Inteligencia Artificial UNIDAD 1 2

Inteligencia Inteligencia artificial Unidad 1 1.1 El propósito de la IA y su evolución histórica. 1.2 Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia (conductismo, Gardner, . 1.3 El proceso de razonamiento según la lógica (Axiomas, Teoremas, demostración). 1.4 El modelo modelo de adquisición del conocimiento según la filosofía. 1.5 El modelo cognoscitivo. 1.6 El modelo del agente inteligente. 1

1.7 El papel de la heurística. UNIDAD 1 | INTELIGE INTELIGENCIA NCIA ARTIFICIAL

HISTORIA DE LA INTELIGENCIA ARTIFICIAL ARTIFICIAL

Reconocido en general como el primer trabajo de IA, fue realizado por Warren McCulloch McCulloch y Wa Wa lte lte r pitts(1943). pitts(1943). Abrev Abre varon de tres fuentes: conocimientos co nocimientos sobre la filosofía básica y funcionamiento de las nuevas neuronas en el cerebro, el análisis análisis forma forma l de la lógica proposicional de Russe Russell y Whitehead y la teoría teoría de la computación de turing. Propusieron un modelo constituido por neuronas artificiales, en el que cada una de e llas se caracteriza caracterizaba ba por estar estar “encendida” “encendida” o “apagada”; “apagada”; el “encendido” “encendido” se daba como respuesta respuesta ala estimulació estimulación n producida por

una cant ca ntidad idad suficiente de neuronas vecinas. vecinas. El estado de una neurona se veía como “equivalente, de hec hecho, ho, a una una proposición proposici ón que propusiera sus estímulos adecuados. Por ejemplo, mostraron que cualquier función calculable podría calcularse calcularse mediante cierta red red de ne ne uro uro nas interconectadas y que todos los conectores conectores lógicos se podí pod ía n lograr utili utilizza ndo sencil se ncillas las estructuras de red. McCulloch y pitts también insinuaron la posibilidad de aprendizaje por parte de redes definidas para tal propósito. propósito. Donald Hebb Hebb (1949) demostró una cenilla cenilla regla reg la de actuali actuali zación para modificar las i nte nte nsidades delas conexion co nexiones es entre ne ne uro uro nas, de manera que ocurriera el aprendizaje. Los trabajos de McCulloch y Pittss son, si bien esto es discutible, los precursores de la tradición logicisista en IA así como de la tradición conexionista. A principios de la década de los 50, Claude Shannon (1950) y Alan Turing (1953) se ocupaban de escribir programas de ajedrez para computadoras convencionales al estilo de Von Neumann. Simultáneamente, dos estudiantes de posgrado del departamento de matemáticas de Princeton, Marvin Minsky y Dean Edmonds, construyeron la primera computadora de red neuronal en 1951. La SNARC, ese era su nombré, utilizaba 3000 bulbos y un mecanismo de piloto automático obtenido de los desechos de un avión bombardero B-24 para simular una red de 40 neuronas. Los asesores del doctorado de Minsky veian con escepticismo el que este tipo tipo de trabajo trabajo pudiera considerarse co nsiderarse como matemáticas. matemáticas. Neumann formaba parte de los asesores y se dice que su opinión fue: “si no lo es actualmente, algún día día lo será.” Es irónico que Minsky mismo hiciera la demostrac ión de teoremas que contribuyeron a desechar buena parte de las investigaciones sobre redes neuro neuro nales nales de la década dé cada de los 70.

UNIDAD 1 | INTELIGE INTELIGENCIA NCIA ARTIFICIAL

2

HISTORIA DE LA INTELIGENCIA ARTIFICIAL ARTIFICIAL

Reconocido en general como el primer trabajo de IA, fue realizado por Warren McCulloch McCulloch y Wa Wa lte lte r pitts(1943). pitts(1943). Abrev Abre varon de tres fuentes: conocimientos co nocimientos sobre la filosofía básica y funcionamiento de las nuevas neuronas en el cerebro, el análisis análisis forma forma l de la lógica proposicional de Russe Russell y Whitehead y la teoría teoría de la computación de turing. Propusieron un modelo constituido por neuronas artificiales, en el que cada una de e llas se caracteriza caracterizaba ba por estar estar “encendida” “encendida” o “apagada”; “apagada”; el “encendido” “encendido” se daba como respuesta respuesta ala estimulació estimulación n producida por

una cant ca ntidad idad suficiente de neuronas vecinas. vecinas. El estado de una neurona se veía como “equivalente, de hec hecho, ho, a una una proposición proposici ón que propusiera sus estímulos adecuados. Por ejemplo, mostraron que cualquier función calculable podría calcularse calcularse mediante cierta red red de ne ne uro uro nas interconectadas y que todos los conectores conectores lógicos se podí pod ía n lograr utili utilizza ndo sencil se ncillas las estructuras de red. McCulloch y pitts también insinuaron la posibilidad de aprendizaje por parte de redes definidas para tal propósito. propósito. Donald Hebb Hebb (1949) demostró una cenilla cenilla regla reg la de actuali actuali zación para modificar las i nte nte nsidades delas conexion co nexiones es entre ne ne uro uro nas, de manera que ocurriera el aprendizaje. Los trabajos de McCulloch y Pittss son, si bien esto es discutible, los precursores de la tradición logicisista en IA así como de la tradición conexionista. A principios de la década de los 50, Claude Shannon (1950) y Alan Turing (1953) se ocupaban de escribir programas de ajedrez para computadoras convencionales al estilo de Von Neumann. Simultáneamente, dos estudiantes de posgrado del departamento de matemáticas de Princeton, Marvin Minsky y Dean Edmonds, construyeron la primera computadora de red neuronal en 1951. La SNARC, ese era su nombré, utilizaba 3000 bulbos y un mecanismo de piloto automático obtenido de los desechos de un avión bombardero B-24 para simular una red de 40 neuronas. Los asesores del doctorado de Minsky veian con escepticismo el que este tipo tipo de trabajo trabajo pudiera considerarse co nsiderarse como matemáticas. matemáticas. Neumann formaba parte de los asesores y se dice que su opinión fue: “si no lo es actualmente, algún día día lo será.” Es irónico que Minsky mismo hiciera la demostrac ión de teoremas que contribuyeron a desechar buena parte de las investigaciones sobre redes neuro neuro nales nales de la década dé cada de los 70.


2

Princenton acogía a otra de las figuras señeras de la IA, John McCarthy. Luego de graduarse, graduarse, McCarthy se paso a Dartmouth Dartmouth college, colleg e, que se erigiría erigiría en el lugar de nacimiento oficial de este campo.MCCarthy logro convencer a Minsky, Claude Shannon y Nathaniel Rochester para que le ayudaran a congregar investigadores estadounidenses interesados en la teoría de los autómatas, las redes neuronales neuronales y el estudio de la inteligencia. inteligencia. Organi Organi zaron un taller de dos meses en Dartmouth, en el verano de 1956. En total hubo diez asistentes, incluidos Trenchard More de Princeton, Arthur Samuel de IBM y Ray Solomonoff y Oli Oli ver Selfridge de M IT.

Dos investigadores investigadores del Carnegie tech, tech, Allen Allen y Herbert Simón, acapararon la atención. Si bien los demás tenían algunas ideas y, en algunos casos, programas para aplicaciones de terminadas terminadas como como el juego de damas, damas , Newell y Simón contaban ya con un programa de razonamiento, el teórico lógico (TL), del que Simón afirmaba:” hemos inventado un programa de computación capaz de pensar de manera manera no numérica, numérica, con co n lo q ue ha q uedado resuelto el ve ve nerab nerable le problema de la dualidad mente-cuerpo. Al termino del taller, el programa ya era capaz de demostrar gra gra n parte parte de los teoremas de Russell yWhitehead. yWhitehead. Se dice que Russe Russellll se manifestó complacido cuando Simón le mostro que el programa había producido la la demostració demostraciónn de un teorema mas corta corta que q ue una de principia. Los editores del Journa Journa l of Symbolic Symbolic Logic (revista (revista de lógica lógica simbólica) resultaron resultaron menos impresionados; rechazaron un artículo cuyos autores eran Newell, Simon y el teórico teórico lógico. Si bien l taller de Dartmouth no p rodujo ningún a vance notab notable, le, si contribuy co ntribuyoo a que que todos los perso personaj najes es importantes se conocieran. D ura ura nte nte los siguien sig uientes tes 20 años el campo estuvo dominado por estos personajes, así como por sus estudiantes y colegas del MIT, UCM, Stanford y la IBM. Quizás lo último que resulto del taller fue el consenso en adoptar el nuevo nombre propuesto por McCarthy para para este es te campo: int i ntelige eligencia ncia artificial artificial

3


Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia (conductismo, Gardner, Definición y alcance de la ciencia cognitiva Defino la ciencia cognitiva como un empeño contemporáneo, de base empírica, por responder a interrogantes epistemológicos de antigua data, en particular los vinculados a la naturaleza del conocimiento, sus elementos componentes, sus fuentes, su evolución y difusión. Yo la aplicaré principalmente a los esfuerzos por explicar el conocimiento humano. Me interesa saber si las cuestiones que intrigaban a nuestros antepasados filosóficos pueden recibir una respuesta concluyente, o deben reformularse de una manera más provechosa, o desechárselas para siempre. Hoy en día la ciencia cognitiva tiene la clave para responder a esto. Existen cinco aspectos que considero de importancia fundamental. 









  

Si todos, o la mayoría, están presentes, puede presumirse sin vacilación que estamos ante una ciencia cognitiva; en cambio si una disciplina sólo presenta unos pocos de estos rasgos o ninguno, quedará fuera de mi definición de ciencia cognitiva. Ante todo está la creencia de que al referirnos a las actividades cognitivas de los seres humanos, es necesario concebir representaciones mentales y postular un nivel de análisis totalmente separado del nivel biológico o neurológico del nivel sociológico o cultural. Este nivel de análisis se llama “nivel de representación”, y su materia prima son los símbolos, reglas, imágenes etc. Este nivel es indispensable para toda la variedad de las conductas, acciones y pensamientos humanos. Está la creencia de que para la comprensión de la mente humana es esencial la computadora. No sólo resulta indispensable para llevar a cabo estudios de diversa índole, sino que constituye el modelo más viable de funcionamiento de la mente humana. La computadora actúa como una “prueba de e xistencia”, es decir que si es

posible sostener que una máquina construida por el hombre razona, tiene metas, revisa y corrige su conducta, transforma información, por cierto los seres humanos merecen ser caracterizados de la misma manera. El grado en que una disciplina está próxima a la ciencia cognitiva puede medirse, con seguridad, por el grado en que está ligada a las computadoras. Estas dos primeras características incorporan creencias centrales en la ciencia cognitiva actual. Se consideran los supuestos nucleares. Las tres siguientes conciernen a procedimientos metodológicos. El tercer rasgo es su deliberada decisión de restar énfasis a ciertos factores como ser los afectos y las emociones, elementos históricos y culturales y el UNIDAD 1 | INTELIGENCIA ARTIFICIAL

4





papel del contexto. La ciencia cognitiva sería impracticable si se quisieran tomar en cuenta todos estos elementos individualizadores. El cuarto rasgo es que los científicos cognitivistas tienen el convencimiento de la gran utilidad de los estudios interdisciplinarios (en particular la filosofía, psicología, inteligencia artificial, lingüística, antropología y la neurociencia), pero tienen la esperanza de que algún día las fronteras entre ellas puedan eliminarse. La quinta característica es la afirmación de que un ingrediente clave de la ciencia cognitiva es el conjunto de inquietudes que los epistemólogos tradicionales griegos han debatido durante largo tiempo. Esto se explica afirmando que los interrogantes tradicionales pueden servirnos como un lógico punto de partida para nuestras indagaciones actuales.

2. - EL DESAFIO AL CONDUCTISMO El desafío al conductismo Los conductistas (corriente predominante desde principios de siglo) enunciaron dos proposiciones para los investigadores: 



Debían limitarse estrictamente a los métodos públicos de observación que cualquier hombre de ciencia fuera capaz de aplicar y de cuantificar. Los elementos de una disciplina debían ser muy observables. Los interesados en una ciencia del comportamiento debían centrarse exclusivamente en la conducta y no en la mente, el pensar o la imaginación. Tampoco se concebían construcciones mentales como el símbolo, la idea, el esquema etc. Un elemento decisivo era la creencia en la supremacía y el poder determinante del medio. Consideraban que los individuos no actuaban de la manera en que lo hacían a raíz de sus propias ideas, sino que actuaban en respuesta a diversas fuerzas y factores prese ntes en su medio. Durante las décadas del '20 '30 y '40 va apareciendo una creciente conciencia por parte de muchos científicos. Dicen que con los cánones conductistas se estaba volviendo imposible el estudio científico de la mente. Advirtieron que para alcanzar nuevas intelecciones ( ) acerca del cerebro o de las computadoras, era imprescindible enfrentar frontalmente al conductismo. 5

Teoría de la Información Shannon llegó a establecer la noción clave de la T. De la Información: puede concebirse a la información totalmente independiente del contenido o la materia UNIDAD 1 | INTELIGENCIA ARTIFICIAL

específica de que se trate, como una decisión singular entre dos alternativas admisibles. La unidad básica de información (el bit) es la cantidad de información requerida para seleccionar un mensaje entre dos alternativas aquí probables. 3. - LAS PRIMERAS DECADAS DE LA CIENCIA COGNITIVA La paradoja computacional La aplicación rigurosa de los métodos y modelos extraídos del ámbito computacional ha llevado a los científicos a comprender en que aspectos los seres humanos no se asemejan a las computadoras. El desafío de las ciencias cognitivas Es fundamental que la misma establezca su autonomía y que demuestre en que terrenos son válidos los enfoques computacionales y representacional. 4. - CONCLUSION: LA PARADOJA COMPUTACIONAL Y EL DESAFIO COGNOSITIVO Con respecto al modelo del nivel de representación, quien quisiera prescindir de este elemento, se vería obligado a explicar el lenguaje, la resolución de problemas, la clasificación y otros problemas semejantes, estrictamente en los términos del análisis neurológico y cultural; pero los descubrimientos de los últimos 30 años harían imposible esta tarea. Con respecto a la paradoja computacional, esta nos sugiere que el cuadro que nos pinta la ciencia cognitiva acerca del proceso de la cognición, es muy distinto de esa imagen ordenada, precisa y gradual que predominó en los fundadores de este campo. El pensar humano se nos aparece mucho más desaliñado, intuitivo y sometido a representaciones subjetivas... no como un cálculo puro. Tal vez la computadora sea capaz de modelar estos procesos, pero el resultado final tendrá poco parecido a la visión canónica de la cognición implícita en las descripciones de inspiración computacional //?? (Será que la computadora no puede modelar como lo hace nuestra mente). El desafío cognitivo La meta última de la ciencia cognitiva debe ser dar una descripción coherente de la forma en que los seres humanos obtienen sus productos simbólicos más significativos: cómo llegan a componer sinfonías, a escribir poemas, a inventar máquinas o a co nstruir teorías. 6

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

El proceso de razonamiento según la lógica (Axiomas, Teoremas, demostración). La teoría de las inteligencias múltiples es un modelo propuesto por Howard Gardner en el cual la inteligencia no es vista como algo unitario, que agrupa diferentes capacidades específicas con distinto nivel de generalidad, contrario a esto es vista como un conjunto de inteligencias múltiples, distintas e independientes. La inteligencia es definida como la capacidad cerebral por la que conseguimos penetrar en la comprensión de las cosas eligiendo el mejor camino.(Antunes, 2006) La formación de ideas, el juicio y razonamiento son actos esenciales e indicadores de la inteligencia. Haciendo un contraste a esta definición Howard Gardner empezó definiendo la inteligencia como la capacidad de resolver problemas o crear productos que son valorados en uno o más contextos culturales. Dos décadas después ofrece una definición más refinada y define las inteligencias múltiples como un potencial biopsicológico para procesar información que se puede activar en un marco cultural para crear problemas o crear productos que tienen valor para una cultura (Gardner,1999) Este cambio en las definiciones es importante ya que nos indica que las inteligencias no son algo tangible ni concreto, una cultura y todas sus actividades son factores determinantes para desarrollar y mostrar unas capacidades potenciales en un individuo. Gardner reconoce que la brillantez académica no lo es todo. Establece que para desenvolverse óptimamente en la vida no basta con tener un gran expediente académico. Hay personas de gran capacidad intelectual pero incapaces de, por ejemplo, elegir correctamente a sus amigos; por el contrario, hay personas menos brillantes en el colegio que triunfan en el mundo de los negocios o en su vida personal. Triunfar en los negocios, o en los deportes, requiere ser inteligente, pero en cada campo se utiliza un tipo de inteligencia distinto. No requiere poseer una inteligencia ni mejor o peor, ni mayor o menor, pero sí distinta. No existe una persona más inteligente que otro simplemente sus inteligencias pertenecen a campos diferentes.


7

Anteriormente existía la percepción de que se nacía inteligente o no, y la educación no podía cambiar ese hecho. Tanto es así que en épocas muy cercanas a los deficientes psíquicos no se les educaba, porque se consideraba que era un esfuerzo inútil. Considerando la importancia de la psicología de las inteligencias múltiples, ha de ser más racional tener un objeto para todo lo que hacemos, y no solo por medio de estas inteligencias. Puesto que deja de lado la objetividad, que es el orden para captar el mundo. Gardner hace la analogía de que al igual que hay muchos problemas también existen varias inteligencias. Junto a su equipo de “Harvard” han definido y

establecido ocho tipos de inteligencias. Tipos de inteligencia:



Inteligencia lingüística - Radica en la competencia de usar las

Palabras de una forma creativa y eficaz, tanto en las expresiones orales como escritas. Supone siempre, tener una gran habilidad en el uso de la sintaxis, la fonética, la semántica y los usos pragmáticos del lenguaje. 



Inteligencia lógica-matemática - utilizada para resolver problemas de lógica y matemáticas. Es la inteligencia que tienen los científicos. Se corresponde con el modo de pensamiento del hemisferio lógico y con lo q ue la cultura occidental ha considerado siempre como la única inteligencia. Inteligencia espacial - Es la destreza e n la percepción de imágenes, internas y

externas, recrearlas, transformarlas y modificarlas, además de recorrer el espacio, hacer que los objetos lo recorran y producir o decodificar las informaciones gráficas. Es propia del llamado pensamiento tridimensional.


8











Inteligencia musical -Es la capacidad de las personas para percibir, discriminar, expresar y transformar las diversas formas musicales. Implica tener una gran sensibilidad para el ritmo, el tono y el timbre de la música. Inteligencia Corporal Cinética - Se trata de la

habilidad de utilizar el cuerpo para la expresión de ideas y sentimientos. Esta inteligencia supone tener destrezas de coordinación, equilibrio, flexibilidad, fuerza y velocidad. Inteligencia intrapersonal -Esta organizada en torno a la destreza de construir una percepción muy precisa respecto de sí mismo, de organizar, planificar y dirigir su propia vida. Incluye conductas de autodisciplina, de auto comprensión y de autoestima. Inteligencia interpersonal - Comprende la desenvoltura de entender a los otros y relacionarse eficazmente con ellos. Incluye una gran sensibilidad para entender las expresiones faciales, la voz, los gestos, las posturas, para responder adecuadamente. Disfrutan del trabajo en equipo. Inteligencia naturalista - Comprende

la facilidad de distinguir, clasificar y utilizar elementos del entorno, del medio ambiente,. Comprende las habilidades de observación, experimentación, reflexión y preocupación por el entorno.

9


RAZONAMIENTO LOGICO La práctica de los razonamientos deductivos en el proceso de desarrollo del pensamiento lógico matemático es muy importante. Constituye una herramienta fundamental para el trabajo en la matemática y otras ciencias. ¿QUÉ ES LA LÓGICA? La lógica es aquella ciencia que va en búsqueda de las formas de los razonamientos correctos, es decir, de las leyes del deducir correctamente. En este sentido es legítimo afirmar que la lógica es la teoría de la deducción, en cuanto estudia las reglas de las inferencias correctas. La lógica hace explícitas estas leyes, las ordena en sistemas axiomáticos y prueba sus capacidades y límites. Teoría deductiva Designamos bajo este nombre toda teoría que se fundamenta en dos principios: Definiciones y demostraciones. En su desarrollo debe cumplir básicamente las sig uientes condiciones: Enunciar explícitamente los términos primitivos con ayuda de los cuales se propone definir los demás términos de la teoría. Enunciar explícitamente las relaciones primitivas. Con la misma esencia anterior, son relaciones que el hombre pone en la base de su conocimiento. Teoría Deductiva. Enunciar explícitamente las proposiciones primitivas, con ayuda de las cuales se propone demostrar otras proposiciones de la teoría. Estas proposiciones primeras se denominan Axiomas y relacionan entre sí los términos primitivos y las relaciones primitivas.

Que las relaciones enunciadas entre los términos sean únicamente relaciones lógicas, permaneciendo independientes del sentido concreto o interpretación que pueda darse a los términos.


10

Axioma o postulado. Es una proposición primitiva que se admite como cierta. En la construcción de una teoría axiomática se ha de partir de un conjunto de axiomas, escogidos de tal forma que dicho conjunto ha de ser: compatible, suficiente, independiente.   

Analicemos estas características: Compatibilidad: Dos axiomas no pueden formular en ellos, ni producir en sus resultados derivados, relaciones contradictorias. Suficiencia: Toda proposición verdadera ha de ser deducible dentro del sistema.

Independencia: Ningún axioma ha de poderse deducir de otros. Estableciendo el sistema de axiomas (que por cierto, no tienen porque ser "evidentes"), se comienza a construir la teoría enunciando y demostrando los teoremas. Teorema Es una proposición que ha de demostrarse cierta, mediante un razonamiento lógico a partir de los axiomas o de otros teoremas previamente justificados. Se afirma que un teorema (por ejemplo, el teorema de Pitágoras) es válido si es recabado o deducido correctamente de las premisas (constituidas, en nuestro caso, por los postulados de Euclides).

La demostración El proceso demostrativo consiste básicamente en: A partir de unas proposiciones dadas que llamaremos premisas, obtener otra proposición que llamaremos conclusión mediante la aplicación de unas reglas lógicas. Para demostrar que una proposición específica es un teorema en una teoría deductiva dada procedemos así: 1.-Se enuncian explícitamente los a xiomas de la teoría. UNIDAD 1 | INTELIGENCIA ARTIFICIAL

11

2.-Se fijan las reglas que validan el proceso demostrativo, estas reglas se denominan reglas de validez y se reducen a las siguientes:

Regla de validez 1: Todo axioma puede figurar en cualquier paso de una demostración. Regla de validez 2: Si P=>Q figura en una demostración y P también figura en la misma demostración, entonces se puede concluir Q en la demostración. Esta regla universal se conoce con el nombre de Modus Ponens. Regla de validez 3: Si dos proposiciones son equivalentes se puede sustituir la una por la otra en cualquier parte de una demostración. Esta regla se conoce con el nombre de sustitución por equivalencia. 3. Efectuar una demostración de una proposición específica Q, consiste en obtener la proposición Q como la última en el proceso demostrativo por aplicación reiterada de las reglas de validez 1, 2 y 3. Fundamentos de la lógica



Inferencia = razonamiento formalmente válido

Razonamiento: tipo de pensamiento que consiste en obtener una conclusión a partir de unas premisas. Formal: atención a la forma (abstracción del co ntenido). Válido: si las premisas son verdaderas, la conclusión también lo será (-> deductivo) Surge como propuesta para la formalización de razonamiento aproximado, para tratar conocimiento de se ntido común.


12

Lógica difusa La lógica difusa es una metodología que proporciona una manera simple y elegante de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa, con ruido o incompleta, en general la lógica difusa imita como una persona toma decisiones basada en información con las características mencionadas.

Lógica difusa en inteligencia artificial Método de razonamiento de maquina similar al pensamiento humano, que puede procesar información incompleta o incierta, característico de muchos sistemas expertos. Con la lógica difusa se puede gobernar un sistema por medio de reglas de “sentido común” las cuales se refieren a cantidades indefinidas. En general la

lógica difusa se puede aplicar tanto a sistemas de control como para modelar cualquier sistema continuo de ingeniería, física, biología o economía. La lógica proporciona: Un lenguaje base para la representación del conocimiento. 

Modelos para el razonamiento

Prolog es: Una sintaxis para la construcción de sistemas expertos. Una herramienta basada en el lenguaje de la lógica, con muchas versiones: Prolog- 10(1975- 79), Prolog II (1981) … SICStus, GNU Prolog, SW I Prolog, Ciao Prolog.

13


Modelos de Adquisición Según La Filosofía

La Adquisición de Conocimientos (AC) es el proceso de recolección de información, a partir de cualquier fuente (experto, libros, revistas, informes), necesaria para construir un Sistema Basado en Conocimiento. La AC no es un paso concreto en la metodología de desarrollo de un SBC, sino más bien una tarea que se produce en paralelo a todas las etapas de construcción de estos sistemas (identificación, conceptualización, formalización, validación, mantenimiento). 





La adquisición de conocimientos es la tarea más importante e n el desarrollo de SBC. Sin embargo, esta actividad es de momento un campo experimental en el que la IA tiene poco o nada que decir. No existe ningún método completamente automático de Adquisición de Conocimiento. La conceptualización de aprendizaje se abordara en perspectiva de los modelos mentales sobre el razonamiento y el pensamiento, por cuanto el aprendizaje tiene que ver con la representación del conocimiento conceptual y la categorización, toda vez que con ello se introduce la pregunta por las categorías que corresponden a nuestros esquemas conceptuales y si estas reflejan estructuras en el mundo que son independientes de la capacidad humana de formar conceptos. Modelos de adquisición sobre lenguaje El interés por los aspectos cognoscitivos del lenguaje surge como reacción contra la tendencia que concedía un lugar privilegiado a los aspectos sintácticos en el estudio del lenguaje infantil. Modelos in natitas Se relanzan las tesis inspiradas en supuestos racionalistas mostrándose una decidida predilección por las explicaciones in natitas y una propensión a defender la especificad del lenguaje.


14

El modelo cognoscitivo. Se centra en los procesos de pensamiento y en la conducta que refleja estos procesos. Es la base de una de las cinco perspectivas del desarrollo humano aceptadas mayoritariamente (las otras 4 son la perspectiva psicoanalítica, la perspectiva del aprendizaje, la perspectiva evolutiva/socio biológica y la perspectiva contextual). El proceso cognoscitivo es la relación que existe entre el sujeto que conoce y el objeto que será conocido y que generalmente se inicia cuando el este logra realizar una representación interna del fenómeno convertido en objeto del conocimiento. El desarrollo cognitivo es el producto de los esfuerzos del niño por comprender y actuar en su mundo. Se inicia con una capacidad innata de adaptación al ambiente. Consta de una serie de etapas que representan los patrones universales del desarrollo. En cada etapa la mente del niño desarrolla una nueva forma de operar. Este desarrollo gradual sucede por medio de tres principios interrelacionados: la organización, la adaptación y el equilibrio. Según Jean Piaget, el desarrollo humano parte en función de los reflejos arcaicos, el niño nace con estos esquemas básicos que le sirven para entrar en relación con el medio. (El primer esquema básico del hombre, es el acto de chuparse el dedo pulgar dentro del vientre materno), con esto se da origen al nacimiento del Desarrollo Cognitivo. El Desarrollo Cognitivo, es el esfuerzo del niño por comprender y actuar en su mundo. Por otra parte, también se centra en los procesos del pensamiento y en la conducta que estos reflejan. Desde el nacimiento se enfrentan situaciones nuevas que se asimilan; los procesos en sí, se dan uno tras otro, siendo factores importantes en el desarrollo, el equilibrio y el desequilibrio, ambos impulsan el aprendizaje y se produce la acomodación del conocer. El equilibrio está presente desde la edad fetal, y son reflejos que le permiten su supervivencia en el medio; en cambio el desequilibrio, se produce cada vez que el niño vive una situación nueva, que no conoce ni sabe. Asimismo, la acomodación se realiza cada vez que el niño asimila algo lo acomoda a los sucesos que vive para acomodar su aprendiz cognitivo. El desarrollo de las funciones que nos permite conocer, da a lugar a los Procesos Cognitivos. UNIDAD 1 | INTELIGENCIA ARTIFICIAL

15

MODELO COGNITIVO DE UN ROBOT

16


EL MODELO DEL 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. En este contexto la racionalidad es la característica que posee una elección de ser correcta, más específicamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es más general y por ello más adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales. Un agente inteligente puede ser una entidad física o virtual. Si bien el término agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, también puede considerarse agentes racionales a los animales incluido el hombre. Los agentes inteligentes se describen esquemáticamente como un sistema funcional abstracto. Por esta razón, los agentes inteligentes son a veces llamado Agentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones del mundo real como sistemas informáticos, los sistemas biológicos, o de organizaciones. Algunas definiciones de agentes inteligentes hacen énfasis en su autonomía por lo que prefieren el término agente inteligente autónomo. Y otros (en particular, Russell y Norvig (2003)) considera conducta di rigida a objetivos como la esencia de lo inteligente y prefieren un término tomado de la economía "Agente Racional". En Ciencias de la Computación el término agente inteligente puede ser usado para referirse a un agente de software que tiene algo de inteligencia, independientemente de si no es un agente racional por definición de Russell y Norvig. Por ejemplo, programas autónomos utilizados para asistencia de un operador o de minería de datos (a veces denominado robots) son también llamados "agentes inteligentes". 17


¿Qué son los agentes? Hay numerosas definiciones de lo que es un agente, y ninguna acido aceptada plenamente por la comunidad científica pero probablemente la más simple es: un agente es una entidad que percibe y actúa sobre su entorno.

Podemos también decir que un agente es todo aquello que puede considerarse que percibe su ambiente mediante sensores y que responde o actúa en tal ambiente por medio de efectores. Los agentes humanos tienen ojos, oídos y otros órganos que les sirven de sensores, así como manos, piernas, boca y otras partes de su cuerpo que les sirven de efectores. En el caso de los agentes robóticos, los sensores son sustituidos por cámaras y telémetros infrarrojos y los efectores son reemplazados mediante motores. En el caso de un agente de software, sus percepciones y acciones vienen a ser las cadenas de bits codificados. En la figura 1 observamos el diagrama de un agente genérico. Interesa diseñar agentes que logren un buen desempeño en su ambienté.

Podemos proponer una posible definición de agente: un agente es un sistema informático situado en un entorno, donde en general existen más agentes, dentro del cual actúa de forma autónoma y flexible, recibiendo información externa y ejecutando acciones para intentar modificar su contexto en el sentido de acercarse ala consecución de los objetivos que tiene marcados.


18

Diferencia entre agentes inteligentes y software convencional. Hay dos principales características que distinguen a los agentes inteligentes del desarrollo de software Tradicional y estas son la inteligencia y la agencia. 1. La dimensión de inteligencia se refiere al grado en el cual la aplicación utiliza razonamiento, aprendizaje y otras técnicas para interpretar la información o conocimiento al c ual tiene acceso. Se puede decir que hay tres niveles de formas de inteligencia:  



La forma más modesta de inteligencia permite al usuario expresar sus preferencias. Una forma intermedia podría formalizar un conjunto de reglas de razonamiento que combinadas con conocimiento a corto y largo plazo, siguiendo un proceso de inferencia puede conducir a la toma de alguna acción. Y un nivel superior es la capacidad del agente de modificar su capacidad de razonamiento en la base nuevo conocimiento derivado de muchas fuentes, es decir, aprender.

2. La agencia es el grado en el cual el agente puede percibir su entorno y actuar en el. Define al agente, en otras palabras, para que un programa sea un agente debe poseer autonomía, habilidad social, reactividad y pro actividad. Características de un Agente Inteligente. Un agente inteligente es un sistema informático capaz de tener un comportamiento autónomo, flexible en algunos ambientes. Cuando se dice flexible se refiere a: reactivo, pro-activo y social. Visión esquemática de un Agente Inteligente, entendiendo por flexible que sea:    

Reactivo: El agente es capaz de responder a cambios en el entorno en que se encuentra situado. Pro-activo: a su vez el agente debe ser capaz de intentar cumplir sus propios planes u objetivos. Social: debe de poder comunicarse con otros agentes mediante algún tipo de lenguaje de comunicación de agentes. Autonomía: actúan sin la intervención directa de los usuarios. Tienen control sobre sus acciones y estados internos.


19

Como se ve en este caso, se ha identificado una serie de características o apellidos que de por sí debe tener un agente. Atendiendo a esta idea, para poder asociar a una herramienta el término «agente» debe ser capaz de cumplir los requerimientos anteriormente expuestos. Aplicando estas características al agente de información de ejemplo: ¿sería reactivo? Se puede pensar que sí a juzgar por el hecho de que el agente debería reaccionar frente a los mandatos que le indicamos, además debe poder reaccionar frente a posible eventos que le lleguen de la red. ¿Sería proactivo?, evidentemente que sí, un agente debería auto plantearse su curso de acción para poder realizar todas sus tareas adelantándose a las peticiones de su usuario. Por último se debe pensar si un este agente sería social. Esta característica desde punto de vista no sería básica en una definición general de agente, no obstante, sí que se puede claramente identificar una conducta social en nuestro ejemplo si se observa que debería poder comunicarse con infinidad de recursos en la red y, por qué no, con otros agentes existentes en la misma. Pero, en definitiva, ¿cuáles son las características básicas y de qué más características se dispone para poder calificar a un agente? A continuación se presentan algunas de las características que en la literatura se suelen atribuir a los agentes en mayor o menor grado para resolver problemas particulares. 







 

Continuidad Temporal: se considera un agente un proceso sin fin, ejecutándose continuamente y desarrollando su función. Racionalidad: el agente siempre realiza «lo correcto» a partir de los datos que percibe del entorno. Adaptabilidad: está relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basándose en ese aprendizaje. Movilidad: capacidad de un agente de trasladarse a través de una red telemática. Veracidad: asunción de que un agente no comunica información falsa a propósito. Benevolencia: asunción de que un agente está dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos.

20


No existe un consenso sobre el grado de importancia de cada una de estas propiedades para un agente. Sin embargo, se puede afirmar que estas propiedades son las que distinguen a los agentes de meros programas. Clasificación delos Agentes Inteligentes. Los agentes inteligentes pueden clasificarse de acuerdo a como este mapea internamente las percepciones en acciones para alcanzar el objetivo para el cual fue diseñado:    

Agente de mapeo simple. Agente informado de lo que sucede en el ambiente. Agente basado en metas. Agente basado en utilidad.

¿Por qué utilizar agentes? El origen por el cual la tecnología de los agentes inteligentes surge es por la necesidad de aplicarlos a los sistemas complejos, donde la aplicación de las técnicas existentes ha fracasado o es muy difícil de comprender o mantener. Los agentes inteligentes surgen como una alternativa para dar solución a situaciones que la Programación Orientada a Objetos (OO) no puede resolver eficientemente. Este paradigma constituye en la actualidad un área de profunda investigación, lo que trae como consecuencia que existan un gran número de criterios acerca de qué son los agentes y sus características fundamentales.

La necesidad de construir aplicaciones complejas compuestas de multitud de subsistemas que interaccionan entre sí, es el marco de la distribución de la inteligencia en diversos agentes. En este tipo de sistemas, la utilización de agentes y técnicas multiagente permite la gestión inteligente de un sistema complejo, coordinando los distintos subsistemas que lo componen e integrando objetivos particulares década subsistema en un objetivo común.

21


Dentro de este campo emergente es importante clarificar la diferencia entre un sistema basado en agentes y un sistema multiagente. Un sistema basado en agentes, es aquel que utiliza el concepto de agente como mecanismo de abstracción pero podría ser implementado con estructuras software tradicionales, sin embargo un sistema multiagente es aquel que se diseña e implementa pensando en que estará compuesto por varios agentes que interactuarán entre sí, de forma que juntos permitan alcanzar la funcionalidad deseada. En este caso se exige un esfuerzo de abstracción en el diseño, identificar mecanismos de aprendizaje, coordinación, negociación, etc.

Funciones básica de la Tecnología de Agentes. Por tanto, desde un punto de vista del usuario, un agente se puede considerar para llevar a cabo las siguientes funciones: 





Ejecución de Tareas: la capacidad de realizar tareas son las destrezas que el agente posee para lograr sus objetivos. Conocimiento de su entorno: el conocimiento del entorno debe de ser introducido o construido por el desarrollador. Algunos agentes además adquieren su conocimiento por aprendizaje. Capacidad de Comunicación: se distinguen dos tipos de comunicación, la interacción con el usuario, y la que se refiere a comunicación inter-agente.

22


SISTEMAS MULTI-AGENTES. Una de las características más importantes de los agentes es la capacidad que tienen de interactuar entre sí, de ahí que se empleen en la resolución de problemas en entornos distribuidos y que los sistemas se conciban como comunidades de agentes que persiguen los mismos objetivos. Un Sistema Multi-Agente (SMA) podrá definirse entonces como grupos de agentes que interaccionan entre sí para conseguir objetivos comunes. Cuando se define un Sistema Multi-Agente hay que tener en cuenta las características:  

 

Un entorno. Un conjunto de objetos, estos objetos se encuentran integrados con el ambiente. Dichos objetos son pasivos, pueden ser creados, modificados y destruidos por agentes. Un conjunto de agentes que representan las entidades activas del sistema. Un conjunto de operaciones que hacen posible el trabajo de los agentes sobre los objetos.

Según esta definición la influencia de un agente sobre otros no solo está dada por la comunicación explícita entre ellos, sino también por su actuación en el entorno en que se encuentran. Esto aumenta la complejidad en el desarrollo de SMA, ya que exige estudiar el entorno en que se desenvuelven para detectar qué acciones realizadas por un agente pueden afectar a otros.

A un sistema que tiene varios agentes inteligentes se le llama sistema multiagente. Los agentes en este tipo de sistemas deben interactuar entre ellos. Las interacciones más habituales son informar o consular otros agentes y esto les UNIDAD 1 | INTELIGENCIA ARTIFICIAL

23

permite a los agentes “hablar” entre ellos ,

saber que hace cada uno de ellos y razonar sobre el papel que juega cada uno e n el sistema.

Los agentes se comunican entre sí por medio del Lenguaje de Comunicación de Agentes (ACL) que es una ontología que define un vocabulario en común. Ingeniería de software orientada a agentes. La complejidad que encierra el desarrollo de SMA, sobre todo cuando es muy grande, hace necesario el uso de metodologías que estructuren el proceso de acuerdo con las prácticas de ingeniería de software.

Dentro del paradigma de agentes una de las áreas de mayor investigación es precisamente la de Ingeniería de Software. Las características que distinguen a los agentes aumentan la complejidad en la construcción de los sistemas y hay que tener en cuenta elementos que las metodologías orientadas a objetos (OO) no sustentan como son la autonomía y la pro actividad.

A raíz de esta situación han surgido un grupo de metodologías que respaldan el desarrollo de SMA. Estas metodologías provienen de dos vertientes fundamentales: las que surgen completamente nuevas y las que extienden metodologías que ya existían.

En el primer caso se encuentran las metodologías desarrolladas en gran medida sobre bases de agentes. En sentido general estas metodologías no han alcanzado un nivel de madurez elevado ni están probadas lo suficiente, ya que proponen métodos innovadores para el desarrollo de software, lo que representa una mayor dificultad para los analistas. Entre estas están Vowel Engineering, Tropos y GAIA que propone cómo realizar un análisis basado en roles del sistema multi-agente. También están las que utilizan bases conocidas como PASSI, MESSAGE/UML, esta última proveniente de la OO, y Mase que propone agentes como extensiones UNIDAD 1 | INTELIGENCIA ARTIFICIAL

24

de objetos y proporciona la herramienta AgentTool para análisis, diseño e implementación. Actualmente existen un gran número de metodologías que apoyan la construcción de SMA, pero no se ha logrado una estandarización, cada una propone una forma diferente de abordar el problema según los criterios de sus desarrolladores. Entre las metodologías más estudiadas se pueden mencionar: GAIA, Mase, Tropos, Passi, MESSAGE/UML y MAS-CommonKADS que extiende la metodología CommonKADS, para sistemas expertos, a agentes, utilizando estructuración orientada a objetos y lenguajes de especificación de protocolos como SDL. TROPOS es una nueva metodología de desarrollo de software orientada a agentes. Se basa en dos características principales:





Las nociones de agente, objetivo, plan y nivel de conocimiento de otros conceptos se utilizan de manera uniforme en todo el proceso de desarrollo de software. Se le asigna un papel fundamental para el análisis y la especificación de los requisitos cuando se analiza el sistema con respecto a su medio ambiente.

Prometheus es una metodología para el desarrollo de agentes inteligentes, en la cual se define un lenguaje de modelado relativamente sencillo. Finalmente INGENIAS del grupo GRASIA de la UCM, extiende la metodología MESSAGE y proporciona un conjunto de herramientas para modelar y generar código de sistemas multi-agente. Utiliza el AUML como lenguaje de modelado. Para la representación de los elementos que contienen los diferentes modelos que propone, utiliza los meta-modelos. Esta metodología no cubre todo el proceso de desarrollo del software y sólo abarca las etapas de Análisis y Diseño. En Ingenias se concibe al SMA como la representación computacional de un conjunto de modelos. Para especificar cómo tienen que ser estos, se definen meta-modelos. Los meta-modelos dan una visión detallada de cómo debe ser el SMA; cada uno de ellos constituirá una descripción a alto nivel de los elementos que componen el modelo. Ellos están orientados a representar gráficamente aspectos concretos del sistema de forma incremental y flexible.     

Meta-modelo de Agente. Meta-modelo de Tareas y Objetivos. Meta-modelo de Organización. Meta-modelo de Interacción. Meta-modelo de Entorno.

25


Una buena herramienta para el trabajo con agentes es el Java Agent Development Framework (JADE). Es una herramienta de desarrollo de sistemas multi-agente completamente implementada en Java. JADE incluye un ambiente de ejecución donde los agentes viven, un conjunto de librerías para desarrollar agentes y un conjunto de herramientas gráficas que permiten monitorizar y administrar los agentes que están corriendo en la plataforma.

Aplicaciones de los agentes inteligentes. Los SMA se emplean fundamentalmente en estas áreas:         

Control de tráfico aéreo Gestión bibliotecaria Agentes personales para viajes Gestión cultural y de servicio Control automático Robótica Gestión de procesos Comercio electrónico Servicios de Internet: recuperación y extracción de información

Existen casos de ejemplos complejos en los cuales se pueden encontrar sistemas o áreas de aplicación donde la orientación basada en agentes resulta especialmente prometedora ofreciendo nuevas perspectivas y posibilidades. Numerosas aplicaciones basadas en este nuevo paradigma vienen ya siendo empleadas en infinidad de áreas. Podemos destacar dos áreas como serian las Aplicaciones industriales y las comerciales. . Dentro del marco de las aplicaciones industriales, la tecnología basada en agentes es considerada muy apropiada para el desarrollo de sistemas industriales distribuidos. Dentro de esta línea podríamos destacar aquellas aplicaciones que se encargan de: 



Control de procesos: gestión autónoma de edificios inteligentes en cuanto a su seguridad y consumo de recursos, gestión del transporte de electricidad (ARCHON), control de un acelerador de partículas, monitorización y diagnóstico de fallos en plantas industriales, como por ejemplo: nucleares o refinerías. Producción: aspectos como la planificación y scheduling de la producción o fabricación de productos, serían tratados desde la perspectiva de agencia. UNIDAD 1 | INTELIGENCIA ARTIFICIAL

26

Se ha aplicado con éxito, por ejemplo, a sistemas encargados de las fases de ensamblaje, pintado, almacenamiento de productos, etc. Por otro lado, también está siendo empleado en aplicaciones comerciales, sobre todo a nivel de aplicaciones de red, tanto en Internet como en redes corporativas, entre las que podemos distinguir: Gestión de información: como por ejemplo el filtrado inteligente de correo electrónico (Agentware e InfoMagnet), de grupos de noticias o la recopilación automática y de información disponible en la red (Letizia, AT1, BullsEye, Go- GetIt, Got-It, Surfbot y WebCompass). Tareas para las cuales el agente necesita ser capaz de almacenar, aprender y manipular las preferencias y gustos de cada usuario, así como sus cambios. La imposibilidad en ocasiones de gestionar todo tipo de información suministrada por la red ha provocado que el agente se especialice en la búsqueda de determinados tipos de documentos (CiteSeer). Otra posible línea sería la planificación de la agenda personal, en otras palabras, disponer de una secretaría virtual o asistente personal.



Comercio electrónico: En este caso la tecnología se emplea para proporcionar el entorno virtual donde realizar posibles operaciones comerciales (compra-venta de productos) o también para realizar tareas de búsqueda de productos (comparando precios, consultando disponibilidad) todo ello de manera automatizada. Actualmente, los usuarios pueden comprar y vender artículos comunes como libros y CD’s de música. El





empleo de agentes aumentará el impacto del comercio electrónico en un futuro muy cercano, revelando asimismo cómo los agentes basados en la web pueden proporcionar un enorme poder añadido a los consumidores. Monitorización: proporcionan al usuario la información cuando sucede un determinado acontecimiento; por ejemplo cuando la información ha sido actualizada, trasladada de lugar o borrada (WBI de IBM, BullsEye y Smart Bookmarks). Este tipo de agentes permite tener alerta a un usuario frente a eventos en la red interesantes para el mismo. La forma en que este tipo de agentes sirve la información a su usuario puede ser el indicar únicamente qué página o páginas han cambiado y desde cuando ha sucedido esto o llegar a bajarse el texto de las páginas actualizadas, filtrando en este caso imágenes, gráficos y demás. Mediador de diferentes fuentes de información: se están realizando esfuerzos en la línea de desarrollar agentes que permitan interoperar a diferentes fuentes de información independientemente del sistema en que se hayan desarrollado.


27

Otra área de interés son las aplicaciones médicas, donde la idea es disponer de agentes que realicen de forma autónoma tareas que pueden ser automatizadas en un hospital, como por ejemplo: la monitorización de pacientes en cuidados intensivos, empleado para monitorizar y controlar a pacientes ingresados en unidades de cuidados intensivos y la atención al paciente, estos sistemas se encargarían de seg uir el tratamiento de un paciente controlando todos los Aspectos relativos ala enfermedad que tenga el mismo. También es posible encontrar aplicaciones dentro del área del entretenimiento como pueden ser juegos (la aplicación de esta tecnología en juegos permite disponer de juegos más sofisticados, con características inteligentes donde se pueden incorporar personajes virtuales que pueden funcionar de forma casi autónoma) y el teatro interactivo y cine, donde se permite a un usuario interpretar el papel de un personaje en una obra donde el resto de los personajes pueden ser virtuales. Como puede observarse, las aplicaciones son múltiples, sin embargo, el empleo de agentes es aún limitado. El desarrollo a nivel industrial y/o empresarial de agentes requiere de técnicas que reduzcan el riesgo inherente en toda nueva tecnología. Dos maneras de reducir dicho riesgo son: 



Presentar la nueva tecnología como una extensión incremental de métodos ya conocidos y probados. Proveer herramientas de ingeniería explícitas que den soporte a métodos aceptados por la industria encargada del desarrollo de tecnologías.

La aceptación de métodos en la industria y/o la empresa depende de la existencia de herramientas que soporten el análisis, especificación y diseño de agentes inteligentes. Actualmente no existen todavía formalismos para poder especificar de forma suficiente el desarrollo de sistemas basados en agentes. A nivel conceptual la terminología deberá estar más aceptada, ampliándose de esta forma los campos de aplicación, así como la cantidad de sistemas disponibles dentro de cada campo. Cabe resaltar que los objetivos de los proyectos industriales son más amplios y complejos que los esfuerzos en investigación en el ámbito académico. 28


Usos de los agentes.   



Representación virtual. Se comunican en lenguaje natural y suplen a los comerciales. Como asistentes personales. Nos ayudan como lo haría un ayudante. Negociador en mercados electrónicos. Localiza una subasta en internet, aprende cómo va la oferta y realiza una compra por nosotros. Agente de búsqueda de información o rastreador. Rastrean en las redes de ordenadores en busca de información solicitada. Son parametrizables por el usuario aprenden de sus hábitos, rastrean la red e informan por correo electrónico de novedades que consideran pueden ser de interés para el usuario. o Agente secreto o espía. Monitorizan una página Web identificada previamente por el usuario e informan cuando se producen cambios en dicha página.

Algunas aplicaciones actuales son:  





Masfits: proyecto europeo que persigue real de un programa informático que permite participar en subastas de pescado a través de la Red. Leo, Marc y Sisa son algunos bots que han sido utilizados por Schweppes, Siemens u Olympus para mejorar su marketing y soporte al cliente. Creada por la compañía francesa Cybion, la plataforma Agentland ofrece numerosos agentes inteligentes disponibles de forma gratuita o de prueba. Organizados en diferentes categorías, los hay que ayudan al internauta en la búsqueda de información o a mejorar la navegación... e incluso se ofrecen las herramientas para que el propio internauta desarrolle su agente inteligente. Agents Inspired que utiliza agentes inteligentes en la herramienta HabitatPro “un sistema experto en la personalización a partir de los gustos subjetivos de los clientes”, comenta Andreu Pérez, director general de la compañía. “Asociando indicadores o atributos subjetivos a los prod uctos y

servicios que ofrecen, la aplicación utiliza la tecnología para crear modelos de los clientes y conocer sus preferencias”. 

Por su parte, soco cuenta con GETsee, una solución de agregación inteligente que en su uso más básico permite a los usuarios ahorrar tiempo de navegación recopilando información de fuentes dispersas. Pero además, ofrecen un asesoramiento inteligente, ofreciendo múltiples servicios y herramientas de análisis. 29


El papel de la heurística

Se denomina heurística a la capacidad de un sistema para realizar de forma inmediata innovaciones positivas para sus fines. La capacidad heurística es un rasgo característico de los humanos, desde cuyo punto de vista puede describirse como el arte y la ciencia del descubrimiento y de la invención o de resolver problemas mediante la creatividad y el pensamiento lateral o pensamiento divergente.

Función heurística Supondremos que tenemos una función de evaluación heurística, f, que nos ayudara a decidir cual es el mejor nodo para expandir (mas adelanté se comprenderá por que hemos colocado un << sombrero>> sobre f. pronunciaremos a f como << f sombrero>>). Adoptaremos el convenio según el cual f tomara valores pequeños en los nodos mas prometedores. Por tanto, es una función real definida sobre las descripciones de los estados. 2. se expandirá el nodo n para el que se obtenga el menor valor f(n), de esta forma, la selección de nodos a expandir no sigue ningún patrón de finido (a lo largo de este capitulo consideremos que la expansión de un nodo generara todos sus sucesores). 3. sede terminara el proceso cuando el nodo a expandir sea un nodo objetivo. En la mayoría de los casos, siempre es posible encontrar una buena función de evaluación para la búsqueda primero el mejor. Por ejemplo, en el problema puzle de ocho piezas podemos usar como medida de lo << bueno>> que es un estado el número de fichas que están des colocadas:

F(n) = numero de ficha descolocadas (comparadas con la configuración objetivo)

Si usamos esta función heurística el procedimiento de búsqueda que acabamos de definir, obtendremos el grafo de la figura 9.1. El número situado cerca de cada nodo indica el valor de la función heurística en dicho nodo. UNIDAD 1 | INTELIGENCIA ARTIFICIAL

30

En este ejemplo se puede ver la necesidad de influir en el proceso de búsqueda para forzar la vuelta atrás en la exploración de otros caminos más prometedores (y evitar de esta forma que una heurística excesivamente optimista nos lleve por caminos poco prometedores). Con este fin, se añade un << factor de profundidad>> a la función f, con lo que ahora se define como f(n) = g(n) + h(n), donde g(n) es una estimación de la profundidad del nodo n ( es decir, la longitud del camino mas corto desde el nodo inicial a n), y h(n) es la evaluación heurística en el nodo n. si, al igual que en el párrafo anterior, h(n) es el numero de fichas descolocadas (comparadas con la configuración objetivo) y g(n) es la profundidad del nodo n en el grafo de búsqueda, el proceso de búsqueda producirá el grafo de la figura9.2 (los números que están próximos a los nodos equivalen a la suma g(n) + h(n). como se puede ver, en este caso la búsqueda del nodo objetivo es mas directa (exceptuando el nodo marcado con un circulo). Estos ejemplos nos platean d dos preguntas importantes. Primera, ¿como seleccionamos la función de evaluación que guie el proceso de búsqueda primero el mejor? Segunda, ¿ cuales son las propiedades de la búsqueda primero el mejor?, ¿ encuentra siempre buenos caminos hacia el objetivo? 31


Funciones heurísticas El problema de las ocho placas tiene justo el nivel de dificultad que lo hace interesante. Una solución típica consta de 20 pasos, aunque esto variara dependiendo del estado inicial. El factor de ramificación es aproximadamente de tres (cuando la placa vacía esta en medio, hay cuatro posibles desplazamientos; cuando esta en una esquina, dos; cuando esta en uno de los bordes, tres). Es decir, búsqueda exhaustiva de profundidad 20 haría una búsqueda a través de 320 =3.5 x 109 estados. Si se lleva un registro de los estados que se repiten, la cantidad anterior disminuye considerablemente, ¡puesto que habrá solo 9! = 360 880 arreglos diferentes de nueve cuadros. Sigue siendo un número grande de estados, por lo que procede encontrar una buena función heurística. Para en contar la soluciones mas breves hay que tener una función heurística que nunca sobreestime la cantidad de pasos necesarios para al cansar la meta. La siguiente son dos candidatas.

32


Ejemplo típico del problema de las ocho placas. 



h1= la cantidad de placas que están en lugar incorrecto. En la figura 4.7 ninguna delas ocho placas esta en la posición meta, por lo que el estado de partida tendría h1 = 8.h1 es una heurística aceptable puesto que es evidente que cuando en placa esta en el lugar incorrecto habrá que desplazarla por lo menos una vez. h2= la suma de las distancias que separa a las placas de sus posiciones meta. Puesto que las placas no se desplazan a través de diagonales, la distancia que se considere es la suma de las distancias verticales y horizontales. A esta se le denomina a veces distancia en cuadras de ciudad o distancia de Manhattan. h2 también es aceptable puesto que todo movimiento acercara a la placa asolo un paso de la meta. Las ocho placas en el momento de partida tienen una distancia de Manhattan de: h2 = 2+3+2+1+2+2+1+2=15

El efecto, en el desempeño, de la exactitud heurística Una forma de caracterizar la calidad de una heurística es mediante el factor de ramificación efectiva b*. Si la cantidad total de nodos expandida por A* para un problema determinado es N, y la profundidad de la solución es d, entonces b* es el factor de ramificación que de vera tener un árbol uniforme de profundidad d para que pueda contener N nodos. Por lo que: N = 1+b*+ (b*)2+…+ (b*)d.

Por ejemplo, si A* encuentra una solución en la profundidad cinco y utilizando 52 nodos, el factor de ramificación efectiva es de 1.91. por lo general, el factor de ramificación efectiva correspondiente a una heurística determinada permanece muy constante a través de una amplia gama de problemas, por lo que las mediciones experimentales de b* realizadas en un reducido conjunto de problemas puede servir de guía sobre la utilidad global de la heurística. En una heurística bien diseñada. El valor de b* se aproxima a 1, lo que da cabida a la UNIDAD 1 | INTELIGENCIA ARTIFICIAL

33

resolución de problemas bastante grandes. Para probar las funciones de solución es 2,4,…,20, y se resuelven utilizando la búsqueda A*, con h1 y h2, asi como

mediante la búsqueda por profundización interactiva no informad a, en la figura 4.8 se puede observar la cantidad promedio de nodos expandida mediante cada una delas estrategias anteriores y el factos de ramificación correspondiente. Los resultados muestran que h2 es mejor que h1 y que la búsqueda no respaldada con información es peor. Vale la pena preguntarse si h2 siempre es mejor que h1. La respuesta es si. Es fácil deducir con base en las definiciones de ambas heurísticas que para todo nodo n, h2(n) ≥h1 (n). Se dice que h2 domina a h1. El dominio se traduce directamente en eficiencia: una A* que utilice h2 expandirá menos nodos, en promedio, que una A* que utilice h1.

Costo de búsqueda d

IDS

Factor de ramificación efectivo

A*(h1) A*(h2) IDS

A*(h1)

A*(h2)

2 10 6 6 2.45 1.79 1.79 4 112 13 12 2.87 1.48 1.45 6 680 20 18 2.73 1.34 1.30 8 6384 39 25 2.80 1.33 1.24 10 47127 93 39 2.79 1.38 1.22 12 364404 227 73 2.78 1.42 1.24 14 3473941 539 113 2.83 1.44 1.23 16 - 1301 211 1.45 1.25 18 - 3056 363 1.46 1.26 20 - 7276 676 1.47 1.27 22 - 18094 1219 1.48 1.28 24 - 39135 1641 1.48 1.26 Figura4.8 comparación de los costos de búsqueda y delos factores de ramificación efectivos de la BUSQUEDA-POR PROFUNDIZACION-INTERACTIVA y los algoritmos A*, correspondientes A h1 y h2. Los datos se promediaron entre 100 resultados posibles del problema de las ocho placas, correspondientes a longitudes de solución diversas. UNIDAD 1 | INTELIGENCIA ARTIFICIAL

34

Como inventar funciones heurísticas Se ha visto hasta hora que tanto h1 como h2 son heurísticas que funcionan bien en el caso del problema de las ocho placas y que, de las dos, h2 es la mejor. Pero todavía no sabemos como inventar una función heurística . (¿Como podría hacerse una con h2? ¿Seria capaz una computadora de inventar tal heurística?

Las funciones h1 y h2 son estimaciones de la longitud de la ruta que falta en el problema de las ocho placas, pero también se les puede considerar como longitudes de ruta perfectamente precisas de versiones mas sencillas del problema. Si se cambiaran las reglas del problema de manera que una placa se pudiera desplazar a cualquier parte, en vez de hacerlo al cuadro adyacente vacio, h1 daría la cantidad precisa de pasos necesarios de la solución mas breve. Así mismo, si una placa pudiese desplazarse un cuadro en cualquier direcci ón, incluso en un cuadro ocupado, h2 diría cual es la cantidad exacta de pasos de la solución mas corta. A los problemas es que se imponen menos restricciones a los operadores se les llaman problemas relajados. Es frecuente que el costo de la solución de un problema relajado constituya una buena heurística del problema original.

Si se escribe la definición de un problema en lenguaje formal, es posible construir automáticamente el problema relajado. Por ejemplo, si los operadores del problema de las ocho placas se caracterizan de la manera siguiente: Una palca puede pasar del cuadro A al B si A esta junto a B y B esta vacio. Para generar tres problemas relajados solo hay que eliminar una o más de las condiciones: (a) se puede mover una placa del A al cuadro B si A esta junto a B. (b) se puede mover una placa del A al cuadro B si B esta vacio. (c) Se puede mover una placa del cuadro A al cuadro B. 35

Recientemente se creo un programa llamado ABSOLVER, mediante el que se generan automáticamente heurística a partir de la definición de un problema, UNIDAD 1 | INTELIGENCIA ARTIFICIAL

empleado el método

del “problema relajado” así como algunas otras técnicas

(preditis,1993). ABSOLVER produjo una nueva heurística para el problema de las ocho placas mejor que todas las obtenidas hasta en toces y ofreció la primera heurística útil para el famoso problema del cubo de Rubick. Uno delos problemas relacionados con la generación de nuevas funciones heurísticas es la imposibilidad de obtener una quesea evidentemente la “mejor”.

Si para un problema determinado existe un grupo de heurística aceptable, h1,…hm, y si ninguna de ellas domina a las otras ¿cual es la que se debe elegir?

Resulta que no es necesario elegir. El mejor de los mundos se obtiene al definir: h(n) = máx. ( h1)(n),…,hm8n)).

En esta heurística combinada se utiliza aquella función que sea mas precisa para el nodo en cuestión. Puesto que las heurísticas componentes son aceptables, h también lo es. Además, h domina cada una de las heurísticas que la constituyen. Otra forma de inventar una buena heurística es utilizando información estadística. Para ello, se efectúa una búsqueda a través de diversos problemas de adiestramiento, como por ejemplo las 100 configuraciones es cogidas al azar del juego de las ocho fichas, y se obtienen las estadísticas correspo ndientes. Por ejempló, se obtienen el resultado de que cuando h2(n) = 14, resulta que 90% de las veces la distancia real a la meta es 18. Y así, cuando enfrentemos el problema “real” en vez de usar el valor de 14 reportado por h2(n), se utilizara el de 18.

Desde luego que cuando se utiliza información probabilística como lo anterior, aunque se renuncia a la garantía de la admisibilidad, por otra parte se expandirán menos nodos en promedio. Muchas veces existe la posibilidad de tomar rasgos de un estado que forma parte de su función de evaluación heurística, aun cuando no sea fácil determinar en que consiste tal contribución. Por ejemplo, en el ajedrez la meta es dar jaque mate al oponente, y entre los rasgos característicos figuran la cantidad de piezas de cada tipo que pertenecen a cada lado, la cantidad de ellas reciben el ataque de las contrincantes, etcétera. Normalmente, se supone a la función de evaluación como una combinación lineal de los valores de los rasgos. Incluso cuando no se tiene idea de la importancia de cada rasgo, o incluso si un rasgo es bueno o malo, aun así se puede emplear un algoritmo de aprendizaje con el fin de obtener coeficientes razonables de cada rasgo, como se demuestra en el capitulo 18. En el caso del ajedrez, por ejemplo, un programa puede aprender que la reina del UNIDAD 1 | INTELIGENCIA ARTIFICIAL

36

jugador debe alcanzar un levado coeficiente positivo, en tanto que el peón del contrincante, uno pequeño y negativo. Otro factor no considerado hasta el momento es el costo de búsqueda que implica la aplicación real de una función heurística a un nodo. Hasta ahora se ha puesto que el costo del computo de la función heurística es aproximadamente al mismo que el de la expansión de un nodo, por lo que es conveniente reducir el mínimo la cantidad de nodos expandidos. Sin embargo, si la complejidad de la función heurística es tal que el cálculo de su valor para un nodo tarda tanto como la expansión de cientos de nodos, habrá una reconsideración. Después de todo, es muy sencillo confiar en una heurística perfectamente precisa, si se deja que esta realice, digamos, la totalidad de una búsqueda preferente por amplitud “a hurtadillas”. Esto permite reducir a un mínimo la cantidad de nodos expandidos en

una búsqueda real, aunque no reducirá al mínimo el costo general de la b úsqueda. Una buena fusión heurística es aquella que es eficiente así como precisa.

37


Inteligencia Artificial UNIDAD 1 2

Recommend Documents