1.3.

1 Procesamiento del Lenguaje Natural (PLN)

Por Procesamiento del Lenguaje Natural (PLN) se entiende a la subdisciplina de la Inteligencia Artificial que se encarga de mejorar la comunicacin entre personas y ordenadores. En la actualidad existen ingentes cantidades de informacin en lenguaje natural , la cual es necesario que sea procesada por los ordenadores para posibilitarse su recuperacin por las personas. Los ordenadores son capaces de procesar grandes cantidades de informacin en lenguaje natural El Procesamiento del Lenguaje Natural (PLN) puede definirse como el "conjunto de instrucciones que un ordenador recibe en un lenguaje de programacin (lenguaje formal) que le permitir comunicarse con un humano en su propio lenguaje. Por tanto, el Procesamiento del Lenguaje Natural (PLN) puede considerarse como una herramienta para la Recuperacin y Organizacin de la informacin .

Para poder hablar de procesamiento del lenguaje natural, se debe hablar en primer lugar de lenguaje natural y su dimensin en un entorno social. El lenguaje natural se entiende como el lenguaje hablado y escrito con el propsito que exista comunicacin entre una o varias personas, es ms directo para expresar lo que se quiere comunicar, el lenguaje natural es menos susceptible a malas interpretaciones por el empleo de trminos con un solo significado. La comunicacin es importante en el lenguaje natural debido a que este proceso involucra la transmisin y recepcin de informacin. La interpretacin del lenguaje natural lo hace el cerebro, empieza a interpretar determinadas entradas sensoriales, tal como ver u or alguna seal de alarma; el cerebro convierte la informacin codificada en un conjunto simblico o lenguaje. El aprendizaje del lenguaje comienza con la repeticin de palabras entendidas por su asociacin con experiencias. El lenguaje natural es un fenmeno muy complejo, pero ha sido sobradamente demostrado que las expresiones del lenguaje humano estn organizadas a travs de un conjunto de reglas. Todas nuestras expresiones tienen una clara organizacin: las palabras en una oracin se asocian para describir objetos y acciones, posiblemente complejas. El objetivo de un analizador sintctico es precisamente descubrir estas asociaciones entre palabras, lo que se conoce como estructura sintctica. Un analizador sintctico es un programa que toma como entrada una oracin y trata de descubrir la estructura sintctica que explica las relaciones entre las palabras de esa oracin. Los analizadores buscan la estructura correcta dentro de un conjunto de

anlisis posibles, este conjunto esta usualmente definido por una gramtica. El modelo de lenguaje en el cual se basa el analizador sintctico decide cules son los componentes sintcticos de las oraciones y como stos estn relacionados. Procesamiento del Lenguaje Natural (PLN) es una subdisciplina de la inteligencia artificial y rama de la ingeniera lingstica computacional; ahora bien, la razn principal del PLN es construir sistemas y mecanismos que permitan la comunicacin entre personas y mquinas por medio de lenguajes naturales. El logro que una computadora aprenda a interpretar el lenguaje natural se debe a dos caminos, uno epistemolgico y otro heurstico: El epistemolgico: define el espacio de conceptos que el programa puede aprender. El heurstico: define los algoritmos para el aprendizaje. El primer avance obtenido en el PLN se dio en el rea del acceso a las bases de datos con el sistema lunar (1973) construidos en la NASA por William Woods. El PLN busca poder crear programas que puedan analizar, entender y generar lenguajes que los humanos utilizan habitualmente, de manera que el usuario pueda llegar a comunicarse con la mquina o computador de la misma forma que lo hara con un ser humano. La relacin entre el PLN y la recuperacin de informacin es evidente; su objetivo es la conversin del lenguaje natural al lenguaje maquina. El resulta en muchas ocasiones de esta relacin es crear un buscador web en el que el usuario pueda preguntar cualquier cosa, y el sistema sea capaz de responder de manera adecuada y correctamente, como lo hara un ser humano comn y corriente, este proceso se denomina con el nombre sistemas de informacin question-answering. El PLN es de manera general, un conjunto de instrucciones que un sistema recibe en un lenguaje de programacin dado, que permita comunicarse con un humano en su propio lenguaje, este procesamiento presenta diversas aplicaciones: Correccin de textos. Traduccin automtica. Recuperacin de la Informacin. Extraccin de informacin y resmenes. Bsqueda de documentos. Sistemas inteligentes para la educacin y el entrenamiento. Adems de su utilidad en el campo del procesamiento y la recuperacin de informacin, el PLN se aplica a otros aspectos como el reconocimiento del habla o la correccin ortogrfica de textos.

1.3.2 Reconocimiento de patrones

El reconocimiento de patrones es la ciencia que se encarga de la descripcin y clasificacin (reconocimiento) de objetos, personas, seales, representaciones, etc. Esta ciencia trabaja con base en un conjunto previamente establecido de todos los posibles objetos (patrones) individuales a reconocer. El margen de aplicaciones del reconocimiento de patrones es muy amplio, sin embargo las ms importantes estn relacionadas con la visin y audicin por parte de una mquina, de forma anloga a los seres humanos. El esquema de un sistema de reconocimiento de patrones consta de varias etapas relacionadas entre s (los resultados de una etapa pueden modificar los parmetros de etapas anteriores). La figura 2.1 muestra un esquema general de un sistema de reconocimiento de patrones, en el cual el sensor tiene como propsito proporcionar una representacin factible de los elementos del universo a ser clasificados. Es un sub-sistema crucial ya que determina los lmites en el rendimiento de todo el sistema. La Extraccin de Caractersticas es la etapa que se encarga, a partir del patrn de representacin, de extraer la informacin discriminatoria eliminando la informacin redundante e irrelevante. El Clasificador es la etapa de toma de decisiones en el sistema. Su rol es asignar los patrones de clase desconocida a la categora apropiada.

Figura 2.1 Esquema General de un sistema de Reconocimiento de Patrones El objetivo de estas etapas es ajustar el sistema para que sea capaz de clasificar seales u objetos de entrada en una de las clases predefinidas. Para ello deber analizar un cierto nmero de caractersticas y para poder clasificar satisfactoriamente seales de entrada, es necesario un proceso de aprendizaje en el cual el sistema crea un modelo de cada una de las clases a partir de una secuencia de entrenamiento o conjunto de vectores de caractersticas de cada una de las clases. Generalmente se acepta que la secuencia de muestras de entrenamiento debe contener para cada una de las clases un mnimo de elementos igual a diez veces la dimensin de los vectores de caractersticas. El sistema de reconocimiento de patrones debe tener en cuenta las fuentes de variabilidad como son el ruido, rotaciones, cambio de escala y deformaciones, lo cual se logra incluyendo en la secuencia de entrenamiento patrones que hayan experimentado estas modificaciones. Como se puede observar, el reconocimiento de patrones es la base terica ms importante de la Biometra pues un sistema biomtrico es, en esencia, un sistema de reconocimiento de patrones, razn por la cual el estudio de las bases matemticas sobre las cuales se sustenta esta ciencia se vuelve de vital importancia para los fabricantes de tecnologa biomtrica, no as para el desarrollo de este trabajo de tesis cuyo objetivo es realizar una propuesta de estndar para el uso seguro de las tecnologas biomtricas en el procesamiento de informacin.

Existen tres tipos de modelos en R.P.: los modelos fijos, los paramtricos y los no paramtricos: En los modelos fijos, las relaciones entre las variables de entrada y salida se fijan a priori estableciendo una ecuacin matemtica que modele el comportamiento del problema o una serie de reglas que se han de seguir. Un ejemplo de este tipo de sistemas son los

sistemas expertos. Para este tipo de modelado, requerimos tener un conocimiento muy extenso acerca del dominio del problema que nos permita establecer las relaciones entre las entradas y las salidas. Cuando tenemos cierta idea de como se relacionan las entradas con las salidas pero no llegamos al nivel de precisin requerido para un modelo fijo, podemos utilizar un modelo paramtrico en el que se tiene cierta idea de cmo se comporta el modelo pero se desconocen algunas de las variables involucradas. Por ejemplo, supongamos que tenemos un problema de estimacin donde al echar un vistazo a los datos de los que disponemos, asumimos que el fenmeno se podra modelar mediante una ecuacin de segundo grado como se muestra en la imagen:

La tarea para poder fijar este modelo ser encontrar los valores adecuados en la ecuacin cuadrtica que mejor se aproximen a los datos experimentales. Tenemos entonces que la idea de los mtodos paramtricos es que las ecuaciones matemticas describen la estructura de las relaciones entre las variables de entrada y las de salida pero los valores de algunos parmetros sern desconocidos. Estos valores se tendrn que fijar a la hora de examinar datos de ejemplo. Por ltimo tenemos a los llamados modelos no paramtricos, los cuales se utilizan cuando no tenemos ni idea del comportamiento del fenmeno pero, afortunadamente, contamos con una gran cantidad de datos que sirvan de ejemplo para probar distintos modelos. Esto ltimo sirve para ejemplificar el concepto de los famosos "data-driven models" o "modelos guiados elaborados en base a datos" los cuales, a diferencia de los modelos basados en el conocimiento del dominio del problema, dependen fuertemente de una gran cantidad de datos de ejemplo para el desarrollo del modelo sirviendo esto ltimo para introducir un requerimiento importante de los sistemas de R.P.: La necesidad de contar con ejemplos de patrones del fenmeno a modelar. Muchos problemas a tratar son increblemente complejos y no siempre es posible representarlos correctamente mediante un conjunto de ejemplos. Aqu es donde entra en juego el pre-procesamiento. La idea del pre-procesamiento es tratar a los datos "crudos" de entrada de manera que se elimine informacin que no sea til y se extraigan caractersticas que permitan discriminar de una forma eficiente los patrones para la creacin o utilizacin del modelo a emplear. En la realidad, la mayora de los modelos caen en algn punto medio entre los fijos y los no-parametricos, es decir, no es tan habitual que caigan en uno de los dos extremos. Por lo tanto, los modelos suelen ser hbridos, por ejemplo, un modelo no paramtrico donde el

conocimiento del experto se plasma en un mdulo de pre-procesamiento previo al mdulo de clasificacin o estimacin. Es decir, a mayor conocimiento, los modelos suelen inclinarse hacia los paramtricos y los fijos mientras que a menor conocimiento pero mayor nmero de datos disponibles, se inclinan haca los no paramtricos. En cualquier caso, el conocimiento que se tenga, se puede aadir en mdulos de pre-procesamiento.

1.3.3 Robotica

La robtica es la ciencia multidisciplinaria encargada del diseo y creacin de las maquinas llamadas robots, Karel Capek utilizo el trmino checo robota (trabajo forzado, labor) que en su traduccin se le conoce como robot. La inteligencia artificial se ve aplicada en la accin de poder comandar y controlar a las diferentes maquinas hacindolas capases de recibir y procesar la informacin exterior mediante su programacin y sensores especializados, naciendo as los llamados robots vase figura 1 , los robots son diseados para que realicen trabajos con la finalidad reducir el esfuerzo del hombre, den confort en base a esto los e divide a los robots teniendo en cuenta la aplicacin que se le d en un campo especifico por ejemplo la enseanza, la medicina, construccin, el hogar, etc.

Figura 1. interaccin con el entorno de un robot

Clases de robots Robots Mviles: Son robots que tienen la capacidad de moverse en un entorno de acuerdo a la programacin previamente establecidas o programadas, esta es la aplicacin de la IA, esta clase de robots son muy utilizados para hacer diferentes tipos de trabajos, un ejemplo de este tipo de robots es el que se enva hacia el espacio para la captura de fotos y la toma de muestras espaciales vase figura 2.
Figura 2. Robot explorador del tipo de robot mvil

Robots industrial: En esta clase de robots la IA se ve aplicada en la capacidad que tiene para ejecutar los diferentes movimientos programados, los cuales tambin pueden ser modificados por personas desde un ordenador, tienen la capacidad de manipular piezas y realizar diferentes tareas con movimientos programados, son usados en la industria para procesos de fabricacin ya que pueden realizar diferentes tareas secuencial mente. Los modelos ms usados en la actualidad son los llamados brazos robticos vase figura 3 debido a su forma.

Robots de servicio: Son los robots diseados para en confort y ayudar al ser humano, pueden ser robots con la capacidad del movimiento o tambin de tipo estacionario, gracias a la IA su modo de trabajo es prcticamente autnomo en muchos de los casos, dependiendo la labor que ejerzan, es decir no es dependiente de las rdenes del ser humano pueden hacer su trabajo cuando este es necesario, un ejemplo de estos robots son los usados en el hogar, oficinas , hospitales, y diferentes lugares, algunos tambin llamados mini robots vase figura 4.
Figura 4. robot limpiador del tipo de robots de servicio

Robots Humanoides: los robots llamados humanoides obtienen su nombre de la semejanza que existe con el ser humano ya que son construidos con rasgos fsicos parecidos a los nuestros. Gracias a la IA este tipo de robot contiene la capacidad de poder interactuar con las personas y guarda la informacin recogida del entorno o de la persona con la cual interacta, realiza estas acciones mediante los diferentes tipos de sensores que se encuentran presentes a lo largo de su estructura, un ejemplo de esta clase de robos es el conocido como ASIMO de la compaa honda vase figura 5.

Figura 5. ASIMO robot del tipo humanoide

Teleoperadores: Los llamados robots teleoperadores son una clase de robots diseados especficamente para recibir ordenes de un controlador en tiempo real este tipo de robots gracias a la IA tiene la capacidad de captura el entorno en el que se desenvuelve mediante sensores y diferentes componente electrnicos los cuales le permiten la comunicacin con el ser humano, puede ser controlado a grandes distancias y con gran precisin lo cual los hace muy tiles para situaciones potencial mente peligrosas como desarmar una bomba vase figura 6, adentrarse en medios contaminados, en diferentes ambientes en los cuales se tiene que realizar trabajos peligrosos para el hombre.

En la actualidad a los robots se les puede dar diversas aplicaciones en diferentes campos, al ser maquinas programables pueden realizar casi cualquier tarea dependiendo de las limitaciones impuestas por la persona que lo creo.

En la industria: los robots industriales son empleados en el campo laboral industrial sus aplicaciones varan dependiendo del proceso que sea necesario forjar, se los usa para ensamblado como puede ser unir piezas, cortar, o se los puede utilizar para soldar, como los usan en las grandes empresas automovilistas, procesos especiales, empaquetar, pintar, para trasportar piezas de carga o descarga. Se los utiliza ms en procesos de produccin en serie por su capacidad de hacer la misma actividad una y otra vez y como son mquinas no se cansan, ni cometen errores por fatiga como los humanos. En el hogar: los robots empleados en el hogar pueden hacer diferentes tareas como son dar servicio a las personas, dar seguridad, funcionan tambin como medio de entretenimiento, pueden hacer tareas como de limpieza y reparacin, son multifuncionales y se adaptan a la tarea que se quiera realizar. Entornos Peligrosos: los robots en este campo son robots especiales diseados para entrar en entornos peligrosos para el ser humano algunos de estos por ejemplo son los empleados para desarmar bombas, limpiar lugares peligrosos, trabajar con desechos qumicos, ayudar en labores de rescate, adentrarse en el ocano como submarinos. Exploracin: los llamados robots espaciales trabajan en el espacio, algunos recolectan informacin para despus ser estudiada. Salud: en el rea de la salud los robots son usados para realizar operaciones de gran precisin, algunos tambin diseados para ayudar a los ancianos y personas discapacitadas. Entretenimiento: son robots diseados estrictamente al entretenimiento como por ejemplo los pequeos robots de figuras conocidas como, perros, gatos dinosaurios, figuras de accin, etc. La finalidad de la Inteligencia Artificial dentro del rea de la robtica pretende que las maquinas cuenten con la capacidad de simulacin del comportamiento humano, sin embargo ya que la inteligencia simulada es creada por el hombre sta no supera la inteligencia del creador. Un robot puede estar diseado para tomar decisiones, pero esto solo gracias a los diferentes sensores y la respectiva programacin insertada, lo cual lo limita a dejarse guiar por aspectos fsicos, pero el hombre el momento de tomar una decisin puede percibir cosas esenciales mas all de lo fsico y lo material lo cual hace que aun la maquina este por debajo del hombre. Cabe recalcar que los robots superan al hombre en la rapidez con la que procesan los datos e informacin ya que cuentan con un muy avanzado sistema el cual les permite asimilar una gran informacin en milsimas de segundo. Con la inteligencia artificial aplicada a la robtica podemos ver que se ha logrado crear un asistente del hombre para el trabajo prctico, el cual maneja las diversas situaciones con mas precisin y sin temor a equivocarse gracias a su programacin y las diferentes capacidades que tenga para poder interactuar con su operario.

1.3.4 Sistemas Expertos

Subsistema de Adquisicin de Conocimiento El subsistema de adquisicin de conocimiento controla el flujo del nuevo conocimiento que fluye del experto humano a la base de datos. El sistema determina qu nuevo conocimiento se necesita, o si el conocimiento recibido es en realidad nuevo, es decir, si debe incluirse en la base de datos y, en caso necesario, incorpora estos conocimientos a la misma. Base de Conocimiento Los especialistas son responsables de suministrar a los ingenieros del conocimiento una base de conocimiento ordenada y estructurada, y un conjunto de relaciones bien definidas y explicadas. Esta forma estructurada de pensar requiere que los expertos humanos repiensen, reorganicen, y reestructuren la base de conocimiento, como resultado, el especialista se convierte en un mejor conocedor de su propio campo de especialidad. Hay que diferenciar entre datos y conocimiento. El conocimiento se refiere a afirmaciones de validez general tales como reglas, distribuciones de probabilidad, etc. Los datos se refieren a la informacin relacionada con una aplicacin particular. Por ejemplo, en diagnstico mdico, los sntomas, las enfermedades y las relaciones entre ellos, forman parte del conocimiento, mientras los sntomas particulares de un paciente dado forman parte de los datos. El conocimiento se almacena en la base de conocimiento y los datos se almacenan en la memoria de trabajo. Todos los procedimientos de los diferentes sistemas y subsistemas que son de carcter transitorio se almacenan tambin en la memoria de trabajo. Motor de Inferencia El motor de inferencia es el corazn de todo sistema experto. El cometido principal de esta componente es el de sacar conclusiones aplicando el conocimiento a los datos. Por ejemplo, en diagnstico mdico, los sntomas de un paciente (datos) son analizados a la luz de los sntomas y las enfermedades y de sus relaciones (conocimiento). Las conclusiones del motor de inferencia pueden estar basadas en conocimiento determinista o conocimiento probabilstico. Como puede esperarse, el tratamiento de situaciones de incertidumbre (probabilsticas) puede ser considerablemente ms difcil que el tratamiento de situaciones ciertas (deterministas). El motor de inferencia es tambin responsable de la propagacin de este conocimiento incierto.

Interface de Usuario Maquina La interface de usuario es el enlace entre el sistema experto y el usuario. Por ello, para que un sistema experto sea una herramienta efectiva, debe incorporar mecanismos eficientes para mostrar y obtener informacin de forma fcil y agradable. Un ejemplo de la informacin que tiene que ser mostrada tras el trabajo del motor de inferencia, es el de las conclusiones, las razones que expliquen tales conclusiones y una explicacin de las acciones iniciadas por el sistema experto. Por otra parte, cuando el motor de inferencia no puede concluir debido, por ejemplo, a la ausencia de informacin, la interface de usuario es un vehculo para obtener la informacin necesaria del usuario.

1.3.4 Logica Difusa (Fuzzy Logic)

La lgica difusa o lgica heurstica se basa en lo relativo de lo observado como posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero contextualizados y referidos entre s. As, por ejemplo, una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores estn contextualizados a personas y referidos a una medida mtrica lineal. Desarrollos actuales y aplicaciones de lgica difusa Aplicaciones generales 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 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.

Lgica difusa en inteligencia artificial En inteligencia artificial, la lgica difusa, o lgica borrosa se utiliza para la resolucin de una variedad de problemas, principalmente los relacionados con control de procesos industriales complejos y sistemas de decisin en general, la resolucin la compresin de datos. Los sistemas de lgica difusa estn tambin muy extendidos en la tecnologa cotidiana, por ejemplo en cmaras digitales, sistemas de aire acondicionado, lavarropas, etc. Los sistemas basados en lgica difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser mucho ms rpidos. Estos sistemas son generalmente robustos y tolerantes a imprecisiones y ruidos en los datos de entrada. Algunos lenguajes de programacin lgica que han incorporado la lgica difusa seran por ejemplo las diversas implementaciones de Fuzzy PROLOG o el lenguaje fril. Consiste en la aplicacin de la lgica difusa con la intencin de imitar el razonamiento humano en la programacin de computadoras. Con la lgica convencional, las computadoras pueden manipular valores estrictamente duales, como verdadero/falso, s/no o ligado/desligado. En la lgica difusa, se usan modelos matemticos para representar nociones subjetivas, como caliente/tibio/fro, para valores concretos que puedan ser manipuladas por los ordenadores. En este paradigma, tambin tiene un especial valor la variable del tiempo, ya que los sistemas de control pueden necesitar retroalimentarse en un espacio concreto de tiempo, pueden necesitarse datos anteriores para hacer una evaluacin media de la situacin en un perodo anterior...

1.4 Modelos de Agentes Inteligentes

Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. En este contexto la racionalidad es la caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es ms general y por ello ms adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales. Un agente inteligente puede ser una entidad fsica o virtual. Si bien el trmino agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, tambin puede considerarse agentes racionales a los animales incluido el hombre.

Agentes reactivos simples

Es el tipo de agente m as sencillo. Seleccionan la accion solo sobre las percepciones actuales del agente, ignorando las percepciones historicas. Las reacciones son conexiones mentales que siguen una regla sencilla:
X si <percepcion> entonces <accion> X por ejemplo: si el auto que va adelante enciende la luz de freno, entonces disminuyo mi velocidad.

Estas reglas se llaman reglas de condici on-acci on (CA).

Ejemplo: Programa de Agente Reflejo Simple Aspiradora Entrada: (ubicacion, estado), ubicacion {A, B },estado {limpio,

sucio} Salida: accion {Izquierda, Derecha, Limpiar} 1: si (estado = limpio) y (ubicacion = A) entonces 2: retornar Derecha 3: fin si 4: si (estado = limpio) y (ubicacion = B) entonces 5: retornar Izquierda 6: fin si 7: si (estado = sucio) y (ubicacion = A) entonces 8: retornar Limpiar 9: fin si 10: si (estado = sucio) y (ubicacion = B) entonces 11: retornar Limpiar 12: fin si

Estos agentes son simples pero tienen una inteligencia limitada. Por lo general requieren que el mundo sea totalmente observable:
X si acaso lo que se desea es tomar la decision correcta.

Otro problema es que pueden caer en bucles infinitos, dependiendo de su arquitectura:

X pueden tomar decisiones de modo aleatorio X por ejemplo: aspiradora sin sensor de ubicacion.

Agentes reactivos basados en modelos El problema a resolver es la visibilidad del mundo. La solucion para la visibilidad parcial: almacenar aquellas partes del mundo que no se ven. . .
X se requiere de un estado interno X que dependa de la historia de las percepciones X por ejemplo: al conducir, saber donde est an los otros veh culos.

Se necesita informacion sobre el c omo evoluciona el mundo, independiente del agente: saber por ejemplo que los autos se acercan cuando se encienden las luces de freno traseras. El como es lo que se conoce como modelo.

Modelo agente reactivo basado en objetivos No siempre es suficiente el conocimiento sobre el estado actual del mundo. Por ejemplo: el taxista automatico al verse enfrentado a un cruce de calles. . .
X puede decidir girar a la izquierda, derecha o bien continuar su marcha hacia adelante X dependiendo hacia donde quiere ir, y NO de las percepciones del mundo.

Se requiere, por lo tanto, informacion sobre un objetivo o meta para el agente. Para esto, se puede emplear el resultado que generen las acciones, de un modo similar a como opera el agente basado en modelos.

Modelo agente reactivo basado en utilidad Las metas por si solas no son suficientes:
X para generar comportamiento de gran calidad

Por ejemplo, hay muchas maneras de que el taxi automatico llegue a su destino:
X no esta en discusin que el taxista cumple con su objetivo X pero no todas resultan cmodas o baratas para el usuario.

Por lo tanto, las metas definen vagamente lo que es felicidad y tristeza, con respecto al cumplimiento de objetivos. Seria mejor tener una medida concreta de felicidad que permita comparar estados:
X cientficamente conocida como utilidad X un estado puede tener mas utilidad que otro.

Funcion de Utilidad Toma uno o mas estado y los transforma a un numero real, que va a representar al nivel de felicidad del agente. A veces hay estados conictivos:
X la utilidad representa un balance X por ejemplo: velocidad y seguridad al conducir

HEURISTICA

La palabra heurstica proviene de la palabra griega heuriskein que significa descubrir, encontrar. Por heurstica entendemos una estrategia, mtodo, criterio o truco usado para hacer ms sencilla la solucin de problemas difciles. El conocimiento heurstico es un tipo especial de conocimiento usado por los humanos para resolver problemas complejos. En este caso el adjetivo heurstico significa medio para descubrir. Debido a la existencia de algunos problemas importantes con un gran inters prctico difciles de resolver, comienzan a surgir algoritmos capaces de ofrecer posibles soluciones que aunque no consiguen el resultado ptimo, s que se acercan en un tiempo de clculo razonable. Estos algoritmos estn basados en el conocimiento heurstico y por lo tanto reciben el nombre de algoritmos heursticos. Por lo general, los algoritmos heursticos encuentran buenas soluciones, aunque a veces no hay pruebas de que la solucin pueda hallarse en un tiempo razonablemente corto o incluso de que no pueda ser errnea. Frecuentemente pueden encontrarse casos particulares del problema en los que la heurstica obtendr resultados muy malos o que tarde demasiado en encontrar una solucin.

Un mtodo heurstico es un conjunto de pasos que deben realizarse para identificar en el menor tiempo posible una solucin de alta calidad para un determinado problema. Al principio esta forma de resolver problemas no fue bien vista en los crculos acadmicos, debido fundamentalmente a su escaso rigor matemtico. Sin embargo, gracias a su inters prctico para solucionar problemas reales fue abriendo poco a poco las puertas de los mtodos heursticos, sobre todo a partir de los aos 60. Actualmente las versiones matemticas de mtodos heursticos estn creciendo en su rango de aplicaciones, as como en su variedad de enfoques. Nuevas tcnicas heursticas son utilizadas a diario por cientficos de computacin, investigadores operativos y profesionales, para resolver problemas que antes eran demasiado complejos o grandes para las anteriores generaciones de este tipo de algoritmos. En computacin, dos objetivos fundamentales son encontrar algoritmos con buenos tiempos de ejecucin y buenas soluciones, usualmente las ptimas. Una heurstica es un algoritmo que abandona uno o ambos objetivos; por ejemplo, normalmente encuentran buenas soluciones, aunque no hay pruebas de que la solucin no pueda ser arbitrariamente errnea en algunos casos; o se ejecuta razonablemente rpido, aunque no existe tampoco prueba de que siempre ser as. Las heursticas generalmente son usadas cuando no existe una solucin ptima bajo las restricciones dadas (tiempo, espacio, etc.), o cuando no existe del todo. Para problemas de bsqueda del camino ms corto el trmino tiene un significado ms especfico. En este caso una heurstica es una funcin matemtica, h(n) definida en los nodos de un rbol de bsqueda, que sirve como una estimacin del coste del camino ms econmico de un nodo dado hasta el nodo objetivo. Las heursticas se usan en los algoritmos de bsqueda informada como la bsqueda egosta. La bsqueda egosta escoger el nodo que tiene el valor ms bajo en la funcin heurstica. A* expandir los nodos que tienen el valor ms bajo para g(n) + h(n), donde g(n) es el coste (exacto) del camino desde el

estado inicial al nodo actual. Cuando h(n) es admisible, esto es si h(n) nunca sobrestima los costes de encontrar el objetivo; A* es probablemente ptimo. Un problema clsico que usa heursticas es el puzzle-n. Contar el nmero de casillas mal colocadas y encontrar la suma de la distancia Manhattan entre cada bloque y su posicin al objetivo son heursticas usadas a menudo para este problema.

Efecto de las heursticas en el rendimiento computacional

En cualquier problema de bsqueda donde hay b opciones en cada nodo y una profundidad d al nodo objetivo, un algoritmo de bsqueda ingenuo deber buscar potencialmente entrebd nodos antes de encontrar la solucin. Las heursticas mejoran la eficiencia de los algoritmos de bsqueda reduciendo el factor de ramificacin de b a (idealmente) una constante b*. Aunque cualquier heurstica admisible devolver una respuesta ptima, una heurstica que devuelve un factor de ramificacin ms bajo es computacionalmente ms eficiente para el problema en particular. Puede demostrarse que una heurstica h2(n) es mejor que otra h1(n), si h2(n) domina h1(n), esto quiere decir que h1(n) < h2(n) para todo n. Heursticas en la Inteligencia Artificial

Muchos algoritmos en la inteligencia artificial son heursticos por naturaleza, o usan reglas heursticas. Un ejemplo reciente es SpamAssassin que usa una amplia variedad de reglas heursticas para determinar cundo un correo electrnico es spam. Cualquiera de las reglas usadas de forma independiente pueden llevar a errores de clasificacin, pero cuando se unen mltiples reglas heursticas, la solucin es ms robusta y creble. Esto se llama alta credibilidad en el reconocimiento de patrones (extrado de las estadsticas en las que se basa). Cuando se usa la palabra heurstica en el procesamiento del

lenguaje basado en reglas, el reconocimiento de patrones o el procesamiento de imgenes, es usada para referirse a las reglas.