lenguaje fue diseñado para ser fácilmente integrado en sistemas de procesamiento de lenguaje natural más amplios. Evans y Gazdar publicaron una especificación formal de DATR, proporcionando una semántica denotacional que mapea bases de conocimiento a modelos con conjuntos fijos. Esta especificación permitió implementar DATR en otros lenguajes de programación, y varias versiones posteriores se desarrollaron con fines de investigación.
Aplicaciones
DATR se utilizó principalmente en lingüística computacional para representar información léxica. Fue un componente clave del proyecto ACQUILEX (1989-1993), que construyó bases de conocimiento léxicas multinacionalistas para inglés, italiano, neerlandés y español. El lenguaje también se aplicó a la investigación en morfología, sintaxis y fonología, donde la herencia por defecto captura naturalmente regularidades y excepciones. Por ejemplo, un nodo general de sustantivo puede definir una forma plural por defecto, mientras que un nodo específico para "niños" lo sobrescribe con "niños". La codificación explícita del conocimiento léxico en DATR contrasta con la large los modelos de lenguaje, que aprenden patrones estadísticos de grandes corpus. También difiere de los sistemas de IA generativa que producen texto, ya que DATR es un formalismo declarativo en lugar de un modelo generativo.
Influencia y legado
Aunque DATR ya no se usa ampliamente, sigue siendo importante como ejemplo de formalismismo de representación simbólica del conocimiento. Sus principios de herencia por defecto y múltiple han influido en lenguajes posteriores de representación y ontologías. DATR se contrasta a menudo con los enfoques de machine learning y deep learning, que dependen de redes neuronales y transformadores. Los sistemas modernos de IA, como los desarrollados por OpenAI y Google DeepMind, se basan en el aprendizaje profundo, no en la representación simbólica del conocimiento. Por tanto, DATR sirve como punto de referencia histórico para comprender el cambio de la inteligencia artificial simbólica a métodos estadísticos y conexionistas.