HISTORIA DE LA INTELIGENCIA ARTIFICIAL

Reconocido en general como el primer trabajo de IA, fue realizado por Warren McCulloch y Walter pitts(1943). Abrevaron de tres fuentes: conocimientos sobre la filosofa bsica y funcionamiento de las nuevas neuronas en el cerebro, el anlisis formal de la lgica proposicional de Russel y Whitehead y la teora de la computacin de turing. Propusieron un modelo constituido por neuronas artificiales, en el que cada una de ellas se caracterizaba por estar encendida o apagada; el encendido se daba como respuesta ala estimulacin producida por una cantidad suficiente de neuronas vecinas. El estado de una neurona se vea como equivalente, de hecho, a una proposicin que propusiera sus estmulos adecuados. Por ejemplo, mostraron que cualquier funcin calculable podra calcularse mediante cierta red de neuronas interconectadas y que todos los conectores lgicos se podan lograr utilizando sencillas estructuras de red. McCulloch y pitts tambin insinuaron la posibilidad de aprendizaje por parte de redes definidas para tal propsito. Donald Hebb (1949) demostr una cenilla regla de actualizacin para modificar las intensidades delas conexiones entre neuronas, de manera que ocurriera el aprendizaje. Los trabajos de McCulloch y Pittss son, si bien esto es discutible, los precursores de la tradicin logicisista en IA as como de la tradicin conexionista. A principios de la dcada 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. Simultneamente, dos estudiantes de posgrado del departamento de matemticas de Princeton, Marvin Minsky y Dean Edmonds, construyeron la primera computadora de red neuronal en 1951. La SNARC, ese era su nombr, utilizaba 3000 bulbos y un mecanismo de piloto automtico obtenido de los desechos de un avin bombardero B-24 para simular una red de 40 neuronas. Los asesores del doctorado de Minsky veian con escepticismo el que este tipo de trabajo pudiera considerarse como matemticas. Neumann formaba parte de los asesores y se dice que su opinin fue: si no lo es actualmente, algn da lo ser. Es irnico que Minsky mismo hiciera la demostracin de teoremas que contribuyeron a desechar buena parte de las investigaciones sobre redes neuronales de la dcada de los 70.

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Princenton acoga a otra de las figuras seeras de la IA, John McCarthy. Luego de graduarse, McCarthy se paso a Dartmouth college, que se erigira 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 teora de los autmatas, las redes neuronales y el estudio de la inteligencia. Organizaron 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 Oliver Selfridge de MIT.

Dos investigadores del Carnegie tech, Allen y Herbert Simn, acapararon la atencin. Si bien los dems tenan algunas ideas y, en algunos casos, programas para aplicaciones de terminadas como el juego de damas, Newell y Simn contaban ya con un programa de razonamiento, el terico lgico (TL), del que Simn afirmaba: hemos inventado un programa de co mputacin capaz de pensar de manera no numrica, con lo que ha quedado resuelto el venerable problema de la dualidad mente-cuerpo. Al termino del taller, el programa ya era capaz de demostrar gran parte de los teoremas de Russell yWhitehead. Se dice que Russell se manifest complacido cuando Simn le mostro que el programa haba producido la demostracin de un teorema mas corta que una de principia. Los editores del Journal of Symbolic Logic (revista de lgica simblica) resultaron menos impresionados; rechazaron un artculo cuyos autores eran Newell, Simon y el terico lgico. Si bien l taller de Dartmouth no produjo ningn a vance notable, si contribuyo a que todos los personajes importantes se conocieran. Durante los siguientes 20 aos el campo estuvo dominado por estos personajes, as como por sus estudiantes y colegas del MIT, UCM, Stanford y la IBM. Quizs lo ltimo que resulto del taller fue el consenso en adoptar el nuevo nombre propuesto por McCarthy para este campo: inteligencia artificial

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia (conductismo, Gardner, Definicin y alcance de la ciencia cognitiva Defino la ciencia cognitiva como un empeo contemporneo, de base emprica, por responder a interrogantes epistemolgicos de antigua data, en particular los vinculados a la naturaleza del conocimiento, sus elementos componentes, sus fuentes, su evolucin y difusin. Yo la aplicar principalmente a los esfuerzos por explicar el conocimiento humano. Me interesa saber si las cuestiones que intrigaban a nuestros antepasados filosficos pueden recibir una respuesta concluyente, o deben reformularse de una manera ms provechosa, o desechrselas para siempre. Hoy en da la ciencia cognitiva tiene la clave para responder a esto. Existen cinco aspectos que considero de importancia fundamental. Si todos, o la mayora, estn presentes, puede presumirse sin vacilacin que estamos ante una ciencia cognitiva; en cambio si una disciplina slo presenta unos pocos de estos rasgos o ninguno, quedar fuera de mi definicin de ciencia cognitiva. Ante todo est la creencia de que al referirnos a las actividades cognitivas de los seres humanos, es necesario concebir representaciones mentales y postular un nivel de anlisis totalmente separado del nivel biolgico o neurolgico del nivel sociolgico o cultural. Este nivel de anlisis se llama nivel de representacin, y su materia prima son los smbolos, reglas, imgenes etc. Este nivel es indispensable para toda la variedad de las conductas, acciones y pensamientos humanos. Est la creencia de que para la comprensin de la mente humana es esencial la computadora. No slo resulta indispensable para llevar a cabo estudios de diversa ndole, sino que constituye el modelo ms viable de funcionamiento de la mente humana. La computadora acta como una prueba de existencia, es decir que si es posible sostener que una mquina construida por el hombre razona, tiene metas, revisa y corrige su conducta, transforma informacin, por cierto los seres humanos merecen ser caracterizados de la misma manera. El grado en que una disciplina est prxima a la ciencia cognitiva puede medirse, con seguridad, por el grado en que est ligada a las computadoras. Estas dos primeras caractersticas incorporan creencias centrales en la ciencia cognitiva actual. Se consideran los supuestos nucleares. Las tres siguientes conciernen a procedimientos metodolgicos. El tercer rasgo es su deliberada decisin de restar nfasis a ciertos factores como ser los afectos y las emociones, elementos histricos y culturales y el
UNIDAD 1 | INTELIGENCIA ARTIFICIAL

papel del contexto. La ciencia cognitiva sera impracticable si se quisieran tomar en cuenta todos estos elementos individualizadores. El cuarto rasgo es que los cientficos cognitivistas tienen el convencimiento de la gran utilidad de los estudios interdisciplinarios (en particular la filosofa, psicologa, inteligencia artificial, lingstica, antropologa y la neurociencia), pero tienen la esperanza de que algn da las fronteras entre ellas puedan eliminarse. La quinta caracterstica es la afirmacin de que un ingrediente clave de la ciencia cognitiva es el conjunto de inquietudes que los epistemlogos tradicionales griegos han debatido durante largo tiempo. Esto se explica afirmando que los interrogantes tradicionales pueden servirnos como un lgico punto de partida para nuestras indagaciones actuales. 3. - EL DESAFIO AL CONDUCTISMO El desafo al conductismo Los conductistas (corriente predominante desde principios de siglo) enunciaron dos proposiciones para los investigadores: Deban limitarse estrictamente a los mtodos pblicos de observacin que cualquier hombre de ciencia fuera capaz de aplicar y de cuantificar. Los elementos de una disciplina deban ser muy observables. Los interesados en una ciencia del comportamiento deban centrarse exclusivamente en la conducta y no en la mente, el pensar o la imaginacin. Tampoco se conceban construcciones mentales como el smbolo, la idea, el esquema etc. Un elemento decisivo era la creencia en la supremaca y el poder determinante del medio. Consideraban que los individuos no actuaban de la manera en que lo hacan a raz de sus propias ideas, sino que actuaban en respuesta a diversas fuerzas y factores presentes en su medio. Durante las dcadas del '20 '30 y '40 va apareciendo una creciente conciencia por parte de muchos cientficos. Dicen que con los cnones conductistas se estaba volviendo imposible el estudio cientfico de la mente. Advirtieron que para alcanzar nuevas intelecciones ( ) acerca del cerebro o de las computadoras, era imprescindible enfrentar frontalmente al conductismo.
5

Teora de la Informacin Shannon lleg a establecer la nocin clave de la T. De la Informacin: puede concebirse a la informacin totalmente independiente del contenido o la materia
UNIDAD 1 | INTELIGENCIA ARTIFICIAL

especfica de que se trate, como una decisin singular entre dos alternativas admisibles. La unidad bsica de informacin (el bit) es la cantidad de informacin requerida para seleccionar un mensaje entre dos alternativas aqu probables.

3. - LAS PRIMERAS DECADAS DE LA CIENCIA COGNITIVA La paradoja computacional La aplicacin rigurosa de los mtodos y modelos extrados del mbito computacional ha llevado a los cientficos a comprender en que aspectos los seres humanos no se asemejan a las computadoras. El desafo de las ciencias cognitivas Es fundamental que la misma establezca su autonoma y que demuestre en que terrenos son vlidos los enfoques computacionales y representacional. 4. - CONCLUSION: LA PARADOJA COMPUTACIONAL Y EL DESAFIO COGNOSITIVO Con respecto al modelo del nivel de representacin, quien quisiera prescindir de este elemento, se vera obligado a explicar el lenguaje, la resolucin de problemas, la clasificacin y otros problemas semejantes, estrictamente en los trminos del anlisis neurolgico y cultural; pero los descubrimientos de los ltimos 30 aos haran 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 cognicin, es muy distinto de esa imagen ordenada, precisa y gradual que predomin en los fundadores de este campo. El pensar humano se nos aparece mucho ms desaliado, intuitivo y sometido a representaciones subjetivas... no como un clculo puro. Tal vez la computadora sea capaz de modelar estos procesos, pero el resultado final tendr poco parecido a la visin cannica de la cognicin implcita en las descripciones de inspiracin computacional //?? (Ser que la computadora no puede modelar como lo hace nuestra mente). El desafo cognitivo La meta ltima de la ciencia cognitiva debe ser dar una descripcin coherente de la forma en que los seres humanos obtienen sus productos simblicos ms significativos: cmo llegan a componer sinfonas, a escribir poemas, a inventar mquinas o a construir teoras.
6

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

El proceso de razonamiento segn la lgica (Axiomas, Teoremas, demostracin).

La teora de las inteligencias mltiples es un modelo propuesto por Howard Gardner en el cual la inteligencia no es vista como algo unitario, que agrupa diferentes capacidades especficas con distinto nivel de generalidad, contrario a esto es vista como un conjunto de inteligencias mltiples, distintas e independientes. La inteligencia es definida como la capacidad cerebral por la que conseguimos penetrar en la comprensin de las cosas eligiendo el mejor camino.(Antunes, 2006) La formacin de ideas, el juicio y razonamiento son actos esenciales e indicadores de la inteligencia. Haciendo un contraste a esta definicin Howard Gardner empez definiendo la inteligencia como la capacidad de resolver problemas o crear productos que son valorados en uno o ms contextos culturales. Dos dcadas despus ofrece una definicin ms refinada y define las inteligencias mltiples como un potencial biopsicolgico para procesar informacin 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 acadmica no lo es todo. Establece que para desenvolverse ptimamente en la vida no basta con tener un gran expediente acadmico. 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 s distinta. No existe una persona ms inteligente que otro simplemente sus inteligencias pertenecen a campos diferentes.
7

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Anteriormente exista la percepcin de que se naca inteligente o no, y la educacin no poda cambiar ese hecho. Tanto es as que en pocas muy cercanas a los deficientes psquicos no se les educaba, porque se consideraba que era un esfuerzo intil.

Considerando la importancia de la psicologa de las inteligencias mltiples, ha de ser ms 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 analoga de que al igual que hay muchos problemas tambin existen varias inteligencias. Junto a su equipo de Harvard han definido y establecido ocho tipos de inteligencias.

Tipos de inteligencia:

Inteligencia

lingstica-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 fontica, la semntica y los usos pragmticos del lenguaje.

Inteligencia lgica-matemtica- utilizada para resolver problemas de lgica y matemticas. Es la inteligencia que tienen los cientficos. Se corresponde con el modo de pensamiento del hemisferio lgico y con lo que la cultura occidental ha considerado siempre como la nica inteligencia. Inteligencia espacial- Es la destreza en la percepcin de imgenes, internas y externas, recrearlas, transformarlas y modificarlas, adems de recorrer el espacio, hacer que los objetos lo recorran y producir o decodificar las informaciones grficas. Es propia del llamado pensamiento tridimensional.
8

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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 msica.
Inteligencia

Corporal Cintica-Se trata de la habilidad de utilizar el cuerpo para

la expresin de ideas y sentimientos. Esta inteligencia supone tener destrezas de coordinacin, equilibrio, flexibilidad, fuerza y velocidad.
Inteligencia

intrapersonal-Esta organizada en torno a la destreza de construir

una percepcin muy precisa respecto de s mismo, de organizar, planificar y dirigir su propia vida. Incluye conductas de autodisciplina, de auto comprensin 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 observacin, experimentacin, reflexin y preocupacin por el entorno.

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

RAZONAMIENTO LOGICO La prctica de los razonamientos deductivos en el proceso de desarrollo del pensamiento lgico matemtico es muy importante. Constituye una herramienta fundamental para el trabajo en la matemtica y otras ciencias. QU ES LA LGICA? La lgica es aquella ciencia que va en bsqueda de las formas de los razonamientos correctos, es decir, de las leyes del deducir correctamente. En este sentido es legtimo afirmar que la lgica es la teora de la deduccin, en cuanto estudia las reglas de las inferencias correctas. La lgica hace explcitas estas leyes, las ordena en sistemas axiomticos y prueba sus capacidades y lmites. Teora deductiva Designamos bajo este nombre toda teora que se fundamenta en dos principios: Definiciones y demostraciones. En su desarrollo debe cumplir bsicamente las siguientes condiciones: Enunciar explcitamente los trminos primitivos con ayuda de los cuales se propone definir los dems trminos de la teora. Enunciar explcitamente las relaciones primitivas. Con la misma esencia anterior, son relaciones que el hombre pone en la base de su conocimiento. Teora Deductiva. Enunciar explcitamente las proposiciones primitivas, con ayuda de las cuales se propone demostrar otras proposiciones de la teora. Estas proposiciones primeras se denominan Axiomas y relacionan entre s los trminos primitivos y las relaciones primitivas.

Que las relaciones enunciadas entre los trminos sean nicamente relaciones lgicas, permaneciendo independientes del sentido concreto o interpretacin que pueda darse a los trminos.

10

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Axioma o postulado. Es una proposicin primitiva que se admite como cierta. En la construccin de una teora axiomtica se ha de partir de un conjunto de axiomas, escogidos de tal forma que dicho conjunto ha de ser: compatible, suficiente, independiente. Analicemos estas caractersticas: Compatibilidad: Dos axiomas no pueden formular en ellos, ni producir en sus resultados derivados, relaciones contradictorias. Suficiencia: Toda proposicin verdadera ha de ser deducible dentro del sistema. Independencia: Ningn 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 teora enunciando y demostrando los teoremas. Teorema Es una proposicin que ha de demostrarse cierta, mediante un razonamiento lgico a partir de los axiomas o de otros teoremas previamente justificados.

Se afirma que un teorema (por ejemplo, el teorema de Pitgoras) es vlido si es recabado o deducido correctamente de las premisas (constituidas, en nuestro caso, por los postulados de Euclides).

La demostracin El proceso demostrativo consiste bsicamente en: A partir de unas proposiciones dadas que llamaremos premisas, obtener otra proposicin que llamaremos conclusin mediante la aplicacin de unas reglas lgicas. Para demostrar que una proposicin especfica deductiva dada procedemos as: es un teorema en una teora
11

1.-Se enuncian explcitamente los axiomas de la teora.

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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 demostracin. Regla de validez 2: Si P=>Q figura en una demostracin y P tambin figura en la misma demostracin, entonces se puede concluir Q en la demostracin. 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 demostracin. Esta regla se conoce con el nombre de sustitucin por equivalencia. 3. Efectuar una demostracin de una proposicin especfica Q, consiste en obtener la proposicin Q como la ltima en el proceso demostrativo por aplicacin reiterada de las reglas de validez 1, 2 y 3. Fundamentos de la lgica

Inferencia = razonamiento formalmente vlido Razonamiento: tipo de pensamiento que consiste en obtener una conclusin a partir de unas premisas. Formal: atencin a la forma (abstraccin del contenido). Vlido: si las premisas deductivo) son verdaderas, la conclusin tambin lo ser (->

Surge como propuesta para la formalizacin de razonamiento tratar conocimiento de sentido comn.

aproximado, para
12

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Lgica difusa La lgica difusa es una metodologa que proporciona una manera simple y elegante de obtener una conclusin a partir de informacin de entrada vaga, ambigua, imprecisa, con ruido o incompleta, en general la lgica difusa i mita como una persona toma decisiones basada en informacin con las caractersticas mencionadas.

Lgica difusa en inteligencia artificial Mtodo de razonamiento de maquina similar al pensamiento humano, que puede procesar informacin incompleta o incierta, caracterstico de muchos sistemas expertos. Con la lgica difusa se puede gobernar un sistema por medio de reglas de sentido comn las cuales se refieren a cantidades indefinidas. En general la lgica difusa se puede aplicar tanto a sistemas de control como para modelar cualquier sistema continuo de ingeniera, fsica, biologa o economa. La lgica proporciona: Un lenguaje base para la representacin del conocimiento. Modelos para el razonamiento Prolog es: Una sintaxis para la construccin de sistemas expertos. Una herramienta basada en el lenguaje de la lgica, con muchas versiones: Prolog- 10(1975- 79), Prolog II (1981) SICStus, GNU Prolog, SWI Prolog, Ciao Prolog.

13

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Modelos de Adquisicin Segn La Filosofa

La Adquisicin de Conocimientos (AC) es el proceso de recoleccin de informacin, 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 metodologa de desarrollo de un SBC, sino ms bien una tarea que se produce en paralelo a todas las etapas de construccin de estos sistemas (identificacin, conceptualizacin, formalizacin, validacin, mantenimiento). La adquisicin de conocimientos es la tarea ms importante en 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 ningn mtodo completamente automtico de Adquisicin de Conocimiento. La conceptualizacin 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 representacin del conocimiento conceptual y la categorizacin, toda vez que con ello se introduce la pregunta por las categoras 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 adquisicin sobre lenguaje El inters por los aspectos cognoscitivos del lenguaje surge como reaccin contra la tendencia que conceda un lugar privilegiado a los aspectos sintcticos en el estudio del lenguaje infantil. Modelos in natitas Se relanzan las tesis inspiradas en supuestos racionalistas mostrndose una decidida predileccin por las explicaciones in natitas y una propensin a defender la especificad del lenguaje.
14

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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 psicoanaltica, la perspectiva del aprendizaje, la perspectiva evolutiva/socio biolgica y la perspectiva contextual). El proceso cognoscitivo es la relacin que existe entre el sujeto que conoce y el objeto que ser conocido y que generalmente se inicia cuando el este logra realizar una representacin interna del fenmeno convertido en objeto del conocimiento. El desarrollo cognitivo es el producto de los esfuerzos del nio por comprender y actuar en su mundo. Se inicia con una capacidad innata de adaptacin al ambiente. Consta de una serie de etapas que representan los patrones universales del desarrollo. En cada etapa la mente del nio desarrolla una nueva forma de operar. Este desarrollo gradual sucede por medio de tres principios interrelacionados: la organizacin, la adaptacin y el equilibrio.

Segn Jean Piaget, el desarrollo humano parte en funcin de los reflejos arcaicos, el nio nace con estos esquemas bsicos que le sirven para entrar en relacin con el medio. (El primer esquema bsico del hombre, es el acto de chuparse el dedo pulgar dentro del vientre materno), con esto se da origen al nacimiento del del Desarrollo Cognitivo. El Desarrollo Cognitivo, es el esfuerzo nio por

comprender y actuar en su mundo . Por otra parte, tambin 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 s, se dan uno tras otro, siendo factores importantes en el desarrollo, el equilibrio y el desequilibrio, ambos impulsan el aprendizaje y se produce la acomodacin del conocer. El equilibrio est 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 nio vive una situacin nueva, que no conoce ni sabe. Asimismo, la acomodacin se realiza cada vez que el nio 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.
15

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

MODELO COGNITIVO DE UN ROBOT

16

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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 caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es ms general y por ello ms 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 fsica o virtual. Si bien el trmino agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, tambin puede considerarse agentes racionales a los animales incluido el hombre. Los agentes inteligentes se describen esquemticamente como un sistema funcional abstracto. Por esta razn, los agentes inteligentes son a veces llamado Agentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones del mundo real como sistemas informticos, los sistemas biolgicos, o de organizaciones. Algunas definiciones de agentes inteligentes hacen nfasis en su autonoma por lo que prefieren el trmino agente inteligente autnomo. Y otros (en particular, Russell y Norvig (2003)) considera conducta dirigida a objetivos como la esencia de lo inteligente y prefieren un trmino tomado de la economa "Agente Racional". En Ciencias de la Computacin el trmino 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 definicin de Russell y Norvig. Por ejemplo, programas autnomos utilizados para asistencia de un operador o de minera de datos (a veces denominado robots) son tambin llamados "agentes inteligentes".
17

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Qu son los agentes? Hay numerosas definiciones de lo que es un agente, y ninguna acido aceptada plenamente por la comunidad cientfica pero probablemente la ms simple es: un agente es una entidad que percibe y acta sobre su entorno.

Podemos tambin decir que un agente es todo aquello que puede considerarse que percibe su ambiente mediante sensores y que responde o acta en tal ambiente por medio de efectores. Los agentes humanos tienen ojos, odos y otros rganos que les sirven de sensores, as como manos, piernas, boca y otras partes de su cuerpo que les sirven de efectores. En el caso de los agentes robticos, los sensores son sustituidos por cmaras y telmetros 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 genrico. Interesa disear agentes que logren un buen desempeo en su ambient.

Podemos proponer una posible definicin de agente: un agente es un sistema informtico situado en un entorno, donde en general existen ms agentes, dentro del cual acta de forma autnoma y flexible, recibiendo informacin externa y ejecutando acciones para intentar modificar su contexto en el sentido de acercarse ala consecucin de los objetivos que tiene marcados.

18

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Diferencia entre agentes inteligentes y software convencional. Hay dos principales caractersticas que distinguen a los agentes inteligentes del desarrollo de software Tradicional y estas son la inteligencia y la agencia.

1. La dimensin de inteligencia se refiere al grado en el cual la aplicacin uti liza razonamiento, aprendizaje y otras tcnicas para interpretar la informacin o conocimiento al cual tiene acceso.

Se puede decir que hay tres niveles de formas de inteligencia:

La

forma ms modesta de inteligencia permite al usuario expresar suspreferencias. Una forma intermedia podra formalizar un conjunto de reglas derazonamiento que combinadas con conocimiento a corto y largo plazo, siguiendo un proceso de inferencia puede conducir a la toma de alguna accin. 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.

3. 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 autonoma, habilidad social, reactividad y pro actividad.

Caractersticas de un Agente Inteligente. Un agente inteligente es un sistema informtico capaz de tener un comportamiento autnomo, flexible en algunos ambientes. Cuando se dice flexible se refiere a: reactivo, pro-activo y social. Visin esquemtica 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 algn tipo de lenguaje de comunicacin de agentes. Autonoma: actan sin la intervencin directa de los usuarios. Tienen control sobre sus acciones y estados internos.

19

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Como se ve en este caso, se ha identificado una serie de caractersticas o apellidos que de por s debe tener un agente. Atendiendo a esta idea, para poder asociar a una herramienta el trmino agente debe ser capaz de cumplir los requerimientos anteriormente expuestos.

Aplicando estas caractersticas al agente de informacin de ejemplo: sera reactivo? Se puede pensar que s a juzgar por el hecho de que el agente debera reaccionar frente a los mandatos que le indicamos, adems debe poder reaccionar frente a posible eventos que le lleguen de la red. Sera proactivo?, evidentemente que s, un agente debera auto plantearse su curso de accin para poder realizar todas sus tareas adelantndose a las peticiones de su usuario. Por ltimo se debe pensar si un este agente sera social. Esta caracterstica desde punto de vista no sera bsica en una definicin general de agente, no obstante, s que se puede claramente identificar una conducta social en nuestro ejemplo si se observa que debera poder comunicarse con infinidad de recursos en la red y, por qu no, con otros agentes existentes en la misma. Pero, en definitiva, cules son las caractersticas bsicas y de qu ms caractersticas se dispone para poder calificar a un agente? A continuacin se presentan algunas de las caractersticas 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 fin,ejecutndose continuamente y desarrollando

proceso sin su funcin. Racionalidad: el agente siempre realiza lo correcto a partir de los datos que percibe del entorno. Adaptabilidad: est relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basndose en ese aprendizaje. Movilidad: capacidad de un agente de trasladarse a travs de una red telemtica. Veracidad: asuncin de que un agente no comunica informacin falsa a propsito. Benevolencia: asuncin de que un agente est dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos.

20

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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. Clasificacin 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 diseado:

Agente Agente Agente Agente

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

Por qu utilizar agentes?

El origen por el cual la tecnologa de los agentes inteligentes surge es por la necesidad de aplicarlos a los sistemas complejos, donde la aplicacin de las tcnicas existentes ha fracasado o es muy difcil de comprender o mantener. Los agentes inteligentes surgen como una alternativa para dar solucin a situaciones que la Programacin Orientada a Objetos (OO) no puede resolver eficientemente. Este paradigma constituye en la actualidad un rea de profunda investigacin, lo que trae como consecuencia que existan un gran nmero de criterios acerca de qu son los agentes y sus caractersticas fundamentales.

La necesidad de construir aplicaciones complejas compuestas de multitud de subsistemas que interaccionan entre s, es el marco de la distribucin de la inteligencia en diversos agentes. En este tipo de sistemas, la utilizacin de agentes y tcnicas multiagente permite la gestin inteligente de un sistema complejo, coordinando los distintos subsistemas que lo componen e integrando objetivos particulares dcada subsistema en un objetivo comn.

21

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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 abstraccin pero podra ser implementado con estructuras software tradicionales, sin embargo un sistema multiagente es aquel que se disea e implementa pensando en que estar compuesto por varios agentes que interactuarn entre s, de forma que juntos permitan alcanzar la funcionalidad deseada. En este caso se exige un esfuerzo de abstraccin en el diseo, identificar mecanismos de aprendizaje, coordinacin, negociacin, etc.

Funciones bsica de la Tecnologa de Agentes. Por tanto, desde un punto de vista del usuario, un agente se puede considerar para llevar a cabo las siguientes funciones: Ejecucin 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 adems adquieren su conocimiento por aprendizaje. Capacidad de Comunicacin: se distinguen dos tipos de comunicacin, la interaccin con el usuario, y la que se refiere a comunicacin inter-agente.

22

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

SISTEMAS MULTI-AGENTES. Una de las caractersticas ms importantes de los agentes es la capacidad que tienen de interactuar entre s, de ah que se empleen en la resolucin 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) podr definirse entonces como grupos de agentes que interaccionan entre s para conseguir objetivos comunes. Cuando se define un Sistema Multi-Agente hay que tener en cuenta las caractersticas: 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.

Segn esta definicin la influencia de un agente sobre otros no solo est dada por la comunicacin explcita entre ellos, sino tambin por su actuacin 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 qu 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 ms habituales son informar o consular otros agentes y esto les

23

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

permite a los agentes hablar entre ellos, saber que hace cada uno de ellos y razonar sobre el papel que juega cada uno en el sistema.

Los agentes se comunican entre s por medio del Lenguaje de Comunicacin de Agentes (ACL) que es una ontologa que define un vocabulario en comn. Ingeniera de software orientada a agentes.

La complejidad que encierra el desarrollo de SMA, sobre todo cuando es muy grande, hace necesario el uso de metodologas que estructuren el proceso de acuerdo con las prcticas de ingeniera de software.

Dentro del paradigma de agentes una de las reas de mayor investigacin es precisamente la de Ingeniera de Software. Las caractersticas que distinguen a los agentes aumentan la complejidad en la construccin de los sistemas y hay que tener en cuenta elementos que las metodologas orientadas a objetos (OO) no sustentan como son la autonoma y la pro actividad.

A raz de esta situacin han surgido un grupo de metodologas que respaldan el desarrollo de SMA. Estas metodologas provienen de dos vertientes fundamentales: las que surgen completamente nuevas y las que extienden metodologas que ya existan.

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

24

de objetos y proporciona la herramienta AgentTool para anlisis, diseo e implementacin.

Actualmente existen un gran nmero de metodologas que apoyan la construccin de SMA, pero no se ha logrado una estandarizacin, cada una propone una forma diferente de abordar el problema segn los criterios de sus desarrolladores. Entre las metodologas ms estudiadas se pueden mencionar: GAIA, Mase, Tropos, Passi, MESSAGE/UML y MAS-CommonKADS que extiende la metodologa CommonKADS, para sistemas expertos, a agentes, utilizando estructuracin orientada a objetos y lenguajes de especificacin de protocolos como SDL. TROPOS es una nueva metodologa de desarrollo de software orientada a agentes. Se basa en dos caractersticas 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 anlisis y la especificacin de los requisitos cuando se analiza el sistema con respecto a su medio ambiente. Prometheus es una metodologa 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 metodologa MESSAGE y proporciona un conjunto de herramientas para modelar y generar cdigo de sistemas multi-agente. Utiliza el AUML como lenguaje de modelado. Para la representacin de los elementos que contienen los diferentes modelos que propone, utiliza los meta -modelos. Esta metodologa no cubre todo el proceso de desarrollo del software y slo abarca las etapas de Anlisis y Diseo. En Ingenias se concibe al SMA como la representacin computacional de un conjunto de modelos. Para especificar cmo tienen que ser estos, se definen meta -modelos. Los meta-modelos dan una visin detallada de cmo debe ser el SMA; cada uno de ellos constituir una descripcin a alto nivel de los elementos que componen el modelo. Ellos estn orientados a representar grficamente aspectos concretos del sistema de forma incremental y flexible.

Meta-modelo Meta-modelo Meta-modelo Meta-modelo Meta-modelo

de Agente. de Tareas y Objetivos. de Organizacin. de Interaccin. de Entorno.

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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 ejecucin donde los agentes viven, un conjunto de libreras para desarrollar agentes y un conjunto de herramientas grficas que permiten monitorizar y administrar los agentes que estn corriendo en la plataforma.

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

Control de trfico areo Gestin bibliotecaria Agentes personales para viajes Gestin cultural y de servicio Control automtico Robtica Gestin de procesos Comercio electrnico Servicios de Internet: recuperacin y extraccin de informacin

Existen casos de ejemplos complejos en los cuales se pueden encontrar sistemas o reas de aplicacin donde la orientacin 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 reas. Podemos destacar dos reas como serian las Aplicaciones industriales y las comerciales. . Dentro del marco de las aplicaciones industriales, la tecnologa basada en agentes es considerada muy apropiada para el desarrollo de sistemas industriales distribuidos. Dentro de esta lnea podramos destacar aquellas aplicaciones que se encargan de: Control de procesos: gestin autnoma de edificios inteligentes en cuanto a su seguridad y consumo de recursos, gestin del transporte de electricidad (ARCHON), control de un acelerador de partculas, monitorizacin y diagnstico de fallos en plantas industriales, como por ejemplo: nucleares o refineras. Produccin: aspectos como la planificacin y scheduling de la produccin o fabricacin de productos, seran tratados desde la perspectiva de agencia.

26

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Se ha aplicado con xito, por ejemplo, a sistemas encargados de las fases de ensamblaje, pintado, almacenamiento de productos, etc. Por otro lado, tambin est 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: Gestin de informacin: como por ejemplo el filtrado inteligente de correo electrnico (Agentware e InfoMagnet), de grupos de noticias o la recopilacin automtica y de informacin 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, as como sus cambios. La imposibilidad en ocasiones de gestionar todo tipo de informacin suministrada por la red ha provocado que el agente se especialice en la bsqueda de determinados tipos de documentos (CiteSeer). Otra posible lnea sera la planificacin de la agenda personal, en otras palabras, disponer de una secretara virtual o asistente personal.

Comercio electrnico: En paraproporcionar el entorno

este caso la tecnologa se emplea virtual donde realizar posibles operaciones comerciales (compra-venta de productos) o tambin para realizar tareas de bsqueda de productos (comparando precios, consultando disponibilidad) todo ello de manera automatizada. Actualmente, los usuarios pueden comprar y vender artculos comunes como libros y CDs de msica. El empleo de agentes aumentar el impacto del comercio electrnico en un futuro muy cercano, revelando asimismo cmo los agentes basados en la web pueden proporcionar un enorme poder aadido a los consumidores. Monitorizacin: proporcionan al usuario la informacin cuando sucede un determinado acontecimiento; por ejemplo cuando la informacin 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 informacin a su usuario puede ser el indicar nicamente qu pgina o pginas han cambiado y desde cuando ha sucedido esto o llegar a bajarse el texto de las pginas actualizadas, filtrando en este caso imgenes, grficos y dems. Mediador de diferentes fuentes de informacin: se estn realizando esfuerzos en la lnea de desarrollar agentes que permitan interoperar a diferentes fuentes de informacin independientemente del sistema en que se hayan desarrollado.

27

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Otra rea de inters son las aplicaciones mdicas, donde la idea es disponer de agentes que realicen de forma autnoma tareas que pueden ser automatizadas en un hospital, como por ejemplo: la monitorizacin de pacientes en cuidados intensivos, empleado para monitorizar y controlar a pacientes ingresados en unidades de cuidados intensivos y la atencin al paciente, estos sistemas se encargaran de seguir el tratamiento de un paciente controlando todos los

Aspectos relativos ala enfermedad que tenga el mismo. Tambin es posible encontrar aplicaciones dentro del rea del entretenimiento como pueden ser juegos (la aplicacin de esta tecnologa en juegos permite disponer de juegos ms sofisticados, con caractersticas inteligentes donde se pueden incorporar personajes virtuales que pueden funcionar de forma casi autnoma) 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 mltiples, sin embargo, el empleo de agentes es an limitado. El desarrollo a nivel industrial y/o empresarial de agentes requiere de tcnicas que reduzcan el riesgo inherente en toda nueva tecnologa. Dos maneras de reducir dicho riesgo son:

Presentar la nueva tecnologa como una extensin incremental de mtodos ya conocidos y probados. Proveer herramientas de ingeniera explcitas que den soporte a mtodos aceptados por la industria encargada del desarrollo de tecnologas. La aceptacin de mtodos en la industria y/o la empresa depende de la existencia de herramientas que soporten el anlisis, especificacin y diseo de agentes inteligentes. Actualmente no existen todava formalismos para poder especificar de forma suficiente el desarrollo de sistemas basados en agentes. A nivel conceptual la terminologa deber estar ms aceptada, amplindose de esta forma los campos de aplicacin, as como la cantidad de sistemas disponibles dentro de cada campo. Cabe resaltar que los objetivos de los proyectos industriales son ms amplios y complejos que los esfuerzos en investigacin en el mbito acadmico.
28

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Usos de los agentes.

Representacin virtual. Se comunican en lenguaje loscomerciales. Como asistentes personales. Nos ayudan como

natural y suplen a

lo hara un ayudante. Negociador en mercados electrnicos. Localiza una subasta en internet, aprende cmo va la oferta y realiza una compra por nosotros.

Agente de bsqueda de informacin o rastreador. Rastrean en las redes de ordenadores en busca de informacin solicitada. Son parametrizables por el usuario aprenden de sus hbitos, rastrean la red e informan por correo electrnico de novedades que consideran pueden ser de inters para el usuario. o Agente secreto o espa. Monitorizan una pgina Web identificada previamente por el usuario e informan cuando se producen cambios en dicha pgina.

Algunas aplicaciones actuales son:

Masfits: proyecto europeo que persigue real de un programa informtico que permite participar en subastas de pescado a travs 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 compaa francesa Cybion, la plataforma Agentland ofrece numerosos agentes inteligentes disponibles de forma gratuita o de prueba. Organizados en diferentes categoras, los hay que ayudan al internauta en la bsqueda de informacin o a mejorar la navegacin... e incluso se ofrecen las herramientas para que el propio internauta desarrolle su agente inteligente. Agents Inspired que utiliza agentes inteligentes en la herramienta Habitat- Pro un sistema experto en la personalizacin a partir de los gustos subjetivos de los clientes, comenta Andreu Prez, director general de la compaa. Asociando indicadores o atributos subjetivos a los prod uctos y servicios que ofrecen, la aplicacin utiliza la tecnologa para crear modelos de los clientes y conocer sus preferencias. Por su parte, soco cuenta con GETsee, una solucin de agregacin inteligente que en su uso ms bsico permite a los usuarios ahorrar tiempo de navegacin recopilando informacin de fuentes dispersas. Pero adems, ofrecen un asesoramiento inteligente, ofreciendo mltiples servicios y herramientas de anlisis.
29

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

El papel de la heurstica

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

Funcin heurstica Supondremos que tenemos una funcin de evaluacin heurstica, f, que nos ayudara a decidir cual es el mejor nodo para expandir (mas adelant se comprender por que hemos colocado un << sombrero>> sobre f. pronunciaremos a f como << f sombrero>>). Adoptaremos el convenio segn el cual f tomara valores pequeos en los nodos mas prometedores. Por tanto, es una funcin real definida sobre las descripciones de los estados. 2. se expandir el nodo n para el que se obtenga el menor valor f(n), de esta forma, la seleccin de nodos a expandir no sigue ningn patrn de finido (a lo largo de este capitulo consideremos que la expansin de un nodo generara todos sus sucesores). 3. sede terminara el proceso cuando el nodo a expandir sea un nodo objetivo. En la mayora de los casos, siempre es posible encontrar una buena funcin de evaluacin para la bsqueda primero el mejor. Por ejemplo, en el problema puzle de ocho piezas podemos usar como medida de lo << bueno>> que es un estado el nmero de fichas que estn des colocadas:

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

Si usamos esta funcin heurstica el procedimiento de bsqueda que acabamos de definir, obtendremos el grafo de la figura 9.1. El nmero situado cerca de cada nodo indica el valor de la funcin heurstica en dicho nodo.
UNIDAD 1 | INTELIGENCIA ARTIFICIAL

30

En este ejemplo se puede ver la necesidad de influir en el proceso de bsqueda para forzar la vuelta atrs en la exploracin de otros caminos ms prometedores (y evitar de esta forma que una heurstica excesivamente optimista nos lleve por caminos poco prometedores). Con este fin, se aade un << factor de profundidad>> a la funcin f, con lo que ahora se define como f(n) = g(n) + h(n), donde g(n) es una estimacin 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 evaluacin heurstica en el nodo n. si, al igual que en el prrafo anterior, h(n) es el numero de fichas descolocadas (comparadas con la configuracin objetivo) y g(n) es la profundidad del nodo n en el grafo de bsqueda, el proceso de bsqueda producir el grafo de la figura9.2 (los nmeros que estn prximos a los nodos equivalen a la suma g(n) + h(n). como se puede ver, en este caso la bsqueda 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 funcin de evaluacin que guie el proceso de bsqueda primero el mejor? Segunda, cuales son las propiedades de la bsqueda primero el mejor?, encuentra siempre buenos caminos hacia el objetivo?
31

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Funciones heursticas El problema de las ocho placas tiene justo el nivel de dificultad que lo hace interesante. Una solucin tpica consta de 20 pasos, aunque esto variara dependiendo del estado inicial. El factor de ramificacin es aproximadamente de tres (cuando la placa vaca esta en medio, hay cuatro posibles desplazamientos; cuando esta en una esquina, dos; cuando esta en uno de los bordes, tres). Es decir, bsqueda exhaustiva de profundidad 20 hara una bsqueda a travs de 3
9

20

=3.5 x 10 estados. Si se lleva un registro de los estados que se repiten, la cantidad anterior disminuye considerablemente, puesto que habr solo 9! = 360 880 arreglos diferentes de nueve cuadros. Sigue siendo un nmero grande de estados, por lo que procede encontrar una buena funcin heurstica. Para en contar la soluciones mas breves hay que tener una funcin heurstica que nunca sobreestime la cantidad de pasos necesarios para al cansar la meta. La siguiente son dos candidatas.

32

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

Ejemplo tpico del problema de las ocho placas. h1= la cantidad de placas que estn en lugar incorrecto. En la figura 4.7 ninguna delas ocho placas esta en la posicin meta, por lo que el estado de partida tendra h1 = 8.h1 es una heurstica aceptable puesto que es evidente que cuando en placa esta en el lugar incorrecto habr 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 travs 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 tambin 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 desempeo, de la exactitud heurstica Una forma de caracterizar la calidad de una heurstica es mediante el factor de ramificacin efectiva b*. Si la cantidad total de nodos expandida por A* para un problema determinado es N, y la profundidad de la solucin es d, entonces b* es el factor de ramificacin que de vera tener un rbol uniforme de profundidad d para que pueda contener N nodos. Por lo que: N = 1+b*+ (b*) ++ (b*) .
2 d

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

33

resolucin de problemas bastante grandes. Para probar las funciones de solucin es 2,4,,20, y se resuelven utilizando la bsqueda A*, con h1 y h2, asi como mediante la bsqueda por profundizacin interactiva no informada, en la figura 4.8 se puede observar la cantidad promedio de nodos expandida mediante cada una delas estrategias anteriores y el factos de ramificacin correspondiente. Los resultados muestran que h2 es mejor que h1 y que la bsqueda no respaldada con informacin es peor. Vale la pena preguntarse si h2 siempre es mejor que h1. La respuesta es si. Es fcil deducir con base en las definiciones de ambas heursticas 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 expandir menos nodos, en promedio, que una A* que utilice h1.

Costo de bsqueda d IDS A*(h1)

Factor de ramificacin efectivo A*(h1) A*(h2)

A*(h2) IDS

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 comparacin de los costos de bsqueda y delos factores de ramificacin efectivos de la BUSQUEDA-POR PROFUNDIZ ACION-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 solucin diversas.

34

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

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

Las funciones h1 y h2 son estimaciones de la longitud de la ruta que falta en el problema de las ocho placas, pero tambin 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 dara la cantidad precisa de pasos necesarios de la solucin mas breve. As mismo, si una placa pudiese desplazarse un cuadro en cualquier direccin, incluso en un cuadro ocupado, h2 dira cual es la cantidad exacta de pasos de la solucin 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 solucin de un problema relajado constituya una buena heurstica del problema original.

Si se escribe la definicin de un problema en lenguaje formal, es posible construir automticamente 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 ms 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 automticamente heurstica a partir de la definicin de un problema,
UNIDAD 1 | INTELIGENCIA ARTIFICIAL

empleado el mtodo

del problema relajado as como algunas otras tcnicas

(preditis,1993). ABSOLVER produjo una nueva heurstica para el problema de las ocho placas mejor que todas las obtenidas hasta en toces y ofreci la primera heurstica til para el famoso problema del cubo de Rubick. Uno delos problemas relacionados con la generacin de nuevas funciones heursticas es la imposibilidad de obtener una quesea evid entemente la mejor. Si para un problema determinado existe un grupo de heurstica 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) = mx. (h1)(n),,hm8n)).

En esta heurstica combinada se utiliza aquella funcin que sea mas precisa para el nodo en cuestin. Puesto que las heursticas componentes son aceptables, h tambin lo es. Adems, h domina cada una de las heursticas que la constituyen. Otra forma de inventar una buena heurstica es utilizando informacin estadstica. Para ello, se efecta una bsqueda a travs 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 estadsticas correspo ndientes. Por ejempl, 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 as, 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 informacin probabilstica como lo anterior, aunque se renuncia a la garanta de la admisibilidad, por otra parte se expandirn menos nodos en promedio. Muchas veces existe la posibilidad de tomar rasgos de un estado q ue forma parte de su funcin de evaluacin heurstica, aun cuando no sea fcil determinar en que consiste tal contribucin. Por ejemplo, en el ajedrez la meta es dar jaque mate al oponente, y entre los rasgos caractersticos figuran la cantidad de piezas de cada tipo que pertenecen a cada lado, la cantidad de ellas reciben el ataque de las contrincantes, etctera. Normalmente, se supone a la funcin de evaluacin como una combinacin 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 as 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 pen del contrincante, uno pequeo y negativo. Otro factor no considerado hasta el momento es el costo de bsqueda que implica la aplicacin real de una funcin heurstica a un nodo. Hasta ahora se ha puesto que el costo del computo de la funcin heurstica es aproximadamente al mismo que el de la expansin de un nodo, por lo que es conveniente reducir el mnimo la cantidad de nodos expandidos. Sin embargo, si la complejidad de la funcin heurstica es tal que el clculo de su valor para un nodo tarda tanto como la expansin de cientos de nodos, habr una reconsideracin. Despus de todo, es muy sencillo confiar en una heurstica perfectamente precisa, si se deja que esta realice, digamos, la totalidad de una bsqueda preferente por amplitud a hurtadillas. Esto permite reducir a un mnimo la cantidad de nodos expandidos en una bsqueda real, aunque no reducir al mnimo el costo general de la bsqueda. Una buena fusin heurstica es aquella que es eficiente as como precisa.

37

UNIDAD 1 | INTELIGENCIA ARTIFICIAL

BIBLIOGRAFA
Inteligencia artificial un enfoque moderno Stuart Rusell . Peter Norvig Coleccin de inteligencia artificial de prentice hall

Inteligencia artificial Una nueva sntesis NILS J. NILSSON Stanford University

http://es.wikipedia.org/wiki/Teor%C3%ADa_de_las_inteligencias_m ltiples http://html.rincondelvago.com/gardner_los-cientificoscognotivistas.html

http://www.itescam.edu.mx/principal/webalumnos/sylabus/asignatura.php? clave_a sig=SCB-0416&carrera=ISC0405001&id_d=60

http://intart.wetpaint.com/page/Modelo+cognitivo+de+un+robot+3 http://es.wikipedia.org/wiki/Desarrollo_cognitivo http://leaenbinario.blogspot.com/2009/04/que -es-un-agenteinteligente.html http://www.depi.itch.edu.mx/apacheco/expo/html/ai12/