Your SlideShare is downloading. ×
  • Like
×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

inteligencia artificial unidad 1

  • 2,624 views
Published

No es originalmente mio, pero espero les sirva a los que lleven esta materia en su Ingeniería.

No es originalmente mio, pero espero les sirva a los que lleven esta materia en su Ingeniería.

Published in Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
2,624
On SlideShare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
83
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Inteligencia artificial Unidad 11.1 El propósito de la IA y su evolución histórica.1.2 Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia (conductismo, Gardner, .1.3 El proceso de razonamiento según la lógica (Axiomas, Teoremas, demostración).1.4 El modelo de adquisición del conocimiento según la filosofía.1.5 El modelo cognoscitivo.1.6 El modelo del agente inteligente. 11.7 El papel de la heurística. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 2. HISTORIA DE LA INTELIGENCIA ARTIFICIAL Reconocido en general como el primer trabajo de IA, fue realizado porWarren McCulloch y Walter pitts(1943). Abrevaron de tres fuentes: conocimientossobre la filosofía básica y funcionamiento de las nuevas neuronas en el cerebro, elanálisis formal de la lógica proposicional de Russel y Whitehead y la teoría de lacomputación de turing. Propusieron un modelo constituido por neuronasartificiales, en el que cada una de ellas se caracterizaba por estar “encendida” o“apagada”; el “encendido” se daba como respuesta ala estimulación producida poruna cantidad suficiente de neuronas vecinas. El estado de una neurona se veíacomo “equivalente, de hecho, a una proposición que propusiera sus estímulosadecuados. Por ejemplo, mostraron que cualquier función calculable podríacalcularse mediante cierta red de neuronas interconectadas y que todos losconectores lógicos se podían lograr utilizando sencillas estructuras de red.McCulloch y pitts también insinuaron la posibilidad de aprendizaje por parte deredes definidas para tal propósito. Donald Hebb (1949) demostró una cenilla reglade actualización para modificar las intensidades delas conexiones entre neuronas,de manera que ocurriera el aprendizaje. Los trabajos de McCulloch y Pittss son, si bien esto es discutible, losprecursores de la tradición logicisista en IA así como de la tradición conexionista.A principios de la década de los 50, Claude Shannon (1950) y Alan Turing (1953)se ocupaban de escribir programas de ajedrez para computadoras convencionalesal estilo de Von Neumann. Simultáneamente, dos estudiantes de posgrado deldepartamento de matemáticas de Princeton, Marvin Minsky y Dean Edmonds,construyeron la primera computadora de red neuronal en 1951. La SNARC, eseera su nombré, utilizaba 3000 bulbos y un mecanismo de piloto automáticoobtenido de los desechos de un avión bombardero B-24 para simular una red de40 neuronas. Los asesores del doctorado de Minsky veian con escepticismo el queeste tipo de trabajo pudiera considerarse como matemáticas. Neumann formabaparte de los asesores y se dice que su opinión fue: “si no lo es actualmente, algúndía lo será.” Es irónico que Minsky mismo hiciera la demostración de teoremasque contribuyeron a desechar buena parte de las investigaciones sobre redes 2neuronales de la década de los 70. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 3. Princenton acogía a otra de las figuras señeras de la IA, John McCarthy.Luego de graduarse, McCarthy se paso a Dartmouth college, que se erigiría en ellugar de nacimiento oficial de este campo.MCCarthy logro convencer a Minsky,Claude Shannon y Nathaniel Rochester para que le ayudaran a congregarinvestigadores estadounidenses interesados en la teoría de los autómatas, lasredes neuronales y el estudio de la inteligencia. Organizaron un taller de dosmeses en Dartmouth, en el verano de 1956. En total hubo diez asistentes,incluidos Trenchard More de Princeton, Arthur Samuel de IBM y Ray Solomonoff yOliver Selfridge de MIT.Dos investigadores del Carnegie tech, Allen y Herbert Simón, acapararon laatención. Si bien los demás tenían algunas ideas y, en algunos casos, programaspara aplicaciones de terminadas como el juego de damas, Newell y Simóncontaban ya con un programa de razonamiento, el teórico lógico (TL), del queSimón afirmaba:” hemos inventado un programa de computación capaz de pensarde manera no numérica, con lo que ha quedado resuelto el venerable problemade la dualidad mente-cuerpo. Al termino del taller, el programa ya era capaz dedemostrar gran parte de los teoremas de Russell yWhitehead. Se dice que Russellse manifestó complacido cuando Simón le mostro que el programa habíaproducido la demostración de un teorema mas corta que una de principia. Loseditores del Journal of Symbolic Logic (revista de lógica simbólica) resultaronmenos impresionados; rechazaron un artículo cuyos autores eran Newell, Simon yel teórico lógico. Si bien l taller de Dartmouth no produjo ningún a vance notable, si contribuyoa que todos los personajes importantes se conocieran. Durante los siguientes 20años el campo estuvo dominado por estos personajes, así como por susestudiantes y colegas del MIT, UCM, Stanford y la IBM. Quizás lo último queresulto del taller fue el consenso en adoptar el nuevo nombre propuesto porMcCarthy para este campo: inteligencia artificial 3 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 4. Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia (conductismo, Gardner,Definición y alcance de la ciencia cognitivaDefino la ciencia cognitiva como un empeño contemporáneo, de base empírica,por responder a interrogantes epistemológicos de antigua data, en particular losvinculados a la naturaleza del conocimiento, sus elementos componentes, susfuentes, su evolución y difusión.Yo la aplicaré principalmente a los esfuerzos por explicar el conocimiento humano.Me interesa saber si las cuestiones que intrigaban a nuestros antepasadosfilosóficos pueden recibir una respuesta concluyente, o deben reformularse de unamanera más provechosa, o desechárselas para siempre. Hoy en día la cienciacognitiva tiene la clave para responder a esto.Existen cinco aspectos que considero de importancia fundamental.  Si todos, o la mayoría, están presentes, puede presumirse sin vacilación que estamos ante una ciencia cognitiva; en cambio si una disciplina sólo presenta unos pocos de estos rasgos o ninguno, quedará fuera de mi definición de ciencia cognitiva.  Ante todo está la creencia de que al referirnos a las actividades cognitivas de los seres humanos, es necesario concebir representaciones mentales y postular un nivel de análisis totalmente separado del nivel biológico o neurológico del nivel sociológico o cultural. Este nivel de análisis se llama “nivel de representación”, y su materia prima son los símbolos, reglas, imágenes etc. Este nivel es indispensable para toda la variedad de las conductas, acciones y pensamientos humanos.  Está la creencia de que para la comprensión de la mente humana es esencial la computadora. No sólo resulta indispensable para llevar a cabo estudios de diversa índole, sino que constituye el modelo más viable de funcionamiento de la mente humana.  La computadora actúa como una “prueba de existencia”, es decir que si es posible sostener que una máquina construida por el hombre razona, tiene metas, revisa y corrige su conducta, transforma información, por cierto los seres humanos merecen ser caracterizados de la misma manera.  El grado en que una disciplina está próxima a la ciencia cognitiva puede medirse, con seguridad, por el grado en que está ligada a las computadoras.  Estas dos primeras características incorporan creencias centrales en la 4 ciencia cognitiva actual. Se consideran los supuestos nucleares.  Las tres siguientes conciernen a procedimientos metodológicos.  El tercer rasgo es su deliberada decisión de restar énfasis a ciertos factores como ser los afectos y las emociones, elementos históricos y culturales y el UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 5. papel del contexto. La ciencia cognitiva sería impracticable si se quisi eran tomar en cuenta todos estos elementos individualizadores.  El cuarto rasgo es que los científicos cognitivistas tienen el convencimiento de la gran utilidad de los estudios interdisciplinarios (en particular la filosofía, psicología, inteligencia artificial, lingüística, antropología y la neurociencia), pero tienen la esperanza de que algún día las fronteras entre ellas puedan eliminarse.  La quinta característica es la afirmación de que un ingrediente clave de la ciencia cognitiva es el conjunto de inquietudes que los epistemólogos tradicionales griegos han debatido durante largo tiempo. Esto se explica afirmando que los interrogantes tradicionales pueden servirnos como un lógico punto de partida para nuestras indagaciones actuales. 2. - EL DESAFIO AL CONDUCTISMO El desafío al conductismo Los conductistas (corriente predominante desde principios de siglo) enunciaron dos proposiciones para los investigadores: Debían limitarse estrictamente a los métodos públicos de observación que cualquier hombre de ciencia fuera capaz de aplicar y de cuantificar. Los elementos de una disciplina debían ser muy observables. Los interesados en una ciencia del comportamiento debían centrarse exclusivamente en la conducta y no en la mente, el pensar o la imaginación. Tampoco se concebían construcciones mentales como el símbolo, la idea, el esquema etc. Un elemento decisivo era la creencia en la supremacía y el poder determinante del medio. Consideraban que los individuos no actuaban de la manera en que lo hacían a raíz de sus propias ideas, sino que actuaban en respuesta a diversas fuerzas y factores presentes en su medio. Durante las décadas del 20 30 y 40 va apareciendo una creciente conciencia por parte de muchos científicos. Dicen que con los cánones conductistas se estaba volviendo imposible el estudio científico de la mente. Advirtieron que para alcanzar nuevas intelecciones ( ) acerca del cerebro o de las computadoras, era imprescindible enfrentar frontalmente al conductismo. 5 Teoría de la Información Shannon llegó a establecer la noción clave de la T. De la Información: puede concebirse a la información totalmente independiente del contenido o la materia UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 6. específica de que se trate, como una decisión singular entre dos alternativasadmisibles. La unidad básica de información (el bit) es la cantidad de informaciónrequerida para seleccionar un mensaje entre dos alternativas aquí probables.3. - LAS PRIMERAS DECADAS DE LA CIENCIA COGNITIVALa paradoja computacionalLa aplicación rigurosa de los métodos y modelos extraídos del ámbitocomputacional ha llevado a los científicos a comprender en que aspectos los sereshumanos no se asemejan a las computadoras.El desafío de las ciencias cognitivasEs fundamental que la misma establezca su autonomía y que dem uestre en queterrenos son válidos los enfoques computacionales y representacional.4. - CONCLUSION: LA PARADOJA COMPUTACIONAL Y ELDESAFIO COGNOSITIVO Con respecto al modelo del nivel de representación, quien quisieraprescindir de este elemento, se vería obligado a explicar el lenguaje, la resoluciónde problemas, la clasificación y otros problemas semejantes, estrictamente en lostérminos del análisis neurológico y cultural; pero los descubrimientos de losúltimos 30 años harían imposible esta tarea. Con respecto a la paradoja computacional, esta nos sugiere que el cuadroque nos pinta la ciencia cognitiva acerca del proceso de la cognición, es muydistinto de esa imagen ordenada, precisa y gradual que predominó en losfundadores de este campo. El pensar humano se nos aparece mucho másdesaliñado, intuitivo y sometido a representaciones subjetivas... no como uncálculo puro. Tal vez la computadora sea capaz de modelar estos procesos, peroel resultado final tendrá poco parecido a la visión canónica de la cogniciónimplícita en las descripciones de inspiración computacional //?? (Será que lacomputadora no puede modelar como lo hace nuestra mente).El desafío cognitivo La meta última de la ciencia cognitiva debe ser dar una descripcióncoherente de la forma en que los seres humanos obtienen sus productossimbólicos más significativos: cómo llegan a componer sinfonías, a escribirpoemas, a inventar máquinas o a construir teorías. 6 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 7. El proceso de razonamiento según la lógica (Axiomas, Teoremas, demostración). La teoría de las inteligencias múltiples es un modelo propuesto por HowardGardner en el cual la inteligencia no es vista como algo unitario, que agrupadiferentes capacidades específicas con distinto nivel de generalidad, contrario aesto es vista como un conjunto de inteligencias múltiples, distintas eindependientes. La inteligencia es definida como la capacidad cerebral por la queconseguimos penetrar en la comprensión de las cosas eligiendo el mejorcamino.(Antunes, 2006) La formación de ideas, el juicio y razonamiento son actosesenciales e indicadores de la inteligencia. Haciendo un contraste a esta definiciónHoward Gardner empezó definiendo la inteligencia como la capacidad de resolverproblemas o crear productos que son valorados en uno o más contextosculturales. Dos décadas después ofrece una definición más refinada y define lasinteligencias múltiples como un potencial biopsicológico para procesar informaciónque se puede activar en un marco cultural para crear problemas o crear productosque tienen valor para una cultura (Gardner,1999) Este cambio en las definicioneses importante ya que nos indica que las inteligencias no son algo tangible niconcreto, una cultura y todas sus actividades son factores determinantes paradesarrollar y mostrar unas capacidades potenciales en un individuo.Gardner reconoce que la brillantez académica no lo es todo. Establece que paradesenvolverse óptimamente en la vida no basta con tener un gran expedienteacadémico. Hay personas de gran capacidad intelectual pero incapaces de, porejemplo, elegir correctamente a sus amigos; por el contrario, hay personas menosbrillantes en el colegio que triunfan en el mundo de los negocios o en su vidapersonal. Triunfar en los negocios, o en los deportes, requiere ser inteligente, peroen cada campo se utiliza un tipo de inteligencia distinto. No requiere poseer unainteligencia ni mejor o peor, ni mayor o menor, pero sí distinta. No existe unapersona más inteligente que otro simplemente sus inteligencias pertenecen acampos diferentes. 7 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 8. Anteriormente existía la percepción de que se nacía inteligente o no, y laeducación no podía cambiar ese hecho. Tanto es así que en épocas muycercanas a los deficientes psíquicos no se les educaba, porque se considerabaque era un esfuerzo inútil. Considerando la importancia de la psicología de las inteligencias múltiples,ha de ser más racional tener un objeto para todo lo que hacemos, y no solo pormedio de estas inteligencias. Puesto que deja de lado la objetividad, que es elorden para captar el mundo. Gardner hace la analogía de que al igual que hay muchos problemastambién existen varias inteligencias. Junto a su equipo de “Harvard” han definido yestablecido ocho tipos de inteligencias.Tipos de inteligencia: Inteligencia lingüística- Radica en la competencia de usar las Palabras de una forma creativa y eficaz, tanto en las expresiones orales como escritas. Supone siempre, tener una gran habilidad en el uso de la sintaxis, la fonética, la semántica y los usos pragmáticos del lenguaje. Inteligencia lógica-matemática- utilizada para resolver problemas de lógica y matemáticas. Es la inteligencia que tienen los científicos. Se corresponde con el modo de pensamiento del hemisferio lógico y con lo que la cultura occidental ha considerado siempre como la única inteligencia. Inteligencia espacial- Es la destreza en la percepción de imágenes, internas y externas, recrearlas, transformarlas y modificarlas, además de recorrer el espacio, hacer que los objetos lo recorran y producir o decodificar las 8 informaciones gráficas. Es propia del llamado pensamiento tridimensional. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 9.  Inteligencia musical -Es la capacidad de las personas para percibir, discriminar, expresar y transformar las diversas formas musicales. Implica tener una gran sensibilidad para el ritmo, el tono y el timbre de la música. Inteligencia Corporal Cinética- Se trata de la habilidad de utilizar el cuerpo para la expresión de ideas y sentimientos. Esta inteligencia supone tener destrezas de coordinación, equilibrio, flexibilidad, fuerza y velocidad. Inteligencia intrapersonal-Esta organizada en torno a la destreza de construir una percepción muy precisa respecto de sí mismo, de organizar, planificar y dirigir su propia vida. Incluye conductas de autodisciplina, de auto comprensión y de autoestima. Inteligencia interpersonal- Comprende la desenvoltura de entender a los otros y relacionarse eficazmente con ellos. Incluye una gran sensibilidad para entender las expresiones faciales, la voz, los gestos, las posturas, para responder adecuadamente. Disfrutan del trabajo en equipo. Inteligencia naturalista - Comprende la facilidad de distinguir, clasificar y utilizar elementos del entorno, del medio ambiente,. Comprende las habilidades de observación, experimentación, reflexión y preocupación por el entorno. 9 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 10. RAZONAMIENTO LOGICOLa práctica de los razonamientos deductivos en el proceso de desarrollo delpensamiento lógico matemático es muy importante. Constituye una herramientafundamental para el trabajo en la matemática y otras ciencias.¿QUÉ ES LA LÓGICA?La lógica es aquella ciencia que va en búsqueda de las formas de losrazonamientos correctos, es decir, de las leyes del deducir correctamente. En estesentido es legítimo afirmar que la lógica es la teoría de la deducción, en cuantoestudia las reglas de las inferencias correctas.La lógica hace explícitas estas leyes, las ordena en sistemas axiomáticos y pruebasus capacidades y límites.Teoría deductivaDesignamos bajo este nombre toda teoría que se fundamenta en dos principios:Definiciones y demostraciones.En su desarrollo debe cumplir básicamente las siguientes condiciones:Enunciar explícitamente los términos primitivos con ayuda de los cuales sepropone definir los demás términos de la teoría.Enunciar explícitamente las relaciones primitivas. Con la misma esencia anterior,son relaciones que el hombre pone en la base de su conocimiento.Teoría Deductiva.Enunciar explícitamente las proposiciones primitivas, con ayuda de las cuales sepropone demostrar otras proposiciones de la teoría. Estas proposiciones primerasse denominan Axiomas y relacionan entre sí los términos primitivos y lasrelaciones primitivas.Que las relaciones enunciadas entre los términos sean únicamente relacioneslógicas, permaneciendo independientes del sentido concreto o interpretación quepueda darse a los términos. 10 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 11. Axioma o postulado.Es una proposición primitiva que se admite como cierta. En la construcción de unateoría axiomática se ha de partir de un conjunto de axiomas, escogidos de talforma que dicho conjunto ha de ser: compatible, suficiente, independiente.  Analicemos estas características:  Compatibilidad: Dos axiomas no pueden formular en ellos, ni producir en sus resultados derivados, relaciones contradictorias.  Suficiencia: Toda proposición verdadera ha de ser deducible dentro del sistema.Independencia: Ningún axioma ha de poderse deducir de otros.Estableciendo el sistema de axiomas (que por cierto, no tienen porque ser"evidentes"), se comienza a construir la teoría enunciando y demostrando losteoremas.TeoremaEs una proposición que ha de demostrarse cierta, mediante unrazonamiento lógico a partir de los axiomas o de otros teoremas previamentejustificados.Se afirma que un teorema (por ejemplo, el teorema de Pitágoras) es válido si esrecabado o deducido correctamente de las premisas (constituidas, en nuestrocaso, por los postulados de Euclides).La demostraciónEl proceso demostrativo consiste básicamente en:A partir de unas proposiciones dadas que llamaremos premisas, obtener otraproposición que llamaremos conclusión mediante la aplicación de unas reglaslógicas.Para demostrar que una proposición específica es un teorema en una teoría 11deductiva dada procedemos así:1.-Se enuncian explícitamente los axiomas de la teoría. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 12. 2.-Se fijan las reglas que validan el proceso demostrativo, estas reglas sedenominan reglas de validez y se reducen a las siguientes:Regla de validez 1: Todo axioma puede figurar en cualquier paso de unademostración.Regla de validez 2: Si P=>Q figura en una demostración y P también figura en lamisma demostración, entonces se puede concluir Q en la demostración. Esta reglauniversal se conoce con el nombre de Modus Ponens.Regla de validez 3: Si dos proposiciones son equivalentes se puede sustituir launa por la otra en cualquier parte de una demostración. Esta regla se conoce conel nombre de sustitución por equivalencia.3. Efectuar una demostración de una proposición específica Q, consiste enobtener la proposición Q como la última en el proceso demostrativo por aplicaciónreiterada de las reglas de validez 1, 2 y 3.Fundamentos de la lógica  Inferencia = razonamiento formalmente válidoRazonamiento: tipo de pensamiento que consiste en obtener una conclusión apartir de unas premisas.Formal: atención a la forma (abstracción del contenido).Válido: si las premisas son verdaderas, la conclusión también lo será (->deductivo)Surge como propuesta para la formalización de razonamiento aproximado, paratratar conocimiento de sentido común. 12 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 13. Lógica difusaLa lógica difusa es una metodología que proporciona una manera simple yelegante de obtener una conclusión a partir de información de entrada vaga,ambigua, imprecisa, con ruido o incompleta, en general la lógica difusa imita comouna persona toma decisiones basada en información con las característicasmencionadas.Lógica difusa en inteligencia artificialMétodo de razonamiento de maquina similar al pensamiento humano, que puedeprocesar información incompleta o incierta, característico de muchos sistemasexpertos.Con la lógica difusa se puede gobernar un sistema por medio de reglas de“sentido común” las cuales se refieren a cantidades indefinidas. En general lalógica difusa se puede aplicar tanto a sistemas de control como para modelarcualquier sistema continuo de ingeniería, física, biología o economía.La lógica proporciona:Un lenguaje base para la representación del conocimiento.  Modelos para el razonamientoProlog es:Una sintaxis para la construcción de sistemas expertos.Una herramienta basada en el lenguaje de la lógica, con muchas versiones:Prolog- 10(1975- 79), Prolog II (1981) …SICStus, GNU Prolog, SWI Prolog, Ciao Prolog. 13 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 14. Modelos de Adquisición Según La Filosofía La Adquisición de Conocimientos (AC) es el proceso de recolección de información, a partir de cualquier fuente (experto, libros, revistas, informes), necesaria para construir un Sistema Basado en Conocimiento. La AC no es un paso concreto en la metodología de desarrollo de un SBC, sino más bien una tarea que se produce en paralelo a todas las etapas de construcción de estos sistemas (identificación, conceptualización, formalización, validación, mantenimiento). La adquisición de conocimientos es la tarea más importante en el desarrollo de SBC. Sin embargo, esta actividad es de momento un campo experimental en el que la IA tiene poco o nada que decir. No existe ningún método completamente automático de Adquisición de Conocimiento. La conceptualización de aprendizaje se abordara en perspectiva de los modelos mentales sobre el razonamiento y el pensamiento, por cuanto el aprendizaje tiene que ver con la representación del conocimiento conceptual y la categorización, toda vez que con ello se introduce la pregunta por las categorías que corresponden a nuestros esquemas conceptuales y si estas reflejan estructuras en el mundo que son independientes de la capacidad humana de formar conceptos. Modelos de adquisición sobre lenguaje El interés por los aspectos cognoscitivos del lenguaje surge como reacción contra la tendencia que concedía un lugar privilegiado a los aspectos sintácticos en el estudio del lenguaje infantil. Modelos in natitas Se relanzan las tesis inspiradas en supuestos racionalistas mostrándose una decidida predilección por las explicaciones in natitas y una propensión a defender la especificad del lenguaje. 14 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 15. El modelo cognoscitivo.Se centra en los procesos de pensamiento y en la conducta que refleja estosprocesos. Es la base de una de las cinco perspectivas del desarrollo humanoaceptadas mayoritariamente (las otras 4 son la perspectiva psicoanalítica, laperspectiva del aprendizaje, la perspectiva evolutiva/socio biológica y laperspectiva contextual). El proceso cognoscitivo es la relación que existe entre elsujeto que conoce y el objeto que será conocido y que generalmente se iniciacuando el este logra realizar una representación interna del fenómeno convertidoen objeto del conocimiento. El desarrollo cognitivo es el producto de los esfuerzosdel niño por comprender y actuar en su mundo. Se inicia con una capacidad innatade adaptación al ambiente. Consta de una serie de etapas que representan lospatrones universales del desarrollo. En cada etapa la mente del niño desarrollauna nueva forma de operar. Este desarrollo gradual sucede por medio de tresprincipios interrelacionados: la organización, la adaptación y el equilibrio.Según Jean Piaget, el desarrollo humano parte en función de los reflejos arcaicos,el niño nace con estos esquemas básicos que le sirven para entrar en relación conel medio. (El primer esquema básico del hombre, es el acto de chuparse el dedopulgar dentro del vientre materno), con esto se da origen al nacimiento delDesarrollo Cognitivo. El Desarrollo Cognitivo, es el esfuerzo del niño porcomprender y actuar en su mundo . Por otra parte, también se centra en losprocesos del pensamiento y en la conducta que estos reflejan. Desde elnacimiento se enfrentan situaciones nuevas que se asimilan; los procesos en sí,se dan uno tras otro, siendo factores importantes en el desarrollo, el equilibrio yel desequilibrio, ambos impulsan el aprendizaje y se produce la acomodación delconocer. El equilibrio está presente desde la edad fetal, y son reflejos que lepermiten su supervivencia en el medio; en cambio el desequilibrio, se producecada vez que el niño vive una situación nueva, que no conoce ni sabe. Asimismo,la acomodación se realiza cada vez que el niño asimila algo lo acomoda a los 15sucesos que vive para acomodar su aprendiz cognitivo. El desarrollo de lasfunciones que nos permite conocer, da a lugar a los Procesos Cognitivos. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 16. MODELO COGNITIVO DE UN ROBOT 16 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 17. EL MODELO DEL AGENTE INTELIGENTEUn agente inteligente, es una entidad capaz de percibir su entorno, procesar talespercepciones y responder o actuar en su entorno de manera racional, es decir, demanera correcta y tendiendo a maximizar un resultado esperado.En este contexto la racionalidad es la característica que posee una elección de sercorrecta, más específicamente, de tender a maximizar un resultado esperado.Este concepto de racionalidad es más general y por ello más adecuadoque inteligencia (la cual sugiere entendimiento) para describir el comportamientode los agentes inteligentes. Por este motivo es mayor el consenso enllamarlos agentes racionales.Un agente inteligente puede ser una entidad física o virtual. Si bien el términoagente racional se refiere a agentes artificiales en el campo de la InteligenciaArtificial, también puede considerarse agentes racionales a los animales incluido elhombre.Los agentes inteligentes se describen esquemáticamente como un sistemafuncional abstracto. Por esta razón, los agentes inteligentes son a veces llamadoAgentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementacionesdel mundo real como sistemas informáticos, los sistemas biológicos, o deorganizaciones. Algunas definiciones de agentes inteligentes hacen énfasis en suautonomía por lo que prefieren el término agente inteligente autónomo. Y otros (enparticular, Russell y Norvig (2003)) considera conducta dirigida a objetivos como laesencia de lo inteligente y prefieren un término tomado de la economía "AgenteRacional".En Ciencias de la Computación el término agente inteligente puede ser usado parareferirse a un agente de software que tiene algo de inteligencia,independientemente de si no es un agente racional por definición de Russell yNorvig. Por ejemplo, programas autónomos utilizados para asistencia de unoperador o de minería de datos (a veces denominado robots) son tambiénllamados "agentes inteligentes". 17 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 18. ¿Qué son los agentes?Hay numerosas definiciones de lo que es un agente, y ninguna acido aceptadaplenamente por la comunidad científica pero probablemente la más simple es: unagente es una entidad que percibe y actúa sobre su entorno.Podemos también decir que un agente es todo aquello que puede considerarseque percibe su ambiente mediante sensores y que responde o actúa en talambiente por medio de efectores. Los agentes humanos tienen ojos, oídos y otrosórganos que les sirven de sensores, así como manos, piernas, boca y otras partesde su cuerpo que les sirven de efectores. En el caso de los agentes robóticos, lossensores son sustituidos por cámaras y telémetros infrarrojos y los efectores sonreemplazados mediante motores. En el caso de un agente de software, suspercepciones y acciones vienen a ser las cadenas de bits codificados. En la figura1 observamos el diagrama de un agente genérico. Interesa diseñar agentes quelogren un buen desempeño en su ambienté.Podemos proponer una posible definición de agente: un agente es un sistemainformático situado en un entorno, donde en general existen más agentes, dentrodel cual actúa de forma autónoma y flexible, recibiendo información externa yejecutando acciones para intentar modificar su contexto en el sentido de acercarse 18ala consecución de los objetivos que tiene marcados. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 19. Diferencia entre agentes inteligentes y software convencional. Hay dos principalescaracterísticas que distinguen a los agentes inteligentes del desarrollo de softwareTradicional y estas son la inteligencia y la agencia.1. La dimensión de inteligencia se refiere al grado en el cual la aplicación utilizarazonamiento, aprendizaje y otras técnicas para interpretar la información oconocimiento al cual tiene acceso.Se puede decir que hay tres niveles de formas de inteligencia:  La forma más modesta de inteligencia permite al usuario expresar sus preferencias.  Una forma intermedia podría formalizar un conjunto de reglas de razonamiento que combinadas con conocimiento a corto y largo plazo, siguiendo un proceso de inferencia puede conducir a la toma de alguna acción.  Y un nivel superior es la capacidad del agente de modificar su capacidad de razonamiento en la base nuevo conocimiento derivado de muchas f uentes, es decir, aprender.2. La agencia es el grado en el cual el agente puede percibir su entorno y actuaren el. Define al agente, en otras palabras, para que un programa sea un agentedebe poseer autonomía, habilidad social, reactividad y pro actividad.Características de un Agente Inteligente. Un agente inteligente es un sistemainformático capaz de tener un comportamiento autónomo, flexible en algunosambientes. Cuando se dice flexible se refiere a: reactivo, pro-activo y social. Visiónesquemática de un Agente Inteligente, entendiendo por flexible que sea:  Reactivo: El agente es capaz de responder a cambios en el entorno en que se encuentra situado.  Pro-activo: a su vez el agente debe ser capaz de intentar cumplir sus propios planes u objetivos.  Social: debe de poder comunicarse con otros agentes mediante algún tipo de lenguaje de comunicación de agentes.  Autonomía: actúan sin la intervención directa de los usuarios. Tienen 19 control sobre sus acciones y estados internos. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 20. Como se ve en este caso, se ha identificado una serie de características oapellidos que de por sí debe tener un agente. Atendiendo a esta idea, para poderasociar a una herramienta el término «agente» debe ser capaz de cumplir losrequerimientos anteriormente expuestos.Aplicando estas características al agente de información de ejemplo: ¿seríareactivo? Se puede pensar que sí a juzgar por el hecho de que el agente deberíareaccionar frente a los mandatos que le indicamos, además debe poder reaccionarfrente a posible eventos que le lleguen de la red. ¿Sería proactivo?,evidentemente que sí, un agente debería auto plantearse su curso de acción parapoder realizar todas sus tareas adelantándose a las peticiones de su usuario. Porúltimo se debe pensar si un este agente sería social. Esta característica desdepunto de vista no sería básica en una definición general de agente, no obstante, síque se puede claramente identificar una conducta social en nuestro ejemplo si seobserva que debería poder comunicarse con infinidad de recursos en la red y, porqué no, con otros agentes existentes en la misma. Pero, en definitiva, ¿cuáles sonlas características básicas y de qué más características se dispone para podercalificar a un agente? A continuación se presentan algunas de las característicasque en la literatura se suelen atribuir a los agentes en mayor o menor grado pararesolver problemas particulares.  Continuidad Temporal: se considera un agente un proceso sin fin, ejecutándose continuamente y desarrollando su función.  Racionalidad: el agente siempre realiza «lo correcto» a partir de los datos que percibe del entorno.  Adaptabilidad: está relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basándose en ese aprendizaje.  Movilidad: capacidad de un agente de trasladarse a través de una red telemática.  Veracidad: asunción de que un agente no comunica información falsa a propósito.  Benevolencia: asunción de que un agente está dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos. 20 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 21. No existe un consenso sobre el grado de importancia de cada una de estaspropiedades para un agente. Sin embargo, se puede afirmar que estaspropiedades son las que distinguen a los agentes de meros programas.Clasificación delos Agentes Inteligentes. Los agentes inteligentes puedenclasificarse de acuerdo a como este mapea internamente las percepciones enacciones para alcanzar el objetivo para el cual fue diseñado:  Agente de mapeo simple.  Agente informado de lo que sucede en el ambiente.  Agente basado en metas.  Agente basado en utilidad.¿Por qué utilizar agentes?El origen por el cual la tecnología de los agentes inteligentes surge es por lanecesidad de aplicarlos a los sistemas complejos, donde la aplicación de lastécnicas existentes ha fracasado o es muy difícil de comprender o mantener. Losagentes inteligentes surgen como una alternativa para dar solución a situacionesque la Programación Orientada a Objetos (OO) no puede resolver eficientemente.Este paradigma constituye en la actualidad un área de profunda investigación, loque trae como consecuencia que existan un gran número de criterios acerca dequé son los agentes y sus características fundamentales.La necesidad de construir aplicaciones complejas compuestas de multitud desubsistemas que interaccionan entre sí, es el marco de la distribución de lainteligencia en diversos agentes. En este tipo de sistemas, la utilización deagentes y técnicas multiagente permite la gestión inteligente de un sistemacomplejo, coordinando los distintos subsistemas que lo componen e integrandoobjetivos particulares década subsistema en un objetivo común. 21 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 22. Dentro de este campo emergente es importante clarificar la diferencia entre unsistema basado en agentes y un sistema multiagente. Un sistema basado enagentes, es aquel que utiliza el concepto de agente como mecanismo deabstracción pero podría ser implementado con estructuras software tradicionales,sin embargo un sistema multiagente es aquel que se diseña e implementapensando en que estará compuesto por varios agentes que interactuarán entre sí,de forma que juntos permitan alcanzar la funcionalidad deseada.En este caso se exige un esfuerzo de abstracción en el diseño, identificarmecanismos de aprendizaje, coordinación, negociación, etc.Funciones básica de la Tecnología de Agentes. Por tanto, desde un punto de vistadel usuario, un agente se puede considerar para llevar a cabo las siguientesfunciones:  Ejecución de Tareas: la capacidad de realizar tareas son las destrezas que el agente posee para lograr sus objetivos.  Conocimiento de su entorno: el conocimiento del entorno debe de ser introducido o construido por el desarrollador. Algunos agentes además adquieren su conocimiento por aprendizaje.  Capacidad de Comunicación: se distinguen dos tipos de comunicación, la interacción con el usuario, y la que se refiere a comunicación inter-agente. 22 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 23. SISTEMAS MULTI-AGENTES.Una de las características más importantes de los agentes es la capacidad quetienen de interactuar entre sí, de ahí que se empleen en la resolución deproblemas en entornos distribuidos y que los sistemas se conciban comocomunidades de agentes que persiguen los mismos objetivos.Un Sistema Multi-Agente (SMA) podrá definirse entonces como grupos de agentesque interaccionan entre sí para conseguir objetivos comunes.Cuando se define un Sistema Multi-Agente hay que tener en cuenta lascaracterísticas:  Un entorno.  Un conjunto de objetos, estos objetos se encuentran integrados con el ambiente. Dichos objetos son pasivos, pueden ser creados, modificados y destruidos por agentes.  Un conjunto de agentes que representan las entidades activas del sistema.  Un conjunto de operaciones que hacen posible el trabajo de los agentes sobre los objetos.Según esta definición la influencia de un agente sobre otros no solo está dada porla comunicación explícita entre ellos, sino también por su actuación en el entornoen que se encuentran. Esto aumenta la complejidad en el desarrollo de SMA, yaque exige estudiar el entorno en que se desenvuelven para detectar qué accionesrealizadas por un agente pueden afectar a otros.A un sistema que tiene varios agentes inteligentes se le llama sistema multiagente. 23Los agentes en este tipo de sistemas deben interactuar entre ellos. Lasinteracciones más habituales son informar o consular otros agentes y esto les UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 24. permite a los agentes “hablar” entre ellos, saber que hace cada uno de ellos yrazonar sobre el papel que juega cada uno en el sistema.Los agentes se comunican entre sí por medio del Lenguaje de Comunicación deAgentes (ACL) que es una ontología que define un vocabulario en común.Ingeniería de software orientada a agentes.La complejidad que encierra el desarrollo de SMA, sobre todo cuando es muygrande, hace necesario el uso de metodologías que estructuren el proceso deacuerdo con las prácticas de ingeniería de software.Dentro del paradigma de agentes una de las áreas de mayor investigación esprecisamente la de Ingeniería de Software. Las características que distinguen alos agentes aumentan la complejidad en la construcción de los sistemas y hay quetener en cuenta elementos que las metodologías orientadas a objetos (OO) nosustentan como son la autonomía y la pro actividad.A raíz de esta situación han surgido un grupo de metodologías que respaldan eldesarrollo de SMA. Estas metodologías provienen de dos vertientesfundamentales: las que surgen completamente nuevas y las que extiendenmetodologías que ya existían.En el primer caso se encuentran las metodologías desarrolladas en gran medidasobre bases de agentes. En sentido general estas metodologías no han alcanzadoun nivel de madurez elevado ni están probadas lo suficiente, ya que proponenmétodos innovadores para el desarrollo de software, lo que representa una mayordificultad para los analistas. Entre estas están Vowel Engineering, Tropos y GAIAque propone cómo realizar un análisis basado en roles del sistema multi-agente. 24También están las que utilizan bases conocidas como PASSI, MESSAGE/UML,esta última proveniente de la OO, y Mase que propone agentes como extensiones UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 25. de objetos y proporciona la herramienta AgentTool para análisis, diseño eimplementación.Actualmente existen un gran número de metodologías que apoyan la construcciónde SMA, pero no se ha logrado una estandarización, cada una propone una formadiferente de abordar el problema según los criterios de sus desarrolladores. Entrelas metodologías más estudiadas se pueden mencionar: GAIA, Mase, Tropos,Passi, MESSAGE/UML y MAS-CommonKADS que extiende la metodologíaCommonKADS, para sistemas expertos, a agentes, utilizando estructuraciónorientada a objetos y lenguajes de especificación de protocolos como SDL.TROPOS es una nueva metodología de desarrollo de software orientada aagentes. Se basa en dos características principales:  Las nociones de agente, objetivo, plan y nivel de conocimiento de otros conceptos se utilizan de manera uniforme en todo el proceso de desarrollo de software.  Se le asigna un papel fundamental para el análisis y la especificación de los requisitos cuando se analiza el sistema con respecto a su medio ambiente.Prometheus es una metodología para el desarrollo de agentes inteligentes, en lacual se define un lenguaje de modelado relativamente sencillo.Finalmente INGENIAS del grupo GRASIA de la UCM, extiende la metodologíaMESSAGE y proporciona un conjunto de herramientas para modelar y generarcódigo de sistemas multi-agente. Utiliza el AUML como lenguaje de modelado.Para la representación de los elementos que contienen los diferentes modelos quepropone, utiliza los meta-modelos. Esta metodología no cubre todo el proceso dedesarrollo del software y sólo abarca las etapas de Análisis y Diseño. En Ingeniasse concibe al SMA como la representación computacional de un conjunto demodelos. Para especificar cómo tienen que ser estos, se definen meta -modelos.Los meta-modelos dan una visión detallada de cómo debe ser el SMA; cada unode ellos constituirá una descripción a alto nivel de los elementos que componen elmodelo. Ellos están orientados a representar gráficamente aspectos concretos delsistema de forma incremental y flexible.  Meta-modelo de Agente.  Meta-modelo de Tareas y Objetivos. 25  Meta-modelo de Organización.  Meta-modelo de Interacción.  Meta-modelo de Entorno. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 26. Una buena herramienta para el trabajo con agentes es el Java Agent DevelopmentFramework (JADE). Es una herramienta de desarrollo de sistemas multi-agentecompletamente implementada en Java. JADE incluye un ambiente de ejecucióndonde los agentes viven, un conjunto de librerías para desarrollar agentes y unconjunto de herramientas gráficas que permiten monitorizar y administrar losagentes que están corriendo en la plataforma.Aplicaciones de los agentes inteligentes.Los SMA se emplean fundamentalmente en estas áreas:  Control de tráfico aéreo  Gestión bibliotecaria  Agentes personales para viajes  Gestión cultural y de servicio  Control automático  Robótica  Gestión de procesos  Comercio electrónico  Servicios de Internet: recuperación y extracción de informaciónExisten casos de ejemplos complejos en los cuales se pueden encontrar sistemaso áreas de aplicación donde la orientación basada en agentes resultaespecialmente prometedora ofreciendo nuevas perspectivas y posibilidades.Numerosas aplicaciones basadas en este nuevo paradigma vienen ya siendoempleadas en infinidad de áreas. Podemos destacar dos áreas como serian lasAplicaciones industriales y las comerciales..Dentro del marco de las aplicaciones industriales, la tecnología basada en agenteses considerada muy apropiada para el desarrollo de sistemas industrialesdistribuidos. Dentro de esta línea podríamos destacar aquellas aplicaciones que seencargan de:  Control de procesos: gestión autónoma de edificios inteligentes en cuanto a su seguridad y consumo de recursos, gestión del transporte de electricidad (ARCHON), control de un acelerador de partículas, monitorización y diagnóstico de fallos en plantas industriales, como por ejemplo: nucleares o refinerías. 26  Producción: aspectos como la planificación y scheduling de la producción o fabricación de productos, serían tratados desde la perspectiva de agencia. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 27. Se ha aplicado con éxito, por ejemplo, a sistemas encargados de las fases de ensamblaje, pintado, almacenamiento de productos, etc.Por otro lado, también está siendo empleado en aplicaciones comerciales, sobretodo a nivel de aplicaciones de red, tanto en Internet como en redes corporativas,entre las que podemos distinguir:Gestión de información: como por ejemplo el filtrado inteligente de correoelectrónico (Agentware e InfoMagnet), de grupos de noticias o la recopilaciónautomática y de información disponible en la red (Letizia, AT1, BullsEye, Go- Get-It, Got-It, Surfbot y WebCompass). Tareas para las cuales el agente necesita sercapaz de almacenar, aprender y manipular las preferencias y gustos de cadausuario, así como sus cambios. La imposibilidad en ocasiones de gestionar todotipo de información suministrada por la red ha provocado que el agente seespecialice en la búsqueda de determinados tipos de documentos (CiteSeer). Otraposible línea sería la planificación de la agenda personal, en otras palabras,disponer de una secretaría virtual o asiste nte personal.  Comercio electrónico: En este caso la tecnología se emplea para proporcionar el entorno virtual donde realizar posibles operaciones comerciales (compra-venta de productos) o también para realizar tareas de búsqueda de productos (comparando precios, consultando disponibilidad) todo ello de manera automatizada. Actualmente, los usuarios pueden comprar y vender artículos comunes como libros y CD’s de música. El empleo de agentes aumentará el impacto del comercio electrónico en un futuro muy cercano, revelando asimismo cómo los agentes basados en la web pueden proporcionar un enorme poder añadido a los consumidores.  Monitorización: proporcionan al usuario la información cuando sucede un determinado acontecimiento; por ejemplo cuando la información ha sido actualizada, trasladada de lugar o borrada (WBI de IBM, BullsEye y Smart Bookmarks). Este tipo de agentes permite tener alerta a un usuario frente a eventos en la red interesantes para el mismo. La forma en que este tipo de agentes sirve la información a su usuario puede ser el indicar únicamente qué página o páginas han cambiado y desde cuando ha sucedido esto o llegar a bajarse el texto de las páginas actualizadas, filtrando en este caso imágenes, gráficos y demás.  Mediador de diferentes fuentes de información: se están realizando esfuerzos en la línea de desarrollar agentes que permitan interoperar a diferentes fuentes de información independientemente del sistema en que 27 se hayan desarrollado. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 28. Otra área de interés son las aplicaciones médicas, donde la idea es disponer deagentes que realicen de forma autónoma tareas que pueden ser automatizadas enun hospital, como por ejemplo: la monitorización de pacientes en cuidadosintensivos, empleado para monitorizar y controlar a pacientes ingresados enunidades de cuidados intensivos y la atención al paciente, estos sistemas seencargarían de seguir el tratamiento de un paciente controlando todos losAspectos relativos ala enfermedad que tenga el mismo. También es posibleencontrar aplicaciones dentro del área del entretenimiento como pueden serjuegos (la aplicación de esta tecnología en juegos permite disponer de juegos mássofisticados, con características inteligentes donde se pueden incorporarpersonajes virtuales que pueden funcionar de forma casi autónoma) y el teatrointeractivo y cine, donde se permite a un usuario interpretar el papel de unpersonaje en una obra donde el resto de los personajes pueden ser virtuales.Como puede observarse, las aplicaciones son múltiples, sin embargo, el empleode agentes es aún limitado. El desarrollo a nivel industrial y/o empresarial deagentes requiere de técnicas que reduzcan el riesgo inherente en toda nuevatecnología. Dos maneras de reducir dicho riesgo son:  Presentar la nueva tecnología como una extensión incremental de métodos ya conocidos y probados.  Proveer herramientas de ingeniería explícitas que den soporte a métodos aceptados por la industria encargada del desarrollo de tecnologías.La aceptación de métodos en la industria y/o la empresa depende de la existenciade herramientas que soporten el análisis, especificación y diseño de agentesinteligentes.Actualmente no existen todavía formalismos para poder especificar de formasuficiente el desarrollo de sistemas basados en agentes. A nivel conceptual laterminología deberá estar más aceptada, ampliándose de esta forma los camposde aplicación, así como la cantidad de sistemas disponibles dentro de cadacampo. Cabe resaltar que los objetivos de los proyectos industriales son másamplios y complejos que los esfuerzos en investigación en el ámbito académico. 28 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 29. Usos de los agentes.  Representación virtual. Se comunican en lenguaje natural y suplen a los comerciales.  Como asistentes personales. Nos ayudan como lo haría un ayudante.  Negociador en mercados electrónicos. Localiza una subasta en internet, aprende cómo va la oferta y realiza una compra por nosotros.  Agente de búsqueda de información o rastreador. Rastrean en las redes de ordenadores en busca de información solicitada. Son parametrizables por el usuario aprenden de sus hábitos, rastrean la red e informan por correo electrónico de novedades que consideran pueden ser de interés para el usuario. o Agente secreto o espía. Monitorizan una página Web identificada previamente por el usuario e informan cuando se producen cambios en dicha página.Algunas aplicaciones actuales son:  Masfits: proyecto europeo que persigue real de un programa informático que permite participar en subastas de pescado a través de la Red.  Leo, Marc y Sisa son algunos bots que han sido utilizados por Schweppes, Siemens u Olympus para mejorar su marketing y soporte al cliente.  Creada por la compañía francesa Cybion, la plataforma Agentland ofrece numerosos agentes inteligentes disponibles de forma gratuita o de prueba. Organizados en diferentes categorías, los hay que ayudan al internauta en la búsqueda de información o a mejorar la navegación... e incluso se ofrecen las herramientas para que el propio internauta desarrolle su agente inteligente.  Agents Inspired que utiliza agentes inteligentes en la herramienta Habitat- Pro “un sistema experto en la personalización a partir de los gustos subjetivos de los clientes”, comenta Andreu Pérez, director general de la compañía. “Asociando indicadores o atributos subjetivos a los prod uctos y servicios que ofrecen, la aplicación utiliza la tecnología para crear modelos de los clientes y conocer sus preferencias”.  Por su parte, soco cuenta con GETsee, una solución de agregación inteligente que en su uso más básico permite a los usuarios ahorrar tiempo de navegación recopilando información de fuentes dispersas. Pero además, ofrecen un asesoramiento inteligente, ofreciendo múltiples servicios y herramientas de análisis. 29 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 30. El papel de la heurística Se denomina heurística a la capacidad de un sistema para realizar de formainmediata innovaciones positivas para sus fines. La capacidad heurística es unrasgo característico de los humanos, desde cuyo punto de vista puede describirsecomo el arte y la ciencia del descubrimiento y de la invención o de resolverproblemas mediante la creatividad y el pensamiento lateral o pensamientodivergente.Función heurística Supondremos que tenemos una función de evaluación heurística, f, que nosayudara a decidir cual es el mejor nodo para expandir (mas adelanté secomprenderá por que hemos colocado un << sombrero>> sobre f.pronunciaremos a f como << f sombrero>>). Adoptaremos el convenio según elcual f tomara valores pequeños en los nodos mas prometedores. Por tanto, esuna función real definida sobre las descripciones de los estados.2. se expandirá el nodo n para el que se obtenga el menor valor f(n), de estaforma, la selección de nodos a expandir no sigue ningún patrón de finido (a lolargo de este capitulo consideremos que la expansión de un nodo generara todossus sucesores).3. sede terminara el proceso cuando el nodo a expandir sea un nodo objetivo.En la mayoría de los casos, siempre es posible encontrar una buena función deevaluación para la búsqueda primero el mejor. Por ejemplo, en el problema puzlede ocho piezas podemos usar como medida de lo << bueno>> que es un estadoel número de fichas que están des colocadas:F(n) = numero de ficha descolocadas (comparadas con la configuración objetivo)Si usamos esta función heurística el procedimiento de búsqueda que acabamos 30de definir, obtendremos el grafo de la figura 9.1. El número situado cerca de cadanodo indica el valor de la función heurística en dicho nodo. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 31. En este ejemplo se puede ver la necesidad de influir en el proceso de búsquedapara forzar la vuelta atrás en la exploración de otros caminos más prometedores (yevitar de esta forma que una heurística excesivamente optimista nos lleve porcaminos poco prometedores). Con este fin, se añade un << factor deprofundidad>> a la función f, con lo que ahora se define como f(n) = g(n) + h(n),donde g(n) es una estimación de la profundidad del nodo n ( es decir, la longituddel camino mas corto desde el nodo inicial a n), y h(n) es la evaluación heurísticaen el nodo n. si, al igual que en el párrafo anterior, h(n) es el numero de fichasdescolocadas (comparadas con la configuración objetivo) y g(n) es la profundidaddel nodo n en el grafo de búsqueda, el proceso de búsqueda producirá el grafo dela figura9.2 (los números que están próximos a los nodos equivalen a la suma g(n)+ h(n). como se puede ver, en este caso la búsqueda del nodo objetivo es masdirecta (exceptuando el nodo marcado con un circulo).Estos ejemplos nos platean d dos preguntas importantes. Primera, ¿comoseleccionamos la función de evaluación que guie el proceso de búsqueda primeroel mejor? Segunda, ¿ cuales son las propiedades de la búsqueda primero elmejor?, ¿ encuentra siempre buenos caminos hacia el objetivo? 31 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 32. Funciones heurísticasEl problema de las ocho placas tiene justo el nivel de dificultad que lo haceinteresante. Una solución típica consta de 20 pasos, aunque esto variaradependiendo del estado inicial. El factor de ramificación es aproximadamente detres (cuando la placa vacía esta en medio, hay cuatro posibles desplazamientos;cuando esta en una esquina, dos; cuando esta en uno de los bordes, tres). Esdecir, búsqueda exhaustiva de profundidad 20 haría una búsqueda a través de 3 20=3.5 x 109 estados. Si se lleva un registro de los estados que se repiten, lacantidad anterior disminuye considerablemente, ¡puesto que habrá solo 9! = 360880 arreglos diferentes de nueve cuadros. Sigue siendo un número grande deestados, por lo que procede encontrar una buena función heurística. Para encontar la soluciones mas breves hay que tener una función heurística que nuncasobreestime la cantidad de pasos necesarios para al cansar la meta. La siguienteson dos candidatas. 32 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 33. Ejemplo típico del problema de las ocho placas.  h1= la cantidad de placas que están en lugar incorrecto. En la figura 4.7 ninguna delas ocho placas esta en la posición meta, por lo que el estado de partida tendría h1 = 8.h1 es una heurística aceptable puesto que es evidente que cuando en placa esta en el lugar incorrecto habrá que desplazarla por lo menos una vez.  h2= la suma de las distancias que separa a las placas de sus posiciones meta. Puesto que las placas no se desplazan a través de diagonales, la distancia que se considere es la suma de las distancias verticales y horizontales. A esta se le denomina a veces distancia en cuadras de ciudad o distancia de Manhattan. h2 también es aceptable puesto que todo movimiento acercara a la placa asolo un paso de la meta. Las ocho placas en el momento de partida tienen una distancia de Manhattan de: h2 = 2+3+2+1+2+2+1+2=15El efecto, en el desempeño, de la exactitud heurísticaUna forma de caracterizar la calidad de una heurística es mediante el factor deramificación efectiva b*. Si la cantidad total de nodos expandida por A* para unproblema determinado es N, y la profundidad de la solución es d, entonces b* es elfactor de ramificación que de vera tener un árbol uniforme de profundidad d paraque pueda contener N nodos. Por lo que: N = 1+b*+ (b*)2+…+ (b*)d.Por ejemplo, si A* encuentra una solución en la profundidad cinco y utilizando 52nodos, el factor de ramificación efectiva es de 1.91. por lo general, el factor deramificación efectiva correspondiente a una heurística determinada permanecemuy constante a través de una amplia gama de problemas, por lo que lasmediciones experimentales de b* realizadas en un reducido conjunto de 33problemas puede servir de guía sobre la utilidad global de la heurística. En unaheurística bien diseñada. El valor de b* se aproxima a 1, lo que da cabida a la UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 34. resolución de problemas bastante grandes. Para probar las funciones de soluciónes 2,4,…,20, y se resuelven utilizando la búsqueda A*, con h1 y h2, asi comomediante la búsqueda por profundización interactiva no informada, en la figura 4.8se puede observar la cantidad promedio de nodos expandida mediante cada unadelas estrategias anteriores y el factos de ramificación correspondiente. Losresultados muestran que h2 es mejor que h1 y que la búsqueda no respaldadacon información es peor. Vale la pena preguntarse si h2 siempre es mejor que h1. La respuesta es si.Es fácil deducir con base en las definiciones de ambas heurísticas que para todonodo n, h2(n) ≥h1 (n). Se dice que h2 domina a h1. El dominio se traducedirectamente en eficiencia: una A* que utilice h2 expandirá menos nodos, enpromedio, que una A* que utilice h1. Costo de búsqueda Factor de ramificación efectivo d IDS A*(h1) A*(h2) IDS A*(h1) A*(h2) 2 10 6 6 2.45 1.79 1.79 4 112 13 12 2.87 1.48 1.45 6 680 20 18 2.73 1.34 1.30 8 6384 39 25 2.80 1.33 1.24 10 47127 93 39 2.79 1.38 1.22 12 364404 227 73 2.78 1.42 1.24 14 3473941 539 113 2.83 1.44 1.23 16 - 1301 211 - 1.45 1.25 18 - 3056 363 - 1.46 1.26 20 - 7276 676 - 1.47 1.27 22 - 18094 1219 - 1.48 1.28 24 - 39135 1641 - 1.48 1.26 Figura4.8 comparación de los costos de búsqueda y delos factores de ramificación efectivos de la BUSQUEDA-POR PROFUNDIZACION-INTERACTIVA y los algoritmos A*, correspondientes A h1 y h2. Los datos se promediaron entre 34 100 resultados posibles del problema de las ocho placas, correspondientes a longitudes de solución diversas. UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 35. Como inventar funciones heurísticasSe ha visto hasta hora que tanto h1 como h2 son heurísticas que funcionan bienen el caso del problema de las ocho placas y que, de las dos, h2 es la mejor. Perotodavía no sabemos como inventar una función heurística. (¿Como podríahacerse una con h2? ¿Seria capaz una computadora de inventar tal heurística?Las funciones h1 y h2 son estimaciones de la longitud de la ruta que falta en elproblema de las ocho placas, pero también se les puede considerar comolongitudes de ruta perfectamente precisas de versiones mas sencillas delproblema. Si se cambiaran las reglas del problema de manera que una placa sepudiera desplazar a cualquier parte, en vez de hacerlo al cuadro adyacente vacio,h1 daría la cantidad precisa de pasos necesarios de la solución mas breve. Asímismo, si una placa pudiese desplazarse un cuadro en cualquier direcci ón,incluso en un cuadro ocupado, h2 diría cual es la cantidad exacta de pasos de lasolución mas corta. A los problemas es que se imponen menos restricciones a losoperadores se les llaman problemas relajados. Es frecuente que el costo de lasolución de un problema relajado constituya una buena heurística del problemaoriginal.Si se escribe la definición de un problema en lenguaje formal, es posible construirautomáticamente el problema relajado. Por ejemplo, si los operadores delproblema de las ocho placas se caracterizan de la manera siguiente:Una palca puede pasar del cuadro A al B si A esta junto a B y B esta vacio.Para generar tres problemas relajados solo hay que eliminar una o más de lascondiciones: (a) se puede mover una placa del A al cuadro B si A esta junto a B. (b) se puede mover una placa del A al cuadro B si B esta vacio. (c) Se puede mover una placa del cuadro A al cuadro B. 35Recientemente se creo un programa llamado ABSOLVER, mediante el que segeneran automáticamente heurística a partir de la definición de un problema, UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 36. empleado el método del “problema relajado” así como algunas otras técnicas(preditis,1993). ABSOLVER produjo una nueva heurística para el problema de lasocho placas mejor que todas las obtenidas hasta en toces y ofreció la primeraheurística útil para el famoso problema del cubo de Rubick. Uno delos problemas relacionados con la generación de nuevas funcionesheurísticas es la imposibilidad de obtener una quesea evidentemente la “mejor”.Si para un problema determinado existe un grupo de heurística aceptable,h1,…hm, y si ninguna de ellas domina a las otras ¿cual es la que se debe elegir?Resulta que no es necesario elegir. El mejor de los mundos se obtiene al definir: h(n) = máx. (h1)(n),…,hm8n)).En esta heurística combinada se utiliza aquella función que sea mas precisa parael nodo en cuestión. Puesto que las heurísticas componentes son aceptables, htambién lo es. Además, h domina cada una de las heurísticas que la constituyen. Otra forma de inventar una buena heurística es utilizando informaciónestadística. Para ello, se efectúa una búsqueda a través de diversos problemasde adiestramiento, como por ejemplo las 100 configuraciones es cogidas al azardel juego de las ocho fichas, y se obtienen las estadísticas correspo ndientes. Porejempló, se obtienen el resultado de que cuando h2(n) = 14, resulta que 90% delas veces la distancia real a la meta es 18. Y así, cuando enfrentemos el problema“real” en vez de usar el valor de 14 reportado por h2(n), se utilizara el de 18.Desde luego que cuando se utiliza información probabilística como lo anterior,aunque se renuncia a la garantía de la admisibilidad, por otra parte se expandiránmenos nodos en promedio.Muchas veces existe la posibilidad de tomar rasgos de un estado q ue forma partede su función de evaluación heurística, aun cuando no sea fácil determinar en queconsiste tal contribución. Por ejemplo, en el ajedrez la meta es dar jaque mate aloponente, y entre los rasgos característicos figuran la cantidad de piezas de cadatipo que pertenecen a cada lado, la cantidad de ellas reciben el ataque de lascontrincantes, etcétera. Normalmente, se supone a la función de evaluación comouna combinación lineal de los valores de los rasgos. Incluso cuando no se tieneidea de la importancia de cada rasgo, o incluso si un rasgo es bueno o malo, aun 36así se puede emplear un algoritmo de aprendizaje con el fin de obtenercoeficientes razonables de cada rasgo, como se demuestra en el capitulo 18. En elcaso del ajedrez, por ejemplo, un programa puede aprender que la reina del UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 37. jugador debe alcanzar un levado coeficiente positivo, en tanto que el peón delcontrincante, uno pequeño y negativo. Otro factor no considerado hasta el momento es el costo de búsqueda queimplica la aplicación real de una función heurística a un nodo. Hasta ahora se hapuesto que el costo del computo de la función heurística es aproximadamente almismo que el de la expansión de un nodo, por lo que es conveniente reducir elmínimo la cantidad de nodos expandidos. Sin embargo, si la complejidad de lafunción heurística es tal que el cálculo de su valor para un nodo tarda tanto comola expansión de cientos de nodos, habrá una reconsideración. Después de todo,es muy sencillo confiar en una heurística perfectamente precisa, si se deja queesta realice, digamos, la totalidad de una búsqueda preferente por amplitud “ahurtadillas”. Esto permite reducir a un mínimo la cantidad de nodos expandidos enuna búsqueda real, aunque no reducirá al mínimo el costo general de la búsqueda.Una buena fusión heurística es aquella que es eficiente así como precisa. 37 UNIDAD 1 | INTELIGENCIA ARTIFICIAL
  • 38. BIBLIOGRAFÍAInteligencia artificial un enfoque modernoStuart Rusell . Peter NorvigColección de inteligencia artificial de prentice hallInteligencia artificialUna nueva síntesisNILS J. NILSSONStanford Universityhttp://es.wikipedia.org/wiki/Teor%C3%ADa_de_las_inteligencias_múltipleshttp://html.rincondelvago.com/gardner_los-cientificos-cognotivistas.htmlhttp://www.itescam.edu.mx/principal/webalumnos/sylabus/asignatura.php?clave_asig=SCB-0416&carrera=ISC0405001&id_d=60http://intart.wetpaint.com/page/Modelo+cognitivo+de+un+robot+3http://es.wikipedia.org/wiki/Desarrollo_cognitivohttp://leaenbinario.blogspot.com/2009/04/que-es-un-agente-inteligente.htmlhttp://www.depi.itch.edu.mx/apacheco/expo/html/ai12/ 38 UNIDAD 1 | INTELIGENCIA ARTIFICIAL