noviembre 23

Inteligencia Artificial

2011
UNIDAD I,II,II & IV

La IA es la rama de la ciencia de la computacin que se ocupa de la automatizacin de la conducta inteligente

INTELIGENCIA ARTIFICIAL

Unidad1. Fundamentos

1.1 El propsito de la IA y su evolucin histrica

a Inteligencia Artificial comenz como el resultado de la investigacin en psicologa cognitiva y lgica matemtica. Se ha enfocado sobre la explicacin del trabajo mental y construccin de algoritmos de solucin a problemas de propsito general. Punto de vista que favorece la abstraccin y la generalidad. La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de mquinas que pueden "pensar". La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica, suministro de asesora experta en diversos temas. Es as como los sistemas de administracin de base de datos cada vez ms sofisticados, la estructura de datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el intento de crear mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956. Trabajos tericos fundamentales fueron el desarrollo de algoritmos matemticos por Warren McCullock y Walter Pitts, en 1943, necesarios para posibilitar el trabajo de clasificacin, o funcionamiento en sentido general, de una red neuronal. En 1949 Donald Hebb desarroll un algoritmo de aprendizaje para dichas redes neuronales creando, en conjunto con los trabajos de McCullock y Pitts, la escuela creacionista. Esta escuela se considera hoy como el origen de la Inteligencia

pg. - 1 -

INTELIGENCIA ARTIFICIAL
Artificial, sin embargo se trat poco por muchos aos, dando paso al razonamiento simblico basado en reglas de produccin, lo que se conoce como sistemas expertos. Definiciones sobre Inteligencia Artificial:

Disciplina cientfico-tcnica que trata de crear sistemas artificiales capaces de comportamientos que, de ser realizados por seres humanos, se dira que requieren inteligencia. Estudio de los mecanismos de la inteligencia y las tecnologas que lo sustentan. (Newell, 91) Intento de reproducir (modelar) la manera en que las personas identifican, estructuran y resuelven problemas difciles (Pople, 84) Son ciertas herramientas de programacin, entendiendo por herramientas: o Lenguajes: LISP, PROLOG Entornos de desarrollo: shells Arquitecturas de alto nivel: nodo y arco, sistemas de producciones Desde sus comienzos hasta la actualidad, la Inteligencia Artificial ha tenido que hacer frente a una serie de problemas:

Los computadores no pueden manejar (no contienen) verdaderos significados. Los computadores no tienen autoconciencia (emociones, sociabilidad, etc.). Un computador slo puede hacer aquello para lo que est programado. Las mquinas no pueden pensar realmente. En 1843, Lady Ada Augusta Byron, patrocinadora de Charles Babbage plante el asunto de si la mquina de Babbage poda "pensar". Los primeros problemas que se trat de resolver fueron puzzles, juegos de ajedrez, traduccin de textos a otro idioma. Durante la II Guerra Mundial Norbert Wiener y John Von Neumann establecieron los principios de la ciberntica en relacin con la realizacin de decisiones complejas y control de funciones en mquinas. La teora de la retroalimentacin en mecanismos, como por ejemplo un termostato que regula la temperatura en una casa, tuvo mucha influencia. Esto an no era propiamente Inteligencia Artificial. Se hizo mucho en traducciones (Andrew Booth y Warren Weaver), lo que sembr la semilla hacia el entendimiento del lenguaje natural. En el ao 1955 Herbert Simon, el fsico Allen Newell y J.C. Shaw, programador de la RAND Corp. y compaero de Newell, desarrolla el primer lenguaje de programacin orientado a la resolucin de problemas de la Inteligencia Artificial, el IPL-11. Un ao ms tarde estos tres cientficos desarrollan el primer programa de Inteligencia Artificial al que llamaron Logic Theorist, el cual era capaz de demostrar teoremas matemticos, representando cada problema como un modelo

pg. - 2 -

INTELIGENCIA ARTIFICIAL
de rbol, en el que se seguan ramas en busca de la solucin correcta, que result crucial. Este programa demostr 38 de los 52 teoremas del segundo captulo de Principia Mathematica de Russel y Whitehead. En 1956, con la ahora famosa conferencia de Dartmouth, organizada por John McCarthy y en la cual se utiliz el nombre de inteligencia artificial para este nuevo campo, se separ la Inteligencia Artificial de la ciencia del computador, como tal. Se estableci como conclusin fundamental la posibilidad de simular inteligencia humana en una mquina. En 1957 Newell y Simon continan su trabajo con el desarrollo del General Problems Solver (GPS). GPS era un sistema orientado a la resolucin de problemas; a diferencia del Logic Theorist, el cual se orient a la demostracin de teoremas matemticos, GPS no estaba programado para resolver problemas de un determinado tipo, razn a la cual debe su nombre. Resuelve una gran cantidad de problemas de sentido comn, como una extensin del principio de retroalimentacin de Wiener. Diversos centros de investigacin se establecieron, entre los ms relevantes estn, la Universidad Carnegie Mellon, el Massachusetts Institute of Technologie (MIT), encabezado por Marvin Minsky, la Universidad de Standford e IBM. Los temas fundamentales eran el desarrollo de heursticas y el aprendizaje de mquinas. En 1957 McCarthy desarroll el lenguaje LISP. La IBM contrat un equipo para la investigacin en esa rea y el gobierno de USA aport dinero al MIT tambin para investigacin en 1963. A finales de los aos 50 y comienzos de la dcada del 60 se desarrolla un programa orientado a la lectura de oraciones en ingls y la extraccin de conclusiones a partir de su interpretacin, al cual su autor, Robert K. Lindsay, denomina "Sad Sam". Este poda leer oraciones del tipo "Jim es hermano de John" y "La madre de Jim es Mary", a partir de ella el sistema conclua que Mary deba ser tambin la madre de John. Este sistema represent un enorme paso de avance en la simulacin de inteligencia humana por una mquina, pues era capaz de tomar una pieza de informacin, interpretarla, relacionarla con informacin anteriormente almacenada, analizarla y sacar conclusiones lgicas. En el mismo perodo de tiempo hay trabajos importantes de Herbert Gelernter, de IBM, quien desarrolla un "Demostrador Automtico de Teoremas de la Geometra", Alex Bernstein desarrolla un programa para el juego de ajedrez que se considera el antecedente para "Deep Blue". En 1961 se desarrolla SAINT (Simbolic Automatic INTegrator) por James Slagle el cual se orienta a la demostracin simblica en el rea del lgebra. En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de comprender oraciones en ingls.

pg. - 3 -

INTELIGENCIA ARTIFICIAL

1.2 Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia (conductismo, Gardner)

Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la informacin: recogiendo, analizando, comprendiendo, procesando y guardando informacin en la memoria, para, posteriormente, poder recuperarla y utilizarla dnde, cundo y cmo convenga. En general, son las siguientes:

1. Atencin: Exploracin, fragmentacin, seleccin y contradistractoras. 2. Comprensin (tcnicas o habilidades de trabajo intelectual): Captacin de ideas, subrayado, traduccin a lenguaje propio y resumen, grficos, redes, esquemas y mapas conceptuales. A travs del manejo del lenguaje oral y escrito (velocidad, exactitud, comprensin). 3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y mnemotecnias. 4. Memorizacin: Recuperacin (tcnicas o habilidades de estudio): Codificacin y generacin de respuestas.

1.3 El Proceso de Razonamiento segn la Lgica (Axiomas, Teoremas, Demostracin)

L G I C A: Ciencia formal y una rama de la filosofa que estudia los principios de la demostracin e inferencia vlida. DE MO S TR ACI N: Sucesin coherente de pasos que, tomando como verdadero un conjunto de premisas llamado hiptesis, permite asegurar la veracidad de una tesis Estos pasos deben estar fundamentados en la aplicacin de reglas de deduccin (fundadas ya sea en axiomas o en teoremas anteriormente demostrados o en reglas bsicas de deduccin del sistema en cuestin). El hecho de no conocer ninguna

pg. - 4 -

INTELIGENCIA ARTIFICIAL
demostracin de un teorema no implica su no veracidad; slo la demostracin de la negacin de este resultado implica que es falso.

Te or a de l a De mos tra c i n o Te ora de la P rue ba Es una rama de la lgica matemtica que trata a las demostraciones como objetos matemticos, facilitando su anlisis mediante tcnicas matemticas. Las demostraciones suelen presentarse como estructuras de datos inductivamente definidas que se construyen de acuerdo con los axiomas y reglas de inferencia de los sistemas lgicos. En este sentido, la teora de la demostracin se ocupa de la sintaxis, en contraste con la teora de modelos, que trata con la semntica. Junto con la teora de modelos, la teora de conjuntos axiomtica y la teora de la recursin, la teora de la demostracin es uno de los "cuatro pilares" de los fundamentos de las matemticas. AX I O M A: Es una "verdad evidente" que no requiere demostracin. E je m pl os : 1+1=2 A es hermano de B C es hijo de A Entonces podemos decir que B es to de C, o bien C es sobrino de B TE O RE M A: Es una afirmacin que puede ser demostrada como verdadera dentro de un marco lgico. Demostrar teoremas es el asunto central en la matemtica. E je m pl o: Si dos rectas paralelas se cortan con una recta secante se cumple la relacin de ngulos siguiente: 1-Los ngulos alternos/internos son iguales. 2-Los ngulos alternos/externos son iguales. 3-Los ngulos correspondientes son iguales. 4-Los ngulos colaterales internos son suplementarios. 5-Los ngulos colaterales externos son suplementarios. COROLARIO: Es una afirmacin lgica que sea consecuencia inmediata de un teorema, pudiendo ser demostrada usando las propiedades del teorema previamente demostrado.

pg. - 5 -

INTELIGENCIA ARTIFICIAL

1.4 El Modelo De Adquisicin Del Conocimiento Segn La Filosofa

La metodologa Common KADS, como cualquier otra ofrece una aproximacin para resolver los problemas inherentes a la ingeniera del conocimiento provenientes de la experiencia y apoyados por los fundamentos de la ingeniera del software. Como se ha mencionado anteriormente, la ingeniera del conocimiento debe hacer frente a la recopilacin de datos, dar forma a la informacin y generar ms conocimiento. Todo ello dentro de un determinado mbito de aplicacin o lnea de negocio empresarial, que debe plasmarse en una realidad, los modelos de la metodologa Common KADS para hacer frente a las realidades expresadas anteriormente. En ella se muestran tres grupos de modelos porque existen esencialmente tres tipos de preguntas que deben contestarse: Por qu? Por qu es necesario recurrir a un sistema que involucre conocimiento? En la organizacin donde se va a implementar, va a mejorar el rendimiento de la misma?, Reportar beneficios econmicos o de otra ndole?, resolver mejor que otros sistemas o las propias personas los problemas?, ser aceptado por la organizacin donde se va a implementar? La respuesta a estas preguntas pasa por estudiar tres aspectos clave. Cul es la estructura de la organizacin donde se va a desarrollar el sistema para ver donde encaja. Qu tarea va a realizar el sistema y cmo se enmarcan dentro de las tareas globales de la organizacin. Quin o quienes estarn involucrados en la realizacin de estas tareas. Con este planteamiento llegamos a respectivamente a los modelos de la organizacin, tarea y agente bajo la perspectiva del contexto en la organizacin. Qu? Qu tipo de conocimiento es el que se debe manejar?, cmo se va a estructurar ese conocimiento? Adems, Ser necesario transmitir ese conocimiento?, quin va a recibir y por tanto hacer uso de ese conocimiento? En definitiva, es necesario y conveniente que haya una comunicacin relativa a ese conocimiento? Bajo esta perspectiva surge un mecanismo conceptual que involucra la formalizacin y el uso de conocimiento as como su transmisin y/o recepcin mediante una comunicacin. De aqu derivan los modelos de conocimiento y comunicacin. Cmo? Cmo debe llevarse a la prctica todo lo anterior para que el conocimiento pueda implementarse en una computadora?, cmo debe ser la arquitectura software y el mecanismo computacional? En este caso se est hablando del equipo necesario

pg. - 6 -

INTELIGENCIA ARTIFICIAL
que ha de desembocar en un mtodo de diseo. Las respuestas a las cuestiones anteriores dan lugar a los distintos modelos Common KADS, encuadrndose y abordando cada uno de ellos un aspecto concreto. Modelo de organizacin: soporta el anlisis de las caractersticas principales de una organizacin, con el fin de descubrir problemas y oportunidades para sistemas de conocimiento, establecer su viabilidad y ponderar los impactos en la organizacin de las acciones del conocimiento. Modelo de tarea: es la parte relevante de un modelo de negocio. Analiza la tarea global, sus entradas y salidas, precondiciones y criterios de realizacin, as como recursos necesarios y competencias. Modelo de agente: los agentes son los ejecutores de una tarea. Un agente puede ser humano, un sistema de informacin, o cualquier otra entidad capaz de llevar a cabo una tarea. El modelo de agente describe las caractersticas de los agentes, en particular sus competencias, autoridad para actuar y restricciones en este aspecto. Adems, relaciona los enlaces de comunicacin entre agentes a la hora de llevar a cabo una tarea. Modelo de conocimiento: el propsito de este es explicar los tipos y estructuras de conocimiento utilizados para llevar a cabo una tarea. Proporciona una descripcin independiente de la implementacin del papel que diferentes componentes de conocimiento juegan en la resolucin de problemas, de forma que es comprensible por los humanos. Esto hace que el conocimiento sea un vehculo importante para la comunicacin con los expertos y los usuarios sobre los aspectos relativos a la solucin de problemas de un sistema de conocimiento tanto durante el desarrollo como durante la ejecucin del sistema. Modelo de comunicacin: dado que varios agentes pueden verse involucrados en una tarea, es importante modelar las transacciones entre los agentes implicados, esto se realiza mediante el modelo de comunicacin, como suceda en el modelo de conocimiento. Modelo de diseo: los modelos anteriores juntos pueden verse como constituyendo la especificacin de los requisitos para el sistema de conocimiento, desde diferentes aspectos, Basados en los aspectos, el modelo de diseo proporciona la especificacin tcnica del sistema en trminos de arquitectura, plataforma de implementacin,

pg. - 7 -

INTELIGENCIA ARTIFICIAL
mdulos de software, construcciones de representacin y mecanismos de computacin requeridos para implementar las funciones propuestas en los modelos de conocimiento y comunicacin. Juntos, los modelos de organizacin, tarea y agente analizan la organizacin del entorno y los factores crticos de xito para un sistema de conocimiento. Los modelos de conocimiento y comunicacin proporcionan la descripcin conceptual de las funciones de resolucin de problemas y los datos que son manejados y entregados por un sistema de conocimiento. El modelo de diseo convierte esto en una especificacin que es la base para la implementacin del sistema software.

1.5 El modelo cognoscitivo

En toda situacin de aprendizaje ( Pozo, 1999), espontneo o generado en una experiencia educativa, puede identificarse tres componentes bsicos: El qu se aprende (resultados), el cmo se aprende (los procesos cognitivos) y las condiciones del aprendizaje (la accin educativa) que responde a las preguntas cundo, cunto, donde, con quin etc. Estos tres componentes se pueden mirar ya sea desde un enfoque conductual o social cognoscitivo. Desde el enfoque conductual los resultados de aprendizaje son las conductas, los procedimientos cognoscitivos no son importantes para este enfoque y las condiciones se refieren a la forma de organizar situaciones estimulantes y refuerzos continuos a las conductas adecuadas. Desde el enfoque cognoscitivo los resultados de aprendizaje se refieren a representaciones cognitivas internas o estructuras cognoscitivas que pueden tener un correlato en una representacin simblica externa para comprobar su presencia, los procesos cognitivos se refieren a toda aquella actividad mental que hace posible la constitucin de representaciones y las condiciones se refieren a las acciones educativas de carcter social educativo o inter-racional y a los diferentes recursos culturales con que se apoya el aprendizaje. Desde el punto de vista social cognoscitivo los resultados de aprendizaje se refieren a la manera como se construye significado al conjunto de categoras que constituyen un discurso disciplinar. Los resultados de aprendizaje no se refieren en especificidad a un saber sino al significado que un aprendiz le da a ese saber. La construccin de esos significados se hace en especial cuando el conocimiento se presenta estructurado. Los procesos cognoscitivos en trminos de aprendizaje se dan por niveles de complejidad ya sea en relacin con el desarrollo (edad) o con los niveles de complejidad en una tarea. En trminos del desarrollo, las teoras de Piaget o de Vigotsky definen una serie de caractersticas segn ciclos de vida de los individuos y segn la complejidad de las tareas, los enfoques computacionales representacionales,

pg. - 8 -

INTELIGENCIA ARTIFICIAL
definen una serie de procesos y subprocesos subyacentes a la solucin de problemas y a la toma de decisiones. En relacin con la complejidad como se estructura un conocimiento se pueden definir 4 grandes procesos bsicos: conceptualizacin, interpretacin, transferencia, creatividad. Conceptualizacin se refiere a la manera como se define un concepto en relacin con una experiencia asociada o con otro concepto en una proposicin o estructura conceptual. La interpretacin se refiere a la manera como un concepto o conjunto de conceptos o proposiciones toma significados en relacin con un contexto lingstico o discursivo o en relacin con un fenmeno. Dentro de la interpretacin se juegan procesos cognoscitivos como la deduccin, la inferencia, el anlisis, la sntesis y diferentes modalidades de categorizacin. La transferencia se refiere a la manera como se aplica un conocimiento a la solucin de problemas surgidos en contextos diferentes a aquellos en donde se dio la situacin de aprendizaje. La creatividad se refiere a la manera como se reestructura o se proponen estructuras diferentes a las aprendidas. Los niveles cognoscitivos del aprendizaje no son totalmente lineales y su recorrido se puede dar en espiral. Lo cierto es que en trminos de organizacin de las experiencias educativas definir niveles de aprendizaje permite organizar una educacin para el desarrollo de habilidades cognitivas.

Un agente es todo aquello que puede considerarse que percibe su ambiente mediante sensores y que responde o acta por medio de efectores. Los agentes humanos tienen ojos, odos y otros rganos que les sirven de sensores, as como manos, piernas, boca y otras partes del cuerpo que sirven de efectores. En el caso de los agentes robticos, los sensores son sustituidos por cmaras y los efectores reemplazados mediante motores. En el caso de un agente de software, sus percepciones y acciones vienen a ser las cadenas de bits codificados.

Los agentes interactan con los ambientes a travs de sensores y efectores

pg. - 9 -

INTELIGENCIA ARTIFICIAL

Qu es un Agente Inteligente? Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Desde el punto de vista del software: Un agente inteligente es una entidad de software que, basndose en su propio conocimiento, realiza un conjunto de operaciones para satisfacer las necesidades de un usuario o de otro programa, bien por iniciativa propia o porque alguno de stos se lo requiere. Tipos de Angentes Inteligentes

Ag e nte s de i nte rfa z Cuando un usuario hace una consulta, la interfaz recoge los trminos de sta como algo representativo de la materia en la que se est interesado. Posteriormente, y a partir de su base de conocimiento, realiza una consulta expandida. Es decir, partiendo de los trminos suministrados por el usuario, se aaden otros relacionados con el mismo concepto, realizando as una consulta mucho ms completa que la que en un principio se pretenda hacer. Por ejemplo la consulta perro puede ser expandida a perro o can o sabueso.

Ag e nte s m vi l e s Son programas que pueden migrar de una a otra mquina. Por ejemplo, un agente mvil puede suspender el proceso que est realizando, transportarse a s mismo por medio de la red y reanudar la ejecucin del proceso que estaba llevando a cabo donde estime oportuno. Esta capacidad le permite al agente seleccionar la informacin recuperada antes de enviarla por la red, lo que evita la transferencia de grandes cantidades de informacin que podra ser intil.

Ag e nte s c ol a borati vos Este tipo de agentes se enfatiza en la autonoma y las habilidades sociales con otros agentes para ejecutar las tareas de sus usuarios. La coordinacin de los agentes se logra mediante la negociacin para alcanzar acuerdos que sean aceptables para los agentes negociantes. Los agentes colaborativos se pueden utilizar es la solucin de algunos de los siguientes problemas: Para resolver problemas que son muy grandes para un agente centralizado. Para permitir la interconexin e interoperabilidad de sistemas de IA existentes

pg. - 10 -

INTELIGENCIA ARTIFICIAL
como sistemas expertos, sistemas de soporte de decisin etc. Solucionar problemas que son inherentemente distribuidos. Proporcionar soluciones que simulen recursos de informacin distribuidos. Incrementar la modularidad, velocidad, confiabilidad, flexibilidad y reutilizacin en sistemas de informacin.

Ag e nte s de i nforma c i n Estn diseados especficamente para procesar consultas, y poseen al menos uno de los siguientes elementos: capacidad de proceso, conocimiento del entorno donde se mueven e informacin de un dominio. Un agente tiene capacidad de proceso puesto que puede descomponer una consulta en subconsultas y asociar a los distintos trminos resultantes otros trminos relacionados o afines. Su conocimiento del entorno le viene dado por su propio conocimiento y por el de otros agentes que se comunican con l (el conocimiento puede ser adquirido: del mismo usuario o de otros agentes con los que se encuentra mientras realiza una tarea determinada). En todo momento debera saber a qu informacin acceder o a qu otro agente dirigirse para obtenerla.

1.7 El papel de la Heurstica

Se denomina heurstica a la capacidad de un sistema para realizar de forma inmediata innovaciones positivas para sus fines. La capacidad heurstica es un rasgo caracterstico de los humanos, desde cuyo punto de vista puede describirse como el arte y la ciencia del descubrimiento y de la invencin o de resolver problemas mediante la creatividad y el pensamiento lateral o pensamiento divergente. En computacin, dos objetivos fundamentales son encontrar algoritmos con buenos tiempos de ejecucin y buenas soluciones, usualmente las ptimas. Una heurstica es un algoritmo que abandona uno o ambos objetivos; por ejemplo, normalmente encuentran buenas soluciones, aunque no hay pruebas de que la solucin no pueda ser arbitrariamente errnea en algunos casos; o se ejecuta razonablemente rpido, aunque no existe tampoco prueba de que siempre ser as. Las heursticas generalmente son usadas cuando no existe una solucin ptima bajo las restricciones dadas (tiempo,espacio,etc.), o cuando no existe del todo.

pg. - 11 -

INTELIGENCIA ARTIFICIAL

Unidad 2. Representacin del Conocimiento y razonamiento.

2.1.- Mapas Conceptuales

Los mapas conceptuales son instrumentos de representacin del conocimiento sencillo y prctico, que permiten transmitir con claridad mensajes conceptuales complejos y facilitar tanto el aprendizaje como la enseanza. Para mayor abundamiento, adoptan la forma de grafos. Mapa conceptual es una tcnica usada para la representacin grfica del conocimiento. Un mapa conceptual es una red de conceptos. En la red, los nudos representan los conceptos, y los enlaces las relaciones entre los conceptos en forma de flechas etiquetadas El mapa conceptual pueden tener varios propsitos: Generar ideas (lluvia de ideas, etc.); disear una estructura compleja (textos largos, hipermedia, pginas web grandes, etc.); comunicar ideas complejas; contribuir al aprendizaje integrando explcitamente conocimientos nuevos y antiguos; evaluar la comprensin o diagnosticar la incomprensin; explorar el conocimiento previo y los errores de concepto; fomentar el aprendizaje significativo para mejorar el xito de los estudiantes; medir la comprensin de conceptos. Clasificar de forma similar a las palabras las cuales se encuentran en las diferentes temticas que se puedan utilizar en el tema dado.

pg. - 12 -

INTELIGENCIA ARTIFICIAL

2.2.- Redes Semnticas

Estos sistemas de organizacin del conocimiento estructuran conceptos, no como jerarqua sino como una red o una web. Los conceptos son como nodos, con varias relaciones que se ramifican hacia fuera de ellas. Pueden incluir relaciones tipo todo-parte, causa-efecto, padre-nio, es un o es parte. Las redes semnticas son grafos orientados que proporcionan una representacin declarativa de objetos, propiedades y relaciones. Existen diversos tipos de relaciones semnticas como la hiponimia, hiperonimia, la meronimia, etc. Dado un conjunto de conceptos, elementos semnticos o trminos relacionados semnticamente mediante alguna relacin semntica, una red semntica representa estas relaciones en forma de grafo. Explcitamente, dado un conjunto de trminos {t1, t2, , tn} y cierta relacin semntica simtrica entre ellos se construye un grafo G = (V,A) cumpliendo las siguientes condiciones: 1. El conjunto V es el conjunto de vrtices o nodos del grafo. Este conjunto estar formado por n elementos (tantos vrtices como trminos relacionables). A cada uno de los vrtices del grafo representar uno de los trminos, por tanto los vrtices del grafo se llamarn: t1, t2, , tn. 2. El conjunto A es el conjunto de aristas o lneas del grafo. Dados dos vrtices (trminos) del grafo ti y tj existir una lnea aij que une los vrtices ti y tj si y slo si los trminos ti y tj estn relacionados. Si la relacin no es simtrica, entonces se usan grafos dirigidos para representar la relacin. Historia Los responsables de los primeros esquemas de representacin formalizados fueron Quillian (1968) y Shapiro & Woddmansee (1971). Los esquemas de redes semnticas tienen una fundamentacin psicolgica muy slida, por lo que se han realizado numerosos esfuerzos por llevar a cabo implementaciones importantes basadas en ellas. Las redes semnticas han sido muy utilizadas en Inteligencia Artificial para representar el conocimiento y por tanto ha existido una gran diversificacin de tcnicas. Los elementos bsicos que encontramos en todos los esquemas de redes son: 1. Estructuras de datos en nodos, que representan conceptos, unidas por arcos que representan las relaciones entre los conceptos. 2. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de datos. Bsicamente, podemos distinguir tres categoras de redes semnticas:

pg. - 13 -

INTELIGENCIA ARTIFICIAL
1. Redes IS-A, en las que los enlaces entre nodos estn etiquetados. 2. Grafos conceptuales: en los que existen dos tipos de nodos: de conceptos y de relaciones 3. Redes de marcos: en los que los puntos de unin de los enlaces son parte de la etiqueta del nodo.

Ejemplo de una red semntica

2.3.- Razonamiento Montono

La programacin lgica Mquina convencional (von Neumann) algoritmo datos resultados Sistema Basado en Conocimiento especificacin (reglas) datos (hechos) resultados Algoritmo = lgica + control Lgica de predicados de primer orden Un predicado representa una propiedad o relacin de un determinado objeto del universo del discurso Un predicado de primer orden es aquel que se refiere a propiedades de objetos y relaciones entre ellos rubia (Sara). Moreno (Carlos). Noviazgo (sara, carlos). Primos(X, Y):-progenitor(A, X), progenitor (B, Y), hermanos(A, B). La lgica de predicados de primer orden estudia razonamientos de tipo deductivo, exactos true/false) y basados en predicados de primer orden (Clculo de predicados como lenguaje de programacin, Kowalski 1974)

2.4.- La Lgica de Predicados

pg. - 14 -

INTELIGENCIA ARTIFICIAL
El lenguaje es el instrumento que se usa para la comunicacin entre humanos. El lenguaje est formado por frases, entre ellas podemos distinguir: frases imperativas, frases interrogativas y frases declarativas. La definicin de lgica, disciplina que estudia mtodos de formalizacin del conocimiento humano "de los mtodos de formalizacin de frases declarativas. La lgica se clasifica: Lgica proposicional o lgica de enunciados: Se parte de un elemento simple, las frases declarativas simples, las cuales tienen significado ellas mismas o la unin entre ellas, forman una frase. Esto inicia una unidad de comunicacin de conocimientos, las cuales se les denomina proposiciones, y toman el valor verdadero o falso. Lgica de predicados: Estudia las frases declarativas, teniendo en cuenta la estructura interna de las proposiciones. Los objetos y las relaciones entre los objetos sern los elementos bsicos. Podemos distinguir: - Qu se afirma: relacin - De quin se afirma: objeto. Con la lgica de predicados intentamos conseguir sistemas de demostracin automtica de teoremas. Partimos de elementos bsicos como las frases declarativas simples o proposiciones que son aquellos elementos de una frase que constituyen por s solos una unidad de comunicacin de conocimientos y pueden ser considerados Verdaderos y Falsos. La lgica de predicados estudia las frases declarativas con mayor grado de detalle, considerando la estructura interna de las proposiciones. Se tomarn como elemento bsico los objetos y las relaciones entre dichos objetos. Se distingue: "Qu se afirma (predicado o relacin) De quin se afirma (objeto) Definimos a continuacin las reglas sintcticas para construir frmulas: Definicin 1: El alfabeto de la lgica de predicados estar formado por los siguientes conjuntos simblicos: Conjunto de Smbolos de Variables (VAR): Es un conjunto de las ltimas letras del alfabeto en minsculas. Se utilizan subndices, por ejemplo: Conjunto de smbolos de Constantes (CONS): Este conjunto lo forman las primeras letras del alfabeto en minsculas, tambin utilizaremos subndices: Conjunto de letras de funcin (FUNC): Representaremos a este conjunto por las letras f, g, h, L. Incluimos subndices para poder diferenciar las funciones: Conjunto de letras de Predicado (PRED): Se representan mediante letras maysculas, Smbolos de conectivas: = Negacin = Conectiva "o"

pg. - 15 -

INTELIGENCIA ARTIFICIAL
= Conectiva "y" = implicacin = Doble implicacin o equivalencia Cuantificadores: =existencial =Universal Signos de puntuacin: Parntesis ( ) y coma.

2.5.- La demostracin y sus mtodos

Qu es una demostracin? Mtodos Deductivos de demostracin. Segn el sistema aristotlico, el mtodo deductivo es un proceso que parte de un conocimiento general, y arriba a uno particular. La aplicacin del mtodo deductivo nos lleva a un conocimiento con grado de certeza absoluta, y esta cimentado en proposiciones llamadas SILOGISMOS. He aqu un ejemplo: Todos las venezolanas son bellas, (Este es el conocimiento general) Marta Colomina es venezolana Luego: Marta Colomina es bella Se puede observar que partiendo de dos premisas, una de las cuales es una hiptesis general se llega a una conclusin particular. Tambin es de hacer notar que en este ejemplo las premisas pueden ser verdaderas o pueden ser falsas, y por consiguiente la conclusin puede ser igualmente verdadera o falsa. En la lgica formal y sobre todo en el universo matemtico, el proceso deductivo tiene un significado un poco diferente, pues est basado en AXIOMAS, o proposiciones que son verdaderas por definicin. Por ejemplo, un axioma es: EL TODO ES MAYOR QUE LA PARTE, otro axioma es DOS COSAS IGUALES A UNA TERCERA SON IGUALES ENTRE SI. El primer axioma define el concepto de MAYOR, y el segundo el concepto de IGUAL. El mtodo deductivo nos permite partir de un conjunto de hiptesis y llegar a una conclusin, pudiendo ser esta inclusive que el conjunto de hiptesis sea invlido.

pg. - 16 -

INTELIGENCIA ARTIFICIAL
Generalmente, en matemticas, la deduccin es un proceso concatenado del tipo si A entonces B, si B entonces C, si C entonces D hasta llegar a una conclusin. Al conjunto de HIPOTESIS + DEMOSTRACION + CONCLUSIN se denomina TEOREMA. La prctica de los razonamientos deductivos en el proceso de desarrollo del pensamiento lgico matemtico es muy importante. Constituye una herramienta fundamental para el trabajo en la matemtica y otras ciencias..

2.6.- El mtodo de resolucin de Robinson.

El Mtodo de Resolucin [Robinson, 1965], es un intento de mecanizar el proceso de deduccin natural de esa forma eficiente. Las demostraciones se consiguen utilizando el mtodo refutativo (reduccin al absurdo), es decir lo que intentamos es encontrar contradicciones. Para probar una sentencia nos basta con demostrar que su negacin nos lleva a una contradiccin con las sentencias conocidas (es insatisfactible). Si la negacin de una sentencia entra en contradiccin con los hechos de nuestra base de conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y se puede deducir lgicamente de las sentencias que componen dicha base de conocimientos.

2.7.- Conocimiento No- Montono y otras Lgicas

La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de sentencias S1 del que se puede inferir C, al aadir otro conjunto de sentencias S2, se tiene que seguir infiriendo C a partir de S1 Unin S2. Esto es un inconveniente en gran cantidad de problemas que se presentan en inteligencia artificial y que tienen carcter no montono. Ejemplo: Razonamiento de sentido comn, el cual establece conclusiones a partir de informacin parcial, que muchas veces se revisan o se desechan cuando se obtiene nueva informacin o evidencia del dominio. Ej. Se nos dice que alguien tiene un pjaro, pensamos que vuela, si luego nos dicen que es un pingino, ya no pensamos que vuela. Las lgicas clsicas parten del carcter no excluyente de los nuevos axiomas aadidos a los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad de detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento.

pg. - 17 -

INTELIGENCIA ARTIFICIAL
Formalismos Lgica no-montona: Poder representar leyes como Si x es un ser humano, entonces x puede andar, a menos que haya algo que lo contradiga. Para ello se ampla la lgica de primer orden introduciendo el operador modal M (es modal ya que indica una modalidad de verdad). Es necesario establecer un mecanismo de mantenimiento de coherencia generalmente traducido como mantenimiento de verdad - que permita eliminar el supuesto en cuanto se presente un hecho que lo invalide. Lgica por-defecto: Muy parecido al anterior, pero el operador M ya no hace la funcin de un operador modal capaz de formar sentencias Mp supuestamente vlidas en el sistema; en su lugar dicho operador slo aparece en las reglas de inferencia denominadas reglas por defecto definidas al efecto. Los enfoques presentados sobre el razonamiento no montono se pueden tildar de permisivos en el sentido de que posibilitan la obtencin de suposiciones cuando no existen evidencias que las contradigan. Es decir, El razonamiento montono, utiliza contradicciones para procesar. Elimina un hecho (factor de conocimiento) obteniendo la contradiccin hasta que llega a una conclusin final. Tambin puede realizarse un enfoque restrictivo del problema donde slo se considera vlido lo que se ha comprobado como cierto. Un ejemplo de este tipo es la consideracin de la circunscripcin de un predicado.

2.8.- Razonamiento Probabilstico

El razonamiento probabilstico es un caso dentro del razonamiento no montono. Cuando la probabilidad que la verdad de una oracin haya cambiado con respecto a su valor inicial (por ejemplo 1), otras oraciones que anteriormente tenan alta probabilidad pueden decaer hasta tener probabilidad pequea o nula. Cuando se configuran los modelos probabilsticos, esto es, cuando se define el espacio para una muestra de eventos susceptibles de recibir diferentes valores de probabilidad, se est apelando a un razonamiento no-montono ms general, pero la convencin es que esto no lo hace la computadora sino una persona que razona informalmente. Resulta aparente que en una situacin informtica abierta de sentido comn, no existe espacio general alguno para una muestra de eventos. Apenas se le ponen lmites a dicho espacio general de eventos considerados y se le aplica alguna distribucin, se est procediendo a generar teoras probabilsticas. Las tcnicas de razonamiento no-montono consisten en tcnicas desarrolladas para limitar los fenmenos tenidos en cuenta. Si queremos limitar los fenmenos considerados, debemos recurrir a tcnicas no-montonas. (Estoy confesando que no s cules seran esas tcnicas). Al formar distribuciones, habra que introducir una regla por defecto por la cual dos eventos e1 y e2 se deben considerar independientes entre s salvo que haya alguna razn para el otro caso. No es posible que e1 y e2 sean eventos cualesquiera: tienen que ser dos eventos bsicos por lo menos en algn sentido.

pg. - 18 -

INTELIGENCIA ARTIFICIAL

2.9.- Teorema de Bayes

El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el resultado que da la distribucin de probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A. El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam, que se adaptan con el uso.

pg. - 19 -

INTELIGENCIA ARTIFICIAL

Unidad 3. Sistemas de razonamiento Lgico

3.1.- Reglas de produccin

Regla se entiende como una proposicin lgica que relaciona 2 o ms objetos e incluye 2 partes, la premisa y la conclusin. Cada una de estas partes consiste en una expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante los operadores lgicos y, o no.

pg. - 20 -

INTELIGENCIA ARTIFICIAL
Reglas de produccin. Es un mtodo procedimental de representacin del conocimiento, pone nfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposicin a los mtodos declarativos (hechos). La estructura de una regla es: SI <antecedentes> ENTONCES <consecuentes> Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hiptesis. Cada regla por si misma constituye un grnulo completo de conocimiento. La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay dos tipos, segn el sentido: Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema. Sistemas de encadenamiento hacia atrs: una regla es activada si los consecuentes emparejan con algunos hechos del sistema. Arquitectura de los Sistemas Basados en Reglas: Base de Conocimientos: rene todo el conocimiento del sistema (Hechos + Reglas). Memoria Activa: contiene los hechos que representan el estado actual del problema (iniciales + inferidos a posteriori) y las reglas activadas (en condiciones de ser ejecutadas). Motor de Inferencias: decide que reglas activadas se ejecutarn.

3.2.- Sintaxis de las reglas de produccin

Los sistemas basados en reglas son los ms comnmente utilizados. Su simplicidad y similitud con el razonamiento humano, han contribuido para su popularidad en diferentes dominios. Las reglas son un importante paradigma de representacin del conocimiento. Las reglas representan el conocimiento utilizando un formato SI-ENTONCES (IFTHEN), es decir tienen 2 partes: La parte SI (IF), es el antecedente, premisa, condicin o situacin; y La parte ENTONCES (THEN), es el consecuente, conclusin, accin o respuesta. Las reglas pueden ser utilizadas para expresar un amplio rango de asociaciones, por ejemplo: SI est manejando un vehculo Y se aproxima una ambulancia, ENTONCES baje la velocidad Y hgase a un lado para permitir el paso de la ambulancia. SI su temperatura corporal es de 39 C, ENTONCES tiene fiebre. SI el drenaje del lavabo est tapado Y la llave de agua est abierta, ENTONCES se puede inundar el piso.

pg. - 21 -

INTELIGENCIA ARTIFICIAL

Inferencia Basada en Reglas Una declaracin de que algo es verdadero o es un hecho conocido, es una afirmacin (fact). El conjunto de afirmaciones se conoce a menudo con el nombre de memoria de trabajo o base de afirmaciones. De igual forma, al conjunto de reglas se lo denomina base de reglas. Un sistema basado en reglas utiliza el modus ponens para manipular las afirmaciones y las reglas durante el proceso de inferencia. Mediante tcnicas de bsqueda y procesos de unificacin, los sistemas basados en reglas automatizan sus mtodos de razonamiento y proporcionan una progresin lgica desde los datos iniciales, hasta las conclusiones deseadas. Esta progresin hace que se vayan conociendo nuevos hechos o descubriendo nuevas afirmaciones, a medida que va guiando hacia la solucin del problema. En consecuencia, el proceso de solucin de un problema en los sistemas basados en reglas va realizando una serie de inferencias que crean un sendero entre la definicin del problema y su solucin. Las inferencias estn concatenadas y se las realiza en forma progresiva, por lo que se lo que se dice que el proceso de solucin origina una cadena de inferencias. Los sistemas basados en reglas difieren de la representacin basada en lgica en las siguientes caractersticas principales: Son en general no-monotnicos, es decir hechos o afirmaciones derivadas, pueden ser retractados, en el momento en que dejen de ser verdaderos. Pueden aceptar incertidumbre en el proceso de razonamiento.

3.3.- Semntica de la regla de producciones

Es una representacin formal de una relacin, una informacin semntica o una accin condicional. Una regla de produccin tiene, generalmente, la siguiente forma: SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creacin y la modificacin de la base de conocimiento. Permite introducir coeficientes de verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento mediante unas frmulas de clculo establecidas) y, en teora, el mtodo asegura que cuantas ms reglas posea ms potente es. Sin embargo, aunque es la forma de representacin ms intuitiva y rpida, cuando el nmero de reglas es grande aumenta la dificultad de verificacin de todas las posibilidades con el consiguiente riesgo de perder la coherencia lgica en la base de conocimiento. Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y tambin sobre el campo de validez de algunas de las reglas. Para el manejo de la incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres ms conocidos son los Factores de Certeza (utilizados en

pg. - 22 -

INTELIGENCIA ARTIFICIAL
MYCIN), la lgica de Dempster Shafer, y la Lgica Difusa (Fuzzy Logic). El mtodo de tratar la incertidumbre es una de las caractersticas ms importantes de las herramientas de desarrollo, y actualmente se encuentra en discusin la validez de estas lgicas para tratar con la incertidumbre. En sustitucin se han propuesto las Redes Bayesianas que tienen una base matemtica ms firme. De todas formas es un campo actual de investigacin que permanece abierto.

3.3.1.- Conocimiento causal

Los conocimientos causales y de procedimientos fueron propuestos por Zack en el ao de 1999 quien establece lo siguiente de dichos conocimientos. Este tipo de conocimiento tiene que ver con el porqu ocurren las cosas. Es un tipo de conocimiento explcito y compartido mediante historias de la organizacin, posibilita una estrategia de coordinacin para alcanzar objetivos y resultados. La explicacin causal Las generalizaciones habituales nos dicen cmo son las cosas: Las catedrales castellanas son gticas. Forman juicios descriptivos de la realidad. A diferencia de ellas, las generalizaciones causales nos explican el porqu de las cosas: Por qu se ha muerto mi perro? Por qu hay paro? Por qu se adelantan las elecciones? La causalidad El argumento causal pretende razonar la existencia de una causa para determinado efecto. Su conclusin dice: A causa B. Mi perro ha muerto porque comi un cebo envenenado. Las relaciones Hablamos de causa cuando al fenmeno en cuestin, el efecto, le acompaa o le precede otro con el que podemos asociarlo. Percibimos una relacin regular entre la aparicin de dos sucesos. As, pues, nuestra primera pregunta en la

pg. - 23 -

INTELIGENCIA ARTIFICIAL
investigacin de una causa es acerca de esa relacin: Qu ha intervenido para modificar la marcha habitual de los acontecimientos? Qu cosa nueva ha ocurrido? Los tipos de relacin. No todas las relaciones son iguales. En ocasiones, observamos que los sucesos de tipo A se siguen regularmente de sucesos de tipo B. Decimos que entre ambos existe una relacin positiva: A, suscita la aparicin de B. Comer bien mejora el humor. Al contrario si cada vez que aparece A, no aparece B, hablamos de relacin negativa: A inhibe la aparicin de B. Cuando llega la primavera no apetece estudiar. Condiciones Por la manera de intervenir unos sucesos en la aparicin de otros, distinguimos: Condicin suficiente: la que asegura la produccin de un efecto. Pueden ser una o varias. Condicin necesaria: la indispensable para la produccin de un efecto, pero incapaz de producirlo por s sola. Habitualmente, varias condiciones necesarias concurren para formar una condicin suficiente. Condicin suficiente y necesaria es la que siendo necesaria se basta para la produccin del efecto porque todas las dems condiciones estn cumplidas. Conocimiento de procedimiento: Se refiere a cuando ocurre algo. Este tipo de conocimiento, de carcter explcito y compartido, permite una mayor eficiencia en la coordinacin. Un sistema basado en reglas de produccin consta de: Un conjunto de reglas de produccin Par condicin/accin: si C, entonces A Se trata del conocimiento de un experto. A veces llevan asociado un factor de certeza. Un sistema de gestin de base de datos (memoria de trabajo) Consta de un nmero de hechos relevantes para el problema a solucionar. Un interpret de reglas. Identifica las reglas aplicables y el orden en que se tienen que aplicar. Ventajas: Modularidad del enfoque Captar conocimiento probabilstico til. Desventajas: Carencia de formalizacin, aunque debido a su similitud con las frmulas de la lgica verifica muchos de sus teoremas.

pg. - 24 -

INTELIGENCIA ARTIFICIAL
Conocimiento de procedimiento Como administrar ciertas cosas, por ejemplo administrar un medicamento. Comprender el porqu de las cosas, por ejemplo el por qu un medicamento es efectivo.

Conocimiento causal

3.3.2.- Conocimiento de Diagnostico

El problema del diagnstico ha sido, desde los comienzos de la IA, uno de los ms 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 reas de la IA que supone todava una gran desafi. Una de las caractersticas ms frecuentes en resolucin del problema del diagnstico en dominios reales es la necesidad de trata con la dimensin temporal. As, una vez propuesto un modelo terico, una tendencia cada vez ms habitual a la hora de desarrollar sistemas de diagnstico temporal es necesario abordar el problema del diagnstico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximacin ms adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.

3.4.- Arquitectura de un Sistema de Produccin

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 actuacin con variables complejas, en los cules no basta con usar realidades absolutas como lo sera un cierto o falso. En aplicaciones de control, ya que suelen estar basadas en el punto descrito anteriormente. Pueden ser usadas para la categorizacin de elementos, detectar patrones.

pg. - 25 -

INTELIGENCIA ARTIFICIAL
Como agentes de usuario, los cules 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 decisin final la va a tomar el experto en cuestin. Como ejemplo cabe destacar el mbito financiero. <<Minera de datos y descubrimiento de informacin, consistente en hallar el conocimiento intrnseco dentro de una base de datos, los cules 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. Una regla es definida como un modo de representacin estratgica o tcnica, la cual es apropiada cuando el conocimiento con el que deseamos trabajar proviene de la experiencia o de la intuicin, y por tanto carece de una demostracin fsica o matemtica. Tipos de reglas y proposiciones Las proposiciones se pueden clasificar en los siguientes grupos: Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la proposicin que forma una regla. El atributo corresponde al grado que determina la regla. Grado de Suceso: Probable, poco probable... Proposiciones CUANTI FICADAS: Indican cantidades difusas en las reglas. SI muchos alumnos suspenden ENTONCES la explicacin fue bastante mala Respecto a esta clasificacin, podremos decir que las proposiciones que no poseen cuantificadores ni calificadores son proposiciones categricas, mientras que las proposiciones no categricas no tienen por qu 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 tendr calor EXCEPTO que tenga aire acondicionado. Graduales: Cuantos ms partidos ganemos, ms fcil ser ganar la liga. Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen informacin 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 Consecuentes distintos, por ejemplo: R1: SI tengo hambre ENTONCES como. R2: SI tengo hambre ENTONCES no como. Otro ejemplo de reglas contradictorias son aquellas que estando encadenadas En ambos sentidos, niegan un consecuente: R1: SI he metido un gol ENTONCES estoy feliz. R2: SI estoy feliz ENTONCES no he metido un gol.

pg. - 26 -

INTELIGENCIA ARTIFICIAL

La siguiente figura muestra los componentes fundamentales de un sistema de produccin, que son: una base de hechos, una base de reglas de produccin (a veces llamada base de conocimientos del dominio del sistema), una maquina deductiva (motor de inferencia) y un mdulo de explicacin.

3.4.1.- 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 desempear 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 sesin de trabajo o para llevar a cabo la descripcin del comportamiento del propio sistema experto. Al principio del perodo de trabajo, la base de hechos dispone nicamente 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 produccin son de tipo: SI ENTONCES (SI A ENTONCES B). Donde tanto las premisas como la conclusin, no son ms 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 aos El perro es blanco A Mara le gusta el cine Pedro prefiere la pelcula La edad de Luis es de 25 aos Pedro tiene un salario de 200 pesos Una regla es una combinaste de hechos que permite representar conocimientos y sacar inferencia de los mismos. Ejemplo

pg. - 27 -

INTELIGENCIA ARTIFICIAL
de reglas R1: si y entonces R2: SI Y ENTONCES R3: SI Y ENTONCES Observe como partiendo de hechos conocidos que describen algn conocimiento se pueden inferir nuevos hechos (nuevos conocimientos).

3.4.2.- Base de Conocimientos Contiene el conocimiento del dominio en el cual el programa es competente. El conocimiento tiene que estar representado en la forma que resulte ms adecuada para el dominio de su competencia. Adicionalmente hay que tratar que esa representacin sea: Sencilla. Independiente. Fcil de modificar. Transparente: justificacin de soluciones y explicacin de los procesos. Relacional. Potente: poder expresivo y eficiencia de clculo. Un aspecto importante de una base de conocimientos es su capacidad, expresada sobre la base del nmero de reglas que posee: Demostracin interesante: 50 reglas. Prototipo funcional: 250 reglas. SE operacional medio: 500 - 1000 reglas. SE operacional especial: 4000 reglas. Una base de conocimientos debe ser coherente, rpida, modular, fcil de desarrollar y mantener. Ejemplo:

pg. - 28 -

INTELIGENCIA ARTIFICIAL
Como una base de conocimientos est dada por un conjunto de reglas, se puede aplicar estas reglas para un sistema que deduzca la enfermedad y el tratamiento de un paciente. R1: si el paciente tiene fiebre, y tose, y tiene dolores musculares entonces tiene gripe. R2: si el paciente tiene gripe o resfriado, y no tiene lcera entonces recomendar aspirina y coac.

3.4.3.- Mecanismo de Control Los mecanismos de control para un sistema de produccin permiten que el contenido de la informacin permanezca en perfecto orden, esto es, que las reglas ms especficas y las que tratan con excepciones deben de aplicarse antes que las generales, adems el dialogo entre el sistema y el usuario debe de hacer preguntas siguiendo una lnea de razonamiento clara y no debe de preguntar lo que no puede deducir. Para controlar un SP se requiere lo siguiente: Ordenar las reglas. Poco elegante. Difcil de mantener. Solo aplicable en sistemas simples en los que las reglas se almacenan en una lista que se recorre cclicamente. Ordenar las conclusiones de cada regla. Valido solo en encadenamiento hacia atrs. Colocar primero las que tienen ms posibilidades de fallar. Aadir nuevas premisas para controlar las reglas a aplicar en cada punto de la inferencia Ejemplo: Si hielo_en_la_carretera y velocidad > 70 entonces recomendacin = reducir_velocidad

pg. - 29 -

INTELIGENCIA ARTIFICIAL
Si situacin = coche_en_marcha y hielo_en_la_carretera y velocidad > 70 entonces recomendacin = reducir_velocidad Aunque obedeciendo siempre al esquema conceptual general, los mecanismos de control pueden clasificarse, dependiendo del momento en que se realice la accin de control, en la forma que se indica a continuacin: a)Control Direccional El mecanismo de control acta antes de que la actividad este totalmente concluida. En este caso el control se realiza de modo continuo y no en puntos determinados, de modo que cada elemento de la accin sea el resultado de la rectificacin casi instantnea de la accin anterior. Es lo que ocurre, por ejemplo, con un conductor de carro, al orientar su trayectoria de acuerdo con los obstculos que se encuentran en el camino. El espacio de tiempo entre la percepcin de la nueva situacin, la evaluacin de la rectificacin a efectuar, la decisin y la accin correctiva debe ser mnimo, so pena de ocasionar un accidente. En proyectos, este tipo de control se puede realizar cuando se tiene estructurado un sistema, que permita controlar los diferentes factores de manera continua.

3.5.- Ciclo de Vida de un sistema de Produccin

El concepto de sistema de produccin se basa en la Teora General de Sistemas que fue desarrollada por el bilogo alemn Von Bertalanffy y que en esencia es una perspectiva integradora y holstica (referida al todo).Una de las definiciones de la teora general de sistemas dice que los sistemas son conjuntos de componentes que interaccionan unos con otros, de tal forma que cada conjunto se comporta como una unidad completa. Otra definicin dice que los sistemas se identifican como conjuntos de elementos o entidades que guardan estrechas relaciones entre s y que mantienen al sistema directo o indirectamente unido de modo ms o menos estable y cuyo comportamiento global persigue, normalmente, algn tipo de objetivo. Par describir y en general para entender un sistema, es comn el uso de diagramas, los que si bien no dan una visin completa, facilitan la visualizacin de las interrelaciones, como se indica en la figura siguiente.

pg. - 30 -

INTELIGENCIA ARTIFICIAL

Unidad 4.-Busqueda y satisfaccin de Restricciones

4.1 Problemas y espacios de estados
Existe cierto tipo de agentes inteligentes basados en metas denominados agentes para la solucin de problemas. Este tipo de agentes determina lo que debern hacer al determinar secuencias de acciones que les permitan obtener estados deseables. Los agentes inteligentes deben actuar de manera que el entorno experimente una serie de estados tales que permitan obtener un mximo en la medida de rendimiento. En trminos generales, es difcil lograr la plena traduccin de esta especificacin en un satisfactorio diseo de un agente. El logro de este objetivo se

pg. - 31 -

INTELIGENCIA ARTIFICIAL
simplifica cuando agente tiene una meta y se esfuerza por lograrla. La formulacin de metas tomando como base la situacin de un momento dado, es el primer paso en la solucin de problemas. Se considera que las metas son conjuntos de estados del mundo. Se puede considerar que las acciones son las causantes de la transicin entre uno y otro estado del mundo; por ello, obviamente el agente tiene que decidir qu acciones permiten obtener el estado correspondiente a una meta. Pero para ello, primero tiene que decidir qu tipos de acciones y estados habr que tomar en consideracin. La formulacin de un problema es el proceso que consiste en decidir qu acciones y estados habrn que considerarse y es el paso que sigue a la formulacin de metas. En trminos generales, cuando un agente tiene ante si diversas opciones inmediatas cuyo valor ignora, para decidir lo que debe hacer primero tiene que evaluar las diversas secuencias de acciones posibles que le conducen a estados cuyo valor se conoce, y luego decidirse por la mejor. Al anterior proceso de hallar tal secuencia se le conoce como bsqueda. En un algoritmo de bsqueda la entrada es un problema y la respuesta es una solucin que adopta la forma de una secuencia de acciones. Una vez encontrada una solucin se procede a ejecutar las acciones que esta recomienda. A la anterior se le denomina fase de ejecucin. Es decir el diseo del agente se reduce a formular, buscar y ejecutar. Problemas bien definidos y soluciones Un problema en realidad es un conjunto de informacin que el agente utiliza para decidir lo que va a hacer. Hemos visto que los elementos bsicos que configuran la definicin de un problema son los estados y las acciones. Para capturarlos formalmente necesitamos lo siguiente: El estado inicial, que el agente sabe que all es en el que se encuentra. El conjunto de posibles acciones que el agente puede emprender. El trmino operador denota la descripcin de una accin en funcin de la cual se alcanzar un estado al emprender una accin en un estado particular. Los dos trminos anteriores definen el espacio de estados de problema: El cual se define como el conjunto de todos los estados que puedan alcanzarse a partir del estado inicial mediante cualquier secuencia de acciones. Una ruta del espacio de estados es simplemente cualquier secuencia de acciones que permiten pasar de un estado a otro. El siguiente elemento de un problema es: La prueba de meta, es lo que el agente aplica a la descripcin de un solo estado para decidir si se trata de un estado meta. Hay ocasiones en las que existe un conjunto explcito de posibles estados meta y la prueba slo sirve para cerciorarse si hemos alcanzado alguno de ellos. Por ejemplo en el ajedrez la meta es alcanzar un estado denominado jaque mate, en la que

pg. - 32 -

INTELIGENCIA ARTIFICIAL
el rey del contrincante se capturar en la siguiente jugada, haga lo que haga. Por ltimo hay casos en los que una solucin es preferible a la otra, no obstante que con ambas pueda lograrse la meta. Por ejemplo son preferibles las rutas que entraan menos acciones o acciones menos costosas.

4.2 Espacios de estados Determinsticos y espacios no determinstico

Como se mencion en el tema anterior, el espacio de estados es la representacin de un problema que abarca todas las posibles situaciones que se pueden presentar en la solucin del problema. Los espacios de estados pueden clasificar en dos tipos: los implcitos y los explcitos, como se muestra en el diagrama siguiente:

pg. - 33 -

INTELIGENCIA ARTIFICIAL

Los espacios de estados implcitos normalmente utilizan un sistema de produccin para generar sobre la marcha los posibles estados siguientes de un estado dado. Los juegos suelen crear un espacio de estados implcito ya que un juego puede variar dependiendo de las reglas que lo describen. Los espacios de estados explcitos son aquellos en los se define, previo al inicio de la bsqueda, todos los estados posibles y las conexiones entre ellos. La representacin de los espacios de estados explcitos se puede dar o no determinsticamente, esto es, que el espacio de estados determinsticos contienen un nico estado inicial y seguir la secuencia de estados para la solucin, mientras que el no determinstico contiene un amplio nmero de estados iniciales y sigue la secuencia de estados perteneciente al estado inicial del espacio. Los espacios de estados determinsticos son usados por los sistemas expertos, mientras que los no determinsticos son usados por sistemas de lgica difusa.

pg. - 34 -

INTELIGENCIA ARTIFICIAL
Ejemplo de espacio de estados determinsticos

Ejemplo de espacio de estados no determinsticos.

4.3 Bsqueda Sistemtica

Los problemas de bsquedas, que generalmente encontramos en Ciencias Computacionales, son de un estado determinstico. Por ejemplo, en los algoritmos de bsqueda de anchura y de bsqueda de profundidad, uno sabe la secuencia de los nodos visitados en un rbol. Sin embargo, los problemas de bsqueda, los cuales siempre tendremos que tratar en Inteligencia artificial, son no determinsticos y el orden de elementos visitados en el espacio de bsqueda depende completamente en el conjunto de datos. Dependiendo de la metodologa de expansin de un espacio de estado y consecuentemente el orden de los estados visitados los problemas de bsqueda se nombran diferentes

pg. - 35 -

INTELIGENCIA ARTIFICIAL

4.3.1 Bsqueda de metas a profundidad El algoritmo de ms utilizado es el de bsqueda de metas por profundidad. Es llamado as porque sigue cada camino hasta su mayor profundidad antes de moverse al siguiente camino.

Asumiendo que iniciamos desde el lado izquierdo y trabajamos hacia la derecha, la bsqueda de metas por profundidad involucra trabajar todos los caminos debajo del camino de rbol ms a la izquierda hasta que un nodo hoja es alcanzado. Si esta es una meta de estado, la bsqueda es completada y reportada como exitosa. Si el nodo hoja no representa la meta de estado, la bsqueda se dirige atrs y arriba al siguiente nodo ms alto que tiene un camino no explorado. La bsqueda de profundidad es un ejemplo de la bsqueda de fuerza bruta, o la bsqueda exhaustiva. La bsqueda de profundidad es usada por computadoras a menudo para los problemas de bsqueda como ubicar archivos en un disco. Complejidad de espacio Se requiere mayor cantidad de memoria en la bsqueda de profundidad, cuando alcanzamos la mayor profundidad a la primera vez.

pg. - 36 -

INTELIGENCIA ARTIFICIAL
Complejidad de tiempo Si encontramos la meta en la posicin ms a la izquierda de profundidad (D), entonces el nmero de nodos examinados es (d+1). De otra forma, si encontramos la meta en el extremo derecho a una profundidad (D), entonces el nmero de nodos examinados incluyen todos los nodos en el rbol.

4.3.2 Bsqueda de metas en anchura Una alternativa para la bsqueda de profundidad es la bsqueda de metas de anchura (amplitud). Como su nombre indica, este enfoque supone atravesar un rbol por anchura ms que por profundidad. El algoritmo de anchura empieza examinando todos los nodos de un nivel (a veces llamado hebra uno) abajo del nodo raz.

Si una meta de estado es alcanzada aqu, el xito es reportado. De otra forma, la bsqueda contina ampliando caminos de todos los nodos del nivel en curso, para posteriormente bajar al prximo nivel. De este modo, la bsqueda contin- 1 -a revisando nodos en un nivel especial, e informar sobre el xito cuando un nodo meta es encontrado, y reportar una falla si todos los nodos han sido revisados y ningn nodo meta ha sido encontrado.

Comparativa de casos de bsqueda de profundidad y por anchura

pg. - 37 -

INTELIGENCIA ARTIFICIAL

4.3.3 Bsqueda Optima La bsqueda heurstica, trata de resolver los problemas mediante una nueva tcnica. Podemos expandir nodos por seleccin juiciosa, seleccionado el nodo ms prometedor, donde estos nodos estarn identificados por el valor de su fuerza comparada con sus competidores homlogos con la ayuda de funciones intuitivas especializadas, llamadas funciones heursticas. En algunos casos los algoritmos de bsqueda heurstica, son tambin llamados OR-graphs o Best First Algorithms (Algoritmo de bsqueda ptima). La mayora de los problemas de razonamiento pueden ser representados por un OR-graph, donde un nodo en el grafo denota un problema de estado y un arco representa una aplicacin o regla para el estado actual para causar transicin de estados. Cuando un nmero de reglas son aplicables a un estado actual, podemos seleccionar un mejor estado entre el nodo hijo y el siguiente estado.

Ejemplo de algoritmo de bsqueda ptima Inicio 1. Identificar los posibles estados inciales y medir la distancia (f) del ms cercano con a la meta; ponerlos en una lista (L) 2. Mientas L no est vaca has Inicia a) Identificar el nodo n de L que tenga el mnimo f; Si existe ms de un nodo con un f mnimo, seleccionar uno de ellos, (tomar n, arbitrariamente) b) Si n es la meta

pg. - 38 -

INTELIGENCIA ARTIFICIAL
Entonces regresar n a lo largo del camino desde el nodo inicial; salir con xito. Si no remover n de L y agregar todos los hijos de n a L, junto con su camino etiquetado desde el nodo inicial

CONCLUSIONES

Dentro del mbito de las Ciencias de la Computacin la Inteligencia Artificial es una de las reas que causa mayor expectacin, incluso dentro de la sociedad en general, debido a que la bsqueda para comprender los mecanismos de la inteligencia, ha sido la piedra filosofal del trabajo de muchos cientficos por muchos aos y lo sigue siendo.

pg. - 39 -

INTELIGENCIA ARTIFICIAL
Dentro de las reas de la Inteligencia Artificial lo que ms ha atrado, es el aprendizaje de mquinas, resultando vital el proceso de emular comportamientos inteligentes. Que un sistema pueda mejorar su comportamiento sobre la base de la experiencia que recoge al efectuar una tarea repetitiva y que adems, tenga una nocin de lo que es un error y que pueda evitarlo, resulta apasionante. Pueden los computadores aprender a resolver problemas a partir de ejemplos? No hace tanto tiempo esta pregunta bordeaba la ciencia ficcin, pero ahora es objeto de profundos y prometedores estudios. Las redes de neuronas formales son mquinas que poseen esta capacidad de aprendizaje. Son mquinas propuestas como modelos extremadamente simplificados del funcionamiento del cerebro que sienta las bases de un modelo colectivo, donde el sistema global presenta propiedades complejas que no pueden predecirse a partir del estudio individual de sus componentes. Los estudios tericos de redes de neuronas reflejan estos dos aspectos: el de la modelizacin de fenmenos cognitivos y el del desarrollo de aplicaciones. Por ejemplo para reconocimiento de mquina necesita parmetros de un deseada. una mquina, la clasificacin de rostros, datos mdicos o letras son tareas difciles, ms que para un ser humano. La del aprendizaje, donde el asunto consiste en adaptar los sistema, en este caso artificial, para obtener la respuesta

Los mtodos tradicionales en Inteligencia Artificial que permitieron el desarrollo de los primeros sistemas expertos y otras aplicaciones, ha ido de la mano de los avances tecnolgicos y las fronteras se han ido expandiendo constantemente cada vez que un logro, considerado imposible en su momento, se vuelve posible gracias a los avances en todo el mundo, generando incluso una nueva mentalidad de trabajo que no reconoce fronteras fsicas ni polticas. Se entiende como un esfuerzo comn. La comprensin de los mecanismos del intelecto, la cognicin y la creacin de artefactos inteligentes, se vuelve cada vez ms una meta que sueo, a la luz de los enormes logros, tan solo en alrededor de medio siglo de desarrollo de las ciencias de la computacin y de poner la lgica al servicio de la construccin de sistemas.

pg. - 40 -

INTELIGENCIA ARTIFICIAL

Bibliografa:
MIKELL P. Groover, Robtica Industrial. Mc Graw Hill. 1999. www.monografias.com www.wikepedia.org www.itver.edu.mx/

pg. - 41 -

INTELIGENCIA ARTIFICIAL

pg. - 42 -

INTELIGENCIA ARTIFICIAL

pg. - 43 -