INTELIGENCIA ARTIFICIAL

Prof. Francisco J. Arias S. 2010

PROPSITOS DE FORMACIN
Al terminar el curso, el estudiante conocer los conceptos bsicos en Inteligencia Artificial y estar en capacidad de aplicar algunas tcnicas para la solucin de problemas.

OBJETIVOS ESPECIFICOS
Identificar los fundamentos de la Inteligencia Artificial y sus reas de aplicacin. Entender los conceptos de lgica difusa y aplicar diferentes tipos de sistemas de inferencia difusa. Solucionar problemas diferentes estrategias. de bsqueda haciendo uso de

Entender los conceptos de sistemas expertos basados en reglas. Entender los conceptos de redes diferentes arquitecturas de redes. neuronales y aplicar

ORGANIZACIN DEL TRABAJO ACADEMICO

1. Introduccin IA Definicin IA Desarrollo Histrico de la IA. Campos De Investigacin. 2. Lgica Difusa Introduccin Conceptos bsicos de los Sistemas de Lgica Difusa. Conceptos de Aritmtica Difusa. Relaciones de Implicacin Sistemas de inferencia difusa tipo MANDANI. Sistemas de inferencia difusa tipo TAKAGI-SUGENO

ORGANIZACIN DEL TRABAJO ACADEMICO

4. Tcnicas de Bsqueda Bsqueda en espacios de estados. Estrategias de bsqueda simple. Estrategias de bsqueda heurstica. 5. Sistemas Expertos Introduccin Ingeniera de Software Vs Ingeniera de Conocimiento Componentes y arquitectura de un SE. Herramienta CLIPS. 6. Redes Neuronales Introduccin Redes Neuronales Supervisadas. Redes Neuronales no Supervisadas. Ejemplo (Neural Network Toolbox Matlab).

EVALUACIN
Trabajo Practico Fecha inicio 31 de agosto Fecha fin 9 de septiembre

Evaluacin 1
Evaluacin 2

28 de septiembre
25 de mayo

Proyecto

Etapa 1: Fecha inicio 28 de septiembre Fecha fin 12 de octubre Exposicin proyectos 1 4 de noviembre Exposicin proyectos 2 2 de noviembre Exposicin proyectos 3 4 de noviembre

BIBLIOGRAFA
Libros Bonifacio Martn del Brio & Alfredo Sanz Molina. Redes Neuronales y Sistemas Borrosos. 3 Edicin. Alfaomega RaMa, 2007. Nils J. Nilsson. INTELIGENCIA Sntesis, Ed McGraw-Hill 2001. ARTIFICIAL: Una Nueva

Escolano Francisco et al. INTELIGENCIA ARTIFICIAL: Modelos, Tcnicas y reas de Aplicacin. THOMSON Editores Spain, 2003. Russell Stuart & Norvig Peter. INTELIGENCIA ARTIFICIAL: Un Enfoque Moderno., Pearson Education S.A., Prentice Hall Hispanoamericana S.A., pp 1240, 2004.

INTRODUCCIN IA

Prof. Francisco J. Arias S. 2010

DEFINICION IA
Inteligencia + Artificial Inteligencia: Definir inteligencia en trminos cientficos puede ser muy complicado pero sabemos reconocer que la inteligencia est presente cuando realizamos distintas tareas cotidianas, como: Comunicarnos Aprender Interpretar una imagen Esquivar obstculos que encontramos en el camino Cuando un experto toma una decisin en un rea especfica, etc.

Artificial: Hecho por mano o arte del hombre, Producido por el ingenio humano.

DEFINICION IA
La Inteligencia Artificial es la parte de las Ciencias de la computacin que se ocupa del diseo de sistemas de computacin inteligentes, esto es, sistemas que exhiben las caractersticas que asociamos con la inteligencia en el comportamiento humano (Barr y Feigembaum). La Inteligencia Artificial es el estudio de cmo hacer que las computadoras hagan cosas que hasta el momento, los humanos hacen mejor (Rich y Knight).

DESARROLLO HISTORICO DE LA IA
La inteligencia artificial naci durante la segunda guerra mundial (1937-1945). El Gobierno norteamericano encargo a Norbert Wiener, profesor del MIT, que estudiara la posibilidad de regular automticamente la direccin de tiro de los caones antiareos.

DESARROLLO HISTORICO DE LA IA
Tortugas de William Grey Walter (1948 - 1949), que exhiben comportamientos Sociales
La bestia de Johns Hopkins (1960), que era capaz de encontrar un enchufe para alimentarse.

DESARROLLO HISTORICO DE LA IA
Desde entonces los pioneros en IA formularon su doctrina en estos puntos: El pensamiento es un caso de procesamiento de informacin. El procesamiento de informacin es manipulacin de smbolos. Si un computador realiza estas operaciones es porque piensa. Entonces se puede admitir que un computador y un cerebro realizan las mismas funciones fundamentales: Reciben informacin, la procesan la almacenan y dan respuesta en relacin con la informacin y los datos que figuran en su memoria.

DESARROLLO HISTORICO DE LA IA
En 1950 Alan Turing introdujo el concepto de Test de Turing. El test consista en juzgar el nivel de inteligencia de una mquina.

DESARROLLO HISTORICO DE LA IA
Claud Shannon y Alan Turing desarrollaron programas que permitan a un ordenador digital razonar y jugar ajedrez (Programming a Computer for Playing Chess)

Dos tipos de estrategias para el juego de ajedrez:

1.La ms primitiva, llamada "tipo-A", consista en la bsqueda en profundidad, para luego utilizar el algoritmo "minimax (16 minutos para cada movimiento). 2. La estrategia "tipo-B" introdujo un mtodo de bsqueda selectiva en el cual ciertas lneas eran ms profundizadas que otras.

DESARROLLO HISTORICO DE LA IA
En 1957, Allen Newell desarrollo el primer programa capaz de razonar sobre temas arbitrarios resolutor general de problemas (1957).

Resolucin de problemas de sentido comn, los cuales incluyen razonamiento de objetos fsicos y sus relaciones, como tambin razonamiento de acciones y sus consecuencias. Solo se resolvieron tareas muy simples, pues no se pudo crear un programa con la cantidad suficiente de conocimiento de un dominio especfico.

CAMPOS DE INVESTIGACIN EN EL REA DE INTELIGENCIA ARTIFICIAL

Lgica Difusa Redes Neuronales Sistemas Expertos y Sistemas Basados en Conocimientos Tcnicas de Bsqueda Sistemas Multi-Agentes Visin Artificial Aprendizaje de Maquina Procesamiento de Lenguaje Natural Algoritmos genticos Robtica

Sistemas Multi-Agentes
Un Sistema Multi-Agente es un sistema distribuido en el cual los elementos son sistemas de inteligencia artificial llamados agentes de software. Un agente de software es una entidad virtual, el cual es manejado por un conjunto de objetivos o funciones que trata de optimizar, Es capaz de percibir su ambiente (en forma limitada) y Puede comunicarse directamente con otros agentes.

Sistemas Multi-Agentes

Visin Artificial
Los sistemas que implementan programas de visin tienen que tomar decisiones tiles sobre objetos fsicos reales y sobre imgenes obtenidas por sensores. Usan distintos mtodos para extraer datos y modelos que se basan en distintas teoras (fsica, geometra, aprendizaje, etc.).

Qu entendemos por imagen digital?

La imagen digital en escala de grises puede ser representada como un matriz de MxN elementos numricos cuyos valores posibles van del 0 (negro) al 255 (blanco).

Qu es el procesamiento digital de imgenes?

El procesamiento digital de imgenes es el conjunto de tcnicas que se aplican a las imgenes digitales con el objetivo de mejorar la calidad o facilitar la bsqueda de informacin. Estas tcnicas diferentes: se encuentran agrupadas en 3 niveles

1. Procesos de Bajo Nivel. 2. Procesos de Nivel Medio.

3. Procesos de Alto Nivel.

Procesos de Bajo Nivel

1. Adquisicin de imgenes Proceso de obtener la imagen. Puede incluir decisiones como qu sistema de iluminacin es ms conveniente, el mejor rango de longitud de onda para la aplicacin, etc.

Procesos de Bajo Nivel

2. Mejora de la imagen
La idea de este paso es obtener detalles que no se vean, o simplemente subrayar ciertas caractersticas de inters. Que se vea mejor. Por supuesto, a nivel subjetivo.

Procesos de Bajo Nivel

3. Restauracin de la imagen.
Tambin mejora la apariencia de la imagen, a diferencia de la mejora de la imagen, subjetiva, la restauracin es objetiva, en el sentido en que las tcnicas de restauracin tienden a ser modelos probabilsticas o matemticos de degradacin de la imagen

Procesos de Bajo Nivel

4. Procesamiento del color. Procesamientos especiales para el color. 5. Compresin

Reduce el almacenamiento requerido para guardar una imagen, o el ancho de banda para transmitirla.

Procesos de Nivel Medio

Se caracterizan por que sus entradas son generalmente imgenes, pero sus salidas son atributos extrados de esas imgenes (contornos, bordes, identidad de objetos individuales). 6. Procesamiento morfolgico Herramientas para extraer componentes de la imagen tiles para la representacin y descripcin de formas.

Procesos de Nivel Medio

7. Segmentacin Divide una imagen en sus partes constituyentes.

Procesos de Alto Nivel

Implica el obtener algn significado de un conjunto de objetos reconocidos (anlisis de imgenes) y, finalmente, realizar las funciones cognitivas asociadas con la vista. 8. Representacin y descripcin.

Se toman decisiones sobre la imagen y se extraen atributos que resultan en informacin cuantitativa de inters.

Pasos del procesamiento digital de imgenes

Aplicaciones procesamiento digital de imgenes

En robots mviles. inspeccin industrial.

interpretacin de imgenes satelitales.

recuperacin de imgenes de bases digitales. anlisis de imgenes mdicas.

Aprendizaje de Maquina
Un mtodo de aprendizaje puede considerarse como una forma determinada de hacer que un individuo que interacta con su entorno cambie sus parmetros internos para que pueda adaptarse a nuevas situaciones y solucionar, a la larga, la tarea que le ha sido encomendada.

Aprendizaje de Maquina
Segn la realimentacin de la que dispone el agente para evaluar su desempeo actual, pueden clasificarse las tcnicas disponibles en la Inteligencia Artificial en, al menos, cuatro grupos:

Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo

Aprendizaje supervisado
En este tipo de aprendizaje el agente cuenta con la respuesta correcta para un cierto nmero de situaciones como realimentacin. La diferencia entre la respuesta correcta y la respuesta actual del agente para las situaciones comprendidas en dicho conjunto de datos (seal de error) es utilizada para modificar los parmetros internos del agente buscando minimizar el error en el futuro.

Aprendizaje supervisado
Matemticamente: Se cuenta con Xn, Yn Debe encontrar f(Xn) = Yn La realimentacin es dada por el

error entre Yn - f(Xn)

el objetivo es minimizar dicho error

Aprendizaje no supervisado
En este tipo de aprendizaje el agente no cuenta con ningn tipo de realimentacin. La mayor parte de tcnicas del aprendizaje no supervisado se basan en la suposicin que puntos cercanos en un espacio ndimensional segn una mtrica determinada (situaciones similares desde la percepcin del agente) deben pertenecer a una misma clase. Un ejemplo de este tipo de algoritmos es el Agrupamiento kmeans.

Algoritmo K means
Ubicar

k puntos en el espacio representado por los objetos a ser agrupados. Estos k puntos son los centroides iniciales de cada grupo.
Asignar

centroide.

cada objeto al grupo que est ms cercano a su

Recalcular Repetir

la posicin de los k centroides.

pasos 2 y 3 hasta que los prototipos ya no varen.

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 1

Ejemplo 2

Ejemplo 3

Aprendizaje por refuerzo

basado en la idea de la psicologa comportamental segn la cual un organismo vivo aprende un determinado comportamiento a partir de la correlacin entre las acciones tomadas y el efecto a largo plazo que stas le reportan en trminos de dolor y placer. La nica realimentacin con la que cuenta el agente es, entonces, una seal de refuerzo o recompensa que, segn el valor que tome, puede ser interpretada como un premio o un castigo por el comportamiento llevado a cabo.

Aprendizaje por refuerzo

AMBIENTE

s
S

a
I R

i
B

AGENTE

Aplicaciones

Procesamiento de Lenguaje Natural

El PLN se ocupa de la formulacin e investigacin de mecanismos eficaces computacionalmente para la comunicacin entre personas y mquinas por medio de lenguajes naturales. Aplicaciones Anlisis del lenguaje. Comprensin del lenguaje. Reconocimiento del habla. Sntesis de voz. Generacin de lenguajes naturales. Traduccin automtica. Respuesta a preguntas. Extraccin de la informacin

Algoritmos genticos
Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y recombinaciones genticas), as como tambin a una seleccin de acuerdo con algn criterio, en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y cules los menos aptos, que son descartados.

Aplicaciones Los algoritmos genticos son eficientes para tratar con problemas de optimizacin.

Robtica
Se ocupa del desarrollo de robots inteligentes. A un robot se lo puede definir como un agente mecnico que puede funcionar de forma autnoma. ste tiene que ser capaz de interactuar con su entorno y de adaptarse a los posibles cambios sin la necesidad de un operador humano. Actualmente se trabaja en la navegacin de robots mviles, en el control de brazos de robots, en el ensamblaje de piezas, etc.

Bibliografa

Martn D. Bonifacio, Sanz M. Alfredo. Redes Neuronales y Sistemas Borrosos 3 Edicin, Alfaomega RA-MA. Nils J. Nilsson. INTELIGENCIA ARTIFICIAL: Una Nueva Sntesis, Ed McGraw-Hill 2001. Ana Casali. Introduccin a la Inteligencia Artificial - Facultad de Cs. Exactas, Ingeniera y Agrimensura. Nuevas Fronteras de la Informatica