Beruflich Dokumente
Kultur Dokumente
ANTOLOGÍA DE
INTELIGENCIA
ARTIFICIAL
AGOSTO 2014
PROPÓSITO DEL CURSO
Las unidades dos y tres tratan los conceptos necesarios para que el estudiante
obtenga la capacidad de solucionar problemas, mediante técnicas de búsqueda y la
capacidad de generar nuevas ideas para la representación del conocimiento y del
razonamiento, retomando los conceptos de la lógica de predicados, inducción y
teoría de grafos estudiados en la asignatura de matemáticas discretas.
Contenido
UNIDAD I. Fundamentos de la Inteligencia Artificial........................................... 10
1.1. Historia de la IA. .................................................................................... 10
1.2. Conceptos y técnicas (Estado del arte) . .................................................. 17
1.3. Desarrollos actuales. .............................................................................. 24
1.3.1. Procesamiento de Lenguaje Natural (PLN). ........................................ 31
1.3.2. Reconocimiento de patrones. ............................................................ 45
1.3.3. Robótica. ......................................................................................... 52
1.3.4. Sistemas Expertos. ........................................................................... 57
1.3.5. Lógica Difusa (Fuzzy logic). .............................................................. 62
1.4. Modelos de agente inteligente................................................................. 68
1.5. Heurística. ............................................................................................. 69
UNIDAD II. Técnicas de búsqueda.................................................................... 74
2.1. Solución de problemas con búsqueda. ....................................................... 74
2.2. Espacios de estados. ................................................................................. 99
2.2.1. Determinísticos y No Deterministicos ................................................. 102
2.3. Métodos de búsqueda ............................................................................. 105
2.4. Satisfacción de restricciones. ................................................................... 111
2.5. Teoría de juegos. .................................................................................... 112
UNIDAD III. Representación del conocimiento y razonamiento ......................... 115
3.1. Sistemas basados en conocimiento. ......................................................... 115
3.1.1. Concepto de conocimiento. ............................................................... 115
3.1.2. Lenguajes utilizados en la representación de conocimiento. ................ 116
3.2. Mapas conceptuales. ............................................................................... 119
3.3. Redes semánticas. .................................................................................. 119
3.4. Lógica de predicados .............................................................................. 121
3.5. Razonamiento con incertidumbre. ............................................................ 129
3.5.1. Aprendizaje. ..................................................................................... 134
3.5.2. Razonamiento probabilístico. ............................................................. 139
3.6. Demostración y métodos. ........................................................................ 165
UNIDAD IV. Sistemas de razonamiento .......................................................... 169
4.1. Reglas de producción. ............................................................................. 169
4.1.1. Sintaxis de las reglas de producción................................................... 169
4.2. Semántica de las reglas de producción. .................................................... 172
4.2.1. Conocimiento causal. ........................................................................ 172
4.2.2. Conocimiento de diagnóstico. ............................................................ 173
4.3. Arquitectura de un sistema de producción. ............................................... 173
4.3.1. Hechos. ........................................................................................... 175
4.3.2. Base de conocimientos. .................................................................... 176
4.3.3. Mecanismos de control. .................................................................... 177
4.4. Ciclo de vida de un sistema de producción. .............................................. 177
UNIDAD V. Aplicaciones con técnicas de IA ..................................................... 181
5.1. Robótica. ............................................................................................... 181
5.2. Redes Neuronales (RN). .......................................................................... 191
5.3. Visión artificial. ....................................................................................... 196
5.4. Lógica difusa (Fuzzy Logic)...................................................................... 198
5.5. Procesamiento de Lenguaje Natural (PLN)................................................ 201
5.6. Sistemas Expertos (SE). .......................................................................... 204
RED CONCEPTUAL DEL CURSO
Técnicas de búsqueda
Sistemas de razonamiento
Con esta asignatura se pretende dar una Introducción a la Inteligencia Artificial (IA)
presentando a los estudiantes, algunos de los métodos más utilizados en las
diferentes áreas de la Inteligencia Artificial. Para ello, se introducen las técnicas
más comunes de manipulación y representación del conocimiento y se analizan
las características de las herramientas disponibles para la construcción de
aplicaciones reales, en las diferentes áreas de la IA, con el fin de conformar una
actitud científica, crítica y responsable del egresado.
Esta materia está situada como una de las últimas del plan de estudio, debido a
que el alumno necesita tener de base el aprendizaje de otras materias que
permitan que posea habilidades de estructuras de control, listas, arboles,
recursividad, así como, conocimientos de teoría de la probabilidad, teoría de la
computación, programación en lenguajes de alto nivel, conocimientos de
estructura y bases de datos.
UNIDAD I. Fundamentos de la Inteligencia Artificial
Historia de la IA
Conceptos y técnicas
Fundamentos de la Inteligencia
Desarrollos actuales
Artificial
Heurística
Competencia General de la Unidad:
- Conocer los conceptos fundamentales de la IA, así como el estado del arte
de las áreas de la inteligencia artificial.
Actividades de aprendizaje
- Investigar sobre los diferentes enfoques de la Inteligencia artificial.
- Discutir en grupo los diferentes enfoques.
- Plantear una línea de tiempo de la historia de la IA.
- Investigar las técnicas actuales de la inteligencia artificial.
- Investigar y seleccionar desarrollos actuales de la inteligencia artificial.
- Comentar en grupo los desarrollos actuales de la Inteligencia artificial.
- Investigar información acerca de los modelos de agente inteligente.
- Discutir acerca de los diferentes modelos de agentes inteligentes.
- Investigar el concepto de heurística.
- Elaborar el mapa conceptual de los temas de la unidad.
UNIDAD I. Fundamentos de la Inteligencia Artificial
Tan general y amplio como eso, es que reúne varios campos (robótica, sistemas
expertos, por ejemplo), todos los cuales tienen en común la creación de máquinas
que pueden pensar. En ciencias de la computación se denomina inteligencia
artificial a la capacidad de razonar de un agente no vivo.1 2 3 John McCarthy,
acuñó el término en 1956, la definió: "Es la ciencia e ingenio de hacer máquinas
inteligentes, especialmente programas de cómputo inteligentes.".
Escuelas de pensamiento
Historia
En esta línea, hay que saber que ya existen sistemas inteligentes. Capaces de
tomar decisiones «acertadas».
Particularmente para los robots móviles, es necesario que cuenten con algo similar
a las emociones con el objeto de saber –en cada instante y como mínimo– qué
hacer a continuación [Pinker, 2001, p. 481].
Al tener «sentimientos» y, al menos potencialmente, «motivaciones», podrán
actuar de acuerdo con sus «intenciones» [Mazlish, 1995, p. 318]. Así, se podría
equipar a un robot con dispositivos que controlen su medio interno; por ejemplo,
que «sientan hambre» al detectar que su nivel de energía está descendiendo o
que «sientan miedo» cuando aquel esté demasiado bajo.
Esta señal podría interrumpir los procesos de alto nivel y obligar al robot a
conseguir el preciado elemento [Johnson-Laird, 1993, p. 359]. Incluso se podría
introducir el «dolor» o el «sufrimiento físico», a fin de evitar las torpezas de
funcionamiento como, por ejemplo, introducir la mano dentro de una cadena de
engranajes o saltar desde una cierta altura, lo cual le provocaría daños
irreparables.
Esto significa que los sistemas inteligentes deben ser dotados con mecanismos de
retroalimentación que les permitan tener conocimiento de estados internos, igual
que sucede con los humanos que disponen de propiocepción, interocepción,
nocicepción, etcétera. Esto es fundamental tanto para tomar decisiones como para
conservar su propia integridad y seguridad. La retroalimentación en sistemas está
particularmente desarrollada en cibernética, por ejemplo en el cambio de dirección
y velocidad autónomo de un misil, utilizando como parámetro la posición en cada
instante en relación al objetivo que debe alcanzar. Esto debe ser diferenciado del
conocimiento que un sistema o programa computacional puede tener de sus
estados internos, por ejemplo la cantidad de ciclos cumplidos en un loop o bucle
en sentencias tipo do... for, o la cantidad de memoria disponible para una
operación determinada.
Críticas
Las principales críticas a la inteligencia artificial tienen que ver con su capacidad
de imitar por completo a un ser humano. Estas críticas ignoran que ningún
humano individual tiene capacidad para resolver todo tipo de problemas, y autores
como Howard Gardner han propuesto que existen inteligencias múltiples. Un
sistema de inteligencia artificial debería resolver problemas. Por lo tanto es
fundamental en su diseño la delimitación de los tipos de problemas que resolverá
y las estrategias y algoritmos que utilizará para encontrar la solución.
Introducción
Todo parece estar preparado para el uso de las computadoras para procesar volúmenes
grandes de información: los métodos lógicos ya son muy fuertes, los procesadores muy
rápidos, muchos textos ya están disponibles en forma digital, tanto en las casas editoriales
como en Internet. El único problema para la computadora al procesar los textos es que
simplemente ¡no los entiende! Hasta ahora, los textos son para la computadora solamente
cadenas de letras sin cualquier sentido y no una información útil para el razonamiento
lógico.
Desarrollo
Linguística
La Lingüística es la disciplina que se ocupa del estudio científico del lenguaje. Dentro de la
Lingüística se pueden identificar diferentes áreas de interés, tales como:
Análisis Lingüístico
Cuando se hace análisis lingüístico, se está trabajando dentro del campo de la Teoría
Lingüística o Lingüística Teórica. Desde este punto de vista, la gramática de una lengua es
una representación explícita del conocimiento (consciente e inconsciente) que un hablante
nativo tiene de su lengua. Una teoría lingüística debe de proporcionar las nociones y
herramientas analíticas necesarias que nos permitan describir de manera explícita el
conocimiento.
Cuando un lingüista escribe una gramática, este lingüista no sólo describe una lengua, sino
que también nos está diciendo algo sobre los procesos cognoscitivos del ser humano. Por lo
tanto, una teoría lingüística debe no sólo proveer los medios para describir gramáticas de
manera explícita, sino que debe de permitir hacer generalizaciones racionales que permitan
describir los procesos gramaticales de un lenguaje.
1. Analizar los datos existentes y descubrir las reglas, leyes y regularidades del lenguaje;
2. Expresar de manera formal una generalización que describa esas reglas, leyes y
regularidades de forma racional;
La Lingüística tiene por objetivo descubrir los métodos para describir no sólo una lengua en
concreto, sino de cualquier lenguaje natural, es conocer con profundidad una lengua
particular, y llegar a entender la facultad humana del lenguaje. Por lo tanto, el análisis de
fenómenos gramaticales en una lengua determinada ayuda a entender, no sólo la lengua en
cuestión, sino el proceso cognoscitivo del hombre.
Lenguaje
Cuando hablamos de lenguajes se pueden diferenciar dos clases muy bien definidas
Se denomina Lenguaje Natural a un lenguaje escrito o hablado usado por una comunidad
que es precisamente lo contrario a un lenguaje para establecer comunicación con una
computadora, mediante la entrada de datos, o la programación de su funcionamiento.
(Guzmán 1997)
Los lenguajes han sufrido un largo y complejo proceso de desarrollo desde el surgimiento
del hombre sobre la faz de la Tierra. Los lenguajes se han desarrollado a partir de la
experiencia práctica de los diferentes grupos humanos. La riqueza de sus componentes
semánticos otorga a los lenguajes naturales gran poder expresivo y valor como herramienta
para expresar y exteriorizar los razonamientos más sutiles y complejos. La sintaxis de un
LN se puede modelar mediante la utilización de un lenguaje formal. Otra propiedad
importante de los lenguajes naturales es la poli-semántica, es decir la posibilidad de que
una palabra posea significados diferentes.
La concepción principal que orienta el desarrollo de las tecnologías del habla y del lenguaje
natural tiene por objetivo estratégico lograr que la interacción con las máquinas sea análoga
a la que se ha desarrollado históricamente en la interacción entre las personas. En otras
palabras, estratégicamente se plantea como objetivo lograr una relación hombre/máquina
análoga a la relación hombre/hombre. En múltiples y diversas aplicaciones el
reconocimiento del hablar y el lenguaje natural son de gran utilidad. En ocasiones se
presentan problemas en el reconocimiento y comprensión de las expresiones orales y
escritas. La escritura, los símbolos, las imágenes y la voz son los medios de comunicación
fundamentales en la interacción hombre/máquina. La experiencia practica acumulada, en el
campo del Lenguaje Natural, ha señalado la conveniencia de orientar el reconocimiento del
lenguaje natural más al análisis de frases, oraciones y textos en su conjunto, que al
reconocimiento de palabras aisladas. En otras palabras, priorizar el reconocimiento del
sistema en su conjunto, sobre el reconocimiento de sus partes integrantes.
Lenguaje Formal
Un lenguaje formal es un lenguaje artificial o sea creado por el hombre que esta formado
por símbolos y formulas y que tiene como objetivo fundamental formalizar la programación
de computadoras o representar simbólicamente un conocimiento.
Las palabras y oraciones en un lenguaje formal poseen definición rigurosa desde el punto
de vista científico. Son utilizados para modelar teorías científicas con la ventaja de que en
estos se reduce la ambigüedad.
Corrección de textos
Traducción automática
Recuperación de la información
Extracción de Información y Resúmenes
Búsqueda de documentos
Sistemas Inteligentes para la Educación y el Entrenamiento
Para describir las estructuras de las oraciones en el idioma, se usan las llamadas gramáticas
formales, o sea conjuntos de reglas de combinación de palabras y su orden relativo en las
oraciones.
Por otra parte Se han desarrollado sistemas con la capacidad de crear resúmenes de
documentos a partir de los datos suministrados. Estos sistemas son capaces de realizar un
análisis detallado del contenido del texto y elaborar un resumen.
Uno de los elementos fundamentales en el diseño de un sistema PLN es sin lugar a dudas la
determinación de la arquitectura del sistema, es decir, como se introducen los datos a la
computadora y como ella interpreta y analiza las oraciones que le sean proporcionadas. A
continuación se muestra un esquema del análisis léxico/ sintáctico por computadora. El
sistema consiste de:
a. El usuario le expresa (de alguna forma) a la computadora que tipo de procesamiento
desea hacer;
b. La computadora analiza las oraciones proporcionadas, en el sentido morfológico y
sintáctico;
c. Luego, se analizan las oraciones semánticamente, es decir se determina el
significado de cada oración;
d. Se realiza el análisis pragmático del texto. Así, se obtiene una expresión final.
La comprensión adecuada del texto es la tarea más importante y compleja del análisis
lingüístico.
Debido a que el Procesamiento del Lenguaje Natural tiene por objetivo fundamental la
comprensión del lenguaje natural el hecho de que se presenten en textos y expresiones
habladas elementos ambiguos constituye uno de los problemas que se fundamentales que
deben ser resueltos racionalmente. El problema de la ambigüedad surge cuando una
expresión hablada o escrita posee más de un significado o interpretación.
Ejemplo 1
Ejemplo 2
Otro ejemplo de ambigüedad podría estar relacionado con las diversas alternativas de
escribir la oración:
Determine y analice los errores del texto que tiene estructuras complejas
Determine y analice en el texto los errores que poseen estructuras complejas
Determine y analice a través de estructuras complejas los errores en el texto
se necesita realmente entender qué hizo John: tomó un pastel de la mesa y ¿lo comió o la
comió? ¿lo limpió o la limpió? Al revés, para traducir el texto Juan le dio a María un pastel.
Lo comió, hay que elegir entre las variantes He ate it, She ate it, It ate him, She ate him, etc.
Generación de textos
Uno podría pensar que para la generación de texto sólo es suficiente saber las reglas de
gramática, es decir, saber palabras de cuales números, tiempos y géneros hay que usar en la
oración y en que orden ponerlas. Sin embargo, hay algunos problemas en la generación de
texto. Uno reside en la necesidad de elegir las palabras y expresiones que «se usan» en el
contexto dado. Por ejemplo, hay que saber que para expresar la idea ‘muy, mucho’, hay que
usar palabras diferentes: té cargado, voz alta, borracho como una uva, trabajar duro.
El otro problema es que el texto producido con los métodos de fuerza bruta es aburrido,
incoherente y a veces no entendible. Hay que saber en qué ocasiones se deben usar los
pronombres y en qué otras las palabras completas, en qué ocasiones hay que explicar, de
qué se trata la oración y en qué otras es entendible para el lector. Esto se refiere a los
métodos de la nombrada planificación textual.
Palabras de letras,
Oraciones de palabras,
Textos de oraciones.
Gramáticas Formales
Hay una clase de sistemas de generación de interés primario para los Informáticos – ellos
son los sistemas conocidos como Gramáticas.
Los lingüistas tenían relación no sólo con la definición precisa de lo que es o no es una
sentencia u oración válida de un lenguaje, sino también de dar o suministrar descripciones
estructurales de las sentencias u oraciones
Uno de estos objetivos estuvo relacionado con el desarrollo de una Gramática Formal capaz
de describir la lengua inglesa
Se podría pensar, que si por ejemplo, se tiene una gramática formal para describir la lengua
inglesa, podríamos usar el computador en los campos que necesiten una comprensión de la
lengua inglesa
Tal uso puede ser la traducción de de lenguajes o la solución computacional de problemas
de enunciados
Hasta el momento actual, este objetivo sigue siendo en gran parte irrealizable
Además, existen contradicciones sobre que tipo de gramática formal seria capaz de
describir al idioma Ingles.
Sin embargo, han sido alcanzados mejores resultados en la descripción de los lenguajes de
computación
Por ejemplo, la Forma Backus – Naur usada para describir el lenguaje de programación
ALGOL es una "gramática de libre contexto ", esto es, un tipo de gramática con la que
tendremos relación en esta disciplina.
Por ejemplo, la sentencia u oración :"The little boy ran quickly "
"ran quickly"
El nombre puede ser decompuesto en nombre singular "boy" modificado por dos adjetivos:
"The" y
"little"
"ran"
"quickly"
Esta estructura de la oración es indicada en el siguiente diagrama.
Si se tiene un conjunto completo de negras para analizar (parsing) todas las oraciones en
idioma Ingles, entonces podríamos tener una técnica para determinar si la oración es o no
gramaticalmente correcta. Sin embargo, tal conjunto de negras realmente no existe. En
parte, esto se debe a que no existen reglas claras y precisas para determinar lo que
constituye una oración:
<adjetivo> ® The
<adjetivo> ® little
<adverbio> ® quickly
La flecha indica que el elemento de la izquierda de la flecha puede generar los elementos
colocados en el lado derecho de la flecha. Note que se ha encerrado entre corchetes los
nombres de las partes de las oraciones, tales como, nombre, verbo, frase verbal, etc., para
evitar confusión con las palabras en Ingles y las frases "nombre", "frase verbal", etc. Se
puede notar que no es sólo posible verificar las oraciones por su correlación gramatical,
sino también es posible generar oraciones correctas gramaticalmente. Para ello se comienza
con la cantidad <oración> y se sustituye <oración> por <frase nominativa> seguida de
<frase verbal> . Luego se selecciona una de las dos reglas para <frase nominativa> y se
aplica, y así sucesivamente , hasta que ninguna otra aplicación adicional de las negras sea
posible. En esta forma, un número infinito de oraciones puede ser derivada – esto es,
cualquier oración consistente de una cadena de ocurrencias de "the" y "little" seguido por
"boy ran quickly" tal como "little the the boy ran quickly" puede generarse. La mayoría de
las oraciones no tiene sentido, son gramaticalmente correctas en un sentido amplio.
Por ejemplo, el código de maquina se basa en el alfabeto binario A1={0,1}; otros ejemplos
son A2{0,1,2,3,4,5,6,7,8,9}, A3{+,-,*,/,} etc.
Símbolos terminales: Son los símbolos que realmente aparecen en una frase.
Símbolos no terminales: Los símbolos no terminales deben ser definidos por otras
producciones o reglas ; es decir, también aparecen en el lado izquierdo de las producciones.
Los símbolos no terminales son variables sintácticas.
Vocabulario = alfabeto: Al igual que los lenguajes naturales, los lenguajes formales se
basan en un vocabulario específico, a saber, los elementos del lenguaje.
Forma de Backus – Naur
La forma de Backus – Naur fue creada para definir la estructura del lenguaje de
programación ALGOL60.
Símbolo Significado
"se define como"
fin de definición
| "or", alternativa
[x] Una o ninguna ocurrencia de x
Número arbitrario de ocurrencias de
{x}
x (0,1,2,...)
(x | y) Selección (x o y)
T= {+,-, 0,1,2,3,4,5,6,7,8,9}
Podemos definir los enteros con las siguientes reglas (producciones) BNF:
int à [+ | - ] unsigned_int
digit à 0|1|2|3|4|5|6|7|8|9|
La primera regla define un entero como un entero sin signo mas un signo inicial. Este signo
puede estar ausente o ser "+" o "-". La segunda regla indica que la notación BNF permite
definiciones recursivas.
Existe una descripción formal de un lenguaje si existe un número finito de reglas BNF que
permiten derivar cualquier frase del lenguaje. En este aspecto, el conjunto finito de reglas
anterior es una descripción formal del conjunto infinito de los enteros.
Conclusiones
El procesamiento del lenguaje natural tiene como objetivo fundamental lograr una
comunicación maquina-humano similar a la comunicación humano-humano.
A lo largo de la historia los lenguajes naturales han ido evolucionando, de forma paralela al
desarrollo y evolución de la especie humana.
Han sido varios los sistemas informáticos inteligentes que se han desarrollado que emplean
el procesamiento del lenguaje natural.
Bibliografía
6. I.A. Bolshakov, A.F. Gelbukh, S.N. Galicia-Haro. Syntactical managing patterns for
the most common Spanish verbs. CIC’97, Nuevas Aplicaciones e Innovaciones
Tecnológicas en Computación, Simposium Internacional de Computación, 12-14 de
noviembre, pp. 367 - 371, 1997, CIC, IPN, México D.F.
10. Adolfo Guzmán Arenas. Colaboración Dirigida entre Agentes con Propósito.
Memorias del Congreso Internacional de Computación CIC-99, CIC, IPN, 1999, México.
http://www.monografias.com/trabajos17/lenguaje-natural/lenguaje-
natural.shtml
1. adquisición de datos
2. extracción de características
3. toma de decisiones
Sensor
Artículo principal: Sensor
Extracción de características
Es el proceso de generar características que puedan ser
usadas en el proceso de clasificación de los datos. En
ocasiones viene precedido por un preprocesado de la señal,
necesario para corregir posibles deficiencias en los datos
debido a errores del sensor, o bien para preparar los datos
de cara a posteriores procesos en las etapas de extracción de
características o clasificación.
Las características elementales están explícitamente
presentes en los datos adquiridos y pueden ser pasados
directamente a la etapa de clasificación. Las características
de alto orden son derivadas de las elementales y son
generadas por manipulaciones o transformaciones en los datos.
Selección de variables
Clasificación
La clasificación trata de asignar las diferentes partes del vector de características a grupos o
clases, basándose en las características extraídas. En esta etapa se usa lo que se conoce
como aprendizaje automático, cuyo objetivo es desarrollar técnicas que permitan a las
computadoras aprender.
Aplicaciones
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las
más relevantes y utilizadas actualmente son:
http://es.wikipedia.org/wiki/Reconocimiento_de_patrones
1.3.3. Robótica.
El término robot se popularizó con el éxito de la obra RUR (Robots Universales Rossum),
escrita por Karel Capek en 1920. En la traducción al inglés de dicha obra, la palabra checa
robota, que significa trabajos forzados, fue traducida al inglés como robot.4
Historia de la robótica
La historia de la robótica va unida a la construcción de "artefactos", que trataban de
materializar el deseo humano de crear seres a su semejanza y que lo descargasen del
trabajo. El ingeniero español Leonardo Torres Quevedo (GAP) (que construyó el primer
mando a distancia para su automóvil mediante telegrafía sin hilo,[cita requerida] el ajedrecista
automático, el primer transbordador aéreo y otros muchos ingenios) acuñó el término
"automática" en relación con la teoría de la automatización de tareas tradicionalmente
asociadas.
Karel Čapek, un escritor checo, acuñó en 1921 el término "Robot" en su obra dramática
Rossum's Universal Robots / R.U.R., a partir de la palabra checa robota, que significa
servidumbre o trabajo forzado. El término robótica es acuñado por Isaac Asimov,
definiendo a la ciencia que estudia a los robots. Asimov creó también las Tres Leyes de la
Robótica. En la ciencia ficción el hombre ha imaginado a los robots visitando nuevos
mundos, haciéndose con el poder, o simplemente aliviando de las labores caseras.
Nombre del
Fecha Importancia Inventor
robot
Descripciones de más de
100 máquinas y
autómatas, incluyendo Ctesibio de
un artefacto con fuego, Alejandria,
Siglo un órgano de viento, Filón de
I a. C. una máquina operada Autómata Bizancio,
y antes mediante una moneda, Herón de
una máquina de vapor, Alexandria, y
en Pneumatica y otros
Autómata de Herón de
Alejandría
Diseño de un robot Caballero Leonardo da
c. 1495
humanoide mecánico Vinci
Pato mecánico capaz de
Jacques de
1738 comer, agitar sus alas Digesting Duck
Vaucanson
y excretar.
Juguetes mecánicos
japoneses que sirven Juguetes Hisashige
1800s
té, disparan flechas y Karakuri Tanaka
pintan.
Aparece el primer
Rossum's
autómata de ficción
1921 Universal Karel Čapek
llamado "robot",
Robots
aparece en R.U.R.
Se exhibe un robot
humanoide en la Westinghouse
1930s Exposición Universal Elektro Electric
entre los años 1939 y Corporation
1940
La revista Astounding
Science Fiction publica
"Círculo Vicioso"
SPD-13
(Runaround en inglés).
1942 (apodado Isaac Asimov
Una historia de ciencia
"Speedy")
ficción donde se da a
conocer las Tres leyes
de la robótica
Exhibición de un robot
William Grey
1948 con comportamiento Elsie y Elmer
Walter
biológico simple5
Primer robot comercial,
1956 Unimate George Devol
de la compañía
Unimation fundada por
George Devol y Joseph
Engelberger, basada en
una patente de Devol6
Se instala el primer
1961 Unimate George Devol
robot industrial
Primer robot
1963
"palletizing"7
Primer robot con seis KUKA Robot
1973 Famulus
ejes electromecánicos Group
Brazo manipulador
programable universal, Victor
1975 PUMA
un producto de Scheinman
Unimation
El robot completo (The
Complete Robot en
inglés). Una colección
de cuentos de ciencia
ficción de Isaac
Asimov, escritos entre
1940 y 1976,
previamente publicados
Robbie, SPD-
en el libro Yo, robot y
13(Speedy),
en otras antologías,
QT1(Cutie),
volviendo a explicar
DV-5(Dave),
1982 las tres leyes de la Isaac Asimov
RB-34(Herbie),
robótica con más ahínco
NS-2(Nestor),
y complejidad moral.
NDR (Andrew),
Incluso llega a
Daneel Olivaw
plantear la muerte de
un ser humano por la
mano de un robot con
las tres leyes
programadas, por lo que
decide incluir una
cuarta ley "La ley 0
(cero)"
Robot Humanoide capaz
de desplazarse de forma Honda Motor
2000 ASIMO
bípeda e interactuar Co. Ltd
con las personas
Clasificación de los robots
Según su cronología
1ª Generación.
2ª Generación.
3ª Generación.
Robots con control sensorizado. El controlador es una computadora que ejecuta las órdenes
de un programa y las envía al manipulador para que realice los movimientos necesarios.
4ª Generación.
Robots inteligentes. Son similares a los anteriores, pero además poseen sensores que envían
información a la computadora de control sobre el estado del proceso. Esto permite una
toma inteligente de decisiones y el control del proceso en tiempo real.
Según su estructura
La estructura, es definida por el tipo de configuración general del Robot, puede ser
metamórfica. El concepto de metamorfismo, de reciente aparición, se ha introducido para
incrementar la flexibilidad funcional de un Robot a través del cambio de su configuración
por el propio Robot. El metamorfismo admite diversos niveles, desde los más elementales
(cambio de herramienta o de efecto terminal), hasta los más complejos como el cambio o
alteración de algunos de sus elementos o subsistemas estructurales. Los dispositivos y
mecanismos que pueden agruparse bajo la denominación genérica del Robot, tal como se ha
indicado, son muy diversos y es por tanto difícil establecer una clasificación coherente de
los mismos que resista un análisis crítico y riguroso. La subdivisión de los Robots, con base
en su arquitectura, se hace en los siguientes grupos: poliarticulados, móviles, androides,
zoomórficos e híbridos.
1. Poliarticulados
En este grupo se encuentran los Robots de muy diversa forma y configuración, cuya
característica común es la de ser básicamente sedentarios (aunque excepcionalmente
pueden ser guiados para efectuar desplazamientos limitados) y estar estructurados para
mover sus elementos terminales en un determinado espacio de trabajo según uno o más
sistemas de coordenadas, y con un número limitado de grados de libertad. En este grupo, se
encuentran los manipuladores, los Robots industriales, los Robots cartesianos y se emplean
cuando es preciso abarcar una zona de trabajo relativamente amplia o alargada, actuar sobre
objetos con un plano de simetría vertical o reducir el espacio ocupado en el suelo.
2. Móviles
3. Androides
4. Zoomórficos
Los Robots zoomórficos, que considerados en sentido no restrictivo podrían incluir también
a los androides, constituyen una clase caracterizada principalmente por sus sistemas de
locomoción que imitan a los diversos seres vivos. A pesar de la disparidad morfológica de
sus posibles sistemas de locomoción es conveniente agrupar a los Robots zoomórficos en
dos categorías principales: caminadores y no caminadores. El grupo de los Robots
zoomórficos no caminadores está muy poco evolucionado. Los experimentos efectuados en
Japón basados en segmentos cilíndricos biselados acoplados axialmente entre sí y dotados
de un movimiento relativo de rotación. Los Robots zoomórficos caminadores multípedos
son muy numerosos y están siendo objeto de experimentos en diversos laboratorios con
vistas al desarrollo posterior de verdaderos vehículos terrenos, piloteados o autónomos,
capaces de evolucionar en superficies muy accidentadas. Las aplicaciones de estos Robots
serán interesantes en el campo de la exploración espacial y en el estudio de los volcanes.
5. Híbridos
http://es.wikipedia.org/wiki/Rob%C3%B3tica
Sus inicios datan a mediados de los años sesenta. Durante esta década los investigadores
Alan Newell y Herbert Simon desarrollaron un programa llamado GPS (General Problem
Solver; solucionador general de problemas). Podía trabajar con criptoaritmética, con las
torres de Hanoi y con otros problemas similares. Lo que no podía hacer el GPS era resolver
problemas del mundo real, tales como un diagnóstico médico.
Algunos investigadores decidieron entonces cambiar por completo el enfoque del problema
restringiendo su ambición a un dominio específico e intentando simular el razonamiento de
un experto humano. En vez de dedicarse a computarizar la inteligencia general, se
centraron en dominios de conocimiento muy concretos. De esta manera nacieron los SE.
A partir de 1965, un equipo dirigido por Edward Feigenbaum, comenzó a desarrollar SE
utilizando bases de conocimiento definidas minuciosamente. Dos años más tarde se
construye DENDRAL, el cual es considerado como el primer SE. La ficción de dicho SE
era identificar estructuras químicas moleculares a partir de su análisis espectrográfico.
En la década de los ochenta se ponen de moda los SE, numerosas empresas de alta
tecnología investigan en este área de la inteligencia artificial, desarrollando SE para su
comercialización. Se llega a la conclusión de que el éxito de un SE depende casi
exclusivamente de la calidad de su base de conocimiento. El inconveniente es que codificar
la pericia de un experto humano puede resultar difícil, largo y laborioso.
APLICACIONES
Sus principales aplicaciones se dan en las gestiones empresariales debido a que;
a) Casi todas las empresas disponen de un ordenador que realiza las funciones básicas de
tratamiento de la información: contabilidad general, decisiones financieras, gestión de la
tesorería, planificación, etc.
ÁREAS DE APLICACIÓN
Los SE se aplican a una gran diversidad de campos y/o áreas. A continuación se listan
algunas de las principales:
VENTAJAS
Estos programas proporcionan la capacidad de trabajar con grandes cantidades de
información, que son uno de los grandes problemas que enfrenta el analista humano que
puede afectar negativamente a la toma de decisiones pues el analista humano puede depurar
datos que no considere relevantes, mientras un SE debido a su gran velocidad de proceso
analiza toda la información incluyendo las no útiles para de esta manera aportar una
decisión más sólida.
LIMITACIONES
Es evidente que para actualizar se necesita de reprogramación de estos (tal vez este sea una
de sus limitaciones más acentuadas) otra de sus limitaciones puede ser el elevado costo en
dinero y tiempo, además que estos programas son poco flexibles a cambios y de difícil
acceso a información no estructurada. [7]
Por otra parte la inteligencia artificial no ha podido desarrollar sistemas que sean capaces
de resolver problemas de manera general, de aplicar el sentido común para resolver
situaciones complejas ni de controlar situaciones ambiguas.
El futuro de los SE da vueltas por la cabeza de cada persona, siempre que el campo elegido
tenga la necesidad y/o presencia de un experto para la obtención de cualquier tipo de
beneficio. [8]
Base de conocimientos. Es la parte del sistema experto que contiene el conocimiento sobre
el dominio. hay que obtener el conocimiento del experto y codificarlo en la base de
conocimientos. Una forma clásica de representar el conocimiento en un sistema experto son
lar reglas. Una regla es una estructura condicional que relaciona lógicamente la
información contenida en la parte del antecedente con otra información contenida en la
parte del consecuente.
Base de hechos (Memoria de trabajo). Contiene los hechos sobre un problema que se han
descubierto durante una consulta. Durante una consulta con el sistema experto, el usuario
introduce la información del problema actual en la base de hechos. El sistema empareja esta
información con el conocimiento disponible en la base de conocimientos para deducir
nuevos hechos.
CONCLUSIONES
Por otra parte es importante mencionar que estos seguirán siendo usados en los todos
y cada una de las áreas y/o campos donde los expertos humanos sean escasos. Por
consecuencia de lo anterior estos sistemas son utilizados por personas no
especializadas, por lo cual el uso frecuente de los (SE) les produce y/o genera
conocimiento a los usuarios.
REFERENCIAS BIBLIOGRAFICAS
[1] Viejo Hernando Diego (2003). Sistemas expertos. Consultado en 06, 04, 2004 en
http://www.divulga-ia.com/cursos/cursos.xml?numero=2&nombre=2003-9-
26a&numLecc=1.
[2] Samper Márquez Juan José (2004). Introducción a los sistemas expertos.
Consultado en 06, 03, 2004 en
http://www.redcientifica.com/doc/doc199908210001.html.
[4] Criado Briz José Mario (2002). Introducción a los sistemas expertos. Consultado
en 06, 05, 2004 en
http://ingenieroseninformatica.org/recursos/tutoriales/sist_exp/cap1.php.
[7] Félix Justo (2004). Aplicaciones, ventajas y limitaciones de los sistemas expertos.
Consultado en 06, 04, 2004 en http://efelix.iespana.es/efelix/expertaplicaciones.htm.
[8] Montes Cerra Maria Clara (2003). Sistemas expertos. Consultado en 06, 05, 2004
en
http://dis.eafit.edu.co/labs/labgic/ARTICULOS_%20PUBLICAR/Sistemas%20expert
os.doc.
http://www.monografias.com/trabajos94/sobre-robotica/sobre-robotica.shtml
La idea de la lógica difusa o borrosa no es nueva, aunque bajo el nombre de lógica difusa
fuese introducida sobre 1965, sus orígenes se remontan hasta 2,500 años. Ya Aristóteles
consideraba que existían ciertos grados de veracidad y falsedad y Platón había trabajado
con grados de pertenencia.
Immanuel Kant pensaba que únicamente los matemáticos podían proveer definiciones
claras y que por lo tanto, muchos principios contradictorios no tenían solución. Por ejemplo
la materia podía ser dividida infinitamente y al mismo tiempo no podía ser dividida
infinitamente. La corriente del pragmatismo fundada a principios de siglo por Charles
Sanders Peirce, fue la primera en considerar ''vaguedades'', más que falso o verdadero,
como forma de acercamiento al mundo y al razonamiento humano.
Sus tesis entroncan, como podemos observar, con la obra de pensadores de distintas
disciplinas que tenían una visión similar de los problemas y alejada de la lógica tradicional.
La paradoja del conjunto de Bertrand Russell, el principio de incertidumbre de la física
cuántica de Werner Heisenberg, la teoría de los conjuntos vagos de Max Black, otro
filósofo cuántico, sin olvidar la fundamental aportación del polaco Jan Lukasiewicz,
creador de la lógica multivaluada, influyeron para que, entrada ya la segunda mitad del
presente siglo, Zadeh publicase su famoso ensayo "Fuzzy Sets", en "Informations and
Control".
Mientras que Russell y Black utilizaron el término vagueness (vaguedad, vago) para
referirse a la nueva lógica o a para calificar a los conjuntos en la teorización sobre los
mismos, Zadeh prefirió el término fuzzy (borroso, difuminado) para denominar a sus
conjuntos y a la lógica en la que se apoya su análisis.
Uno de los países donde más éxito ha tenido los sistemas borrosos ha sido en Japón.
Empresas como Fuji Elec. & TIT han desarrollado aplicaciones de control fuzzy para el
proceso de purificación del agua, Hitachi con una aplicación de control fuzzy para el Metro
en Sendai City o Matsushita con una aplicación de control fuzzy para la unidad de
suministro de agua caliente para uso doméstico.
Merece una mención especial la creación de LIFE (Laboratory for International Fuzzy
Engineering Research) en marzo de 1989, creado por el Ministerio de Comercio
Internacional e Industria en Japón (MITI). El capital de LIFE es al 50% de compañías
privadas japonesas y del propio Ministerio, y su presidente es miembro del Instituto de
Tecnología de Tokio (TIT). En su sede trabajan en la actualidad alrededor de 30
investigadores a tiempo completo.
Pero también en USA las empresas han comenzado a aplicar la lógica borrosa a sus
desarrollos y proyectos. Entre otras encontramos a la NASA, Boeing, Rochwell, Bell o a
Ford Motor Co., que experimenta con un sistema de aparcamiento automático para
camiones con remolque.
Introducción a la Lógica Borrosa o Difusa
Debido a la variedad de sus aplicaciones la lógica difusa (llamada también Lógica Borrosa)
o Fuzzy Logic parece estar introducida en todos los sectores; control de complejos procesos
industriales, diseño de dispositivos artificiales de deducción automática, construcción de
artefactos electrónicos de uso doméstico y de entretenimiento, sistemas de diagnóstico,
entre otros. Este hecho se hace cada día más evidente si se observa el gran número de
patentes industriales de mecanismos basados en la lógica difusa expedidas desde hace, por
lo menos, una década y media.En los últimos años se han investigado y desarrollado
diversas tecnologías relacionadas con funciones y características humanas de campos
cercanos al psicológico (inteligencia artificial) y a los procesos biológicos (redes
neuronales, algoritmos genéticos y programación evolutiva). Estas tecnologías conocidas
como "tecnologías inteligentes" representan el conocimiento de una forma a la vez
entendible por los humanos y manejable por los sistemas informáticos.
La lógica difusa, o más bien, las lógicas difusas, pues habría que hablar de ellas en plural,
son básicamente lógicas multivaluadas que amplifican los enunciados de las lógicas
clásicas. Las clásicas imponen a sus enunciados únicamente los valores falso o verdadero y
de esta manera han modelado satisfactoriamente una gran parte del razonamiento "natural".
Pero el razonamiento humano utiliza valores de verdad que no tienen porque ser
necesariamente "tan deterministas". Por medio de la lógica difusa pueden formularse
matemáticamente nociones como "un poco caliente" o "muy frío", de forma que sean
procesadas por computadoras y cuantificar expresiones humanas vagas, tales como "muy
alto" o "luz brillante". Pudiéndose, de esta forma, o más bien, intentándose aplicar la forma
de pensar del ser humano a la programación de computadores, sensores, chips, etc. Esta
lógica permite cuantificar las descripciones imprecisas que se usan en el lenguaje y las
transiciones graduales en los electrodomésticos como "ir de agua sucia" a "agua limpia" en
una lavadora, pudiéndose así ajustar los ciclos de lavado a través de sensores. La habilidad
de la lógica difusa para procesar valores parciales de verdad ha sido de gran ayuda para la
ingeniería. En conclusión, las lógicas difusas crean aproximaciones matemáticas en la
resolución de ciertos tipos de problemas, produciendo resultados exactos a partir de datos
imprecisos, siendo por ello, especialmente útiles en aplicaciones de tipo electrónico e
informático.La aplicación del adjetivo "difusa" o "borrosa" es debida a que los valores de
verdad no-deterministas utilizados en las lógicas difusas tienen mayoritariamente una
connotación de incertidumbre. Por lo que se equipara la incertidumbre con la difusidad, es
decir, con la propiedad de indeterminismo. Un elemento, por lo tanto, puede estar lleno de
incertidumbre, es decir, de difusidad. Eso no quiere decir que los valores de verdad
asumidos por enunciados no deterministas, sean desconocidos. De hecho, lo difuso puede
entenderse como la posibilidad de asignar más valores de verdad a los enunciados que
"falso" o "verdadero" e incluso en determinadas áreas de conocimiento, estos enunciados
van asociados a valores de verdad que son grados de veracidad o falsedad.
Resumiendo, las lógicas difusas son tipos especiales de lógicas multivaluadas que pueden
llegar a redefinir los grados de veracidad de los enunciados de salida conforme se refinan
los de los de entrada, por lo que algunos sistemas de lógica difusa aparentan una labor de
aprendizaje, y son excelentes mecanismos de control de procesos. La inteligencia artificial,
fundamentada en el concepto "Todo es cuestión de grado", es donde podemos encuadrar
desde un punto de vista tecnológico a las lógicas borrosas.
Intervalos de Confianza: Constituyen los datos y valores con los cuales trabaja la Lógica
Borrosa, pueden ser intervalos formados solos por dos números, números borrosos
triangulares o números borrosos trapezoidales.
Niveles de Presunción o a corte: Expresan los niveles de presición con los que son dados
los números borrosos, desde 0 (total impresición) hasta 1(total presición).
Evaluación: Asociación de un valor numérico que puede ser negativo, positivo o nulo a un
objetivo concreto o abstracto realizado por un experto. Correspondencia entre un valor
borroso y un estado real.
Valuación: Expresión de un nivel de verdad, que toma valores del intervalo de confianza
(0,1). El nivel de presición que se le hace corresponder a la evaluación dada por los
expertos.
Sustracción:
Multiplicación:
[a1; a2]* [b1+ b2]= [mín (a1* b1; a1* b2; a2* b1; a2* b2); máx (a1* b1; a1* b2; a2* b1;
a2* b2)]
División:
A/B= A* B-1
0: Excelente
0.1: Muy bien
0.2: Prácticamente bien
0.3: Casi bien
0.4: Bastante bien
0.5: Ni bien ni mal
0.6: Bastante mal
0.7: Casi mal
0.8: Prácticamente mal
0.9: Muy mal
1: Pésimo
Se confecciona una tabla de frecuencias, a partir de los valores dados por los expertos,
utilizando la correspondencia semántica. En la misma se pone de manifiesto la veces que
cada experto ha asignado el mismo valor de la escala endecadaria, tanto en relación con los
extremos inferiores como superiores de los intervalos.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Bibliografía:
- Agentes reactivos
La racionalidad es necesaria
En muchos textos se define agente inteligente como todo agente capaz de tener
conciencia de su entorno y actuar sobre él. No obstante es necesario exigir que
estas decisiones sean racionales en el sentido de que persigan algún fin. Vamos a
mostrarlo con un contraejemplo: cuando un fotón con la suficiente energía incide
sobre un átomo, puede arrancar de él un electrón. Podríamos considerar al átomo
inteligente puesto que percibe su entorno (la incidencia del fotón) y actúa sobre su
entorno (emite un electrón). La ausencia de relación entre la emisión del electrón y
cualquier hipotético interés del átomo muestra que este no es un agente inteligente
pese a verificar la definición de Bertrand Russell.
http://ia.comeze.com/subtemas/un1/1.6.html
1.5. Heurística.
Debido a la existencia de algunos problemas importantes con un gran interés práctico difíciles
de resolver, comienzan a surgir algoritmos capaces de ofrecer posibles soluciones que aunque
no consiguen el resultado óptimo, si que se acercan en un tiempo de cálculo razonable. Estos
algoritmos están basados en el conocimiento heurístico y por lo tanto reciben el nombre de
algoritmos heurísticos.
Por lo general, los algoritmos heurísticos encuentran buenas soluciones, aunque a veces no
hay pruebas de que la solución pueda hallarse en un tiempo razonablemente corto o incluso
de que no pueda ser errónea. Frecuentemente pueden encontrarse casos particulares del
problema en los que la heurística obtendrá resultados muy malos o que tarde demasiado en
encontrar una solución.
Al principio esta forma de resolver problemas no fue bien vista en los círculos académicos,
debido fundamentalmente a su escaso rigor matemático. Sin embargo, gracias a su interés
práctico para solucionar problemas reales fue abriendo poco a poco las puertas de los
métodos heurísticos, sobre todo a partir de los años 60. Actualmente las versiones
matemáticas de métodos heurísticos están creciendo en su rango de aplicaciones, así como
en su variedad de enfoques.
En computación, dos objetivos fundamentales son encontrar algoritmos con buenos tiempos
de ejecución y buenas soluciones, usualmente las óptimas. Una heurística es un algoritmo
que abandona uno o ambos objetivos; por ejemplo, normalmente encuentran buenas
soluciones, aunque no hay pruebas de que la solución no pueda ser arbitrariamente errónea
en algunos casos; o se ejecuta razonablemente rápido, aunque no existe tampoco prueba de
que siempre será así. Las heurísticas generalmente son usadas cuando no existe una solución
óptima bajo las restricciones dadas (tiempo, espacio, etc.), o cuando no existe del todo.
Para problemas de búsqueda del camino más corto el término tiene un significado más
específico. En este caso una heurística es una función matemática, h(n) definida en los nodos
de un árbol de búsqueda , que sirve como una estimación del coste del camino más económico
de un nodo dado hasta el nodo objetivo. Las heurísticas se usan en los algoritmos de búsqueda
informada como la búsqueda egoísta. La búsqueda egoísta escogerá el nodo que tiene el valor
más bajo en la función heurística. A* expandirá los nodos que tienen el valor más 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 óptimo.
Un problema clásico que usa heurísticas es el puzzle-n. Contar el número de casillas mal
colocadas y encontrar la suma de la distancia Manhattan entre cada bloque y su posición al
objetivo son heurísticas usadas a menudo para este problema.
En cualquier problema de búsqueda donde hay b opciones en cada nodo y una profundidad
d al nodo objetivo, un algoritmo de búsqueda ingenuo deberá buscar potencialmente entrebd
nodos antes de encontrar la solución. Las heurísticas mejoran la eficiencia de los algoritmos
de búsqueda reduciendo el factor de ramificación de b a (idealmente) una constante b* .
Aunque cualquier heurística admisible devolverá una respuesta óptima, una heurística que
devuelve un factor de ramificación más bajo es computacionalmente más eficiente para el
problema en particular. Puede demostrarse que una heurística 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.
Muchos algoritmos en la inteligencia artificial son heurísticos por naturaleza, o usan reglas
heurísticas. Un ejemplo reciente es SpamAssassin que usa una amplia variedad de reglas
heurísticas para determinar cuando un correo electrónico es spam. Cualquiera de las reglas
usadas de forma independiente pueden llevar a errores de clasificación, pero cuando se unen
múltiples reglas heurísticas, la solución es más robusta y creíble. Esto se llama alta
credibilidad en el reconocimiento de patrones (extraído de las estadísticas en las que se basa).
Cuando se usa la palabra heurística en el procesamiento del lenguaje basado en reglas, el
reconocimiento de patrones o el procesamiento de imágenes, es usada para referirse a las
reglas.
http://ingenieriacusa.blogspot.com/2010/07/inteligencia-artificial-
heuristica.html
UNIDAD II. Técnicas de búsqueda
Espacios de estados
Satisfacción de restricciones
Teoría de juegos.
Competencia General de la Unidad:
Muchos de los problemas que pueden ser resueltos aplicando técnicas de inteligencia
artificial se modelan en forma simbólica y discreta definiendo las configuraciones posibles
del universo estudiado. El problema se plantea entoces en términos de encontrar una
configuración objetivo a partir de una configuración inicial dada, aplicando
transformaciones válidas según el modelo del universo. La respuesta es la secuencia de
transformaciones cuya aplicación succesiva lleva a la configuración deseada.
Los ejemplos más carácteristicos de esta categoría de problemas son los juegos (son
universos restringidos fáciles de modelar). En un juego, las configuraciones del universo
corresponden directamente a las configuraciones del tablero. Cada configuración es un
estado que puede ser esquematizado gráficamente y representado en forma simbólica. Las
transformaciones permitidas corresponden a las reglas o movidas del juego, formalizadas
como transiciones de estado.
simbólica de los estados y definir reglas del tipo condición acción para cada una de las
transiciones válidas dentro del universo modelado. La acción de una regla indica como
modificar el estado actual para generar un nuevo estado. La condición impone restricciones
sobre la aplicabilidad de la regla según el estado actual, el estado generado o la historia
completa del proceso de solución.
Un arriero se encuentra en el borde de un rio llevando un puma, una cabra y una lechuga.
Debe cruzar a la otra orilla por medio de un bote con capacidad para dos (el arriero y
alguna de sus pertenecias). La dificultad es que si el puma se queda solo con la cabra la
devorará, y lo mismo sucederá si la cabra se queda sola con la lechuga. ¿Cómo cruzar sin
perder ninguna pertenencia?
movidas
estado
cruza solo con puma con cabra con lechuga
estado(i,i, estado(d,i,
problema problema problema
i,i) d,i)
estado(d,i, estado(i,i, estado(i,i,
imposible imposible
d,i) d,i) i,i)
estado(i,i, estado(d,i, estado(d,d, estado(d,i,
imposible
d,i) d,i) d,i) d,d)
estado(d,d, estado(i,i, estado(i,d,
problema imposible
d,i) d,i) i,i)
estado(d,i, estado(i,i, estado(i,i,
problema imposible
d,d) i,d) d,i)
estado(i,d, estado(d,d, estado(d,d,
problema imposible
i,i) d,i) i,d)
estado(i,i, estado(d,d, estado(d,i,
problema imposible
i,d) i,d) d,d)
estado(d,d, estado(i,d, estado(i,i, estado(i,d,
imposible
i,d) i,d) i,d) i,i)
estado(i,d, estado(d,d, estado(d,d,
imposible imposible
i,d) i,d) d,d)
estado(d,d, estado(i,d,
problema problema problema
d,d) i,d)
El camino que pasa por la siguiente secuencia de estados es una solución del problema:
estado(i,i,i,i)
cruza con cabra
estado(d,i,d,i)
cruza solo
estado(i,i,d,i)
cruza con puma
estado(d,d,d,i)
cruza con cabra
estado(i,d,i,i)
cruza con lechuga
estado(d,d,i,d)
cruza solo
estado(i,d,i,d)
cruza con cabra
estado(d,d,d,d)
closed {}
while (open no está vacío) {
remover un estado X del conjunto open
if (X es un estado objetivo) return éxito
else {
generar el conjunto de sucesores del estado X
agregar el estado X al conjunto closed
eliminar sucesores que ya están en open o en closed
agregar el resto de los sucesores al conjunto open
}
}
return fracaso
}
El conjunto open contiene a los estados generados que todavía no han sido visitados (no se
ha verificado si son estados objetivo y no se han generado sus sucesores). El conjunto
closed contiene a los estados visitados. Al considerar sólo a los sucesores que no han sido
previamente generados se evita entrar en ciclos.
Dependiendo del orden en que se visiten los estados del conjunto open se obtienen distintos
tipos de recorrido.
Los espacios de estados pueden clasificar en dos tipos: los implícitos y los explícitos, como
se muestra en el diagrama siguiente.
Los espacios de estados implícitos normalmente utilizan un sistema de producción para
generar sobre la marcha los posibles estados siguientes de un estado dado. Los juegos
suelen crear un espacio de estados implícito ya que un juego puede variar dependiendo de
las reglas que lo describen.
Los espacios de estados explícitos son aquellos en los se define, previo al inicio de la
búsqueda, todos los estados posibles y las conexiones entre ellos.
Los espacios de estados determinísticos son usados por los sistemas expertos, mientras que
los no determinísticos son usados por sistemas de lógica difusa.
Ejemplo de espacio de estados determinísticos
http://ia.comeze.com/subtemas/un4/4.2.html
2.3. Métodos de búsqueda
En éste capítulo se presentan los métodos más importantes de propósito general para la
búsqueda de soluciones a los problemas presentados en el capítulo anterior; para la
búsqueda de éstas soluciones se han desarrollado técnicas como las siguientes :
-Búsqueda ciega.
-Primero en profundidad.
-Primero a lo ancho.
-Solución por costo mínimo.
-Reducción de Problemas, grafos AND/OR, árboles de juegos.
-Heurística, funciones de evaluación, búsquedas heurísticas en grafos AND/OR.
-Técnicas de poda : alfa, beta, alfa-beta, hacia adelante y otras.
Búsqueda en profundidad
Si el conjunto open se maneja como una lista LIFO, es decir, como un stack, siempre se
estará visitando primero los últimos estados en ser generados. Esto significa que si A genera
B y C, y B genera D, antes de visitar C se visita D, que está más alejado de la raiz A, o sea
más profundo en el árbol de búsqueda. El algoritmo tiene en este caso la tendencia de
profundizar la búsqueda en una rama antes de explorar ramas alternativas.
procedure Búsqueda_en_profundidad {
open [estado_inicial]
closed {}
while (open no está vacía) {
remover el primer estado X de la lista open
if (X es un estado objetivo) return éxito
else {
generar el conjunto de sucesores del estado X
agregar el estado X al conjunto closed
eliminar sucesores que ya están en open o en closed
agregar el resto de los sucesores al principio de open
}
}
return fracaso
}
El mayor problema de este algoritmo es que puede "perderse" en una rama sin encontrar la
solución. Además, si se encuentra una solución no se puede garantizar que sea el camino
más corto.
Búsqueda en amplitud
Si el conjunto open se maneja como una lista FIFO, es decir, como una cola, siempre se
estará visitando primero los primeros estados en ser generados. El recorrido del espacio de
estados se hace por niveles de profundidad.
procedure Búsqueda_en_amplitud {
open [estado_inicial]
closed {}
while (open no está vacía) {
remover el primer estado X de la lista open
if (X es un estado objetivo) return éxito
else {
generar el conjunto de sucesores del estado X
agregar el estado X al conjunto closed
eliminar sucesores que ya están en open o en closed
agregar el resto de los sucesores al final de open
}
}
return fracaso
}
Esta búsqueda iterativa garantiza encontrar el camino más corto. Su complejidad en espacio
es de O(B × n). Su complejidad en tiempo es la suma de la complejidad en tiempo de cada
Búsqueda heurística
Los algoritmos anteriores hacen una búsqueda ciega y exhaustiva, lo que presenta serios
problemas en espacios de estado grandes. Esto se puede mejorar expandiendo primero los
estados que tienen más expectativas de encontrarse en el camino a la solución, lo que
implica utilizar una función heurística que permita darle una mayor prioridad a esos
estados.
El conjunto open se maneja en este caso como una cola de prioridad ordenada según una
función heurística que aporta un conocimiento adicional sobre el problema abordado. Esta
función puede ser, por ejemplo, una estimación del largo del camino que queda por recorrer
para llegar al estado objetivo.
procedure Búsqueda_heurística {
open [estado_inicial]
closed {}
while (open no está vacía) {
remover el primer estado X de la lista open
if (X es un estado objetivo) return camino hasta X
else {
generar el conjunto de sucesores del estado X
foreach (Y en sucesores) {
if (Y no está en open ni en closed) {
asignar a Y un valor heurístico
agregar Y en la lista open
}
elsif (Y está en open) {
if (el nuevo camino a Y es más corto)
actualizar el camino almacenado en open
}
elsif (Y está en closed) {
if (el nuevo camino a Y es más corto) {
remover el estado Y del conjunto closed
agregar el estado Y en la lista open
}
}
}
agregar el estado X al conjunto closed
reordenar la lista open según valores heurísticos
}
}
return fracaso
}
Además de utilizar una cola de prioridad, este algoritmo se diferencia por actualizar los
caminos almacenados en la lista open cada vez que se encuentra un camino más corto, lo
que mejora la probabilidad de encontrar el camino óptimo. El camino se almacena en cada
estado como un puntero al padre.
Cuando se llega a un estado en closed por un camino más corto, habría que transmitir esta
información a todos sus sucesores. Sin embargo, algunos de estos sucesores pueden haber
sido generados o posteriormente actualizados por otro camino que hasta el momento
parecía más corto, por lo cual estarían desvinculados del ancestro que se está considerando.
Administrar este problema sería muy engorroso, entonces se opta por repetir la búsqueda.
Se puede obtener una versión simplificada de esta búsqueda heurística eliminando toda la
información histórica contenida en open y closed. En cada paso se generan los sucesores
del estado actual y sólo se conserva al mejor de ellos para el paso siguiente. El algoritmo se
detiene cuando ninguno de los sucesores tiene una mejor evaluación que el estado actual
(sino entraría en un ciclo infinito). Esta estrategia se llama algoritmo del gradiente (hill
climbing en inglés). Funciona adecuadamente cuando no hay óptimos locales.
Suponiendo que para cada estado o nodo n existe una evaluación heurística h(n) que
permite estimar la distancia que falta para llegar de n a un nodo objetivo, para encontrar lo
más rápidamente posible una solución conviene priorizar los estados con la menor
evaluación h(n). Pero si lo que se está buscando es un camino óptimo, la evaluación de los
nodos debe considerar el largo total del camino y no sólo lo que queda por recorrer. Las
evaluaciones heurísticas f(n) que cumplen con este criterio se expresan como una una suma
de dos estimaciones: f(n) = g(n) + h(n), en que g(n) es una estimación del largo del camino
del estado inicial hasta el nodo n y h(n) es una estimación del largo del camino que queda
por recorrer de n hasta un nodo objetivo. La evaluación g(n) corresponde al largo del
camino por el cual se llegó al nodo n, es una estimación porque siempre queda la
posibilidad de encontrar un camino más corto.
La evaluación f(n) expresa por lo tanto una estimación del largo total del camino desde el
nodo inicial a un nodo objetivo pasando por el nodo n. El algoritmo de búsqueda heurística
que utiliza una evaluación de este tipo se denomina algoritmo A. Cuando dos estados tienen
la misma evaluación heurística, se le da prioridad al primero en ser generado ya que tiene
más probabilidades de corresponder a un camino de largo mínimo.
Admisibilidad
Una búsqueda basada en una función de evaluación heurística f(n) = g(n) + h(n) es
admisible si h(n) subestima el largo del camino mínimo efectivo.
Para demostrar esta propiedad, se define una función de evaluación f*(n) que entrega el
largo del camino óptimo del nodo inicial a un nodo objetivo pasando por el nodo n (una
función de esta naturaleza se denomina un oráculo porque implica adivinar cuál es el mejor
camino sin recorrer el espacio de estados). Esta función se calcula como una suma f*(n) =
g*(n) + h*(n) en que g*(n) es el largo efectivo del camino óptimo del nodo inicial al nodo n
y h*(n) el largo efectivo desde n hasta el objetivo.
Siempre se cumple que g(n) >= g*(n). Se quiere demostrar que si h(n) <= h*(n) la búsqueda
heurística es admisible.
El nodo o fué el último nodo en ser expandido, por lo tanto para todo nodo x de la
lista open se debería cumplir que f(x) >= f(o). Por lo tanto f(x) >= l.
El algoritmo A con una evaluación heurística h(n) <= h*(n) se denomina algoritmo A*.
Nótese que un caso particular del algoritmo A* se da cuando h(n) = 0. Este caso
corresponde a una búsqueda en amplitud (que también es admisible).
http://users.dcc.uchile.cl/~abassi/Cursos/IA/Apuntes/c5.html
Explora cada nodo sobre el mismo nivel antes de intentar analizar un nivel más profundo.
Ejemplo :
https://docs.google.com/file/d/0B0ZuN9AKlG-
MNmYzOGQ0NjYtNzE0Ni00NTUxLWI2ODctZjY4OTY3OWI5MThi/edit?hl=en&pli=1
2.3.2. Primero en profundidad (depthfirst).
Explora cada camino posible hasta su conclusión antes de intentar otro camino. Ejemplo:
2.3.3. Grafos O.
2.3.4. Grafos A.
Los problemas pueden resolverse buscando en un espacio de estados, estos estados pueden
evaluarse por heurísticas específicas para el dominio y probados para verificar si son
estados meta.
Los componentes del estado, son equivalentes a un grafo de restricciones, los
cuales están compuestos de:
Ejemplos:
Crucigramas
Colorear mapas
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-2.html
Podemos definir la resolución de problemas como el proceso que partiendo de unos datos
iníciales y utilizando un conjunto de procedimientos escogidos, es capaz de determinar el
conjunto de pasos o elementos que nos llevan a lo que denominaremos una solución
óptima o semi-óptima de un problema de planificación, descubrir una estrategia ganadora
de un juego, demostrar un teorema, reconocer
Una imagen, comprender una oración o un texto son algunas de las tareas que pueden
concebirse como de resolución.
Una gran ventaja que nos proporciona la utilización de los juegos es que a través de ellos
es muy fácil medir el éxito o el fracaso, por lo que podemos comprobar si las técnicas y
algoritmos empleados son los óptimos. En comparación con otras aplicaciones de
inteligencia artificial, por ejemplo comprensión del lenguaje, los juegos no necesitan
grandes cantidades de algoritmos. Los juegos más utilizados son las damas y el ajedrez.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-2.html
UNIDAD III. Representación del conocimiento y razonamiento
UNIDAD 3
Sistemas basados en
conocimiento
Mapas conceptuales
Representación del
conocimiento y Redes semánticas
razonamiento
Lógica de predicados
Razonamiento con
incertidumbre
Competencia General de la Unidad:
Hay lenguajes formales, o teóricos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementación, o prácticos, que, siguiendo el modelo
de algún lenguaje formal, están adaptados para mecanizar la construcción de
ontologías. Nos centraremos en los primeros, que son relativamente estables, y
sobre los que se basan los segundos, algunos muy volátiles. Por ejemplo:
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
Las redes semánticas son grafos orientados que proporcionan una representación
declarativa de objetos, propiedades y relaciones. Los nodos se utilizan para
representar objetos o propiedades. Los arcos representan las relaciones entre
nodos. El mecanismo de inferencia básico en las redes semánticas es la herencia
de propiedades.
Las redes semánticas proporcionan un modelo de presentar las relaciones entre los
conceptos y los acontecimientos y constituyen una descripción de nuestra forma de
razonar.
hombre(sócrates)
mortal(sócrates)
Para aplicar este silogismo basta asignar la variable X, que puede tomar un valor
arbitrario, con la constante sócrates. Se obtiene la fórmula:
hombre(sócrates)mortal(sócrates)
Después, para obtener la conclusión, se opera exactamente como en la lógica
proposicional.
3.4.1. Sintaxis.
π::=f(τ{,τ}) (es decir, una función se construye con un símbolo de función y uno
o más términos entre paréntesis; sintácticamente es igual que un átomo)
Y las sentencias se forman con las mismas reglas de la lógica de proposiciones,
añadiendo dos para los cuantificadores:
φ ::= α |
(¬φ)|
(φ∨ψ)|
(φ⋀ψ)|
(φ⟶ψ)|
(φ⟷ψ)|
(∀x)(φ)|
(∃x)(φ)|
3.4.2. Semántica.
- Dominio de aplicación.
- Semántica de las constantes, predicados, funciones:
- ¿Qué significado tienen?:
(Juan es 'ese' individuo)
- ¿Qué se cumple en el mundo real?
Se establece la interpretación:
o A se asocia a "ama"
o J se asocia a Juan y M a María
o m se asocia a la función unaria "madre de"
En la estructura S:
Lógica
La lógica de primer orden (también conocida como cálculo de predicados de primer orden)
se preocupa por la representación de los mundos en términos de objetos y predicados sobre
objetos (es decir, propiedades de los objetos o relaciones entre los objetos), así 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.
http://ia.comeze.com/subtemas/un2/2.4.html
P ^ Q
1 1 1
1 0 0
0 0 1
0 0 0
La conjunción es verdadera sólo cuando ambas variables lo son
y es falsa en los demás casos.
Se lee Py Q.
Proposición disyuntiva inclusiva
P v Q
1 1 1
1 1 0
0 1 1
0 0 0
La disyunción es verdadera en todos los casos menos cuando
Pvale 0 y Qvale 0.
Se lee Pó Q.
Proposición disyuntiva exclusiva
V
P Q
_
1 0 1
1 1 0
0 1 1
0 0 0
La disyunción exclusiva es verdadera cuando una variable es
verdadera y la otra falsa, y es falsa en los demás casos.
Se lee Pexcluye a Q.
Proposición condicional
P → Q
1 1 1
1 0 0
0 1 1
0 1 0
El condicional es verdadero en todos los caso menos cuando P
vale 1 y Qvale 0.
Se lee Pcondiciona a Q.
Proposición bicondicional
P ↔ Q
1 1 1
1 0 0
0 0 1
0 1 0
El bicondicional es verdadero cuando ambos son verdaderos o
cuando ambos son falsos, y es falso en los demás casos.
Se lee P bicondiciona a Q.
Proposición negativa
P ¬P
1 0
0 1
La negación - que se lee no -P, cambia el valor de la
variable que se niega: sólo es verdadera si Pes falsa y es
falsa si Pes verdadera.
Expresión Símbolo
en el en Símbolos
Conectiva Ejemplo
lenguaje este alternativos
natural artículo
Negación no No está lloviendo.
Está lloviendo y
Conjunción y
está nublado.
Está lloviendo o
Disyunción o
está soleado.
Si está soleado,
Condicional si...
entonces es de
material entonces
día.
Está nublado si y
si y sólo
Bicondicional sólo si hay nubes
si
visibles.
Negación Ni está soleado ni
ni... ni
conjunta está nublado.
O bien está
Disyunción o bien...
soleado, o bien
excluyente o bien
está nublado.
Tablas de verdad
NEGACION
DISYUNCIÓN INCLUSIVA
NEGACIÓN ALTERNA
http://clau992.blogspot.mx/2012/03/logica-de-predicadossintaxissemanticava.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
http://rodrigorodriguez.files.wordpress.com/2009/04/08.pdf
3.5.1. Aprendizaje.
Todos los Estímulos a los que un Individuo responde en un cierto Contexto pueden No ser
Efectivos para Producir una Conducta de Aprendizaje en otros Contexto.
Tipos de Aprendizaje
1.1. Análisis
Aprendizaje
Psicología Cognitiva
Inteligencia Artificial
Dificultad
Sistemas de Aprendizaje
Nivel de Conocimiento: Objetivo, Reglas y Otra fuente de Conocimiento (Adquirido o
Aprendido)
1.2. Historia
1.2.1. Inicial (1955 - 1965)
Modelo al Ser Humano. Crear mecanismos generales capaces de Aprender sin apenas
conocimiento.
1.3. Concepto
Aprendizaje. Incrementar el Conocimiento adquirido, Realizar Tareas con mayor
Eficiencia o Corrección, o llevar a cabo Nuevas Tareas.
Tareas
1. Clasificación y Predicción
2. Comprensión del Lenguaje Natural
3. Configuración y Diseño
4. Planificación y Gestión de Recursos
5. Control y Mejora de Rendimiento
1.4. Objetivos
Mejorar la Corrección (Exactitud) de la Solución
o Realizar una Inferencia Inductiva
o Objetivo es la Sintesis (Definición) de una Estructura nueva
Reducir el Tiempo de Cálculo de la Solución
o Realizar una Inferencia Deductiva
o Objetivo es el Análisis (explicación) de una observación
http://www.sindominio.net/~apm/articulos/ia/
3.5.2. Razonamiento probabilístico.
www.giaa.inf.uc3m.es/.../Tema2-RazonamientoProbabilistico.pdf
Lógica Multivaluada
Sin embargo, en los laboratorios de investigación y desarrollo alrededor del mundo se están
logrando avances en estos momentos que pueden cambiar de modo radical nuestro modo de
pensar "clásico". Tal vez no está lejano el día en el cual todo lo que hemos estudiado pasará
a ser una pieza de museo, del mismo modo que los radios hechos a base de tubos
electrónicos prácticamente han dejado de existir.
Supóngase que tenemos un circuito electrónico que trabaja con dos niveles de voltaje, uno
de +5 volts y el otro de 0 volts. Si designamos al nivel de +5 volts como el estado 1 y al
nivel de 0 volts como el estado 0, una salida del circuito podría tomar el siguiente aspecto:
Resta ahora hacernos una pregunta: ¿Qué propiedades deben tener estos componentes
electrónicos y cuáles deben ser los bloques fundamentales?
Nuestra intuición nos lleva a pensar que si las funciones NOT, OR y AND en el sistema
binario bastaron para describir cualquier circuito lógico con dos estados, entonces es
natural suponer la existencia posible de funciones básicas NOT, OR y AND en un sistema
numérico base-N con las cuales se puedan construír circuitos lógicos más complejos en
dicha base. Sin embargo, ¿estamos tomando el camino correcto? ¿Acaso no existirán otras
funciones lógicas fundamentales para cada sistema numérico base-N? ¿Existirá otro tipo de
matemáticas totalmente diferente al álgebra Boleana que ya conocemos, cuyo uso nos
garantice el diseño y el aprovechamiento óptimo de los nuevos componentes?
En la actualidad, estos temas son objeto de calurosos debates. La solución correcta a las
preguntas anteriores representa un reto formidable para la mente humana, a la vez que
encierra la clave para el desarrollo de una nueva era en la electrónica.
Existe una función lógica cuyas propiedades son fácilmente extendidas a cualquier sistema
numérico. Este elemento es el NOT y sabemos que su salida será siempre el complemento
de su entrada, lo cual equivale a decir que para un NOT en un sistema numérico base-N, el
valor de la entrada A más el complemento de la entrada A' es igual a N-1. Expresado
simbólicamente:
A + A' = N - 1
Para N=2, estar relación se reduce a un teorema del álgebra Boleana que ya conocemos.
Podemos verificar la relación anterior en varios diagramas de estado.
http://logica-digital.blogspot.mx/2007/11/lgica-multivaluada.html
3.5.4. Lógica difusa.
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r10
1129.PDF
Ejemplos:
1.- Si llueve, entonces iré al cine. No llueve. Luego, no iré al cine.
2.- Si me caigo de la bicicleta, me golpearé. Estoy golpeado; luego, me caí de la
bicicleta.
3.- Si trabajo, entonces no estudio. Estudio o repruebo el curso de matemáticas.
Aprobé el curso de matemáticas; luego, trabajo.
4.- Si asisto a la escuela conversaré con mis amigos. Luego: si no voy al colegio no
conversaré con mis amigos.
http://cynthiavalverde.blogspot.mx/2012/03/metodos-de-demostracion.html
UNIDAD IV. Sistemas de razonamiento
Reglas de producción
SI <antecedentes>
ENTONCES <consecuentes>
Exterior etc...)
REGLAS ESPECIALES
Reglas IF ALL: equivalen a reglas con las clausulas de las condiciones conectadas
con AND
Reglas IF ANY/ IF SOME: equivalen a reglas con las clausulas de las condiciones
conectadas con OR
EJEMPLO
IF: temperatura = alta
AND sudoración = presente
AND dolor_muscular = presente
THEN: diagnostico_preliminar = gripe
IF: diagnostico_preliminar = gripe
AND descompos_organos_internos = presente
THEN: diagnostico_preliminar = _abola
TIPOS de SISTEMAS
GENERACIÓN de EXPLICACIONES
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
El problema del diagnostico ha sido, desde los comienzos de la IA, uno de los más
estudiados y donde los investigadores han cosechado tanto satisfacciones como
fracasos. El diagnostico en el campo de la medicina es sin duda, una de las áreas
de la IA que supone todavía una gran desafió. Una de las características más
frecuentes en resolución del problema del diagnostico en dominios reales es la
necesidad de trata con la dimensión temporal. Así, una vez propuesto un modelo
teórico, una tendencia cada vez más habitual a la hora de desarrollar sistemas de
diagnostico temporal es necesario abordar el problema del diagnostico temporal
desde diferentes enfoques, permitiendo seleccionar cual es la aproximación más
adecuada para cada problema concreto es simplificar el dominio para que el
modelo inicial sea aplicable.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones
diversas, pero fundamentalmente son usados para:
•Modelado de sistemas
Usado para representar escenarios de actuación con variables complejas, en los
cuáles no basta con usar realidades absolutas como lo sería un cierto o falso.
Como agentes de usuario, los cuáles van a proporcionar una serie de ayudas a los
expertos en una determinada materia para que tomen las decisiones que ellos
consideren oportunas, en este caso estos sistemas van a ofrecer una ayuda, pero
la decisión final la va a tomar el experto en cuestión. Como ejemplo cabe destacar
el ámbito financiero.
<<Minería de datos y descubrimiento de información, consistente en hallar el
conocimiento intrínseco dentro de una base de datos, los cuáles pueden no estar
presentes a simple vista, pero aplicando sistemas de este tipo pueden llegar a
averiguarse>>.
Reglas
Los sistemas basados en reglas (SBR) se rigen por una serie de reglas que los
configuran.
Respecto a esta clasificación, podremos decir que las proposiciones que no poseen
cuantificadores ni cualificadores son proposiciones categóricas, mientras que las
proposiciones no categóricas no tienen por qué ser verdad siempre.
Las reglas pueden tener variantes, entre ellas se encuentran las siguientes:
Con excepciones: Son el tipo: SI la temperatura es alta ENTONCES tendré calor
Graduales: Cuantos más partidos ganemos, más fácil será ganar la liga.
Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen información
contradictoria, lo cual puede acarrear muchos problemas, tales como malos
resultados o generar problemas.
Este tipo de reglas son aquellas que para un mismo antecedente, tienen
f http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
4.3.1. Hechos.
Base de hechos, que alberga los datos propios correspondientes a los problemas
que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria
de trabajo, la base de hechos puede desempeñar el papel de memoria auxiliar. La
memoria de trabajo memoriza todos los resultados intermedios, permitiendo
conservar el rastro de los razonamientos llevados a cabo. Puede, por eso,
emplearse para explicar el origen de las informaciones deducidas por el sistema en
el transcurso de una sesión de trabajo o para llevar a cabo la descripción del
comportamiento del propio sistema experto. Al principio del período de trabajo, la
base de hechos dispone únicamente de los datos que le ha introducido el usuario
del sistema, pero, a medida que va actuando el motor de inferencias, contiene las
cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas
para obtener las conclusiones buscadas.
Las reglas de producción son de tipo: SI ENTONCES (SI A ENTONCES B). Donde
tanto las premisas como la conclusión, no son más que una cadena de hechos
conectados por “Y” o por “O”, de forma general seria: SI Y/O Y/O…..ENTONCES
Y/O Los hechos son afirmaciones que sirven para presentar conceptos, datos,
objetos, etc. Y el conjunto de hechos que describen el problema es la base de
hechos. Ejemplo de hechos: Juan es un estudiante Juan tiene 8 años El perro es
blanco A María le gusta el cine Pedro prefiere la película La edad de Luis es de 25
años Pedro tiene un salario de 200 pesos Una regla es una combinante de hechos
que permite representar conocimientos y sacar inferencia de los mismos. Ejemplo
de reglas R1: si y entonces R2: SI Y ENTONCES R3: SI Y ENTONCES Observe
como partiendo de hechos conocidos que describen algún conocimiento se pueden
inferir nuevos hechos (nuevos conocimientos).
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-4.html
UNIDAD V. Aplicaciones con técnicas de IA
Robótica.
Visión artificial.
Aplicaciones con
tecnicas de IAs
Procesamiento de Lenguaje
Natural
(PLN).
5.1. Robótica.
¿Qué es Robótica?
La Robótica es la ciencia encaminada a diseñar y construir aparatos y sistemas
capaces de realizar tareas propias de un ser humano.
Con esta definición tan general, la palabra 'robótica' cubre muchos conceptos
diferentes, pero todos giran en torno a la misma idea.
Con la aparición del concepto 'robot' a principios de siglo XX, se dio el pistoletazo
de salida para el desarrollo de sistemas cada vez más autónomos.
Conflictos bélicos.
Exploración espacial.
Exploración submarina.
Rescate en catástrofes.
Pero sin irnos tan lejos, la robótica de servicio combinada con la robótica inteligente
nos permitirá en un futuro tener conductores autónomos para nuestros coches, entre
otras cosas. Que estas metas se consigan antes o después dependerá de la
financiación que las instituciones y mecenas sitúen en los diferentes proyectos de
investigación que se desarrollan en el mundo.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
5.1.2. Clasificación.
Según su Tipo
Robots Físicos
Robots Software
Según su Generación
1ª Generación.
2ª Generación.
3ª Generación.
Robots con control sensorizado. El controlador es una computadora que ejecuta las
órdenes de un programa y las envía al manipulador para que realice los
movimientos necesarios.
4ª Generación.
Robots inteligentes. Son similares a los anteriores, pero además poseen sensores
que envían información a la computadora de control sobre el estado del proceso.
Esto permite una toma inteligente de decisiones y el control del proceso en tiempo
real.
Según su Arquitectura
Poliarticulados
En este grupo están los Robots de muy diversa forma y configuración cuya
característica común es la de ser básicamente sedentarios (aunque
excepcionalmente pueden ser guiados para efectuar desplazamientos limitados) y
estar estructurados para mover sus elementos terminales en un determinado
espacio de trabajo según uno o más sistemas de coordenadas y con un número
limitado de grados de libertad. En este grupo se encuentran los manipuladores, los
Robots industriales, los Robots cartesianos y se emplean cuando es preciso abarcar
una zona de trabajo relativamente amplia o alargada, actuar sobre objetos con un
plano de simetría vertical o reducir el espacio ocupado en el suelo.
Móviles
Androides
Zoomórficos
Híbridos
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Los robots son utilizados en una diversidad de aplicaciones, desde robots tortugas
en los salones de clases, robots soldadores en la industria automotriz, hasta brazos
teleoperados en el transbordador espacial.
Estas aplicaciones son de manejos de material en las que el robot se utiliza para
servir a una máquina de producción transfiriendo piezas a/o desde las máquinas.
Existen tres casos que caen dentro de ésta categoría de aplicación:
1. Carga/Descarga de Máquinas. El robot carga una pieza de trabajo en bruto en el
proceso y descarga una pieza acabada. Una operación de mecanizado es un
ejemplo de este caso.
Carga de máquinas. El robot debe de cargar la pieza de trabajo en bruto a los
materiales en las máquinas, pero la pieza se extrae mediante algún otro medio. En
una operación de prensado, el robot se puede programar para cargar láminas de
metal en la prensa, pero las piezas acabadas se permite que caigan fuera de la
prensa por gravedad.
Operaciones de procesamiento.
Laboratorios
Los robots están encontrando un gran número de aplicaciones en los laboratorios.
Llevan acabo con efectividad tareas repetitivas como la colocación de tubos de
pruebas dentro de los instrumentos de medición. En ésta etapa de su desarrollo los
robots son utilizados para realizar procedimientos manuales automatizados. Un
típico sistema de preparación de muestras consiste de un robot y una estación de
laboratorio, la cual contiene balanzas, dispensarios, centrifugados, racks de tubos
de pruebas, etc.
Las muestras son movidas desde la estación de laboratorios por el robot bajo el
control de procedimientos de un programa.
Los fabricantes de estos sistemas mencionan tener tres ventajas sobre la operación
manual: incrementan la productividad, mejoran el control de calidad y reducen la
exposición del ser humano a sustancias químicas nocivas.
Manipuladores cinematicos
La tecnología robótica encontró su primer aplicación en la industria nuclear con el
desarrollo de teleoperadores para manejar material radiactivo. Los robots más
recientes han sido utilizados para soldar a control remoto y la inspección de tuberías
en áreas de alta radiación. El accidente en la planta nuclear de Three Mile Island en
Pennsylvania en 1979 estimuló el desarrollo y aplicación de los robots en la industria
nuclear. El reactor numero 2 (TMI-2) predio su enfriamiento, y provocó la
destrucción de la mayoría del reactor, y dejo grandes áreas del reactor
contaminadas, inaccesible para el ser humano. Debido a los altos niveles de
radiación las tareas de limpieza solo eran posibles por medios remotos. Varios
robots y vehículos controlados remotamente han sido utilizados para tal fin en los
lugares donde ha ocurrido una catástrofe de este tipo. Ésta clase de robots son
equipados en su mayoría con sofisticados equipos para detectar niveles de
radiación, cámaras, e incluso llegan a traer a bordo un minilaboratorio para hacer
pruebas.
Agricultura
Para muchos la idea de tener un robot agricultor es ciencia ficción, pero la realidad
es muy diferente; o al menos así parece ser para el Instituto de Investigación
Australiano, el cual ha invertido una gran cantidad de dinero y tiempo en el
desarrollo de este tipo de robots. Entre sus proyectos se encuentra una máquina
que esquila a la ovejas. La trayectoria del cortador sobre el cuerpo de las ovejas se
planea con un modelo geométrico de la oveja.
Espacio
La exploración espacial posee problemas especiales para el uso de robots. El medio
ambiente es hostil para el ser humano, quien requiere un equipo de protección muy
costoso tanto en la Tierra como en el Espacio. Muchos científicos han hecho la
sugerencia de que es necesario el uso de Robots para continuar con los avances
en la exploración espacial; pero como todavía no se llega a un grado de
automatización tan precisa para ésta aplicación, el ser humano aún no ha podido
ser reemplazado por estos. Por su parte, son los teleoperadores los que han
encontrado aplicación en los transbordadores espaciales.
Vehículos submarinos
Dos eventos durante el verano de 1985 provocaron el incremento por el interés de
los vehículos submarinos. En el primero - Un avión de la Air Indian se estrelló en el
Océano Atlántico cerca de las costas de Irlanda - un vehículo submarino guiado
remotamente, normalmente utilizado para el tendido de cable, fue utilizado para
encontrar y recobrar la caja negra del avión. El segundo fue el descubrimiento del
Titanic en el fondo de un cañón, donde había permanecido después del choque con
un iceberg en 1912, cuatro kilómetros abajo de la superficie. Un vehículo submarino
fue utilizado para encontrar, explorar y filmar el hallazgo.
Educación
Los robots están apareciendo en los salones de clases de tres distintas formas.
Primero, los programas educacionales utilizan la simulación de control de robots
como un medio de enseñanza. Un ejemplo palpable es la utilización del lenguaje de
programación del robot Karel, el cual es un subconjunto de Pascal; este es utilizado
por la introducción a la enseñanza de la programación.
El segundo y de uso más común es el uso del robot tortuga en conjunción con el
lenguaje LOGO para enseñar ciencias computacionales. LOGO fue creado con la
intención de proporcionar al estudiante un medio natural y divertido en el
aprendizaje de las matemáticas.
En tercer lugar está el uso de los robots en los salones de clases. Una serie de
manipuladores de bajo costo, robots móviles, y sistemas completos han sido
desarrollados para su utilización en los laboratorios educacionales. Debido a su bajo
costo muchos de estos sistemas no poseen una fiabilidad en su sistema mecánico,
tienen poca exactitud, no existen los sensores y en su mayoría carecen de software.
Las ventas anuales para robots industriales han ido creciendo en Estados Unidos a
razón del 25% de acuerdo a estadísticas del año 1981 a 1992. El incremento de
ésta tasa se debe a factores muy diversos. En primer lugar, hay más personas en
la industria que tienen conocimiento de la tecnología y de su potencial para sus
aplicaciones de utilidad. En segundo lugar, la tecnología de la robótica mejorará en
los próximos años de manera que hará a los robots más amistosos con el usuario,
más fáciles de interconectar con otro hardware y más sencillos de instalar.
La robótica es una tecnología con futuro y también para el futuro. Si continúan las
tendencias actuales, y si algunos de los estudios de investigación en el laboratorio
actualmente en curso se convierten finalmente en una tecnología factible, los robots
del futuro serán unidades móviles con uno o más brazos, capacidades de sensores
múltiples y con la misma potencia de procesamiento de datos y de cálculo que las
grandes computadoras actuales. Serán capaces de responder a ordenes dadas con
voz humana. Así mismo serán capaces de recibir instrucciones generales y
traducirlas, con el uso de la inteligencia artificial en un conjunto específico de
acciones requeridas para llevarlas a cabo. Podrán ver, oír, palpar, aplicar una fuerza
media con precisión a un objeto y desplazarse por sus propios medios.
En resumen, los futuros robots tendrían muchos de los atributos de los seres
humanos. Es difícil pensar que los robots llegarán a sustituir a los seres humanos
en el sentido de la obra de Carel Kapek, Robots Universales de Rossum. Por el
contrario, la robótica es una tecnología que solo puede destinarse al beneficio de la
humanidad. Sin embargo, como otras tecnologías, hay peligros potenciales
implicados y deben establecerse salvaguardas para no permitir su uso pernicioso.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el
mundo de la computación. Sin embargo, los primeros teóricos que concibieron los
fundamentos de la computación neuronal fueron Warren McCulloch, un
neurofisiólogo, y Walter Pitts, un matemático, quienes, en 1943, lanzaron una teoría
acerca de la forma de trabajar de las neuronas (Un Cálculo Lógico de la Inminente
Idea de la Actividad Nerviosa - Boletín de Matemática Biofísica 5: 115-133). Ellos
modelaron una red neuronal simple mediante circuitos eléctricos.
1949 - Donald Hebb. Fue el primero en explicar los procesos del aprendizaje (que
es el elemento básico de la inteligencia humana) desde un punto de vista
psicológico, desarrollando una regla de como el aprendizaje ocurría. Aun hoy, este
es el fundamento de la mayoría de las funciones de aprendizaje que pueden hallarse
en una red neuronal. Su idea fue que el aprendizaje ocurría cuando ciertos cambios
en una neurona eran activados. También intentó encontrar semejanzas entre el
aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las bases de la
Teoría de las Redes Neuronales.
1950 - Karl Lashley. En sus series de ensayos, encontró que la información no era
almacenada en forma centralizada en el cerebro sino que era distribuida encima de
él.
1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para
indicar el nacimiento de la inteligencia artificial.
1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones
técnicas (memoria asociativa). 1969 - Marvin Minsky/Seymour Papert. En este año
casi se produjo la “muerte abrupta” de las Redes Neuronales; ya que Minsky y
Papert probaron (matemáticamente) que el Perceptrons no era capaz de resolver
problemas relativamente fáciles, tales como el aprendizaje de una función no-lineal.
Esto demostró que el Perceptron era muy débil, dado que las funciones no-lineales
son extensamente empleadas en computación y en los problemas del mundo real.
1985 - John Hopfield. Provocó el renacimiento de las redes neuronales con su libro:
“Computación neuronal de decisiones en problemas de optimización.”
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
5.2.2. Clasificación.
Los modelos de tipo biológico. Este comprende las redes que tratan de
simular los sistemas neuronales biológicos así como las funciones auditivas
o algunas funciones básicas de la visión.
El modelo dirigido a aplicación. Estos modelos no tienen porque guardar
similitud con los sistemas biológicos. Sus arquitecturas están fuertemente
ligadas a las necesidades de las aplicaciones para las que son diseñados.
Las neuronas y las conexiones entre ellas (sinápsis) constituyen la clave para el
procesado de la información.
La mayor parte de las neuronas poseen una estructura de árbol llamadas dendritas
que reciben las señales de entrada que vienen de otras neuronas a través de la
uniones llamadas sinápsis. Algunas neuronas se comunican solo con las cercanas,
mientras que otras se conectan con miles. Hay tres partes en una neurona:
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una
aplicación particular más apropiada. Algunas aplicaciones comerciales son:
Biología:
- Aprender más acerca del cerebro y otros sistemas.
- Obtención de modelos de la retina.
Empresa:
- Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Explotación de bases de datos.
- Optimización de plazas y horarios en líneas de vuelo.
- Optimización del flujo del tránsito controlando convenientemente la temporización
de los semáforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatización y control.
Medio ambiente:
- Analizar tendencias y patrones.
- Previsión del tiempo.
Finanzas:
- Previsión de la evolución de los precios.
- Valoración del riesgo de los créditos.
- Identificación de falsificaciones.
- Interpretación de firmas.
Manufacturación:
- Robots automatizados y sistemas de control (visión artificial y sensores de presión,
temperatura, gas, etc.).
- Control de producción en líneas de procesos.
- Inspección de la calidad.
Medicina:
- Analizadores del habla para ayudar en la audición de sordos profundos.
- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
- Monitorización en cirugías.
- Predicción de reacciones adversas en los medicamentos.
- Entendimiento de la causa de los ataques cardíacos.
Militares:
- Clasificación de las señales de radar.
- Creación de armas inteligentes.
- Optimización del uso de recursos escasos.
- Reconocimiento y seguimiento en el tiro al blanco.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Ventajas
La principal ventaja de utilizar términos lingüísticos como: a medias, bastante, casi,
un poco, mucho, algo, etc, está en que permite plantear el problema en los mismos
términos en los que lo haría un experto humano.
El éxito de esta técnica radica en que “El mundo es Fuzzy”. En otras palabras, no
tiene sentido buscar la solución a un problema no perfectamente definido por medio
de un planteamiento matemático muy exacto, cuando es el ser humano el primero
que razona empleando la inexactitud.
En este paradigma, también 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 evaluación media
de la situación en un período anterior.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
El concepto de un subset difuso fue introducido por L.A. Zadeh en 1965 como una
generalización de un subset exacto (crisp subset) tradicional.
Los subsets exactos usan lógica Booleana con valores exactos como por ejemplo
la lógica binaria que usa valores de 1 o 0 para sus operaciones.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Para combatir esta situación, se dedica mucho esfuerzo, sobre todo en los países
más desarrollados del mundo, al desarrollo de la ciencia que se encarga de habilitar
a las computadoras a entender el texto. Esta ciencia, en función del enfoque práctico
versus teórico, del grado en el cual se espera lograr la comprensión y de otros
aspectos tiene varios nombres: procesamiento de lenguaje natural, procesamiento
de texto, tecnologías de lenguaje, lingüística computacional. En todo caso, se trata
de procesar el texto por su sentido y no como un archivo binario.
El esquema general de la mayoría de los sistemas y métodos que involucran el
procesamiento de lenguaje es el siguiente:
Recuperación de información,
Interfaces en lenguaje natural,
Traducción automática.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Lenguaje formal: es un lenguaje artificial o sea creado por el hombre que esta
formado por símbolos y formulas y que tiene como objetivo fundamental formalizar
la programación de computadoras o representar simbólicamente un conocimiento.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
5.5.2. Desarrollos actuales y aplicaciones.
1. La síntesis del habla (el ordenador proporciona información oral). Este tipo
de aplicaciones informáticas Permite la generación de mensajes hablados a
partir de un texto escrito almacenado en formato
electrónico. Suelen emplear los sistemas de conversión de texto en habla,
que constan por lo general de un módulo de procesamiento lingüístico, en el
que se llevan a cabo una trascripción fonética y un análisis lingüístico más o
menos detallado del texto de entrada y de otro que se ocupa de los aspectos
más ligados al tratamiento informático de la señal sonora. Las personas con
discapacidad visual pueden por ejemplo acceder a la información a través de
los sistemas que convierten el texto escrito en texto hablado.
2. El reconocimiento del habla (el ordenador procesa los enunciados emitidos
por un interlocutor). Este tipo de aplicaciones procede realizando a una
operación inversa a la llevada a cabo en la síntesis: la onda sonora portadora
de un mensaje se convierte en una representación simbólica, que suele ser
un texto escrito. El ordenador recibe los sonidos del habla en forma de ondas
analógicas que se analizan para identificar las unidades que constituyen las
palabras (fonemas).
3. Los sistemas de diálogo (comunicación bidireccional). Constan de un
módulo de reconocimiento automático del habla, un sistema de comprensión
que se ocupa de la interpretación del enunciado, un módulo de generación
que crea un texto con los resultados de una consulta a una base de datos o
con la respuesta adecuada a la conversación entre usuario y sistema, y de
un conversor de texto en habla que transforma esta respuesta en su
equivalente sonoro. Estas operaciones están coordinadas por un módulo de
gestión del diálogo, responsable de los turnos de palabra, de la coherencia
entre preguntas y respuestas y de todos aquellos aspectos que hacen que la
interacción entre la persona y el ordenador sea lo más natural posible. El
módulo de reconocimiento debe procesar la información acústica que
contiene el mensaje que recibe del usuario para poder interpretarlo
semánticamente.
TECNOLOGÍAS DEL TEXTO
Aplicaciones informáticas basadas en el análisis morfológico, sintáctico y semántico
del texto:
Analizadores sintácticos
Correctores
Desambiguadores
Traductores
Textos predictivos
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Reglas de producción
Redes semánticas
Marcos (Frames).
La forma de representación más usada es por reglas de producción, también llamadas reglas
de inferencias. Casi todos los sistemas expertos están basados en este tipo de representación,
ahora nos ocuparemos de los sistemas basados en reglas.
Las reglas de producción son del tipo:
Donde tanto las premisas como la conclusión, no son más que una cadena de hechos
conectados por “Y” o por “O”, de forma general sería:
SI Hecho1 Y/O Hecho2 Y/O… HechoN ENTONCES Hecho1 Y/O … HechoN
Los hechos son afirmaciones que sirven para representar conceptos, datos, objetos, etc. Y el
conjunto de hechos que describen el problema es la base de hechos.
Ejemplo de hechos:
Juan es un estudiante
Juan tiene 8 años
el perro es blanco
a María le gusta el cine
Pedro prefiere la película
la edad de Luis es de 25 años
Pedro tiene un salario de 200 pesos
Una regla es una combinación de hechos que permite representar conocimientos y sacar
inferencias de los mismos.
Ejemplo de reglas:
R1: SI Juan es esgudiante Y Juan tiene 8 años Entonces Juan estudia en la primaria .
R2: SI el perro es blanco Y el perro se llama Dinky ENTONCES el perro es de Juan.
R3: SI a Maria le gusta la pelicula Y Juan prefiere la pelota ENTONCES hacen falta e
televisiores
Observe como partiendo de hechos conocidos que describen algún conocimiento se pueden
inferir nuevos hechos (nuevos conocimientos), por otra parte la regla #2 (R2), no tiene porque
ser totalmente cierta, existe la posibilidad de que el perro sea de Juan, quizás se puede afirmar,
si fuéramos a cuantificar esa posibilidad, que el perro pertenece a Juan con una certeza de un
80%, y por último la regla #3 (R3) es dependiente del contexto, ya que aquí se supone que
ambos viven juntos y que los programas de TV coinciden.
La Base de Conocimientos (BC).
Son el conjunto de reglas que permiten representar los conocimientos del dominio de experto
donde cada regla aisladamente tiene significado propio. Normalmente los conocimientos son
de tipo declarativo por lo cual la BC casi siempre es una descripción de los conocimientos
del experto, por lo tanto requiere de algún mecanismo que obtenga las inferencias adecuadas
para resolver el problema, alguien que seleccione las reglas y las vaya ejecutando, ese alguien
es el motor de inferencias.
El Motor de Inferencias (MI) es un programa de control cuya función es seleccionar las reglas
posibles a satisfacer el problema, para ello se vale de ciertas estrategias de control
sistemáticas o de estrategias heurísticas.
Estrategias de control sistemático:
Estas estrategias son de forma sistemática las cuales deben llevar a la solución del problema.
Podemos decir que el control sistemático es un programa de control hecho de forma
“algorítmica” que aplican una heurística de propósito general cuya función es una
exploración exhaustiva y metódica de la base de conocimientos.
Estos mecanismos de control son muy generales y a veces resultan ineficientes ya que siguen
una secuencia de búsqueda demasiado rígida, para resolver esto se idearon las estrategias de
control heurísticas.
Las estrategias de control heurísticas son programas de control que utilizan una heurística
más específica y su función es una selección más restringida orientada por las necesidades
del problema. Estas estrategias actúan sobre el control sistemático y en ciertos casos toma el
control y dirige la búsqueda hacia ciertos criterios rompiendo así el control sistemático, una
vez logrado su objetivo le devuelve el control nuevamente al sistemático.
Estrategias de control heurísticas:
Podemos decir que un sistema experto, es un sistema informático que utiliza técnicas
apropiadas para la representación de conocimientos y la manipulación de este, de forma tal
que exhiba el comportamiento de un avezado especialista en un determinado dominio del
saber.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
5.6.1. Conceptos básicos.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
5.6.2. Clasificación.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
Las principales aplicaciones de los sistemas expertos son las relacionadas con el mundo
empresarial. Esto se debe a que resultan muy útiles en funciones como
la contabilidad, tesorería, gestiones internas…El campo que más aplicaciones de sistemas
expertos esta realizando es el de la auditoría.
Pero los sistemas expertos son aplicados en muchas más áreas con resultados
satisfactorios. Algunas de las principales son: telecomunicaciones, medicina, militar,
derecho, aeronáutica, geología, electrónica…
Un sistema experto puede, sin duda alguna, darnos el mismo resultado que un experto
humano; lo que sí debemos reconocer es que ningún sistema experto, hasta ahora, puede
resolver diferentes problemáticas dentro de una empresa, ya que estos son siempre muy
específicos. Sin embargo, es de esperarse que con los avances que tienen las
herramientas tecnológicas se produzcan un desarrollo cercano al comportamiento
humano en muchas áreas, con estos avances en el terreno de los negocios se podría ser
más eficiente y productivo.
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-
ia.html
EVALUACIÓN
Es muy recomendable que al finalizar cada capítulo se presente una evaluación que
sirva al estudiante como ayuda en la preparación del examen formal que le aplicará
el instructor. Al redactar sus evaluaciones recuerde no preguntar nada que no haya
enseñado y al contrario elimine de su manual todo lo que no vaya a evaluar.
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------------
-------------------------------------------------------------------------------------------------------------
BIBLIOGRAFIA
________________________________________________________________
Anote el tema
1. ________________________________________________________________
Anote el nombre del libro, el autor, la editorial y el año de edición
.
2.________________________________________________________________
Anote el nombre del libro, el autor, la editorial y el año de edición.
ANEXOS