Beruflich Dokumente
Kultur Dokumente
lamo Temapache
Departamento de Ingeniera en Sistemas Computacionales
Eladorados por:
M.C. Tania Turrubiates Lpez.
Xoyotitla Mpio. de lamo Temapache a Junio de 2007
Apuntes de
Inteligencia Artificial
CONTENIDO
La tabla de contenido est vaca porque el documento no utiliza ninguno de los estilos de
prrafo seleccionados en la ventana Inspector del documento.
|Inteligencia Artificial
Aportacin de la asignatura al perfil del estudiante:
Capacidad que tienen muchos seres vivos de planear, resolver problemas, pensar en
abstracto, aprender, comprender ideas. Wikipedia
Los individuos difieren los unos de los otros en habilidad de comprender ideas complejas,
de adaptarse eficazmente al entorno, de aprender de la experiencia, en encontrar varias
formas de razonar, de superar obstculos mediante la reflexin. A pesar de que estas
diferencias individuales puedan ser sustanciales, stas nunca son completamente
consistentes: las caractersticas intelectuales de una persona variarn en diferentes
ocasiones, en diferentes dominios, y juzgarn con diferentes criterios. El concepto de
"inteligencia" es una tentativa de aclarar y organizar este conjunto complejo de
fenmenos. American Psychological Association.
Una muy general capacidad mental que, entre otras cosas, implica la habilidad de
razonar, planear, resolver problemas, pensar de manera abstracta, comprender ideas
complejas, aprender rpidamente y aprender de la experiencia. No es un mero
aprendizaje de los libros, ni una habilidad estrictamente acadmica, ni un talento para
superar pruebas. Ms bien, el concepto se refiere a la capacidad de comprender nuestro
entorno. Mainstream Science on Intelligence.
La aptitud espacial.
La fluidez verbal.
Inteligencia lingstica, la que tienen los escritores, los poetas, los buenos redactores.
Utiliza ambos hemisferios.
La social: tiene que ver con los procesos de socializacin del sujeto, permitiendo su
adaptacin al medio humano en el que se desenvuelve.
3. El proceso de razonamiento segn la lgica.
El filosofo griego Aristteles fue uno de los primeros que intentara codificar la manera correcta
de pensar, es decir, procesos de pensamiento irrefutables. Sus famosos silogismos son esquemas
de estructuras de argumentacin mediante las que siempre se llega a conclusiones correctas si se
parte de premisas correctas. Dichas leyes del pensamiento deban gobernar la manera de operar
de la mente. As se inaugur el campo de la lgica.
El desarrollo de la lgica formal a fines del siglo XIX y a principios del XX permiti
contar con una notacin precisa para representar aseveraciones relacionadas con todo lo que
existe en el mundo, as como sus relaciones mutuas.
La lgica dos obstculos. En primer lugar, no es fcil recibir un conocimiento informal y
expresarlo en los trminos formales que exige la notacin lgica, especialmente cuando el
conocimiento tiene menos de 100% de certidumbre. En segundo lugar, hay una gran diferencia
entre la posibilidad de resolver en principio, y realmente hacerlo en la prctica.
El trmino razonamiento normalmente se refiere a un conjunto de actividades mentales
consistentes en conectar unas ideas con otras de acuerdo a ciertas reglas o tambin puede referirse
al estudio de ese proceso. En sentido amplio, se entiende por razonamiento la facultad humana
que permite resolver problemas.
Se llama tambin razonamiento al resultado de la actividad mental de razonar, es decir, un
conjunto de proposiciones enlazadas entre s que dan apoyo o justifican una idea. El
razonamiento se corresponde con la actividad verbal de argumentar. En otras palabras, un
argumento es la expresin verbal de un razonamiento.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
A veces se define el razonamiento como la capacidad de partir de ciertas proposiciones o
ideas previamente conocidas (premisas) y llegar a alguna proposicin nueva (conclusin)
previamente no conocida de modo explcito.
Sin embargo, se considera que en la habilidad humana de argumentar, razonar y rebatir
intervienen igualmente la imaginacin, las percepciones, los pensamientos y los sentimientos,
siendo los razonamientos de los seres humanos raramente de tipo lgico-deductivo. En este
sentido ms amplio el razonamiento no slo es cuestin de la lgica, sino tambin de la filosofa,
la psicologa o la inteligencia artificial. La habilidad humana del razonamiento se compone de
diversos componentes:
Razonamiento no-lgico, que tendra que ver con el uso e interpretacin del lenguaje, la
lgica difusa, los sentimientos, etc.
Induccin matemtica
Induccin fuerte
4. El modelo de adquisicin del conocimiento segn la filosofa.
Actualmente, para la ciencia cognitiva, la filosofa de la mente ha quedado definida por la versin
funcionalista del modelo representacional de la mente. Por funcionalismo se entiende de manera
general, que la mente modela lo que ella hace, es decir, sus funciones (la mente es lo que el
cerebro hace) en el sentido de formar y transformar representaciones significativas e
intencionales. En efecto, toda representacin es intencional, en tanto siempre es representacin de
algo, por lo tanto, refiere siempre a un contenido.
En cuanto a las representaciones, tambin cabe sealar que la cognicin involucra
conceptos y percepciones, incluye a aquellas percepciones que refieren a lo que viene por los
sentidos y que sirven como puentes entre el mundo y la mente. Metodolgicamente, la bsqueda
del fundamento interno de la cognicin remite, sin duda, a argumentos a travs de los cuales se
puedan revelar las condiciones de algo que ocurre, es decir que sean capaces de revelar
mecanismos mentales de ordenamiento que poseen un carcter constrictivo sobre algn fenmeno
que acaece. Tales mecanismos deben funcionar para cualquier sistema cognitivo posible en orden
al establecimiento de la verdad. As, la mente viene a ser un refinado mecanismo de
procesamiento y articulacin de la informacin que se traduce en una arquitectura cognitiva.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
Los tipos de representaciones involucrados en el proceso de conocimiento son las
intuiciones puras y empricas, los conceptos puros y empricos que dan lugar a juicios puros y
empricos y las ideas trascendentales. Por lo que corresponde a las intuiciones, ellas slo radican
en la sensibilidad, pero tienen su fuente en la imaginacin. Los conceptos, por su parte, provienen
del entendimiento en tanto son formas del pensar intelectual. Las ideas, en cambio, son puras
formas que vienen de la razn. Todas estas representaciones son el producto de la actividad de las
facultades mentales, una actividad a la que subyace un complicado proceso de sntesis. La unidad
de dicho proceso es la que posibilita toda representacin con conciencia, es decir, toda
percepcin, por ello an para el reconocimiento (conciencia) de las intuiciones son necesarios
los conceptos puros o categoras. El hecho de que se necesiten conceptos para reconocer
intuiciones y que para juzgar hayan de unirse dos o ms conceptos, deja a la vista que el modelo
representacional kantiano incluye transformaciones de las representaciones. As pues, en un
concepto cualquiera, como por ejemplo en el concepto emprico de mesa encontramos otros
conceptos como los de patas, cubierta y otros y, desde luego, tambin categoras, pero no
slo eso, sino que adems encontramos intuiciones empricas (con sensaciones) y, lgicamente,
intuiciones puras. Con mayor razn entonces se entiende que el juicio pueda ser definido como
una representacin de representaciones.
Segn Kant, constituimos todas nuestras representaciones lgicamente a partir de
funciones. El filsofo dice que funcin es la unidad del acto de ordenar diversas
representaciones bajo una sola comn.
Es claro que los conceptos y juicios, que son formas de pensar intelectual, se basan en
dichas funciones, pero cmo entender que las intuiciones puedan tambin basarse en funciones?
La respuesta se halla en la misma definicin de funcin. En efecto, la ordenacin de diversas
representaciones bajo una comn a ellas corresponde a un acto de sntesis. La constitucin de las
intuiciones por parte del sujeto implica la sntesis de la multiplicidad que hay bajo stas, tanto a
nivel puro como a nivel emprico. Por lo tanto, es claro que no habra intuiciones sin el acto de
sntesis, como tampoco podra haber conceptos puros y empricos, ni juicio alguno. No obstante,
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
el proceso de la sntesis no es suficiente para entregar como resultado nuestras representaciones;
se debe contar adems, con la unidad para su acto.
Tal unidad le viene dada por el entendimiento, a travs de sus conceptos puros o
categoras, que transportan a la sntesis de la imaginacin la unidad de la Conciencia originaria
pura. De esta manera, el resultado de la sntesis pura es espacio y tiempo (que necesitamos para
conocer fenmenos) reconocidos por categoras. El resultado de la sntesis emprica es el
concepto emprico o conocimiento fenomnico o fenmeno, que depende directamente de la
Apercepcin Emprica, cuya condicin de posibilidad, a su vez, est en la Apercepcin
Trascendental.
5. El modelo cognoscitivo
Para poder afirmar que un programa determinado utiliza algn tipo de razonamiento humano,
previamente habr que definir como piensan los seres humanos. Habr que penetrar en el
funcionamiento de la mente humana. Hay dos formas de hacer esto: mediante la introspeccin o
mediante la realizacin de experimentos psicolgicos. Una vez que se cuente con una teora
bastante precisa de la mente, puede procederse a expresar tal teora en un programa de
computadora.
En el caso de Newell y Simon, creadores del SGP (solucionador general de problemas),
no basto con que su programa resolviera correctamente los problemas propuestos. Lo que les
interesaba fundamentalmente era seguir la pista de los pasos de razonamiento y compararla con la
ruta seguida por los sujetos humanos a los que se propuso los mismos problemas. Esta actitud
contrasta fuertemente con la de otros investigadores de la misma poca, a quienes le importaba
era la obtencin de respuestas correctas de cmo las obtendra un ser humano.
En el campo interdisciplinario de la ciencia cognoscitiva concurren modelos
computacionales de IA y tcnicas experimentales de psicologa para intentar elaborar teoras
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
precisas y verificables del funcionamiento de la mente humana. La autentica ciencia congnositiva
necesariamente se fundamenta en la investigacin experimental en seres humanos o animales.
6. El modelo de un agente inteligente
Actuar racionalmente implica actuar de manera tal que se logren los objetivos deseados, con base
en ciertos supuestos. Un agente es algo capaz de percibir y actuar. De acuerdo con este enfoque,
se considera la IA como el estudio y construccin de agentes racionales.
Un agente es todo aquello que puede considerarse que percibe su ambiente mediante
sensores y que responde o acta en tal ambiente por medio de sus efectores. Los agentes humanos
tienen ojos, odos y otros rganos que les sirven de sensores, as como manos, piernas boca y
otras partes de su cuerpo que les sirven de efectores. En el caso de los agentes robticos, los
sensores son sustituidos por cmaras, telmetros infrarrojos, y los efectores son remplazados
mediante motores. En el caso de un agente de software, sus percepciones y acciones vienen a ser
las cadenas de bits codificados. En la Figura 1.2 puede observarse el diagrama de un agente
genrico.
Figura 1.2 Los agentes interactan con los ambientes a travs de sensores y efectores.
Como debe proceder un agente
Un agente racional es aquel que hace lo correcto. Obviamente, esto es preferible a que haga algo
incorrecto, en este caso lo correcto es aquello que permite al agente obtener el mejor desempeo.
Ahora, es necesario decidir cmo y cundo evaluar ese buen desempeo del agente.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
El termino medicin del desempeo se aplica al cmo: es el criterio que sirve para definir
qu tan exitoso ha sido un agente. Este criterio debe ser una medicin objetiva del desempeo,
medida que deber ser propuesta por una autoridad, en otras palabras, un observador externo
define la norma de lo que se considera un satisfactorio desempeo en un ambiente y emplearlo en
la medicin del desempeo de los agentes. El cundo evaluar el desempeo es importante
tambin, se sugiere medir el desempeo a largo plazo.
La racionalidad tiene ms bien que ver con un xito esperado, tomando como base lo que
se ha percibido. Lo importante es que se especifica que un agente inteligente siempre que debe
hacer lo que realmente es lo correcto, sera imposible disear un agente para que satisfaga esta
especificacin, a menos de que se logre mejorar los resultados obtenidos mediante una bola de
cristal.
En resumen, el carcter de racionalidad de lo que se hace en un momento dado depender
de cuatro factores:
De todo lo que hasta este momento haya percibido el agente. A esta historia perceptual
completa se le denomina la secuencia de percepciones.
Agentes de reflejo simple: Este tipo de agente no contiene internamente estados y sus
procesos o acciones que realiza son respuestas a la entrada de percepciones, a esta
conexin entre percepciones y acciones se les denomina reglas de condicin-accin. En la
Figura 1.3 se esboza la arquitectura de un agente de reflejo simple, un ejemplo simple de
este tipo de agente sera: Si el carro de adelante est frenando entonces empiece a frenar.
Figura 1.3 Arquitectura de un agente de reflejo simple
Agentes bien informados de todo lo que pasa: Este tipo de agente guarda estados
internos lo que sirve sin consideracin para ejecutar una accin, de esta manera a este tipo
de agente se le llama agente de reflejo con estado interno. Los sensores no pueden
informar a la vez de todos los estados que maneja el ambiente, es por este caso que el
agente necesita actualizar algo de informacin en el estado interno. Esto le permite
discernir que entre estados del ambiente que generan la misma entrada de percepciones
pero, sin embargo; para cada uno de los estados se necesitan acciones distintas. La Figura
1.4 muestra la arquitectura de este tipo de agente.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
Figura 1.4 Arquitectura de un agente bien informado de lo que pasa.
Agentes basados en metas: Adems de los estados, los agentes necesitan cierto tipo de
informacin sobre sus metas, la arquitectura de este agente se observa en la Figura 1.5.
Las metas detallan las situaciones a las que se desea llegar, de este modo, el programa de
agente puede combinar las metas con la informacin de los resultados (acciones) que
emprenda y de esta manera poder elegir aquellas acciones que permitan alcanzar la meta.
Figura 1.5 Agente basado en metas
Agentes basados en utilidad: Las metas por s solas garantizan la obtencin de una
conducta de alta calidad. En el programa de agente se podra tener un conjunto de metas
pero la obtencin de stas no garantizan distinciones entre estados felices e infelices,
mediante una medida de desempeo se podra establecer una comparacin entre los
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
diversos estados del mundo (ambientes) para poder encontrar el estado de felicidad para el
agente. Este estado ofrecer una mayor utilidad al agente. En la Figura 1.6 se ejemplifica
la arquitectura de un agente basado en utilidad
Figura 1.6 Agentes basados en utilidad
Ambiente
El ambiente aporta percepciones al agente quien ejerce acciones sobre el ambiente. Un ambiente
tiene las siguientes propiedades:
Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall.
Mxico. (1996)
Palabras de enlace: son las preposiciones, conjunciones, adverbios y en general todas las
palabras que no sean concepto y que se utilizan para relacionar estos y as armar una
proposicin. Ejemplos de palabras de enlace son: para, por, donde, como, entre otras. Las
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
palabras enlace permiten, junto con los conceptos, construir frases u oraciones con
significado lgico y hallar la conexin entre conceptos.
Proposicin: dos o ms conceptos ligados por palabras enlace en una unidad semntica.
Deben ser simples y mostrar claramente las relaciones entre conceptos y/o proposiciones.
Deben ser vistosos, mientras ms visual se haga el mapa, la cantidad de material que se
logra memorizar aumenta y se acrecienta la duracin de esa memorizacin, ya que se
desarrolla la percepcin.
Los conceptos, que nunca se repiten, van dentro de valos y la palabras enlace se ubican
cerca de las lneas de relacin.
Es conveniente escribir los conceptos con letra mayscula y las palabras de enlace en
minscula.
Para las palabras enlace se pueden utilizar verbos, preposiciones, conjunciones, u otro
tipo de nexo conceptual, las palabras enlace le dan sentido al mapa
Si la idea principal puede ser dividida en dos o ms conceptos iguales estos conceptos
deben ir en la misma lnea o altura.
Como hacer un mapa conceptual?
1. Identificar los conceptos principales y secundarios y elaborar una lista.
2. Seleccionar los conceptos que se derivan unos de otros.
3. Seleccionar los conceptos que no se derivan uno del otro pero que tienen una relacin
cruzada.
4. Utilizar lneas que conecten los conceptos, y escribir sobre cada lnea la palabra enlace que
aclare porque los conceptos estn conectados entre s.
5. Ubicar las imgenes que complementen o le dan mayor significados a los conceptos o
proposiciones.
6. Disear ejemplos que permitan concretar las proposiciones y/o conceptos.
7. Seleccionar colores, que establezcan diferencias entre los conceptos que se derivan unos de
otros y los relacionados (conexiones cruzadas).
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
8. Seleccionar las figuras (valos, rectngulos, crculos, nubes) de acuerdo a la informacin a
manejar.
9. Construir el mapa, ordenando los conceptos en correspondencia al conocimiento organizado y
con secuencia. Los conceptos deben ir representados desde el ms general al ms especifico
en orden descendente y utilizando las lneas cruzadas para los conceptos o proposiciones
interrelacionadas.
2.2 Redes semnticas
Una red semntica o esquema de representacin en red es una forma de representacin de
conocimiento lingstico en que las interrelaciones entre diversos conceptos o elementos
semnticos se les dan la forma de un grafo. Estas redes pueden ser visualizadas como grafos.
Estos sistemas de organizacin del conocimiento estructuran conceptos, no como
jerarqua si no como una red. Los conceptos son como nodos, con varias relaciones que se
ramifican hacia fuera de ellas. Las relaciones pueden incluir relaciones tipo todo_parte,
causa_efecto, es_un, es_parte. Las redes semnticas proporcionan una representacin declarativa
de objetos, propiedades y relaciones, en la Figura 2.2 se muestra un ejemplo de una red
semntica.
Figura 2.2 Representacin de una red semntica
Los responsables de los primeros esquemas de representacin formalizados fueron
Quillian (1968) y Shapiro & Woddmansee (1971). Los esquemas de redes semnticas se
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
fundamentan en una psicolgica muy slida, por lo que se han realizado numerosos esfuerzos por
llevar a cabo implementaciones importantes basadas en ellas.
Las redes semnticas han sido muy utilizadas en IA para representar el conocimiento y
por tanto ha existido una gran diversificacin de tcnicas. Los elementos bsicos se encuentra en
las redes semnticas son:
Estructuras de datos en nodos, que representan conceptos, unidas por arcos que
representan las relaciones entre los conceptos.
Redes IS-A: en las que los enlaces entre nodos estn etiquetados.
Grafos conceptuales: en los que existen dos tipos de nodos: de conceptos y de relaciones.
Redes de marcos: en los que los puntos de unin de los enlaces son parte de la etiqueta
del nodo.
Actividades:
Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del
grupo.
!
Realizar un mapa conceptual del tema El modelo del agente inteligente visto en la
unidad anterior.
!
Realizar un mapa conceptual del tema El proceso de razonamiento segn la lgica,
visto en la unidad anterior.
!
Realizar una red semntica del tema Qu es la IA?, visto en la unidad anterior.
2.3 Razonamiento montono
Existen muchos sistemas de razonamiento, los cuales son usados para inferir conclusiones a partir
de informacin inicial. En los sistemas de razonamiento montono, se asume que una vez que un
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
hecho se ha afirmado, este no puede alterarse durante el curso del razonamiento, es decir, las
conclusiones que se van obteniendo son siempre definitivas.
En lo que respecta al razonamiento montono se encuentran lgica proposicional, lgica
de primer orden y deduccin lgica, las cuales son tiles para resolver problemas de una amplia
variedad de dominios.
2.4 La lgica de predicados: sintaxis, semntica, validez e inferencia
Un leguaje para la representacin del conocimiento consta de dos aspectos:
La sintaxis del lenguaje explica las posibles configuraciones mediante las cuales se
forman las oraciones.
La semntica determina los hechos del mundo a los que hacen alusin las oraciones. Sin
embargo, la oracin no sera ms que un ordenamiento palabras. Mediante la semntica,
cada oracin expresa algo relacionado con el mundo.
Si tanto la sintaxis como la semntica estn definidas de manera precisa, podemos decir
que el lenguaje es una lgica. Con base en la sintaxis y en la semntica se obtiene un mecanismo
de inferencia que servir a un agente que emplee el lenguaje.
La lgica de predicados, estudia las frases declarativas, teniendo en cuenta la estructura
interna de las proposiciones, cabe sealar que las frases declarativas representa un hecho de la
realidad que puede ser verdadera o falsa, consta de un sujeto (objeto) y un predicado (realacin)
con valor afirmativo.
En la lgica de predicados, los objetos y las relaciones entre los objetos sern los
elementos bsicos, es decir, se puede distinguir:
Conjunto de funciones (FUNC): Este conjunto se representa por las letras f,g,h, se
incluyen subndices para diferenciar funciones .
rboles Semnticos.
Refutacin.
El ltimo de los procedimientos es muy conocido en matemticas, pues consiste en
suponer falsa la sentencia a validar, y ver si ello supone una contradiccin.
Actividades:
Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del
grupo. Para la realizacin de estas actividades se sugiere tener a su alcance el Capitulo 7 del libro
Inteligencia Artificial, un enfoque moderno; de los autores Russell y Norving.
!
Investigar el tema Leyes de la lgica de predicados o proposiciones.
!
Ejemplificar la validacin de un conjunto de sentencias mediante tablas de verdad.
!
Investigar el tema Sistema inferencial del clculo de proposiciones.
2.5 La demostracin y sus mtodos
La demostracin consiste bsicamente en, a partir de unas proposiciones dadas llamadas
premisas, obtener otra proposicin llamada conclusin mediante la aplicacin de unas reglas
lgicas.
Los mtodos de demostracin son modelos o esquemas generales que se encuentran en los
procesos deductivos, estos modelos estn fundamentados lgicamente en teoremas o reglas de
inferencia ya establecidas, se pueden distinguir cuatro mtodos de demostracin:
1. Mtodo directo, de la hiptesis auxiliar o demostracin condicional: Dado un conjunto de
premisas en una teora, si bajo el supuesto de que una proposicin P es verdadera y
utilizando las premisas disponibles se puede hacer una demostracin de que una
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
proposicin Q es verdadera, entonces en esa teora puede concluirse que es
verdadero.
2. Mtodo contrareciproco: Supongamos que se quiere demostrar que una proposicin
especfica es teorema y al intentar su demostracin por el mtodo directo no se
logra obtener la conclusin deseada. Se procede entonces a demostrar por el mtodo
directo su contrarrecproca , si se consigue este objetivo entonces queda
establecida la validez de al hacer sustitucin por equivalencia.
3. Mtodo de demostracin por contradiccin o reduccin al absurdo: consiste en suponer
explcitamente la negacin de la proposicin a demostrar, a partir de esta hiptesis se trata
de generar una contradiccin, esto es: que la teora con ese supuesto es inconsistente y, en
consecuencia, tal hiptesis es falsa, o lo que es equivalente, que su negacin es verdadera,
quedando validada la proposicin inicial.
4. Mtodos de casos o silogismo disyuntivo: La regla de inferencia de ese nombre da lugar a
este mtodo de demostracin, casi de forzosa utilizacin cuando la hiptesis o una de las
hiptesis es una disyuncin de dos o ms proposiciones, en cuyo caso se procede as:
a) Se supone la hiptesis dada correspondiente a una disyuncin.
b) A partir de cada una de las proposiciones que integran la disyuncin se obtiene
una conclusin parcial por el mtodo directo.
c) Se concluye finalmente la disyuncin de las conclusiones parciales.
Actividades:
Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del
grupo.
!
Investigar los esquemas operativos generales de cada uno de los mtodos de
demostracin.
!
Realizar un ejemplo de cada uno de los mtodos de demostracin.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
2.6 El mtodo de resolucin de Robinson
El mtodo de resolucin de Robinson, es un mtodo para decidir si una proposicin es vlida, fue
introducido por Alan Robinson en 1965, es simple de implementar y se extiende a la lgica de
primer orden y otras lgicas no funcionales.
Este mtodo es bastante popular en el mbito de demostracin de automtica de teoremas,
tiene una nica regla de inferencia, la regla de resolucin, requiere que las proposiciones estn en
forma normal conjuntiva. La idea de este mtodo es mostrar la validez de una proposicin
estableciendo que la negacin de la proposicin es insatisfactible, por esta razn se dice que es un
mtodo de refutacin. La resolucin en si depende de una sola regla:
Si y son ambas verdaderas, entonces es verdadera.
La afirmacin se verifica escribiendo la tabla de verdad, como la resolucin depende
nicamente de esta nica regla sencilla, es la base de muchos programas de computadoras que
razonan y prueba teoremas. En una prueba por resolucin, las hiptesis y la conclusin se
escriben como clusulas en forma normal conjuntiva, de esta manera se dice que
es una tautologa.
En efecto, el conjunto de clusulas es lgicamente equivalente a
. En c o n s e c u e n c i a , e l c o n j u n t o d e c l u s u l a s
es insatisfactible si lo es . La
clusula se llama resolvente de las clusulas y . El resolvente de las
clusulas y es la clusula vaca y se anota . A un conjunto de clausulas que contiene
se le llama refutacin.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
Una prueba directa por resolucin procede aplicando (2.1) repetidamente, a pares de
afirmaciones para derivar nuevas afirmaciones, es decir, agregar resolventes hasta llegar a la
conclusin, en este caso una refutacin. De esta manera se puede concluir que el conjunto inicial
de clusulas es insatisfactible si el conjunto de clusulas final contiene la clusula . Si el
conjunto de clusulas es insatisfactible entonces la proposicin o argumento es verdadero. La
aplicacin reiterada de la regla de solucin termina cuando no se agregan nuevos resolventes.
A continuacin se muestra un ejemplo, supngase que se desea verificar que el argumento
. De este argumento se obtienen las siguientes clusulas:
Ahora hay que demostrar que el conjunto de clusulas es insatisfactible mediante la regla
de refutacin:
Como se ha demos que con el conjunto inicial de clusulas llegamos a una clusula vaca,
el conjunto es insatisfacible y por tanto el argumento es correcto.
2.7 Conocimiento no montono y otras lgicas
La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de sentencias
del que se puede inferir , al aadir otro conjunto de sentencias , se tiene que seguir
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
infiriendo a partir de . Esto es un inconveniente en gran cantidad de problemas que se
presentan en IA y que tienen carcter no montono, histricamente se puede decir que la
necesidad del razonamiento no montono se presento cuando se plantearon problemas de
representacin del conocimiento en aplicaciones de IA.
El razonamiento no montono es una forma de razonamiento que contrasta con el
razonamiento deductivo estndar de la siguiente manera: Suponga que se conoce que todos los
hombres son mortales y que Scrates es un hombre, entonces por simple razonamiento, Scrates
es mortal. Nada podemos sumar a nuestro conocimiento que cambie esta conclusin. El
razonamiento deductivo internamente es una teora local en la expresin, derivndose una
conclusin desde las premisas, por lo tanto no se preocupa sobre alguna otra sentencia en la
teora.
Un caso de razonamiento no montono es el razonamiento de sentido comn, el cual
establece conclusiones a partir de informacin parcial, que muchas veces se revisan o se desechan
cuando se obtiene nueva informacin o evidencia del dominio. Por ejemplo, si se dice que
alguien tiene un pjaro, se piensa que este vuela, si luego se dice que es un pingino, entonces ya
no se piensa que vuela.
Las lgicas clsicas parten del carcter no excluyente de los nuevos axiomas aadidos a
los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad de
detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en
cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento.
En pocas palabras, la lgica no-montona permite representar leyes como si x es un ser humano,
entonces x puede andar, a menos que haya algo que lo contradiga.
2.8 Razonamiento probabilstico
El razonamiento probabilstico es un caso de razonamiento no montono, esta ms apegado a la
vida real, en donde las premisas no suelen tener certeza absoluta para poder hacer una
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
inducciones rigurosas. La principal ventaja de este tipo de razonamiento es que permite tomar
decisiones racionales an en los casos en que no haya suficiente informacin para probar que
cualquier accin dada funcionar, por esta razn se aplica en problemas en los que hay
incertidumbre.
2.9 Teorema de Bayes
El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el
resultado que da la distribucin de probabilidad condicional de una variable aleatoria A dada B
(probabilidad posteriori) en trminos de la distribucin de probabilidad condicional de la variable
B dada A y la distribucin de probabilidad marginal de slo A (probabilidad apriori).
Sea un conjunto de sucesos mutuamente excluyentes y que la
probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se
conocen las probabilidades condicionales . Entonces, la probabilidad viene
dada por la expresin:
donde:
son las probabilidades a priori.
es la probabilidad de B en la hiptesis Ai.
son las probabilidades a posteriori.
Esto se cumple
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin
embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos
repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos
bayesianos permiten probabilidades subjetivas.
El teorema puede servir entonces para indicar cmo debemos modificar nuestras
probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La
estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el
conocimiento subjetivo a priori y permitir revisar esas estimaciones en funcin de la evidencia es
lo que est abriendo nuevas formas de hacer conocimiento.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
Bibliografa
Las fuentes bibliogrficas usadas en esta unidad fueron las siguientes:
Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall.
Mxico. (1996)
Suppes, P., Hill, S.: Introduccin a la lgica matemtica. Editorial Revert S.A. Mxico.
(1992).
Sistemas de produccin: estos sistemas tambin utilizan la lgica como elemento bsico
de representacin. Cada implicacin se interpreta como sugerencia para la accin y no
como una simple conclusin lgica.
Una memoria de trabajo, para alojar los datos, metas y resultados intermedios.
La forma general de las reglas de produccin es , si las premisas
son verdaderas entonces realiza las acciones .
3.2.2 Representacin objeto atributo valor.
Como se dijo en 3.2.1 las reglas de produccin manipulan generalmente estructuras simblicas,
por lo anterior, el vocabulario de estos sistemas constan de tres conjuntos:
Un conjunto P con los nombres de las propiedades que imputan atributos a los objetos.
Base de Conocimientos: rene todo el conocimiento del sistema (Base de hechos + Base
de reglas).
Memoria Activa: contiene los hechos que representan el estado actual del problema (los
hechos de inicio + los hechos inferidos a posteriori) y las reglas activadas (en condiciones
de ser ejecutadas).
Evaluacin: En esta fase se evalan los patrones del antecedente de las reglas para
determinar cuales se satisfacen en funcin del contenido actual de la memoria de trabajo.
Esta labor se lleva a cabo mediante un algoritmo de emparejamiento de patrones. Una
regla se activa cuando se satisface todo su antecedente. El resultado de la activacin de
una regla ser una o ms instancias de regla en la que todas las variables que aparecen en
el antecedente de la regla estarn ligadas a constantes. Todas las instancias de reglas
activas, que forman el denominado conjunto conflicto, permanecen almacenadas, hasta
ser seleccionadas para ejecutarse, en una estructura denominada agenda.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall.
Mxico. (1996)
Suppes, P., Hill, S.: Introduccin a la lgica matemtica. Editorial Revert S.A. Mxico.
(1992).
Realizar un proyecto para resolver un problema de un juego clsico (gato, damas chinas,
misioneros y canbales, entre otros), empleando un mtodo de bsqueda ptima.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
Unidad 4
Bsqueda y satisfaccin de restricciones
Actividades:
Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del
grupo.
!
Leer el tema Agentes que resuelven problemas del capitulo 3 del libro Inteligencia
Artificial, un enfoque moderno, e identificar:
- Qu es lo primero que debe hacer un agente que resuelve un problema?
- A qu se refiere la formulacin de metas?
- A qu se refiere la formulacin de problemas?
- Qu es bsqueda?
- Analice y explique la figura 3.1 del libro antes mencionado.
!
Leer el tema Formulacin de problemas del capitulo 3 del libro Inteligencia Artificial,
un enfoque moderno, e identificar los tipos de problemas.
4.1 Problemas y espacios de estados
Un problema en realidad es un conjunto de informacin que el agente utiliza para decidir lo que
va a hacer. Se empezara primero por especificar que informacin se necesita para definir un
problema de un solo estado. Los elementos bsicos que configuran la definicin de un problema
son los estados y las acciones. Para capturarlos formalmente se necesita:
El conjunto de las posibles acciones que el agente puede emprender. El termino operador
denota la descripcin de una accin en funcin de la cual se alcanzara un estado al
emprender una accin en funcin de la cual se alcanzara un estado al emprender una
accin en un estado particular. (Otra forma de definirlo es mediante la funcin
subsecuente S. Teniendo un estado particular x, S(x) responde con un conjunto de estados
obtenibles a partir de x mediante una sola accin).
Los dos trminos anteriores definen el espacio de estados del problema; el conjunto de
todos los estados que pueden alcanzarse a partir del estado inicial mediante cualquier secuencia
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
de acciones. Una ruta del espacio de estados es simplemente cualquier secuencia de acciones que
permiten pasar de un estado a otro. El siguiente elemento de un problema es:
La funcin costo de ruta es una funcin mediante la que se asigna un costo a una ruta
determinada. En todos los casos que consideramos, este costo es la suma de los costos de
cada de una de las acciones individuales que se emprendan a lo largo de la ruta. Esta
funcin se denota como g.
Conjuntamente, el estado inicial, el conjunto del operador, la prueba de la meta y la
funcin coste de ruta definen un problema. Ahora, desde luego, es posible definir un machote de
datos que sirvan para representar:
machote Problema
Componentes: INICIAL-ESTADO, OPERADORES, META, EXAMEN, COSTO, RUTA, FUNCIN
Los casos especficos de este machote de datos sern la entrada de nuestros algoritmos de
bsqueda. La salida producida por un algoritmo de bsqueda se denomina solucin, es decir, una
ruta que va del estado inicial al estado que satisface la prueba de meta.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
En el caso de los problemas de estado mltiple solo hay que hacer algunas ligeras
modificaciones: un problema esta formado por un conjunto de estados iniciales; un conjunto de
operadores especifican cada una de las acciones del conjunto de estados que se alcanzan a partir
de un estado determinado; la prueba de meta y la funcin del costo de ruta siguen funcionando
como antes. Se aplica un operador mediante la unin de los resultados obtenidos al aplicar el
operador a cada uno de los estados del conjunto. Ahora mediante una ruta se conectan los
conjuntos de estados y la solucin es ahora una ruta que conduce a un conjunto de estados todos
los cuales son estados meta. El espacio de estados se sustituye con un espacio de conjunto de
estados.
Como medir la eficiencia para resolver problemas
Existen por lo menos tres formas de medir la eficiencia de una bsqueda:
las reglas son los movimientos legales, que pueden describirse mediante una parte patrn
para ser contrastado con la posicin actual de tablero y otra parte que describe el cambio
que debe producirse en el tablero.
Dado que escribir exhaustivamente todas las reglas es imposible prcticamente, las reglas
deben escribirse de la manera ms general posible. La representacin como espacio de estados
forma parte de la mayora de los mtodos de IA. Su estructura se corresponde con la resolucin
de problemas porque:
Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall.
Mxico. (1996)
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.