INTELIGENCIA

ARTIFICIAL
M.Sc. Ing. Avid Roman Gonzalez
 ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
• Es una de las áreas de las ciencias computacionales
encargadas de la creación de hardware y software
con comportamiento inteligentes.
• La Inteligencia Artificial es una combinación de la
ciencia del computador, fisiología y filosofía, tan
general y amplio. Reúne varios campos (robótica,
sistemas expertos, por ejemplo), todos los cuales
tienen en común la creación de máquinas que
pueden "pensar".
• El estudio de las computaciones que permiten
percibir, razonar y actuar
• Estudia como lograr que las máquinas realicen
tareas que, por el momento, son realizadas mejor
por los seres humanos.
INTELIGENCIA ARTIFICIAL EN 4 GRUPOS:

• Actuar como humano: el enfoque de la prueba

de Turing (1950).
• Pensar como humano: el enfoque del modelo
cognoscitivo.
• Pensar racionalmente: el enfoque de las leyes
del pensamiento.
• Actuar en forma racional: el enfoque del
agente racional
Técnicas de la Inteligencia Artificial:

– Agentes
– Sistemas Expertos
– Algoritmos Genéticos
– Lógica Difusa
– Redes Neuronales
AGENTES
 ¿Qué es un Agente?
sensores
• Un agente es todo
aquello que puede
percepciones
considerarse que
ambiente
percibe su ambiente
?
agente mediante sensores y
acciones
que responde o actúa
en tal ambiente por
efectores
medio de efectores
Agentes Naturales:

Agente: cuerpo biológico

Entorno: naturaleza

Sensores: ojos, oídos, lengua, piel, etc.

Efectores: piernas, brazos, manos, etc.

Medida de rendimiento: sobrevivir, reproducirse,

 Agentes artificiales:
Agentes hardware (robots):
– interactúan directamente con un
entorno físico
– disponen de un “cuerpo” físico
– sensores: cámaras, telémetros
infrarojos, etc.
– efectores: ruedas/piernas,
manipuladores, etc.
Agentes software (softbots):
– actúan en entornos virtuales
(p.e. Internet)
– todo software: no necesitan
manipular físicamente el
entorno
– sensores y efectores:
dependientes del entorno
Agentes Racional:
• Es el que percibe y actúa para cumplir con sus
objetivos con base a sus creencias de lo que es
correcto
• La racionalidad de un agente depende de cuatro
factores:
– La medida del rendimiento: define el grado de éxito del
agente en el cumplimiento de sus objetivos.
– La secuencia de percepciones: todo lo que ha percibido el
agente hasta ese momento.
– El conocimiento del medio: todo el conocimiento que ha
acumulado en el medio en que habita.
– Las acciones que el agente puede ejecutar.
Características Adicionales:
Autonomía: Cuanto más se
rige su comportamiento por
su propia experiencia y
Cuanto menos depende de
sus conocimientos a priori)

Aprendizaje: Cuando no sólo

recopila información, sino
que aprende de lo que
percibe
Tipos de Agentes:

• Agentes reactivos (reflejo) simple

• Agentes reactivos basados en modelos (con estado
interno)
• Agentes basados en metas (u objetivos)
• Agentes basados en utilidad
Agentes Reactivos Simples

Este tipo de agente no

contiene internamente
estados y sus procesos o
acciones que realiza son
respuestas a la entrada de
percepciones. Ignoran las
percepciones históricas
Agentes reactivos basados en modelos
(con estado interno)
Este tipo de agente guarda
estados internos sobre la
historia percibida lo cual le sirve
para ejecutar una acción. Los
sensores no nos pueden
informar a la vez de todos los
estados que maneja nuestro
ambiente, es por este caso que
el agente necesita actualizar
algo de información en el estado
interno.
Agentes basados en metas

Además de los estados, los agentes

necesitan cierto tipo de información
sobre sus metas. Estas metas van a
detallar las situaciones a las que se
desea llegar de este modo, el
programa de agente puede combinar
las metas con la información de los
resultados (acciones) que emprenda y
de esta manera poder elegir aquellas
acciones que permitan alcanzar la
meta
Agentes Basados en Utilidad

Utiliza un modelo del mundo,

junto con una función de
utilidad que calcula sus
preferencias entre los estados
del mundo. Después selecciona
la acción que le lleve a alcanzar
la mayor utilidad esperada,
entre todos los resultados
posibles
SISTEMAS EXPERTOS
 ¿Qué es un Sistema Experto?

Es un Sistema Basado en Conocimiento cuyo

conocimiento sobre un dominio es comparable
al de las personas expertas en él. En su
desarrollo existen principalmente dos
personajes:

– Ingeniero de Conocimiento
– Experto
 Adquisición de Conocimiento:

• Expertos humanos: Se hace mediante

reuniones y entrevistas entre los ingenieros de
SE con los expertos del dominio.
• Documentación: Libros, revistas,
publicaciones entre otros.
• Simulación: Son sistemas informáticos que
modelan el comportamiento de un sistema.
 Programa tradicional
vs Sistemas Expertos
SISTEMA CONVENCIONAL SISTEMA EXPERTO

Conocimiento y Lógica de proceso Base de Conocimientos y Mecanismo de

mezclados en un programa. Inferencia separados.

No explica porque se necesitan los datos ni Lo explican.

porque se llego a un resultado.

Es difícil efectuar cambios en los Es más fácil modificar a Base de

conocimientos programados. Conocimientos.

Necesitan información completa para Deben ser más tolerantes para operar aun
operar. con la información desconocida.

Generalmente manejan datos cuantitativos. Manejan datos cualitativos

primordialmente.
 Problemas y limitaciones de los
Sistemas Expertos
• Estrechez del dominio de aplicación.
• Lenguajes limitados para expresar hechos y
relaciones.
• Superficialidad de los conocimientos.
• Poco o nulo auto conocimiento de su propio
alcance o limitaciones.
• Falla catastróficamente tan pronto nos
apartamos de su campo de especialidad.
Arquitectura Básica de un Sistema
Expertos
 Base de conocimientos
La información en la B.C. es todo lo
necesario para comprender, formular y
resolver el problema. Incluye dos elementos
básicos:

– Hechos
– Reglas
 Mecanismo de inferencia

Es el cerebro del Sistema Experto. Este

proceso se puede representar en árboles
DIAGNÓSTICO MÉDICO
 Base de conocimientos :
conocimiento('sarampion',
• ['el paciente esta cubierto de puntos', 'el paciente tiene temperatura alta‘, 'el
paciente tiene ojos rojos', ‘el paciente tiene tos seca']).
conocimiento('influenza',
• ['el paciente tiene dolor en las articulaciones', 'el paciente tiene mucho
estornudo','el paciente tiene dolor de cabeza']).
conocimiento('malaria',
• ['el paciente tiene temperatura alta','el paciente tiene dolor en las
articulaciones', 'el paciente tiembla violentamente', 'el paciente tiene
escalofrios']).
conocimiento('gripe',
• ['el paciente tiene cuerpo cortado', 'el paciente tiene dolor de cabeza', 'el
paciente tiene temperatura alta']).
conocimiento('tifoidea',
• ['el paciente tiene falta de apetito', 'el paciente tiene temperatura alta', 'el
paciente tiene dolor abdominal', 'el paciente tiene dolor de cabeza', 'el
paciente tiene diarrea']).
Tratamiento(‘gripe’,
• [‘Reposar en cama’,’beber bastante liquidos]).
 Motor de inferencia :
If(paciente tiene gripe)
%Inicio
Tratamiento gripe
%fin
Else
%inicio
Seguir preguntando síntomas
%fin
If(paciente tiene 'tifoidea')
%Inicio
Tratamiento 'tifoidea'
%fin
Else
%inicio
Seguir preguntando síntomas
%fin
If(no hay enfermedad)
%inicio
Pedir inserción de nueva información
%fin
ALGORITMOS GENETICOS
Es una técnica de búsqueda basada en la teoría de la evolución.
Se basa en los mecanismos de selección que utiliza la naturaleza:
-Los individuos más aptos de una población son los que sobreviven
pues se adaptan más fácilmente a los cambios que se producen en su
entorno.
-Los cambios se traducen en transformaciones en los genes de un
individuo (unidad básica de codificación de cada uno de los atributos
de un ser vivo)
-Las características más destacadas de un individuo (i.e., los que le
permiten adaptarse mejor a su entorno) se deben transmitir a sus
descendientes.
-Un AG empieza por uno o varios individuos y mediante operaciones
de transformación y selección va haciendo evolucionar su especie,
desarrollando individuos mejores.
Conceptos:
Población: Grupo de Individuos

Individuo: Contiene varios cromosomas

Cromosoma: La información asociada a un

individuo.

Fenotipo: Las características de los individuos,

sean beneficiosas o no. Puede representada por
más de un cromosoma.
Operaciones que se realizan

Evaluación de aptitud (calidad del individuo)

Selección (determinación de cuáles son los individuos que

continuarán existiendo)

Cruce (un mecanismo para obtener nuevos individuos a partir

de otros)

Mutación (un mecanismo para obtener un nuevo individuo a

partir de su propia información)
Ejemplo:
-Algunas ideas para implementar un AG para un Problema de
Agente Viajero
-El agente debe visitar 10 ciudades (numeradas del 0 al 9)
-La representación de los genes o cromosomas es una lista de
ciudades dispuestas en el orden en que se visitan.
Por ejemplo: g = [9 3 4 0 1 2 5 7 6 8]

-Es un gen de longitud 10 y significa que el vendedor visita las

ciudades 9, 3, 4, ..., 8 en ese orden y regresa a la ciudad 9.
LOGICA DIFUZA
 ¿Que es la Lógica Difusa?
-La lógica de conjuntos difusos (ó borrosos) trabaja con conjunto de
datos que no tienen límites perfectamente definidos, es decir la
pertenencia ó no de una variable a un conjunto no es precisa.
-Se caracteriza por funciones de pertenencia que dan flexibilidad a
la modelación, utilizando expresiones como: mucho, poco, leve,
escaso, suficiente, caliente, frío, tibio, joven, viejo.
-En estos problemas, donde la información es imprecisa la
matemática y la lógica tradicional no son suficientes.
-La lógica difusa es un lenguaje que permite trasladar sentencias
sofisticadas del lenguaje natural a un formalismo matemático.
Ejemplo:
Variable lingüística: Temperatura
T(x) = {baja, media, alta}

 (x)
A Baja Media Alta

Temperatura
 REDES
NEURONALES
 INTRODUCCION
• Se trata de una
nueva forma de
computación que
es capaz de
manejar las
imprecisiones
cuando se tratan
de resolver
problemas del
mundo real.
 Definición de una Red Neuronal:
• Una nueva forma de computación, inspirada en
modelos biológicos.
• Un modelo matemático compuesto por un gran
número de elementos procesales organizados en
niveles.
• Un sistema de computación hecho por un gran
numero de elementos simples de proceso muy
interconectados.
• Redes Neuronales artificiales son redes
interconectadas masivamente en paralelo de
elementos simples y con organización jerárquica, las
cuales intentan interactuar con los objetos del mundo
real del mismo modo que lo hace el sistema nervioso
biológico.
 Ventajas de las redes Neuronales:
Son capaces de aprender de la experiencia, de generalizar de
casos anteriores a nuevos casos, entre las ventajas que
podemos mencionar se encuentran:
• Aprendizaje adaptativo.
• Autoorganización.
• Tolerancia a fallos.
• Operación en tiempo real.
• Fácil inserción dentro de la tecnología existente.
Implementación de las Redes Neuronales:
Realizar redes neuronales consiste
en la implementación de estas
por medio de uno o varios
circuitos integrados. Existen
algunos productos comerciales,
como el N64 de Intel, que
incluye 64 neuronas y
10000sinapsis, o el MB4442 de
Fujistsu con una sola neurona y
capaz de procesar 70000
conexiones por segundo, o el
MD1220 de Micro Device, o el
conjunto NU3232 y N32 de
Neural Semiconductors.
 Modelo Biológico:
La teoría y modelado de redes neuronales artificiales
esta inspirado en la estructura y funcionamiento de
los sistemas nerviosos, donde la neurona es el
elemento fundamental.

• 1011 Neuronas
(procesadores)
• Poder
desconocido
• 1000 – 10000
conecciones por
neurona
Funcionamiento del Modelo Biológico:
La mayoría de las neuronas codifican sus
salidas como una serie de breves pulsos
periódicos, llamados potenciales de
acción, que se originan cercanos al soma
de la célula y se propagan a través del
axón. Luego, este pulso llega a las
sinapsis y de ahí a las dendritas de la
neurona siguiente.

Una señal neural eléctrica pre-sináptica, llega al botón sináptico de la figura 2. Allí, ésta
hace que las vesículas sinápticas (en azul en nuestra figura) se rompan, liberándose así
una sustancia llamada neurotransmisor. Esta sustancia química se difunde a través del
espacio entre las neuronas. Luego, es captada por la dendrita, en donde estimula la
emisión de un nuevo impulso eléctrico, postsináptico, que se propaga hacia la derecha.
Así vemos que las dendritas son las zonas receptivas de una neurona, siendo el axón
una línea de transmisión, y los botones terminales comunican los impulsos a otras
neuronas.
 Red Neuronal Artificial:
bias
• Modelo simplificado de neurona Entradas w0
biológica u1 w1
función de
– estático
activación
– representación entrada-salida. u2 w2 s
f(.) y
• Múltiples entradas, salida única
– diferente influencia de entradas en Sumador
salida
salida mediante “pesos” (wi) un wn
– w: parámetros de la neurona pesos sinápticos
• Relación entrada-salida no-lineal
– diferentes opciones para f(.)
• step, sat, sigm, tanh
• Capacidad de adaptación
– variación de sus “pesos” con algún
objetivo
• Existen otros modelos
• agregando dinámica,
• modelos no deterministas
• relacionados con estructuras de
redes especificas
 Net j   xi w ji
a j t  1  F a j t , Net j 
y j  f j a j t  1
En cualquier sistema
que se este
modelando, es útil
caracterizar tres
tipos de unidades:
entradas, salidas y
ocultas.
 Topología de las Redes Neuronales:
Consiste en la organización y
disposición de las neuronas en
la red formando capas o
agrupaciones de neuronas mas
o menos alejadas de la entrada
y salida de la red.
Así tenemos:

• Monocapas:

• Multicapas:
 Mecanismo de Aprendizaje:

• Supervisado:
– Aprendizaje por corrección de errores.
– Aprendizaje por refuerzo.

• No Supervisado:
– Aprendizaje Competitivo y Cooperativo.
 Representación de la Información
de Entrada y Salida:
• Redes cuyos datos de entrada y salida son
analógicas.
• Redes cuyas entradas y salidas son discretas o
digitales.
• Redes que se podrían llamar hibridas, en las
que las informaciones de entrada pueden
valores continuos, aunque las salidas de las red
son discretas.
 Solución de la Función OR con
Redes Neuronales:
Para este caso, las entradas serán dos valores binarios.
La salida que producen es:
 Se utilizara la siguiente red
neuronal:

Tomando como valores iníciales: W0 = 1.5, W1 = 0.5, W2 = 1.5

La adaptación de los pesos se realiza mediante la

siguiente formula:

wi t  1  wi t    d t   yt xi t 
Don de d(t) representa la salida deseada.
 avid.roman-gonzalez@ieee.org
http://www.avid-romangonzalez.com

M.Sc. Ing. Avid Roman Gonzalez