Escolar Documentos
Profissional Documentos
Cultura Documentos
I:
INTELIGENCIA
ARTIFICIAL
1.1 CONCEPTOS.
La IA es una ciencia que estudia el comportamiento inteligente de las mquinas lo cual conlleva
a realizar tareas como: percibir, razonar, aprender, comunicarse y actuar en entornos complejos.
Aprendizaje automtico.
1.2.2.
1.2.3.
1.2.4.
1.3 OBJETIVOS
Desde el punto de vista de los objetivos, la IA puede considerarse en parte como ingeniera y en parte
como ciencia.
Como ingeniera, el objetivo de la IA es resolver problemas reales, actuando como un conjunto de
ideas acerca de cmo representar y utilizar el conocimiento, y de cmo desarrollar sistemas
informticos.
Como ciencia, el objetivo de la IA es buscar la explicacin de diversas clases de inteligencia, a travs
de la representacin del conocimiento y de la aplicacin que se da a ste en los sistemas informticos
desarrollados.
1.4 FUNDAMENTOS.
La IA ha tenido como fundamento las bases de varias disciplinas, entre las cuales mencionaremos las
siguientes:
Filosofa: Scrates, Platn, Aristteles, Leibniz (abuelo de la IA), desde el ao 428 a.c hasta el
presente.
Lgica: Searle.
Matemtica: (Frege, Tarski) desde el ao 800 a.c, proveyeron las herramientas para manipular las
aseveraciones de certeza lgica as como las inciertas de tipo probabilista. As mismo prepararon el
terreno para el manejo del razonamiento con algoritmos de probabilidad, lgebra booleana.
Psicologa: (Piaget Craik), conductismo, psicologa cognitiva dndose desde el ao 1869 hasta la
actualidad.
Ciencias de la Computacin: Comenz muy poco antes. Las teoras encuentran un medio para su
implementacin (artefactos y modelado cognitivo).
Lingstica: Se desarroll en paralelo con la IA y sirve de base para la representacin del
conocimiento (Chomsky), ao 1957 hasta el presente.
Neurociencia Cmo procesa la informacin el cerebro?
1.5 HISTORIA.
En 1950 con el trabajo de Alan Turing, el matemtico britnico que dise el primer computador
electrnico digital y funcional del mundo en los aos 1940.
Cuando era estudiante de posgrado en Princeton en 1936, Turing public On Computable Numbers, un
artculo que estableci las bases tericas para todas las ciencias de computacin. Ah describi lo que
denomin Mquina de Turing, un dispositivo terico que poda leer instrucciones de una cinta de papel
perforada y ejecutar todas las operaciones crticas de un computador. El artculo fij los lmites de las
ciencias de la computacin porque demostr que no es posible resolver problemas con ningn tipo de
computador.
Despus de doctorarse en 1938, Turing tuvo la oportunidad de poner en prctica la teora cuando, al prever
una invasin por parte de las fuerzas de Adolf Hitler, el gobierno britnico reuni un equipo de
matemticos e ingenieros con la misin sper secreta de descifrar el cdigo militar alemn. Turing con un
grupo construy COLOSSUS, una mquina de propsito especfico considerado como el primer
computador digital electrnico.
Desde que se complet el Colossus en 1943 hasta que termin la Segunda Guerra Mundial, descifr con
xito los cdigos nazis. Muchos expertos creen que Colussus fue responsable de la derrota de los nazis.
Turing inaugur el campo de la inteligencia artificial con su artculo publicado en 1950, Computing
Machinery and Intelligence, en el que propuso una prueba concreta para determinar si una mquina era
inteligente o no. Aos despus Turing se convirti en el adalid que quienes defendan la posibilidad de
emular le pensamiento humano a travs de la computacin y fue coautor del primer programa para jugar
ajedrez.
En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar una mquina? era
demasiado filosfica para tener valor y, para hacerlo ms concreto, propuso un juego de imitacin. En la
prueba de Turing intervienen dos personas y una computadora. Una persona, el interrogador, se sienta en
una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la
terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si
acta de manera inteligente, segn Turing es inteligente. Turing, seal que una mquina podra fracasar y
an ser inteligente. Aun as crea que las mquinas podran superar la prueba a fin del siglo.
En 1951 William Shockley inventa el transistor de unin. El invento hizo posible una nueva generacin de
computadoras mucho ms rpidas y pequeas.
En 1956 se acu el trmino "inteligencia artificial" en Dartmouth durante una conferencia convocada por
McCarthy, a la cual asistieron, entre otros, Minsky, Newell y Simon. En esta conferencia se hicieron
previsiones triunfalistas a diez aos que jams se cumplieron, lo que provoc el abandono casi total de las
investigaciones durante quince aos.
En 1980 la historia se repiti con el desafo japons de la quinta generacin, que dio lugar al auge de los
sistemas expertos pero que no alcanz muchos de sus objetivos, por lo que este campo sufri una nueva
interrupcin en los aos noventa.
En 1987 Martn Fiscales y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar
describir con un mayor mbito (no slo la comunicacin) los atributos de un agente inteligente, la IA se ha
expandido a muchas reas que han creado ramas de investigaciones enormes y diferenciadas.
Podemos entonces decir que la IA incluye caractersticas humanas tales como el aprendizaje, la adaptacin,
el razonamiento, la autocorreccin, el mejoramiento implcito, y la percepcin modular del mundo. As,
podemos hablar ya no slo de un objetivo, sino de muchos, dependiendo del punto de vista o utilidad que
pueda encontrarse a la IA.
Muchos de los investigadores sobre IA sostienen que "la inteligencia es un programa capaz de ser
ejecutado independientemente de la mquina que lo ejecute, computador o cerebro".
1.6 TCNICAS DE LA IA.
Entre ellas las siguientes:
1.6.1.
Sistemas Expertos.
1.6.1.1. Concepto:
Consiste de equipos y software que almacenan conocimientos y hacen inferencias, en
forma similar a un experto humano. A finales de los cincuenta y principios de los sesenta,
los ingenieros en computacin trataron de construir computadoras capaces de realizar
tareas inteligentes. Los esfuerzos se encaminaron a crear un solucionador de problemas
generales, una mquina capaz de imitar el proceso de razonamiento humano para resolver
cualquier problema que un ser humano pudiera solucionar.
Los esfuerzos se orientaron al diseo de programas que resolvieran problemas en reas
precisas utilizando conocimiento y razonamiento de expertos.
1.6.1.2.
El propsito de los SE
Es duplicar el conocimiento no estructurado ni documentado de unos pocos (los expertos)
y los pone a disposicin de otros. Debido a la forma en que estn planteados los SE
(basados en la experiencia) no puede ayudar a los usuarios que tratan con sucesos que los
expertos no consideraron durante el periodo de creacin. Sin embargo muchos programas
avanzados que incluyen redes neuronales aprenden de situaciones nuevas y formulan
reglas adhoc en sus bases de conocimiento para resolver eventualidades no consideradas
originalmente en su diseo.
Para construir un SE un ingeniero del conocimiento se entrevista con un experto, traduce
la informacin en cdigo. Por lo general con la regla SI-Entonces.
Otros mtodos son marcos semnticos integrados por cuadros con listas de entidades y
atributos; y las redes semnticas, mapas de entidades y sus atributos relacionados.
1.6.1.3.
Caractersticas de un SE
Pueden explicar su razonamiento o decisiones sugeridas: La capacidad de
explicar cmo se lleg a una decisin o solucin.
Puede mostrar un comportamiento inteligente: Al examinar un grupo de datos,
un SE puede proponer nuevas ideas o mtodos para la solucin del problema, o
proporcionar asesoramiento en el trabajo para los trabajadores.
Puede obtener conclusiones de relaciones complejas: Evaluar relaciones
complejas para llegar a conclusiones y solucionar problemas, por ejemplo: un SE
propuesto trabajar con un sistema de fabricacin flexible para determinar la mejor
utilizacin de las herramientas, y otro sugerir los mejores procedimientos de
control de calidad.
Puede proporcionar conocimientos acumulados: Se puede usar para capturar
conocimientos de humanos que de lo contrario podran perderse. Ejemplo es el SE
denominado DELTA (Diesel Electronic Locomotive Troble-shooting Aid),
desarrollado para conservar el conocimiento de David Smith, nico ingeniero
competente para manejar muchas reparaciones extremadamente tcnicas de esas
mquinas, cuando lleg el momento de su jubilacin.
1.6.1.5.
Capacidades de los SE
En comparacin con otros tipos de sistemas de informacin, los SE ofrecen varias
capacidades poderosas y beneficios. Por ejemplo, con frecuencia se usa un SE
denominado XCON para disear configuraciones de sistemas computacin, pues realiza,
en forma consistente, un mejor trabajo que los seres humanos.
Los SE se pueden usar para solucionar problemas en todos los campos y disciplinas y
ayudar en la totalidad de las etapas del proceso de solucin de los problemas.
Fijacin de objetivos estratgicos: Un SE puede ayudar a los administradores de
alto nivel de la compaa a determinar los costos y beneficios que existen en
producir vinos de mayor calidad y cambiar su imagen en el mercado.
Planeacin: Un SE puede ayudar a este proceso mediante la sugerencia de factores
que se deben considerar al tomar la decisin final, sobre la base de datos
proporcionados por la administracin.
Diseo: Estos SE usan principios generales de diseo, comprensin de los
procedimientos de fabricacin y un grupo de reglas de diseo.
Toma de decisiones: Pueden sugerir posibles alternativas, formas de contemplar los
problemas y mtodos lgicos al proceso de toma de decisiones. Adems, los SE
pueden mejorar el proceso de aprendizaje para aquellos que no tienen tanta
experiencia en tomar decisiones.
Control y supervisin de calidad: Los SE computarizados pueden ayudar a
supervisar varios sistemas y proponer soluciones a problemas que se presenten en
ellos. Los SE tambin se pueden usar para supervisar la calidad de los productos.
Cuando las mquinas funcionan en forma deficiente, el SE puede ayudar a
determinar las causas posibles.
Diagnstico: Puede proporcionar al mdico la probable causa de enfermedad y
proponer tratamientos u operaciones. En los negocios tambin diagnstica posibles
problemas y soluciones.
1.6.1.6.
1.6.1.7.
Componentes de los SE
La Base de Conocimientos: Almacena toda la informacin, datos, reglas, casos y
relaciones importantes que utiliza el SE. Para cada aplicacin nica se tiene que
desarrollar una base conocimientos. Por ejemplo, un SE mdico contendr hechos
sobre enfermedades y sntomas. La base de conocimientos puede incluir
conocimientos genricos provenientes de teoras generales que se han establecido
con el tiempo y conocimientos especficos que provienen de experiencias ms
recientes y de reglas prcticas.
Propsito de una base de conocimientos: Contener los hechos y la
informacin pertinentes para el SE especfico. Una base de conocimientos es
similar a la suma total de los conocimientos y experiencias de los expertos
humanos que se obtienen a travs de aos de trabajo en un rea o disciplina
especfica.
Reunin de expertos humanos: Una base que contiene informacin
proporcionada por diversos expertos puede ser extremadamente eficiente y
exacta desde el punto de vista de sus sugerencias y pronsticos.
Utilizacin de la lgica difusa: Otro reto para los diseadores y
desarrolladores de SE es capturar conocimientos y relaciones que no son
precisos o exactos.
El uso de reglas: Una regla es una instruccin condicionada que enlaza
determinadas condiciones con acciones o resultados. La regla se crea por
medio de construcciones de si-entonces.
El uso de casos: Un SE puede usar casos al desarrollar la solucin a un
problema o situacin actual. El proceso incluye:
1) Encontrar casos almacenados en la base de conocimientos, que sean
similares al problema.
2) Modificar las soluciones a los casos para adaptarlas, o acomodarlas, al
problema o la situacin actual.
El Motor de Inferencias: El propsito general de un motor de inferencias es buscar
informacin y relaciones en la base de conocimientos, y proporcionar respuestas,
pronsticos y sugerencias en la misma forma en que lo hara un experto humano. En
otras palabras, el motor de inferencias es el que proporciona el consejo experto.
Desarrollo de los SE
Los SE requieren de un mtodo de desarrollo sistemtico para obtener los mejores
resultados.
Proceso De Desarrollo: La especificacin de los requisitos para un SE se inicia con
la identificacin de los objetivos del sistema y su uso potencial. Identificar a los
expertos puede ser difcil. En algunos casos, una compaa contar con expertos
humanos; en otros, se requerir expertos ajenos a la organizacin. Para el desarrollo
de los elementos del SE son necesarias habilidades especiales. La puesta en
operacin del SE incluye ponerlo en accin y asegurarse de que funciona como se
desea.
1.6.1.9.
Lgica Difusa.
1.6.2.1. Historia
Esta simple idea naci en un artculo de Lofti A. Zadeh publicado en 1965 y titulado
"Fuzzy Sets" (Conjuntos Difusos). La lgica difusa permite representar de forma
matemtica conceptos o conjuntos imprecisos, tales como das fros, meses calurosos,
personas altas, salarios bajos, guisos con mucho condimento, profesores poco valorados,
etc.
Pero hay que tener en cuenta que la idea en s de que las cosas no son blancas o negras,
sino que existen infinitos matices de grises viene ya desde la poca de los primeros
grandes filsofos como Platn.
Posteriormente a ellos, otros grandes pensadores como David Hume o Kant apoyaban
esta idea manteniendo que el razonamiento vena dado por las observaciones de las que
somos testigos a lo largo de nuestra vida y la deteccin de algunos principios
contradictorios en la lgica clsica.
Tras la publicacin de Lotfi A. Zadeh, se comenz rpidamente a usar la lgica difusa en
distintas aplicaciones prcticas, llegando a su mximo auge a principios de los aos 90, y
continuando ste hasta la poca actual.
1.6.2.2.
Concepto:
La lgica difusa se funda en el concepto de que todo es cuestin de grado, lo cual permite
manejar informacin vaga o de difcil especificacin, importante para la resolucin de un
problema, por medio de una serie de reglas de "sentido comn" aprendidas con sistemas
adaptativos que se nutren de la observacin de las personas o de la formulacin por parte
del experto humano.
En la actualidad hay un nmero creciente de aplicaciones entre las cuales podemos
mencionar:
La construccin de artefactos electrnicos de uso domstico y de entretenimiento.
El diseo de dispositivos artificiales de deduccin automtica.
Funcionamiento
La lgica difusa se adapta mejor al mundo real en el que vivimos, e incluso puede
comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es
muy alto", "el ritmo del corazn est un poco acelerado", etc.
La clave de esta adaptacin al lenguaje, se basa en comprender los cuantificadores de
nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teora de conjuntos difusos se definen tambin las operaciones de unin,
interseccin, diferencia, negacin o complemento, y otras operaciones sobre conjuntos
(ver tambin subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus elementos,
que indican en qu medida el elemento forma parte de ese conjunto difuso. Las formas de
las funciones de pertenencia ms tpicas son trapezoidales, lineales y curvas.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente),
donde el antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o
resultado de operar con ellos. Sirvan como ejemplos de regla heurstica para esta lgica
(ntese la importancia de las palabras "muchsimo", "drsticamente", "un poco" y
"levemente" para la lgica difusa):
SI hace muchsimo calor ENTONCES disminuyo drsticamente la temperatura.
SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.
Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces.
Los resultados de dichos mtodos son un rea final, fruto de un conjunto de reas
solapadas entre s (cada rea es resultado de una regla de inferencia). Para escoger una
salida concreta a partir de tanta premisa difusa, el mtodo ms usado es el del centroide,
en el que la salida final ser el centro de gravedad del rea total resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser
formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este
caso de Redes neuronales para fortalecer las futuras tomas de decisiones.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables de
entrada de un sistema. El motor de inferencias se basa en chips difusos, que estn
aumentando exponencialmente su capacidad de procesamiento de reglas ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de la siguiente
manera:
En la figura, el sistema de control hace los clculos en base a sus reglas heursticas,
comentadas anteriormente. La salida final actuara sobre el entorno fsico, y los valores
de las nuevas entradas sobre el entorno fsico (modificado por la salida del sistema de
control) seran tomados por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema borroso fuese el climatizador de un coche
que se autorregula segn las necesidades: Los chips borrosos del climatizador recogen los
datos de entrada, que en este caso bien podran ser la temperatura y humedad
simplemente. Estos datos se someten a las reglas del motor de inferencia (como se ha
comentado antes, de la forma SI... ENTONCES...), resultando un rea de resultados. De
esa rea se escoger el centro de gravedad, proporcionndola como salida. Dependiendo
del resultado, el climatizador podra aumentar la temperatura o disminuirla dependeiendo
del grado de la salida.
1.6.2.4.
Ventajas e Inconvenientes
Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema de
control basado en lgica difusa: ofrece salidas de una forma veloz y precisa,
disminuyendo as las transiciones de estados fundamentales en el entorno fsico que
controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura de
30, y la temperatura actual oscilase entre los 29-30, nuestro sistema de aire
acondicionado estara encendindose y apagndose continuamente, con el gasto
energtico que ello conllevara. Si estuviese regulado por lgica difusa, esos 30 no seran
ningn umbral, y el sistema de control aprendera a mantener una temperatura estable sin
continuos apagados y encendidos.
Del mismo ejemplo puede observarse otra de las principales ventajas de estos sistemas,
que es la capacidad de adelantarse en el tiempo a los acontecimientos, estabilizando
siempre el entorno fsico que controla.
Como principal incoveniente cabe destacar la dificultad de elegir una correcta funcin de
pertenencia para los conjuntos difusos, ya que en ocasiones no es sencillo especificar el
efecto de los cuantificadores de nuestro lenguaje en dicha funcin. El hecho de que
cualquier funcin de pertenencia del sistema estuviese mal especificada, hara fallar, muy
probablemente, todo el sistema completo.
Tambin est la indecisin de decantarse por los expertos o por la tecnologa
(principalmente mediante Redes neuronales) para reforzar las reglas heursticas iniciales
de cualquier sistema de control basado en este tipo de lgica.
1.6.2.5.
1.6.3.
Aplicaciones
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy alta y no
existen modelos matemticos precisos, para procesos altamente no lineales y cuando se
envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen
solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en Japn, y
cada vez se est usando en gran multitud de campos. La primera vez que se us de forma
importante fue en el metro japons, con excelentes resultados. A continuacin se citan
algunos ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (Frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de reconocimiento de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un experto
humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto,
por ejemplo, existe el lenguaje FSQL.
Y, en general, en la gran mayora de los sistemas de control que no dependen de un
S/No.
Redes Neuronales.
1.6.3.1. Historia de las Redes Neuronales
Conseguir disear y construir mquinas capaces de realizar procesos con cierta
inteligencia ha sido uno de los principales objetivos de los cientficos a lo largo de la
historia. De los intentos realizados en este sentido se han llegado a definir las lneas
fundamentales para la obtencin de mquinas inteligentes: En un principio los esfuerzos
estuvieron dirigidos a la obtencin de autmatas, en el sentido de mquinas que
realizaran, con ms o menos xito, alguna funcin tpica de los seres humanos. Hoy en
da se contina estudiando en sta misma lnea, con resultados sorprendentes, existen
maneras de realizar procesos similares a los inteligentes y que podemos encuadrar dentro
de la llamada Inteligencia Artificial (IA).
Ni las neuronas ni las sinapsis son elementos de memoria biestable. Todos los hechos
fisiolgicos hablan a favor de las acciones de las neuronas como integradores analgicos,
y la eficiencia de la sinapsis cambia de forma gradual, lo cual no es caracterstico de
sistemas biestables.
Los circuitos del cerebro no implementan computacin recursiva y por lo tanto no son
algortmicos. Debido a los problemas de estabilidad, los circuitos neuronales no son
suficientemente estables para definiciones recursivas de funciones como en computacin
digital. Un algoritmo, por definicin, define una funcin recursiva.
1.6.3.5.
1.6.3.7.
seales moduladas que han llegado a la unidad j-sima se combinan Net j yi w ji entre
i
Net j
a (t 1)
Una funcin de activacin, F, determina el nuevo estado de activacin j
de la
neurona, teniendo en cuenta la entrada total calculada y el anterior estado de activacin
a j (t )
.
La dinmica que rige la actualizacin de los estados de las unidades puede ser de dos
tipos: asncrono y modo sncrono. En el primer caso, las neuronas evalan su estado
continuamente segn les va llegando informacin, y lo hacen de forma independiente, En
el segundo caso, la informacin llega de forma continua, pero los cambios se realizan
simultneamente, como si existiera un reloj interno que decidiera cuando cambiar su
estado. Los sistemas biolgicos quedan probablemente entre ambas posibilidades.
1.6.3.8.
Aplicaciones.
Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que
no se dispone a priori de un modelo identificable que pueda ser programado, pero se
dispone de un conjunto bsico de ejemplos de entrada (previamente clasificados o no).
Asimismo, son altamente robustas tanto al ruido como a la disfuncin de elementos
concretos y son fcilmente paralelizables.
Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes,
seales, etc. Asimismo se han utilizado para encontrar patrones de fraude econmico,
hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosfrico,
etc.
Tambin se pueden utilizar cuando no existen modelos matemticos precisos o
algoritmos con complejidad razonable; por ejemplo la red de Kohonen ha sido aplicada
con un xito ms que razonable al clsico problema del viajante (un problema para el que
no se conoce solucin algortmica de complejidad polinmica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los
algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la
evolucin de redes neuronales mediante algoritmos genticos se denomina Robtica
Evolutiva. En este tipo de aplicacin el genoma del AG lo constituyen los parmetros de
la red (topologa, algoritmo de aprendizaje, funciones de activacin, etc.) y la adecuacin
de la red viene dada por la adecuacin del comportamiento exhibido por el robot
controlado (normalmente una simulacin de dicho comportamiento).
Ejemplos
Quake II Neuralbot
Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el
juego Quake II que utiliza una red neuronal para decidir su comportamiento y un
algoritmo gentico para el aprendizaje. Es muy fcil probarlo y ver su evolucin.
Clasificador No Sesgado de Protenas
Es un programa que combina diversas tcnicas computacionales con el objetivo de
clasificar familias de protenas. Un posible mtodo consiste en utilizar mtricas
adaptativas como por ejemplo: mapas autoorganizados y algoritmos genticos.
El problema de clasificacin no sesgada basada en la expresin de las protenas en
Aminocidos puede reducirse, conceptualmente, a lo siguiente:
La identificacin de grupos de protenas que compartan caractersticas comunes.
La determinacin de las razones estructurales por las cuales las protenas en
cuestin se agrupan de la manera indicada.
cadena de caracteres (letras o nmeros) de longitud fija que se ajusta al modelo de las
cadenas de cromosomas, y se les asocia con una cierta funcin matemtica que refleja su
aptitud.
1.6.4.2.
Definiciones
Los Algoritmos Genticos (AGs) son mtodos adaptativos que pueden usarse para
resolver problemas de bsqueda y optimizacin. Estn basados en el proceso gentico
de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan
en la naturaleza de acorde con los principios de la seleccin natural y la supervivencia
de los ms fuertes, postulados por Darwin. Por imitacin de este proceso, los
Algoritmos Genticos son capaces de ir creando soluciones para problemas del mundo
real. La evolucin de dichas soluciones hacia valores ptimos del problema depende
en buena medida de una adecuada codificacin de las mismas.
Un algoritmo gentico consiste en una funcin matemtica o una rutina de software
que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben
generar descendencia para la nueva generacin.
Versiones ms complejas de algoritmos genticos generan un ciclo iterativo que
directamente toma a la especie (el total de los ejemplares) y crea una nueva
generacin que reemplaza a la antigua una cantidad de veces determinada por su
propio diseo. Una de sus caractersticas principales es la de ir perfeccionando su
propia heurstica en el proceso de ejecucin, por lo que no requiere largos perodos de
entrenamiento especializado por parte del ser humano, principal defecto de otros
mtodos para solucionar problemas, como los Sistemas Expertos.
Los algoritmos genticos son el resultado de los recientes avances de la computacin
evolutiva y la gentica y se constituyen en una de las principales herramientas
tecnolgicas de la inteligencia artificial.
Estos algoritmos simulan la mecnica de la seleccin natural y de la gentica
utilizando la informacin histrica para encontrar nuevos puntos de bsqueda de una
solucin ptima, permitiendo obtener soluciones a un problema que por su
complejidad no tiene ningn mtodo de solucin de forma preciso. Dicha solucin
exige clculos complejos que de manera normal tomaran demasiado tiempo.
1.6.4.3.
Ventajas y Desventajas
No necesitan conocimientos especficos sobre el problema que intentan resolver.
Operan de forma simultnea con varias soluciones, en vez de trabajar de forma
secuencial como las tcnicas tradicionales.
Cuando se usan para problemas de optimizacin maximizar una funcin objetivoresultan menos afectados por los mximos locales (falsas soluciones) que las
tcnicas tradicionales.
Resulta sumamente fcil ejecutarlos en las modernas arquitecturas masivamente
paralelas.
Usan operadores probabilsticas, en vez de los tpicos operadores determinsticos
de las otras tcnicas.
Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en
cierta medida de los parmetros que se utilicen tamao de la poblacin, nmero
de generaciones, etc.-.
Pueden converger prematuramente debido a una serie de problemas de diversa
ndole.
1.6.4.4.
Limitaciones
El poder de los Algoritmos Genticos proviene del hecho de que se trata de una tcnica
robusta, y pueden tratar con xito una gran variedad de problemas provenientes de
diferentes reas, incluyendo aquellos en los que otros mtodos encuentran dificultades. Si
bien no se garantiza que el Algoritmo Gentico encuentre la solucin ptima, del
1.6.4.6.
Marco de Desarrollo
Antes de continuar ahondando en la tcnica de los Algoritmos Genticos sera interesante
dejarla situada dentro de un marco ms amplio. Nos referimos a la rama de la Inteligencia
Artificial que se ha denominado Computacin Evolutiva.
El trmino Computacin Evolutiva se refiere al estudio de los fundamentos y
aplicaciones de ciertas tcnicas heursticas de bsqueda basadas en los principios
naturales de la evolucin. Una gran variedad de algoritmos evolutivos han sido
propuestos pero principalmente pueden clasificarse en: Algoritmos Genticos,
Programacin Evolutiva, Estrategias Evolutivas, Sistemas Clasificadores y Programacin
Gentica. Esta clasificacin se basa sobre todo en detalles de desarrollo histrico ms que
en el hecho de un funcionamiento realmente diferente, de hecho las bases biolgicas en
las que se apoyan son esencialmente las mismas. Las diferencias entre ellos se centran en
los operadores que se usan en cada caso y en general en la forma de implementar la
seleccin, reproduccin y sustitucin de individuos en una poblacin.
Aunque los detalles de la evolucin no han sido completamente comprendidos, incluso
hoy en da, existen algunos puntos en los que se fundamentan:
1.6.4.7.
Aplicaciones
Como hemos podido observar, el rea de aplicacin de los AG es muy amplia, y en
general sus aplicaciones se pueden implementar a muchos de los problemas de la vida
cotidiana, de igual forma, se hayan aplicado a diversos problemas y modelos en
ingeniara, y en la ciencia en general cabe destacar entre ellos:
Las principales aplicaciones de los algoritmos genticos en el campo de la gestin
financiera empresarial son:
La prediccin de la bancarrota de una empresa.
Evaluacin y prediccin de la capacidad financiera de una empresa para absorber
un prstamo y con el fin de decidir el otorgamiento del mismo, la inferencia de
reglas que indiquen las mejores decisiones sobre la asignacin de recursos con
base en informacin histrica de varios aos.
Generalmente, los algoritmos genticos se emplean con bastante xito en la investigacin
de operaciones para resolver problemas de optimizacin numrica y combinatoria.
1.6.4.8.
Reproduccin;
Generacin ++;
}
3. Mostrar resultados.
4. Fin de la generacin.
1.6.4.9. Funcin de evaluacin y seleccin
La funcin de evaluacin define el criterio para ordenar las hiptesis que potencialmente
pueden pasar a formar parte de la siguiente generacin.
La seleccin de las hiptesis que formarn parte de la siguiente generacin o que sern
usadas para aplicarles los operadores genticos, puede realizarse de varias formas. Las
ms usuales son:
Seleccin proporcional. En este mtodo la probabilidad de que una hiptesis sea
seleccionada viene determinada por:
Seleccin mediante torneo. Se eligen dos hiptesis al azar.
Seleccin por rango. La probabilidad de que una hiptesis sea seleccionada ser
proporcional a su posicin en dicha lista ordenada, en lugar de usar el valor devuelto
por la funcin de evaluacin.
1.6.4.10. Clases de algoritmos genticos
Algoritmos Genticos Generacionales.
Algoritmos Genticos de estado Fijo.
Algoritmos Genticos Paralelos.
Modelos de Islas.
Modelo Celular
1.6.4.11. Operadores genticos
Los dos operadores ms comunes son la mutacin y el cruce.
Adems existen varios tipos de cruce:
Cruce Simple
Cruce Doble
1.6.5.
Ventajas:
Tcnica de adquisicin de conocimientos.
Tcnica de resolucin de problemas.
Dominios de difcil estructuracin.
1.6.5.3.
Inconvenientes
Memoria
Manipulacin de la incertidumbre.
1.6.5.4.
Etapas
Recuperacin
Adaptacin
Evaluacin
Aprendizaje
1.6.5.5.
Visin Artificial.
La visin artificial (machine vision) es la adquisicin automtica de imgenes sin contacto y su
anlisis tambin automtico con el fin de extraer la informacin necesaria para controlar un
proceso o una actividad como:
Control de calidad.
Ordenacin por calidades (grading).
Manipulacin de materiales.
Test y calibracin de aparatos.
Monitorizacin de procesos.
El propsito de la visin artificial es programar un computador para que "entienda" una escena
o las caractersticas de una imagen.
Los objetivos tpicos de la visin artificial incluyen:
La deteccin, segmentacin, localizacin y reconocimiento de ciertos objetos en
imgenes (por ejemplo, caras humanas).
La evaluacin de los resultados (ej.: segmentacin, registro).
Registro de diferentes imgenes de una misma escena u objeto, i.e., hacer concordar un
mismo objeto en diversas imgenes.
Seguimiento de un objeto en una secuencia de imgenes.
Mapeo de una escena para generar un modelo tridimensional de la escena; tal modelo
podra ser usado por un robot para navegar por la escena.
Estimacin de las posturas tridimensionales de humanos.
Bsqueda de imgenes digitales por su contenido.
Estos objetivos se consiguen por medio de reconocimiento de patrones, aprendizaje
estadstico, geometra de proyeccin, procesado de imgenes, teora de grficos y otros
campos. La visin artificial cognitiva est muy relacionada con la psicologa cognitiva y
la computacin biolgica.
1.7.3.
Robtica.
Es la ciencia encaminada a disear y construir aparatos y sistemas capaces de realizar tareas
propias de un ser humano. No es un campo propio de la Inteligencia Artificial pero es quiz todo
un conjunto de circuito compacto que van a permitir tener como base para que una computadora
pensante pueda desplazarse y lograr as la movilidad.
1.7.3.1. Robots Fsicos
Robtica Industrial: Es la parte de la Ingeniera que se dedica a la construccin de
mquinas capaces de realizar tareas mecnicas y repetitivas de una manera muy
eficiente y con costes reducidos.
Reconocimiento de Patrones.
Tambin llamado lectura de patrones, identificacin de figuras y reconocimiento de formas
es el reconocimiento de patrones en seales. No slo es un campo de la informtica sino un
proceso fundamental que se encuentra en casi todos las acciones humanas.
El punto esencial del reconocimiento de patrones es la clasificacin: se quiere clasificar una
seal dependiendo de sus caractersticas. Seales, caractersticas y clases pueden ser de
cualquiera forma, por ejemplo se puede clasificar imgenes digitales de letras en las clases A a
Z dependiente de sus pxeles o se puede clasificar ruidos de cantos de los pjaros en clases de
rdenes aviares dependiente de las frecuencias.
El objetivo es clasificar patrones con base en un conocimiento a priori o informacin estadstica
extrada de los patrones. Los patrones a clasificar suelen ser grupos de medidas u observaciones,
definiendo puntos en un espacio multidimensional apropiado.
Un sistema de reconocimiento de patrones completo consiste en un sensor que recoge las
observaciones a clasificar, un sistema de extraccin de caractersticas que transforma la
informacin observada en valores numricos o simblicos, y un sistema de clasificacin o
descripcin que, basado en las caractersticas extradas, clasifica la medicin.
A continuacin se sugieren algunos ejemplos relevantes al rea de reconocimiento de patrones:
Parmetros para reconocer la cara de una persona.
Agrupacin de palabras para hacer sentido en una frase.
Buscar la llave para abrir una chapa.
Olores para saber si una naranja esta fresca o podrida.
1.7.5.
La realidad Virtual.
La realidad virtual (RV) es una simulacin tridimensional generada o asistida comnmente por
computadora de algn aspecto del mundo real o ficticio, en el cual el usuario tiene la sensacin
de pertenecer a ese ambiente sinttico o interactuar con l. La RV permite interactuar con
mundos tridimensionales de una manera ms natural, por ejemplo, un usuario puede realizar
acciones dentro de un modelo virtual, desplazarse, moverse, caminar a travs de l o levantar
cosas, y de esta forma experimentar situaciones que se asemejan al mundo real.
Se destacan tres caractersticas idneas de la RV:
Es un ambiente tridimensional generado por computadora.
Es interactiva.
Es inmersiva, es decir, el usuario se siente parte del ambiente virtual.
Las partes bsicas de un sistema de realidad virtual son: el modelo de simulacin, la
representacin del ambiente virtual, la entrada/salida y por supuesto el usuario.
1.7.6.
Ciberntica.
Es la ciencia que se ocupa de los sistemas de control y de comunicacin en las personas y en las
mquinas, estudiando y aprovechando todos sus aspectos y mecanismos comunes. El nacimiento
de la ciberntica se estableci en el ao 1942, en la poca de un congreso sobre la inhibicin
cerebral celebrado en Nueva York, del cual surgi la idea de la fecundidad de un intercambio de
conocimiento entre fisilogos y tcnicos en mecanismos de control. Cinco aos ms tarde,
Norbert Wiener uno de los principales fundadores de esta ciencia, propuso el nombre de
ciberntica, derivado de una palabra griega que puede traducirse como piloto, timonel o
regulador. Por tanto la palabra ciberntica podra significar ciencia de los mandos. Estos mandos
son estructuras con elementos especialmente electrnicos y en correlacin con los mecanismos
que regulan la psicologa de los seres vivientes y los sistemas sociales humanos, y a la vez que
permiten la organizacin de mquinas capaces de reaccionar y operar con ms precisin y
rapidez que los seres vivos, ofrecen posibilidades nuevas para penetrar ms exactamente las
leyes que regulan la vida general y especialmente la del hombre en sus aspectos psicolgicos,
econmicos, sociales etc.
Dentro del campo de la ciberntica se incluyen las grandes mquinas calculadoras y toda clase de
mecanismos o procesos de autocontrol semejantes y las mquinas que imitan la vida. Las
perspectivas abiertas por la ciberntica y la sntesis realizada en la comparacin de algunos
resultados por la biologa y la electrnica, han dado vida a una nueva disciplina, la binica. La
binica es la ciencia que estudia los: principios de la organizacin de los seres vivos para su
aplicacin a las necesidades tcnicas. Una realizacin especialmente interesante de la binica es
la construccin de modelos de materia viva, particularmente de las molculas proteicas y de los
cidos nucleicos.
1.7.7.
Multimedia.
Es un sistema que utiliza ms un medio de comunicacin al mismo tiempo en la presentacin de
la informacin, como el texto, la imagen, la animacin, el vdeo y el sonido.
Tipos de informacin multimedia:
Texto: sin formatear, formateado, lineal e hipertexto.
Grficos: utilizados para representar esquemas, planos, dibujos lineales...
Imgenes: son documentos formados por pxeles. Pueden generarse por copia del entorno
(escaneado, fotografa digital) y tienden a ser ficheros muy voluminosos.
Animacin: presentacin de un nmero de grficos por segundo que genera en el observador
la sensacin de movimiento.
Vdeo: Presentacin de un nmero de imgenes por segundo, que crean en el observador la
sensacin de movimiento. Pueden ser sintetizadas o captadas.
Sonido: puede ser habla, msica u otros sonidos.
1.7.8.
Juegos.
La mayor parte de los juegos estn construidos usando tcnicas de inteligencia artificial.
1.7.9.
Otras reas
Planificacin y soporte a la decisin.
Programacin Automtica.
Prueba Automtica de teoremas y matemticas simblica.
Problemas de optimizacin combinatorios y de itinerarios.
Aprendizaje.
94 PEGASUS
Realiza reservas de vuelos
Sistemas de conduccin de automviles.
Newstracker: Este programa recupera datos especficos.
Cuando el usuario indica el tipo de informacin que le interesa, Newstracker comprende el mensaje y,
despus de revisar durante horas miles de artculos en peridicos, agencias de noticias o revistas
conectadas a Internet, cada maana "edita" un peridico personalizado.
Si la seleccin de noticias no satisface por completo al lector, Newstracker toma nota, rectifica y es
capaz de aprender de sus errores. Una vez que haya estudiado durante cierto tiempo los hbitos de
lectura del usuario, le proporciona informacin a su medida.
Los expertos definen a este sofisticado programa como un "asistente polivalente" de la primera
generacin.
Racter: Creado en 1980 por Thomas Etter, un programador-analista de San Francisco y William
Chamberlain, un escritor neoyorquino. La intencin de ambos era crear un programa que crease
cuentos. Posteriormente, lo modificaron para permitirle mantener conversaciones con seres humanos,
veamos un extracto de una conversacin entre Racter y Chamberlain.
Racter: Hemos hablado antes?
Chamberlain: No
Racter: De qu sexo eres?
Chamberlain: Masculino
Racter: Cul es tu nombre completo?
Chamberlain: Bill Chamberlain
Racter: Qu eres?
Chamberlain: Cronorreflectometrista
Racter: De dnde eres?
Chamberlain: De la ciudad de Nueva York
Racter: Ya veo. As que cronorreflectometrista, verdad? Escucha. Gritemos juntos con decisin.
Me gusta la cautivadora msica italiana. Qu clase de msica te gusta a ti?
Chamberlain: el jazz
Racter: El jazz est bien. Qu me dices de la clsica?
Chamberlain: Me gusta la msica clsica
Racter: Y de qu nacionalidad?
Chamberlain: Tambin me gusta la msica italiana
Racter: A m, personalmente, Palestrina me inflama. Adems de Italia, otros pases produjeron
en el siglo XVII embelesados msicos. Sewall fue un importante y furibundo maestro del
Renacimiento. Amrica fue su nacin. Yo saco de la msica amoroso placer.
El dilogo prosigue por similares derroteros, mezclando sin pudor Bach con el rodaballo y las
lechugas. Al comparar este dilogo con el que yo mismo he mantenido con el programa Doctor se
aprecia una diferencia; el dilogo de Racter es mucho ms rico y fluido que el de Doctor, si bien es
bastante ms disparatado.
En el test de Turing Racter podra pasar por un humano con una marcada tendencia a la divagacin.
Cul es el funcionamiento de Racter? Al principio de la conversacin hace una serie de preguntas a
su interlocutor, cuyas respuestas va almacenando en una base de datos. En cuanto juzga que dispone
de suficiente informacin empieza a elaborar frases, en las que combina los elementos de que dispone
en su memoria con aquellos que ha recibido de su interlocutor, con lo que logra implicarlo en la
conversacin. Para construir las frases sigue un mismo esquema gramatical, en el que los sustantivos,
adjetivos y verbos se eligen al azar entre una amplia variedad que pertenecen a una misma categora, y
los artculos se adecuan a la forma gramatical correspondiente. Esto hace que las frases sean
sintcticamente correctas, pero en tanto los sustantivos, adjetivos y verbos se escogen al azar el
sentido suele ser disparatado.
Mycin: Se trataba de un sistema experto para el diagnstico de enfermedades infecciosas. Desde los
resultados de anlisis de sangre, cultivos bacterianos y dems datos, el programa era capaz de
determinar, o en lo menos, sugerir el microorganismo que estaba causando la infeccin. Despus de
llegar a una conclusin, MYCIN prescriba una medicacin que se adaptaba perfectamente a las
caractersticas de la persona, tales como el peso corporal de este. Despus del reconocido xito que
tuvo.
Mondrian: Un agente grfico
Un agente autnomo que no slo interacta con la interfaz modificndola (agente autnomo de
interfaz) sino que se utiliza para facilitar labores de diseo grfico. Mondrian parte "conociendo"
solamente figuras geomtricas bsicas. Se puede seleccionar alguna en su paleta de comandos y luego
determinar su posicin y tamao, y eventualmente desplazar y borrar. Pero, lo ms interesante y
caracterstica esencial del agente es que, teniendo alguna figura diseada en base a los componentes
fundamentales, se pueden agrupar, nombrar y de este modo agregar como nuevo recurso en la paleta
Progresivamente, el agente "aprende" as nuevas confi-guraciones y las agrega a su base de
conocimientos, el diseador llegando a disponer de una gran cantidad de figuras reutilizables.
En cualquier momento el usuario puede obtener informacin acerca del modo en que el componente
fue construido gracias a otra funcionalidad del agente.
Express: Este programa permite realizar mltiples bsquedas simultneas en diferentes buscadores, y
localizar informacin en Internet de manera fcil y rpida a travs de una interfaz sencilla.
Un sistema experto para la diagnosis de enfermedades de los ganglios linfticos, capaz de emitir
una diagnosis y de dar una explicacin de la misma que sirva para sealar los factores que la han
motivado (Heckerman, 1991).
Un sistema robtico integrado en un coche, que recoge imgenes de video y seales de sensores, las
integra con la experiencia adquirida en conducciones de entrenamiento, y es capaz de conducir en una
autopista sin la intervencin humana (Pomerleau, 1993).
Un sistema de monitorizacin de trafico capaz de reconocer distintas escenas a partir de las
imgenes tomadas desde una cmara en un cruce, e incluso de realizar llamadas automticas a los
servicios de emergencia en caso de accidentes (King et al., 1993).
Pegasus: Un programa de comprensin del habla capaz de entender los detalles de una peticin de
reserva de vuelo y de tramitar la transaccin (Zue et al. 1994).
Deep Blue: Mquina paralela que juega ajedrez y primera en derrotar al campen mundial [IBM 97].
Aibo: De Sony, es un perro inteligente el cual fue introducido al mercado en Japn y Estados Unidos
en
1999,
y
solo
era
vendido
por
la
red.
El robot cuenta con mltiples sensores a lo largo de su cuerpo para la iteracin con su dueo, as
como para darle su ubicacin. Tambin cuenta con luces, con las cuales expresa su estado de nimo en
distintas
situaciones.
La unidad de procesamiento central es un procesador RISK de 64 bits con 32 Mb en RAM de
memoria, con un sistema operativo OPEN-R v.1.1.2 de sony. Adems se pueden conseguir programas
para modelar su comportamiento.
que representan todo lo que el diseador sabe acerca del ambiente. A lo anterior se lo conoce como
enfoque declarativo de la construccin de un sistema.
1.6 APRENDIZAJE
Es posible disear mecanismos de aprendizaje producen un conocimiento general acerca del ambiente una
vez que se les proporciona un conjunto de percepciones. Mediante la incorporacin de mecanismos de
aprendizaje en un agente basado en el conocimiento se logra la total autonoma de ste.
1.7 CONSTRUCCIN DE UNA BASE DE CONOCIMIENTOS.
El proceso mediante el cual se construye una base de conocimiento se conoce como ingeniera del
conocimiento. Este entrevista a los verdaderos expertos de un campo para que stos le enseen lo
necesario sobre el dominio de inters y le deslinden las fronteras del conocimiento respectivo, por medio
de un proceso denominado adquisicin del conocimiento.
1.7.1.
1.7.2.
1.7.3.
Ontologa general.
Son dos de las caractersticas principales de las ontologas para propsito general que las
diferencian del grupo de las ontologas para casos especiales:
Las ontologas de propsito general deben funcionar tambin en prcticamente cualquier
domino especial.
Existen dominios muy exigentes, en donde es necesario unificar diversas reas del
conocimiento puesto que el razonamiento y la resolucin de problemas pueden llegar a
implicar simultneamente a varias reas.
El estudio de la ontologa de propsito general est organizado de acuerdo con los siguientes
subtemas:
1.7.3.1.
Representacin de categoras
Buena parte del razonamiento se realiza a nivel de categoras. Existen dos maneras para
representar las categoras en la lgica de primer orden:
Mediante predicados unarios
Mediante la reificacin. La reificacin es el procedimiento mediante el cual un
predicado o una funcin se convierten en un objeto del lenguaje.
Las categoras desempean un papel importante: sirven para organizar y simplificar la
base de conocimientos a travs de la herencia.
Las relaciones de subclase organizan las categoras en una taxonoma o jerarqua
taxonmica.
Se dice que dos categoras son disyuntas si no tienen ningn miembro en comn. Incluso
sabiendo que dos categoras son disyuntas, no podemos saber que si un objeto no forma
parte de una categora, debe formar parte de la otra, a menos que afirmemos que ambas
categora constituyen lo que se conoce como descomposicin exhaustiva. A una
descomposicin exhaustiva disyunta se la conoce con el nombre de fragmentacin.
Las categoras se pueden definir tambin cuando se cumple con las condiciones
necesarias y suficientes de la membresa.
1.7.3.2.
1.7.3.3.
Medidas.
En el universo existen objetos de medida abstractos. Este objeto de medida abstracto
puede llamarse de diferentes maneras en nuestro lenguaje. En lgica esto se realiza
combinando una funcin de unidades. Las medidas pueden servir para especificar objetos.
Es fcil representar las medidas sencillas y cuantitativas. Es aspecto ms importante de
las medidas no reside en los valores numricos particulares en s, sino en el hecho de que
las medidas permiten una ordenacin. Aun cuando las medidas no estn representadas por
nmeros, es posible compararlas entre s mediante signos de ordenacin como >.
Objetos compuestos.
Todo objeto que est formado por partes se denomina objeto compuesto. Las categoras
de los objetos compuestos normalmente se caracterizan mediante la estructura de dichos
objetos, es decir, por sus partes y cmo se relacionan stas entre s. Es conveniente
definir los objetos compuestos mediante partes bien definidas, aunque sin una estructura
determinada.
1.7.3.4.
1.7.3.5.
Sustancias y objetos
Existe una importante porcin de realidad que parecera desafiar todo tipo de
individualizacin (separacin en objetos distintos). A esta porcin se le conoce
genricamente como materia o sustancia. Hay varios tipos de sustancias:
Sustancias temporales: se llama as a los eventos lquidos
Sustancias espaciales.
Los objetos pueden tener propiedades:
Intrnsecas: son aquellas propiedades que pertenecen a la misma sustancia del
objeto, ms que al objeto como un todo. Cuando se parte algo en dos, ambas
partes conservan el mismo conjunto de propiedades intrnsecas
Extrnsecas: son aquellas propiedades que luego de dividir un objeto, se pierden.
Aquella clase de objetos que en su definicin incorporen slo propiedades intrnsecas es
una sustancia. En cambio aquella clase que incorpore cualquier propiedad extrnseca en
su definicin es una sustantivo contable.
1.7.3.7.
1.7.3.8.
Conocimiento y accin.
Las acciones tienen condiciones previas de conocimiento y tambin efectos de
conocimientos.
Un agente con distintas opciones inmediatas de valores desconocidos puede decidir que hacer,
examinando las diferentes secuencias posibles de acciones que le conduzcan a estados de valores
conocidos, y entonces escoger la mejor secuencia.
1.3
DEFINICIN DE PROBLEMAS
Es un conjunto de informacin que el agente utiliza para decidir lo que va a hacer.
Un problema esta compuesto por:
1.6.2.
Estado Inicial
Estado Objetivo
2.4.1.1.
Si son varias las soluciones, este tipo de bsqueda permitir siempre encontrar primero el
estado meta ms prximo a la raz.
En esta bsqueda el tiempo y la cantidad de memoria necesaria crece exponencialmente
con respecto a la profundidad.
Su complejidad espacio temporal es O (bd).
Es ptima y completa.
Si d es la longitud de ruta mnima.
Si b el factor de ramificacin, el nmero de nodos expandidos estar entre:
1+b+b2+...bd-1 y 1+b+b2+...bd
Tiempo y Memoria necesarios en la Bsqueda Preferente por Amplitud.
Las cifras indicadas suponen que hay un factor de ramificacin b=10; 1000
nodos/segundo; 100 bytes/nodo.
Tabla N 4: Tiempo y Memoria en B.P. por Amplitud
Profundidad
Nodos
0
1
2
111
4
11,111
6
106
8
108
10
1010
12
1012
14
1014
Ejemplo: Tomemos como el ir de Ada a Bucarest
Tiempo
1 milisegundo
1 segundos
11 segundos
18 minutos
31 horas
128 das
35 aos
3500 aos
Memoria
100 bytes
11 kilobytes
1 megabytes
111 megabytes
11 gigabytes
1 Terabytes
111 terabytes
11,111 terabytes
2.4.1.2.
Es ptima y completa.
Los costos deben ser positivos, caso contrario no se aplica esta bsqueda.
Ejemplo: Tmese el caso del problema de la determinacin de ruta que radica en ir de S
a G.
Figura N 20: Resolucin del puzzle por bsqueda preferente por profundidad
2.4.1.4.
2.4.1.5.
Bsqueda bidireccional:
Esta es una bsqueda que avanza a partir del estado inicial y que retrocede a partir de la
meta y que se detiene cuando ambas bsquedas se encuentran en algn punto intermedio.
En esta bsqueda el tiempo y el espacio requerido en memoria crecen
exponencialmente con respecto a la mitad de la profundidad (bd/2).
Es ptima y completa.
Ejemplo: Tomemos el caso de los puzzle
Tiempo
Espacio
Es
ptima?
Es
completa?
2.4.2.
Pref. por
amplitud
Costo
uniforme
Pref. por
profundidad
Limitada en
profundidad
Profundizacin
iterativa
Bidireccional
bd
bd
bd
bd
bm
bm
bl
bl
bd
bd
bd/2
bd/2
No
No
Si
Si
No
Si, cuando
l>=d
b es el factor de ramificacin;
d es la profundidad de la solucin;
m es la profundidad mxima del rbol de bsqueda;
l es el lmite de profundidad
2.4.2.1.
Solucin
La solucin produce una ruta que tiene un costo mnimo (obtiene una solucin sin
expandir nodos que no estn en la ruta). La cantidad de kilmetros reales a recorrer
por esta ruta (Oradea-Sibiu-Fagaras-Bucarest) es de 461 Km., sin embargo otra ruta
puede producir un resultado mejor y no encontrarse debido a la heurstica utilizada.
En el libro de texto se analiza esa situacin considerando la ciudad de Arad como
punto de partida. Debido a esta situacin la bsqueda avara no es ptima.
El nombre de bsqueda avara viene dado por el hecho de que se trata de aprovechar
al mximo la heurstica sin tomar en cuenta otros factores, en realidad este mtodo de
bsqueda produce casi siempre buenos resultados aunque puede resultar no ptimo
como el caso que nos ocupa.
La bsqueda avara tiene sus problemas con relacin a:
Equivocar la ruta, por ejemplo si el estado origen es Iasi y la meta Fagaras, la
estrategia conduce a Neamt, desde donde no se puede ir a ninguna parte y por
eso se habr generado un nodo innecesario. En este caso se puede repetir un
ciclo infinito (si no se controla la existencia de estados repetidos)
2.4.2.1.2. Bsqueda A*: minimizar el costo estima total de la solucin
A la bsqueda mas ampliamente conocida de la bsqueda primero el mejor se la
llama bsqueda A*.
La bsqueda avara permite reducir al mnimo el costo de la meta, h(n), con lo que
tambin se reduce en forma considerable el costo de la bsqueda. Sin embargo, este
tipo de bsqueda no es ptimo ni tampoco completo.
Por otra parte, la bsqueda por costo uniforme, reduce al mnimo el costo de la ruta
(g(n)). Es ptima y completa, pero puede ser muy ineficiente.
Sera bueno poder utilizar ambas estrategias para as combinar las ventajas que
ofrecen. Afortunadamente si es posible hacerlo, al combinar las dos funciones de
evaluacin mediante una suma:
f(n) = g(n) + h(n)
Dado que con g(n) se calcula el costo de la ruta que va del nodo de partida al nodo n,
y h(n) es el costo estimado de la ruta ms barata que va de n a la meta, tenemos que:
f(n) = costo estimado de la solucin ms barata, pasando por n.
La optimalidad de A* es sencilla de analizar si se usa con la Bsqueda-rboles.
A* es ptima si h(n) es una heurstica admisible, es decir, con tal de que la h(n)
nunca sobrestime el coste de alcanzar el objetivo. Como g(n) es el coste exacto para
alcanzar n, tenemos como consecuencia inmediata que la f(n) nunca sobrestima el
coste verdadero de una solucin a travs de n.
Ejemplo.
El objetivo ser de nuevo ir hasta Bucarest, pero en esta ocasin partiremos desde la
ciudad de Arad.
Veamos los rboles de bsqueda se generan.
Se debe observar que la funcin f es montona o sea esta funcin nunca disminuye
cuando profundizamos en el rbol de bsqueda, algo que debemos esperar si decimos
que la heurstica es aceptable.
2.4.2.2.
Procedimiento de inferencia
A un procedimiento de inferencia que genere slo oraciones implicadas se le denomina
procedimiento fidedigno o protector de la verdad.
A un procedimiento de inferencia se le puede describir por las oraciones que pueden
derivarse a partir de l.
El testimonio de la manera de operar de un procedimiento de inferencia confiable se
denomina demostracin.
Se considera que un procedimiento de inferencia es completo si es capaz de encontrar la
demostracin respectiva de toda oracin implicada. Sin embargo, en muchas BC el conjunto
de todas las consecuencias en infinito, y por lo tanto resulta imposible encontrar las
demostraciones de todas las oraciones implicadas. Esto implica que la mayora de los
procedimientos de inferencia no son completos.
Para contar con una inferencia segura, se debe lograr que los pasos de inferencia respeten la
semntica de las oraciones sobre las que se aplican, es decir, que dada una cierta BC,
mediante los pasos de inferencia se obtengan solamente nuevas oraciones que representen
hechos derivados de los hechos representados por la BC. La teora de la demostracin
especifica los pasos de razonamiento que son confiables.
2.2.2.
Tipos de inferencia
Deductivas: Dado un conjunto de hechos, un proceso de inferencia deductivo slo producir
conclusiones que se deriven lgicamente de esos hechos.
No deductivas: Las hay de muchas clases.
Inductivas: Implican aprendizaje o generalizacin a partir de ejemplos.
Abductivas: Implican inferencia causa-efecto.
2.2.3.
Tcnicas de inferencia
Procedural: Como por ejemplo un sistema que utilice los procedimientos aritmticos
incorporados en el ordenador para evaluar expresiones aritmticas sin ninguna
representacin explcita de conocimiento sobre matemticas.
Declarativa: La BC se representa mediante un conjunto de axiomas y se realiza la inferencia
utilizando algoritmos deductivos basados en la semntica de dichos axiomas.
Muchos sistemas pueden combinar ambas tcnicas.
2.3 CONSECUENCIA O IMPLICACIN
Relacin que guardan dos oraciones, y que refleja el hecho de que una es consecuencia o se deriva de la
otra. Lo que deseamos es obtener generar nuevas oraciones que necesariamente sean verdaderas,
suponiendo que las previas tambin lo sean.
2.4 NUEVAS ORACIONES
Mediante un procedimiento de inferencia se pueden obtener dos cosas: partiendo de una base de
conocimiento BC, tal procedimiento permite generar nuevas oraciones X que dan a entender que son
implicaciones de BC. O bien, dados una BC y otra oracin X, informar si X es consecuencia de la BC o
si no lo es.
2.5 REPRESENTACIN
En un buen lenguaje para representar el conocimiento se combinan las ventajas de los lenguajes naturales
y la de los lenguajes formales. Debe ser lo suficientemente expresivo y conciso para que nos permita
expresar de manera sucinta todo lo que hay que decir. Debe ser inequvoco (no ambiguo) e independiente
del contexto para su interpretacin, de manera que lo que se diga hoy siga siendo interpretable el da de
maana. Debe ser eficiente en el sentido de que debe existir un procedimiento de inferencia que permita
obtener nuevas inferencias a partir de oraciones en nuestro idioma. Es importante tener en cuenta que
independientemente del lenguaje que se emplee se deber utilizar la notacin lgica, por lo que es
imprescindible familiarizarse con ella.
Semntica: ninguna oracin tiene significado por s misma, quien la escriba tiene que proporcionar su
respectiva
interpretacin;
debe
aclarar
a
qu
hecho
corresponde.
Todos los lenguajes de representacin exigen una relacin sistemtica entre oraciones y hechos.
Los lenguajes de los que nos ocuparemos son todos compositivos o de composicin: el significado de una
oracin es funcin del significado de sus partes. Una vez que mediante la semntica se interpreta de una
manera determinada una oracin, sta afirma que el mundo es de esta forma y no de otra. La validez de la
oracin depende tanto su interpretacin como del estado actual del mundo.
2.6 RAZONAMIENTO
Es el proceso de construir nuevas representaciones, bajo la forma de oraciones, a partir de
representaciones anteriores.
Son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones.
La inferencia lgica o deduccin es un proceso mediante el que se implanta la relacin de implicacin que
existe entre oraciones.
Validez: Se dice que una oracin es vlida o necesariamente verdadera si y slo si es verdadera en
todas las posibles interpretaciones de todos los mundos posibles, es decir, con independencia de lo
que supuestamente signifique y de lo que est sucediendo en el universo descrito. Tambin se
llaman oraciones analticas o tautologas.
Satisfaccin: Se considera que una oracin es satisfactible si y slo si existe una interpretacin en
algn mundo para la que es vlida. Lo contrario es el caso de las oraciones insatisfactibles.
2.7 LGICA
Una lgica consta de:
Un sistema formal para describir lo que est sucediendo y que consta a su vez de sintaxis y semntica.
La teora de la demostracin, un conjunto de reglas para deducir las implicaciones de un conjunto de
oraciones.
NEGACIN
3.2 SEMNTICA.
La semntica de la lgica propositiva tambin es bastante directa. Se define especificando la interpretacin
de los signos de proposicin y de las constantes y especificando el significado de los conectores lgicos.
El significado de una oracin compleja se obtiene del significado de cada una de sus partes, y su validez
se puede determinar mediante tablas de verdad.
3.3 SMBOLOS DE LA LGICA PROPOSITIVA
3.3.1.
3.3.2.
3.3.3.
3.3.4.
3. Una proposicin se puede formar combinando proposiciones mas sencillas unidas por
conectivos lgicos.
4. Una proposicin encerrada entre parntesis, tal como (PQ), es una proposicin.
La semntica de las proposiciones lgicas en las que intervienen los conectores lgicos se define
mediante sus tablas de verdad en las cuales se le da una interpretacin a cada una de las
combinaciones en dependencia de los valores de verdad de cada una de las partes que la integran:
Tabla N 7: Tablas de verdad para los conectivos lgicos
P
V
V
F
F
Q
V
F
V
F
P
F
F
V
V
PQ
V
F
F
F
PQ
V
V
V
F
PQ PQ
V
V
F
F
V
F
V
V
P
V
V
F
F
R
V
F
V
F
R
F
V
F
V
Probar ((PR)R)P
((PR) (PR)R) ((PR)R)P
V
F
V
V
V
V
V
F
V
F
F
V
En este caso se dice que la expresin ((PR)R)P es verdadera para todas sus interpretaciones lo que
se denomina una tautologa por lo que se concluye que la proposicin compuesta es verdadera.
El mtodo de usar las tablas de verdad es muy tedioso y, aunque se puede usar para pequeos problemas,
no es una forma adecuada para otros. Existen un conjunto de reglas de inferencia en la lgica propositiva,
algunas de ellas son las siguientes:
Modus ponens o implicacin-Eliminacin
De:
PQy
P
Se tiene Q
Y eliminacin
De:
P1P2...Pn
Se tiene cualquier Pi
Doble negacin
De:
P
Se tiene P
Resolucin unitaria
De:
PQ y
P
Se tiene Q
Resolucin
De:
PQ y
QR
Se tiene
PR
3.5
Concepto:
Esta lgica tiene un alcance ontolgico ms amplio que la lgica propositiva.
La lgica de primer orden se preocupa por la representacin de los mundos en trminos de
objetos y predicados sobre objetos (es decir, propiedades de los objetos o relaciones entre los
objetos), as como del uso de conectivos y cuantificadores, mediante los cuales se pueden
escribir oraciones sobre todo lo que pasa en el universo, a un mismo tiempo.
3.5.2.
Sintaxis y semntica.
3.5.2.1.
Componentes de la lgica de primer orden
Trminos: representan objetos
Signos que representan constantes, variables y signos de funcin sirven para construir
trminos.
Los cuantificadores y los signos de predicados sirven para construir oraciones
3.5.2.2.
3.5.2.3.
Trmino.
Un trmino es una expresin lgica que se refiere a un objeto. Cuando un trmino no
tiene variable se lo denomina trmino de base.
3.5.2.4.
Oraciones atmicas
Una oracin atmica es una oracin mediante la cual se afirman hechos. Est formada por
un signo de predicado y por una lista de trminos entre parntesis. Se dice que una
oracin atmica es verdadera si la relacin a la que alude el signo de predicado es vlida
para los objetos a los que aluden los argumentos.
Ejemplo:
Hermano (Ricardo, Juan) afirma que Ricardo es hermano de Juan.
Es vlido que una oracin atmica tenga trminos complejos como argumentos:
Casado (Padre De (Ricardo), Madre De (Juan)) afirma que el padre de Ricardo est
casado con la madre de Juan (dentro de una adecuada interpretacin).
3.5.2.5.
Oraciones complejas.
Mediante los conectores lgicos se pueden construir oraciones ms complicadas. La
semntica de las oraciones formadas utilizando los conectores lgicos es idntica a la del
caso de las proposiciones.
Ejemplo:
Mayor (Juan, 50)\/ Menor (Juan, 20)
Hermano (Ricardo, Juan)/\ Hermano (Juan, Ricardo)
Mayor (Juan, 50) => Menor (Juan, 20)
Hermano (Roberto, Ricardo)
3.5.2.6.
Cuantificadores.
Los cuantificadores permiten expresar propiedades de grupos completos de objetos. La
lgica de primer orden consta de dos cuantificadores estndar, denominados:
Universales: Equivale a la conjuncin de todas las oraciones que se obtienen al
sustituir el nombre de un objeto por la variable que aparece en la expresin.
Ejemplo:
es el cuantificador universal para todo
x Gato (x) => Mamfero (x) equivale a:
Gato (Silvestre) => Mamfero (Silvestre) ^ Gato (Tom) => Mamfero (Tom) ^
Gato (Felix) => Mamfero (Felix) ^ ....
Existenciales: Sirve para realizar afirmaciones acerca de algn objeto en el
universo sin tener que nombrarlo. Equivale a la disyuncin de todas las oraciones
obtenidas al sustituir el nombre de un objeto por la variable x. Esta oracin es
verdadera solo cuando una de las disyunciones es verdaderas.
Ejemplo:
Es el cuantificador existencial existe
x Gato (x) => Mamfero (x)
Gato (Silvestre) => Mamfero (Silvestre) v Gato (Tom) => Mamfero (Tom) v
Gato (Felix) => Mamfero (Felix) v ......
El orden de los cuantificadores es muy importante. Surge una dificultad que no es grave
cuando se utilizan dos cuantificadores que tienen el mismo nombre de variable. La regla
es que la variable pertenece al ms interno de los cuantificadores que en ella se
mencionan.
El trmino frmula bien configurada se emplea para calificar oraciones en las que todas
sus variables se han introducido mediante un cuantificador.
3.5.2.7.
Igualdad
Para formular aseveraciones en la que dos trminos se refiere a un mismo objeto se utiliza
el smbolo de igualdad.
Ejemplo:
Padre (Juan)=Enrique
Est afirmando que el objeto al que hace referencia Padre (Juan) y al objeto al que alude
Enrique son lo mismo.
3.5.3.
3.5.4.
3.5.5.
3.5.6.
Clculo de situaciones.
El clculo de situaciones es el nombre dado para una manera particular de describirle cambio en
la lgica de primer orden. Concibe al mundo como una secuencia de situaciones, cada una de las
cuales es como una instantnea del estado del mundo. Para manejar una relacin o propiedad
que cambia con el tiempo se proporciona al predicado correspondiente un argumento de
situacin adicional. Cuando una relacin o una propiedad no estn sujetas al cambio, no es
necesario el argumento correspondiente a la situacin adicional.
El cambio del mundo de una situacin a otra se representa mediante la funcin Resultado (accin,
situacin)
Las acciones se describen al especificar sus correspondientes efectos. Especificamos las
propiedades de la situacin que resulta de efectuar una accin determinada.
3.5.7.
3.5.8.