Inteligencia Artificial

Vista previa del material en texto

Inteligencia Artificial 
I. 	CONTENIDO 
1. Introducción y Conceptos de la Inteligencia Artificial. 
2. Agentes Inteligentes. 
3. Búsqueda a Ciegas. 
4. Búsqueda Heurística. 
5. Representación Formal del Conocimiento. 
6. Representación “No Formal” del Conocimiento. 
7. Sistemas Expertos. 
7.1. Sistemas Expertos Determinísticos Decisionales. 
7.2. Sistemas Expertos Probabilísticos de Aprendizaje Bayesiano. 
7.2.1. Aprendizaje Bayesiano. 
7.2.2. ID3 
8. Redes Neuronales Artificiales. 
8.1. Algoritmos 
8.1.1. Perceptivos 
8.1.2. Retropropagación 
8.1.2.1. Estocástica 
8.1.2.2. Difusa 
 
II. EVALUACIÓN 
9. 60% Examen Presencial 
10. 30% Trabajos Prácticos Grupales 
11. 10% Asistencia 
 
III. BIBLIOGRAFÍA 
12. “Inteligencia Artificial – Un Enfoque Moderno” 
13. Russel and Norvig 
14. “Inteligencia Artificial – Un Paso al Conocimiento” 
15. Alfredo Pajares 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CAPITULO 1 
 
1. Introducción a la Inteligencia Artificial 
 
1.1. Definición 
Como la combinación de ciencias tales como: 
Computación 
Fisiología 
Filosofía 
Otras 
 
Que se engloban para un fin común que es el de “construir máquinas de tal manera que puedan pensar y razonar como los seres humanos; reduciendo el tiempo en tareas complejas. 
 
1.2. Categorías 
Sistemas que piensan 	 	 	Sistemas que piensan 
como humanos 	 	 	 	de manera racional 
 
Sistemas que actúan Sistemas que actúan como humanos racionalmente 
 
1.2.1. Sistemas que piensan como humanos Conocida como: “Las leyes del pensamiento”. 
Si se empieza por premisas (antecedentes) correctos; logramos pensar correctamente. 
 
1.2.2. Sistemas que piensen racionalmente 
Agente racional, que se asemejen a los pensamientos de los seres vivos. 
Teorías del funcionamiento del cerebro humano dado que éste posee y procesa información en paralelo. 
 
1.2.3. Sistemas que actúen racionalmente 
Que satisfagan a los requerimientos de los humanos. 
 
1.2.4. Sistemas que actúen como humanos 
“El enfoque de la prueba de Turing 
Si existe una comunicación satisfactoria humano vs ordenador entonces vamos en buen camino a esta ciencia. 
El computador deberá ser capaz de: 
· Procesar en lenguaje natural. (comunicación eficiente) • Autoaprender. 
· Razonar de manera autónoma. 
 
1.3. Propósito 
Conseguir emular el comportamiento humano en habilidades concernientes a: 
Percibir 
Razonar – Sistemas Expertos – Redes Neuronales – Robótica y Exploración 
Aprender – Sistemas Expertos – Redes Neuronales – Robótica y Exploración 
 
1.4. Fundamentos de la Inteligencia Artificial 
Las ciencias que dieron vida a la Inteligencia Artificial son: 
 
1.4.1. Filosofía 
Si una persona puede razonar, ¿por qué no un ordenador? 
 
1.4.2. Matemáticas 
Lógica de Predicado y Proposicional. 
Parte probabilística. 
 
1.4.3. Lingüística 
Define a la estructura semántica. 
· El lenguaje debería de estar estructurado. 
· La semántica del lenguaje. 
 
1.4.4. Psicología 
Teorías avanzadas sobre como aprende, actúa y razona un humano. 
 
1.4.5. Computación 
Hardware. 
Software. 
Etc. 
 
1.5. Estrategias de la Inteligencia Artificial 
 
1.5.1. Sistemas Expertos 
Conjunto de “saberes” de distintas personas o especialistas para lograr un fin en común. 
Saberes: 
· Conocimientos 
· Habilidades 
· Actitudes – Actos 
 
1.5.2. Redes Neuronales Artificiales 
Emulan el proceso de aprendizaje neuronal biológico con el proces de lograr aprendizaje en base al “entrenamiento”. 
 
1.5.3. Lógica Difusa 
“Fuzzy Logic” – Lógica Borrosa. 
Representa también el conocimiento con cierto grado de incertidumbre. 
 
1.5.4. Algoritmos Genéticos 
Forman parte de las estrategias del campo de investigación de la Inteligencia Artificial. 
Estudia y evalúa los genes humanos, con el objetivo de encontrar el “gen ganador” (mutación, ruleta, crossover). 
 
1.6. Reseña Histórica 
 
1.6.1. Primer Periodo – 1955 al 1965 
· Juegos 
· RNA (Perception, Adaline) 
· SE 
· Lisp, Prolog – Matlab 
1.6.2. Segundo Periodo – 1965 al 1975 
· Representacion general del conocimiento. 
· Redes semánticas (IS-A, AKO (A Kind Of)) 
· Marcos (). 
· Guiones. 
 
1.6.3. Tercer Periodo – 1975 a la actualidad 
• 	RNA´s (Mejoradas, Aplicaciones) - 	Reconocimiento de voz. 
- 	Reconocimiento de imágenes. 
· Exploraciones (de tipo robótico). 
· Juegos sofisticados. 
· Algoritmos genéticos. 
· Lógica difusa. 
 
Todas fueron aplicadas a: 
· Ingeniería. 
· Rama militar. 
· Medicina 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CAPITULO 2 
 
2. Agentes Inteligentes 
 
2.1. Introducción 
Caracterizadas generalmente por actuar en un entorno y realizar una serie de acciones en el mismo en base a percepciones, con el objeto de conseguir metas del usuario. 
 
2.2. Concepto 
Se llama Agente Inteligente a todo aquello que pueda percibir de su ambiente mediante sus “sensores” y que pueda actuar en el ambiente mediante sus “efectores” 
 
2.2.1. Inteligencia 
· Habilidad de Aprender. 
· Capacidad de resolver problemas. 
· Habilidad de adaptarse. 
· Capacidad de captar y procesar “conocimiento”. 
 
2.2.2. Conocimiento 
· Información adquirida y transformada. 
· Valores. 
· Saber hacer. 
 
2.2.3. Agentes Inteligentes Autónomos 
Satisfacen a los requerimientos de los usuarios, y siguen “interactuando” con otros agentes o entidades. 
 
 
2.3. Propiedades de los Agentes Inteligentes 
 
2.3.1. Continuidad Temporal 
Siguen funcionando y/o ejecutando tareas. 
 
2.3.2. Racionalidad Hacer lo correcto. 
 
2.3.3. Personalidad 
Actuar con otros agentes. 
 
2.3.4. Adaptabilidad 
 
2.4. Generaciones de los Agentes Inteligentes 
 
2.4.1. Primera Generación Comparación de precios. 
 
2.4.2. Segunda Generación 
Comparación de precios y tipos. 
 
2.4.3. Tercera Generación 
“Actual”. Se pretende desarrollar todo el “proceso” de comparación, compra, precio, detalle, etc. 
Autonomía completa de los Agentes Inteligentes en la “Navegación de la red”. 
 
2.5. Clasificación de los Agentes Inteligentes Están clasificados: 
 
2.5.1. Movilidad Pueden ser: 
· Estáticos 
· Dinámicos 
 
2.5.2. Deliberativos 
Consiguen un razonamiento simbólico y consiguen también determinar: 
· Planeaciones 
· Negociaciones Ejemplo: 
Cuando un navegador me ofrece un hotel con el que estoy de acuerdo con la cama pero no con el transporte, entonces negocia con otros transportes en la web. 
 
2.5.3. Reactivos 
Se comportan bajo un concepto estímulo/reacción. 
	Agente deliberativo 
Agente de interfaz 
Buscan solo lo que se les pide. No provocan negociación. 
 
2.5.4. Cooperan, Aprendizaje, Autónomos 
AI Ideal
 
C
 
 
Autónomo 
 
A
 
Agente 
Colaborativ
o
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2.6. Estructura de un Agente Inteligente Agente = Programa de Agente + Arquitectura 
 
2.6.1. Programa de Agente 
Función que procesa la transformación de una secuencia de percepciones. 
2.6.2. Arquitectura 
 	 
 
 
Para poder “diseñar y desarrollar” un programa de agente, se deben considerar los siguientes componentes: 
 	P = Percepciones capturadas por los “sensores”. 
 	A = Acciones en respuesta a las percepciones “efectores”. 
 	M = Meta a lograr, máximo rendimiento. 
 	A = Ambiente 
 
Ejemplo.- Marcapaso Inteligente 
 	P 
· Pulso. 
· Signos QRS. 
· Segmentos T, P. 
 
A 
· Reportar falla del latido, pulso, frecuencia cardiaca. 
 
M 
· Evitar la muerte. 
 
A 
· Corazón 
· Paciente 
· Hospital 
 
Ejemplo.- Automóvil detector de personas ebrias 
 	P 
· Sensores olfativos en el cabezal del piloto. 
 
A 
· Inhabilita el motor de arranque. 
 
M 
· Evitar accidentes de tránsito. 
 
A 
· Automóvil. 
 
2.7. Ejemplos de Agentes Inteligentes Simples 
 
2.7.1. Agente Robótico 
· Sensores – Cámaras infrarrojas 
· Efectores – Motores, servomotores 
 
 
 
2.7.2. Agente de Software 
• 	Sensores + Efectores = Combinados por las instrucciones codificadas. 
 
2.7.3. Agentes Aplicativos 
 
2.7.3.1. WARREN 
Ámbito Financiero. 
Tienen la capacidad de hacer un reporte financiero detallado. 
 
2.7.3.2. AHOY 
“Universidad de Washington”, detecta a personas particulares y reporta un listado filtrado de posibles candidatos. 
 
2.7.3.3. SMART NEWREADERAnuncia noticias de interés al lector. 
 
2.7.3.4. Recomendación de Cartelera Cines, eventos de interés. 
TV. 
 
2.7.3.5. SHOPBOT 
“Prototipo” de compra de productos. 
Version ampliada -- E-Commerce. 
B2B 
C2C 
B2C 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CAPITULO 3 
 
3. Resolución de Problemas Mediante Búsqueda 
 
3.1. Introducción General 
El Agente Inteligente resuelva problemas optimizando tiempo, recorrido, mediante medios o herramientas legales para su ejecución. 
 
3.2. Técnicas 
a) Describir el estado actual del “ambiente”. 
b) Describir el punto de partida. (NODO RAIZ) 
c) Describir el objetivo del problema a resolver. (NODO META) 
d) Describir los medios permisibles que generen una transición o transformación de estados. (OPERADORES) Ejemplo: 
 
	
 	 
 
	2
	3
	4
	
	1
	2
	3
	1
	
	5
	
	8
	
	4
	8
	6
	7
	
	7
	6
	5
	
	1
	
	
	
	2
	
Descripción 
a) El ambiente está reflejado en un tablero de 3 x 3 casillas con 8 dígitos en las casillas y una casilla en “blanco”. 
b) Nodo Raíz → Figura 1 
c) Nodo Meta → Figura 2 
d) D1 	 Desplazar o intercambiar la “casilla en blanco” a la derecha. 
D2 Desplazar o intercambiar la “casilla en blanco” a la izquierda. Indicar el “conjunto” total de los estados que se h→→→→ an generado al aplicar los 
D3 	 Desplazar o intercambiar la “casilla en blanco” hacia abajo. 
D4 Desplazar o intercambiar la “casilla en blanco” hacia arriba. Estos operadores son la “Secuencia de Acciones”, ésta secuencia debe ser respetada en su orden. 
 
3.3. Espacio de Estados 
operadores (válidos), siguiendo secuencialmente todos los operadores. Ejemplo: El mundo de los bloques. 
 
	
	
	
	
	
	
	
	
	A
	
	
	
	
	
	
	
	
	
	
	B
	
	
	A
	
	B
	
	C
	
	
	
	C
	
	
	Nodo Raiz
	
	Nodo Meta
 
1) A 
B 
C 
 
2)
 
A 
B 
C 
 
 
3)
 
B 
C 
A 
 
 
4)
 
C 
B 
A 
 
 
…. 
 
3.4. Estrategias de Búsqueda 
 
3.4.1. Búsqueda a Ciegas (Sin información) 
Explora los nodos de un árbol, sin previa información del mejor recorrido, exceptuando “el nodo raíz y el nodo meta” 
Tenemos los siguientes algoritmos de búsqueda a ciegas: 
 
3.4.1.1. BPA (Breath First Search) 
Este algoritmo sugiere una búsqueda de recorrido de IZQDER, bajo una estructura tipo cola (FIFO). 
La exploración debe realizarse por niveles; respetando que primero se explore el nivel “i” antes de explorar o analizar el nivel “i+1”. 
 
Características del BPA 
· Completo – Recorre todos los nodos hasta llegar a la solución. 
· Óptimo – Siempre halla la solución. 
 
Estructura 
 
 	
 
Para la solución, se presentan 2 tipos de listas. 
 
open [[ <= ABIERTA := Los nodos generados, pero no 
expandidos. 
closed [[ <= CERRADA := Los nodos expandidos y 
computados 
 
Ejemplo: Buscar el camino recorrido del siguiente árbol: 
 
Grafico 1.1 del Cuaderno. 
 
ABIERTA
CERRADA 
Ø 
A
D F G
A 
D
F G H J
F 
G H J C E
G 
H J C E
B
 ÉXITO
 
 
Nodos 
Expandidos
 
Camino recorrido: A, D, F, G, B 
 
Ejemplo: Transformar el siguiente grafo cíclico a una estructura acíclica, luego aplicar el algoritmo por anchuraamplitud y encontrar el camino recorrido. 
 
Grafico 1.2 del Cuaderno 
 
 
ABIERTA
CERRADA 
A
Ø
B G F
B 
G F C G
G
 
 
Nodos Expandidos
 
Camino recorrido: A, B, G 
 
3.4.1.2. Algoritmo por búsqueda en profundidad 
Explorar el primer nodo raíz y luego solo explorar la primera rama de la izquierda. 
Solo retorna a un nodo inmediato inferior si este produce un “callejón sin salida”. 
Su estructura es: 
 
Cuaderno 1.3, 1.4 
 
La estructura aplicada responde a una lista tipo LIFO Se tienen 2 listas: 
 ABIERTA:= Componen los nodos generados. 
CERRADA:=Componen 	los 	nodos 	explorados 
(expandidos, computados.) 
 
 
Cuaderno 1.5 
 
 
 
 
 
	ABIERTA
	CERRADA
	A
	Ø
	D F G 
	A
	H J F G
	A, D
	B J F G
	A, D, H
	J F G
	A, D, H, B
 
3.4.1.3. Costo Uniforme 
Varia a la búsqueda mediante el algoritmo de amplitud solamente por los “costes asociados” en cada camino. 
 
Característica Principal 
Todos los costes deberán ser “positivos”, de otra manera el algoritmo no es adecuado para la búsqueda de resolución. Su análisis deberá satisfacer lo siguiente: 
() ≥ (") 
Parámetros de Fiabilidad 
a) Completo: Si existe una solución de la estructura de análisis, este algoritmo encontrará. 
b) Complejidad Temporal: Indica el tiempo qu se requiere para hallar la solución. 
c) Complejidad Espacial: Indica “cuanta” memoria requiere para hallar la solución. 
d) Optima: Halla la solución con el menor costo (en caso que exista más de una solución (Nodo 
Meta)). 
Ejemplo 
Hallar la solución de menor costo de la siguiente estructura, e indicar el camino reorrido. 
 
Cuaderno 1.6 
 
3.4.1.4. Búsqueda Bidireccional 
Se trata de explorar la estructura (árbol, grafo) mediante dos aspectos: 
• 	Del nodo inicial al nodo meta. • 	Del nodo meta al nodo inicial. 
Desarrollo que deberá realizarse simultáneamente, hasta encontrar un “nodo intermedio común”. 
Características 
Al menos una de las búsquedas, desde el (nodo inicial al nodo meta) ó (del nodo meta al nodo inicial) deberá cumplir con la búsqueda por amplitud 
Estructura 
Cuaderno 1.7 
 
Ejemplo 
Realizar la búsqueda mediante el algoritmo de búsqueda bidireccional. 
Cuaderno 1.8 
 
Cuando se trabaja con árboles o grafos dirigidos no es necesaria la transformación. 
 
3.4.2. 	Búsqueda Heurística 
Es un desarrollo de búsqueda de solución de “estimación”, para la búsqueda cuenta con una información adicional sea esta (maximizar (∞), o minimizar (0, -∞)) de acuerdo al problema a resolver. 
La información adicional se la conoce como: 
 
#$ = #ó ó 'í 
 
3.4.2.1. Heurísticas Comunes 
H1 = Las distancias de “Manhattan” 	 Taxi → Avenidas 
H2 = Fichas mal colocadas respecto al estado meta. →
 
Ejemplo: 
 
	
 	 	 
 
	2
	3
	4
	
	1
	2
	3
	1
	
	5
	
	8
	
	4
	6
	8
	7
	
	7
	6
	5
	
	Ei
	
	
	Em
Secuencia de operadores: 
→ 
← 
↑ 
↓ 
 
Entonces tenemos que partiendo del nodo inicial: 
 
 
 
	2
	3
	4
	1
	
	5
	6
	8
	7
	
	Ei
	
Tenemos: 
 
→ 
	2
	3
	4
	1
	5
	
	6
	8
	7
	
	Ei
	
ℎ1 = 1 2 3 4 5 6 7 	8 
2	= 1 + 1 + 1 + 1 + 2 + 1 + 2 + 2 = 11 
	2
	3
	4
	
	1
	5
	6
	8
	7
	
	Ei
	
← 
 
	2
	
	4
	1
	3
	5
	6
	8
	7
	
	Ei
	
↑ 
 
 
↓ 
	2
	3
	4
	1
	8
	5
	6
	
	7
	
	Ei
	
 ℎ1 = 1 2 3 4 5 6 7 8 ℎ1 = 9 
 
Expandimos el nodo con el menor recorrido, supones que es el último. 
Si utilizando la misma heurística, este nodo tiene a h1 como 5, 8, 5, entonces prevalece el de la izquierda. 
 
NOTA: El orden de búsqueda no tiene restricción ya que la “fev (función de evaluación)” guía el recorrido. 
Si al aplicar los operadores con la misma heurística en un mismo nivel hay 2 valores fev iguales, el nodo a expandir será siempre el de la izquierda. 
 
3.4.2.2. Algoritmos de Búsqueda Heurística – El primero el mejor 
Se genera una “Cola de prioridades”, explorando siempre el nodo más prometedor para llegar a la meta, por tanto el orden de expansión no está restringida por una dirección, 
solo esta dirigido en base a la fev (mas, min) – (+∞, -∞) 
 
Cuaderno 
 
Camino recorrido: A, B, D, H, L, M 
 
3.4.2.3. Algoritmo de Búsqueda Heurística A* 
Introducción Característica: Es la combinación del algoritmo de búsqueda de “primero el mejor” y “costo uniforme”. 
 
#$(") = (") + ℎ(") 
 
#$(") = El costo de estimación de llegar de un “nodo inicial” a un “nodo meta” mínimo. 
(") = El costo 
· Aula 
· Distancia de menor coste (real) ℎ	→
· Camino 
desde un nodo “n” 
(") = El costo de llegar desde un nodo “n” al nodo “meta” (h=heurística) 
Ejemplo: Desarrollar la siguiente TAB mediante A*. 
 
Ejemplo: Resolver el problema del mundo de los bloques mediante el algoritmo de búsqueda “A”. 
Suponga que cada cambio de recorrido tiene un costo 1. 
 
	
	
	B
	
	
	
	
	
	A
	
	
	
	
	C
	
	
	
	
	
	B
	
	
	
	
	A
	
	
	
	
	
	C
	
	
	Estado Inicial
	
	Estado Meta
 
La heurística empleada: 
 
ℎ(∗") = # 
Condiciones: 
 
1) 1 solo bloque pueda moverse en un tiempo dado. 
2) El bloque podrá estar en la tabla, o encima de otro bloque. 
3) El bloque puede moverse “solo” si está libre “encima” 
	C 
A 
B 
C 
A 
B 
#$∗ = 2 + 3 = 5 	#$∗ = 1 + 3 = 4 
 
 
 
3.5. Estrategias entreadversarios 
 
3.5.1. Algoritmo Minimax – Algoritmo Poda α β 
 
Se basa en la presencia de dos jugadores. 
 
· MAX: Trata de maximizar su ganancia 
· MIN: Intenta minimizar la ganancia de MAX 
 
Se desarrolla por niveles donde cada nivel corresponde a un jugador sea (MAX, MIN), donde se desarrolla de manera alternada. El nodo inicio, se determina mediante las “reglas de juego” 
 
¿Quién empieza? 
¿Cuál el tiempo de juego? 
¿Cuál el límite de profundidad? 
 
 
 
 
 
 
 
 
MAX
 
MIN
 
MAX
 
Ejemplo: 
 
 
 
 
 
 
 
 
 fev fev fev fev 
 fev fev 
 
4
 
8
 
 
1
 
3
 
1
 
4
 
6
 
5
 
4
 
 
3.5.2. Poda α – β 
Características: El juego siempre se inicia con los valores: 
 
α = -∞ 
β = ∞ 
 
En un nivel MAX el valor de α nunca disminuye. 
En un nivel MIN el valor de α = Hereda del padre. 
En un nivel MIN el valor β = Hereda del padre. 
En un nivel MAX el valor β trata de minimiza su valor respecto a ∞ 
 
Poda: Evita el estudio o análisis de: 
 
· Nodos 
· Ramas 
 
Siempre y cuando 
 α ≥ β 
 
Si el nodo Raíz = MAX, entonces, (el valor de α cambia, y β se mantiene) 
Si el nodo Raíz = MIN, entonces, (α =-∞ (mantiene su valor) y β cambia) 
 
NOTA: 	El 	procedimiento 	siempre 	se 	realiza 	de 	forma “ASCENDENTE”. 
NOTA 2: No siempre es necesario que se presente como estructura final un árbol (equilibrado) en el cual los nodos finales representan los nodos “terminales”; asociados cada uno de ellos a una utilidad (fev). 
 
 
 
 
 
 
 
 
 
 
 
 
MIN
 
MAX
 
MAX
 
MIN
 
Ejemplo: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
3
 
 
-
1
 
 
9
 
4-5=-1 #de filas, columnas o diagonales libres para X - # de filas, columnas y diagonales libres para O; para ganar el juego (En un 3 en raya) 
 
image1.png
image2.png