UNIVERSIDAD SAN PEDRO

FACULTAD DE INGENIERA

ESCUELA ACADMICO PROFESIONAL DE INGENIERA INFORMTICA Y

DE SISTEMAS

AGENTES INTELIGENTES
&
PROCESAMIENTO DE LENGUAJE NATURAL
Autores:
HUACHACA CHVEZ, Edinsn Fredy
Docente:
Ing. INGA GANOZA, Luis Alberto
Asignatura:
Inteligencia artificial

Huaraz 2017
 INTRODUCCIN

La inteligencia artificial o IA es una de las disciplinas ms nuevas que existen y mucha gente an no
tiene claro lo que es en si la IA.

Existen muchas definiciones, unas ms inclinadas hacia alguna rama en especial de la IA que otras,
pero en resumen se puede decir que la IA trata de:

Desarrollar sistemas que piensen y acten racionalmente

En los ltimos aos la IA ha ido evolucionando tal vez ms rpido que otras disciplinas y ha
comenzado a abarcar muy diversas reas que van desde:

Razonamiento
Bsqueda
Sistemas Expertos
Sistemas de diagnsticos
etc.

En fin, puede aparecer donde se requiere el intelecto humano. En la actualidad, dentro de la IA ha

surgido un nuevo paradigma, es nada ms y nada menos el paradigma de agentes, que est
teniendo un gran auge entre los investigadores. Este paradigma se centra en el desarrollo de
entidades que puedan actuar de forma autnoma y razonada.

Si se ve a la IA desde un punto que la presenta como el medio para desarrollar sistemas que piensen
y acten racionalmente, se puede decir que la IA en conjunto trata de construir a estas entidades
autnomas e inteligentes.

Cabe mencionar que conforme la metodologa para desarrollar agentes inteligentes se clasifique y
est disponible para los desarrolladores o en otras palabras, mayormente difundida, la aplicacin de
estas tcnicas de IA a cualquier tipo de problemas ser mucho ms unificada.

Se puede asegurar que se est ante el nacimiento de una nueva tecnologa, los agentes inteligentes,
que nos permiten abordar de una manera ms apropiada la construccin de sistemas inteligentes ms
complejos aplicados a muy diversos campos
 AGENTE INTELIGENTE

Enfocando la IA desde la perspectiva del desarrollo de agentes inteligentes se puede considerar el

nuevo reto a corto plazo.

Los agentes constituyen el prximo avance ms significativo en el desarrollo de sistemas y pueden

ser considerados como la nueva revolucin en el software Dr. Nicholas Jennings.

Pero, qu son?, en qu consisten?, cules son sus caractersticas?, qu nos ofrecen?, este es el
objetivo de esta investigacin.

1. QU SON LOS AGENTES?

Hay numerosas definiciones de lo que es un agente, y ninguna ha sido aceptada plenamente

por la comunidad cientfica pero probablemente la ms simple es la de Russell, que dice un
agente es una entidad que percibe y acta sobre su entorno

Figura 1. Visin esquemtica

de un Agente Inteligente

Siguiendo esta definicin se puede decir que se pueden caracterizar varios tipos de agentes de
acuerdo a sus atributos (que son los que definen su comportamiento) Botti, 1999, para resolver
un determinado problema 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.

En muchos de los casos, los agentes no son desarrollados de forma independiente

sino como entidades que constituyen un sistema.
 A un sistema que tiene varios agentes inteligentes se le llama sistema multi- agente (Huhns
1998). Los agentes en este tipo de sistemas deben interactuar

Entre ellos. Las interacciones ms habituales son informar o consular otros agentes y
esto les permite a los agentes hablar entre ellos, saber qu hace cada uno de ellos y razonar
sobre el papel que juega cada uno en el sistema.

La comunicacin entre agentes se realiza por medio del lenguaje ACL Agent Communication
Lenguaje.

2. 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.

A. La dimensin de inteligencia se refiere al grado en el cual la aplicacin

utiliza 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 sus

preferencias.

Una forma intermedia podra 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
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.

B. La agencia es el grado en el cual el agente puede percibir su entorno y

actuar en l. Define al agente, en otras palabras, para que un programa sea un
agente debe poseer autonoma, habilidad social, reactividad y proactividad.
3. TIPOS DE AGENTES
1. Agentes naturales:
cuerpo biolgico y entorno natural
sensores: ojos, odos, lengua, etc.
efectores: piernas, brazos, manos, etc.
 medida de rendimiento: sobrevivir, reproducirse,...
2. Agentes artificiales:
agentes hardware (robots):
interactan directamente con un entorno fsico
disponen de un cuerpo fsico
sensores: cmaras, telmetros infrarrojos, etc. efectores: ruedas/piernas,
manipuladores, etc.
agentes software (softbots):
actan en entornos virtuales ( Internet)
todo software: no necesitan manipular fsicamente el entorno sensores y
efectores: dependientes del entorno
4. AGENTE INTELIGENTE

Agentes inteligentes:

actan de forma racional en su entorno

Determinantes de un comportamiento racional:
Medida de rendimiento: define el grado de xito del agente
Secuencia de percepciones: la experiencia del agente
Conocimientos a priori sobre su entorno
Capacidades: las acciones que el agente pueda emprender

Comportamiento racional:

A partir de la secuencia de percepciones hasta el momento, y el conocimiento a

priori sobre el entorno
elegir entre las capacidades la accin que maximice la medida de rendimiento
Racionalidad Omniscenciala seleccin racional de acciones slo se basa en
la informacin disponible.
Autonoma:
Problema:
los conocimientos a priori reflejan la inteligencia del diseador.
un agente que no presta atencin a sus percepciones:
1. no sera inteligente
2. slo podra actuar en entornos extremadamente simples
3. no puede actuar con xito en situaciones no anticipadas
4. (Ejemplo: escarabajo)

Autonoma:
 no bajo el control inmediato de una persona un agente es ms autnomo...

cuanto ms se rige su comportamiento por su propia experiencia

cuanto menos depende de sus conocimientos a priori
Agente inteligente = comportamiento racional + autonoma
5. TIPOS DE ARQUITECTURA DE AGENTE
1. Agentes estimulo-reaccin (reactivos) :
a. calculan las acciones directamente a partir de las percepciones
b. frecuentemente siguen un enfoque conexionista
c. en muchos dominios permite generar rpidamente acciones buenas
2. Agentes deliberativos:
a. mantienen un modelo de simblico su entorno
b. anticipan los efectos potenciales de sus acciones a travs del modelo
c. permite evitar emprender acciones equivocadas e irrevocables
3. Agentes hbridos: combinan ambos enfoques
a. enfoque reactivo para acciones inmediatas
b. enfoque deliberativo para acciones estratgicas

Entradas del agente:

Conocimiento previo del mundo: lo que sabe el agente del entorno
Experiencias anteriores de las que puede aprender: situaciones pasadas que le
pueden dejar conocimiento.
Objetivos a conseguir y valores sobre lo importante
Observaciones sobre su entorno y sobre s mismo: sensores
Salidas del agente:
Acciones: que afectaran al entorno
EJEMPLO DE APLICACIONES

En Botspot (http://www.botspot.com) podemos encontrar una seleccin de estos agentes.

Representante virtual:

Se comunican en lenguaje natural y suplen a los comerciales.

El de la Coca Cola (http://questions.coca-cola.com) pregunta: When do you pay dividends?

Pgina de la compaa de la coca cola en la que un representante virtual (Hank) se presenta y

te pide que le preguntes. Si la pregunta que hacemos no la entiende, muestra un mensaje que
nos informa que no entiende tu pregunta y te muestra una serie de preguntas que si puede
responder o te pide que vuelvas a ingresar tu pregunta.

El agente virtual de Caja Madrid

(http://www.cajamadrid.es/CajaMadrid/Home/puente?pagina=3447)

Es un asistente virtual de un banco de Madrid. Funciona con lenguaje natural con una
sintaxis sencilla y siempre de una en una. Al momento de preguntarle quienes me responde
y me hace alguna pregunta como: como desea que le llame a partir de ahora, o de que ciudad
es usted. Si tecleo algo sin sentido o tecleo una pregunta que no entiende, me dice que no
entendi mi pregunta, que tal vez se deba a un error de tecleo y lo intente de nuevo.
 PROCESAMIENTO DE LENGUAJE NATURAL

INTRODUCCIN
El instrumento que los seres humanos utilizamos para comunicar el conocimiento es el lenguaje
natural. Actualmente, buena parte del saber humano se encuentra en forma digital en distintos
tipos de colecciones de datos. Los volmenes de informacin son inmensos, segn la
International Data Corporation, el mundo gener zettabytes de informacin digital en 2011 y sin
el Procesamiento de Lenguaje Natural (PLN) es difcil aprovecharla. El procesamiento del lenguaje
involucra una transformacin a una representacin formal, manipula esta representacin y por ltimo,
si es necesario, lleva los resultados nuevamente a lenguaje natural. Los campos de desarrollo de PLN
incluyen la recuperacin y extraccin de informacin, traduccin automtica, sistemas de bsquedas
de respuestas, generacin de resmenes automticos, minera de datos, anlisis de sentimientos,
entre otras. Este artculo est organizado de la siguiente manera: se presentan conceptos de los
campos de PLN mencionados, con nfasis en recuperacin y extraccin de informacin con el
propsito de conocer mtodos de extraccin de informacin relevante que pueda ser usada en un
gran rango de aplicaciones. Se introducen algoritmos de clasificacin, se analizan herramientas de
cdigo abierto disponibles actualmente para llevar a cabo estas tareas y se comparan diversas
implementaciones utilizando resultados reportados por distintos autores.

CONCEPTOS DE PROCESAMIENTO DE LENGUAJE NATURAL

El procesamiento del lenguaje natural (PLN) es el campo que combina las tecnologas de la ciencia
computacional (como la inteligencia artificial, el aprendizaje automtico o la inferencia estadstica)
con la lingstica aplicada, con el objetivo de hacer posible la comprensin y el procesamiento
asistidos por ordenador de informacin expresada en lenguaje humano para determinadas tareas, como
la traduccin automtica, los sistemas de dilogo interactivos, el anlisis de opiniones, etc. Vicomtech-
IK4 sabe que esta importante tecnologa es un factor clave para lograr una interaccin y un
entendimiento integrales en un entorno multimedia, ya que son muchas las formas de contenidos y
aplicaciones multimedia estrechamente vinculadas con el lenguaje.

La investigacin especializada de Vicomtech-IK4 en el procesamiento del lenguaje natural abarca

principalmente los siguientes campos:

El anlisis de opiniones y de sentimientos es una parte importante del PLN

que se ocupa del anlisis computacional de textos producidos por seres
humanos, con el objetivo de procesar y extraer unos niveles cuantificables de
opiniones y sentimientos conexos.
 La traduccin automtica se centra en la traduccin de textos asistida por
ordenador de un idioma humano a otro. Existen muchos tipos de enfoques y de
tcnicas de traduccin automtica, en funcin del contexto de la traduccin, del
planteamiento (estadstico, basado en normas, hbrido), etc.
El reconocimiento y la clasificacin de entidades nombradas constituye un
importante subcampo de la extraccin de informacin que se ocupa de la
localizacin, la identificacin y la clasificacin de elementos atmicos
individuales denominados entidades nombradas en textos, como sustantivos,
expresiones relacionadas con fechas, porcentajes, nmeros, etc.
Los sistemas de dilogo proporcionan a las personas una va de interaccin con
un sistema computacional (por ejemplo, utilizar una aplicacin informtica)
usando dilogos escritos (e incluso orales), similares a los que entablan entre s
los seres humanos sobre un asunto concreto.
Los clasificadores y otras tecnologas de reconocimiento de patrones
permiten la clasificacin de la informacin segn unos criterios predefinidos.
La informacin puede ser de naturaleza diversa: visual, textual, acstica, etc.

La recuperacin de informacin (RI):

Es el proceso de encontrar en un repositorio grande de datos, material (usualmente documentos) de
naturaleza no estructurada (usualmente texto) o semiestructurada (pginas Web, por ejemplo), que
satisfaga una necesidad de informacin.

Los datos no estructurados no tienen un esquema claro, no estn listos para procesar y son lo
opuesto a los datos con un esquema estructurados como los que se encuentran en bases de datos.
Los datos semiestructurados estn en documentos esquema estructurados como los que se
encuentran en bases de datos. Los datos semiestructurados estn en documentos con marcas explcitas
como el cdigo HTML. La informacin encontrada debe ser pertinente y relevante. La relevancia es
la medida de cmo una pregunta se ajusta a un documento y la pertinencia es la medida de cmo un
documento se ajusta a una necesidad informativa.
Las estrategias de recuperacin de informacin involucran la transformacin del texto en
representaciones adecuadas de acuerdo a modelos especficos que cumplan con los propsitos de las
bsquedas.
Como se muestra en la Figura1, los modelos pueden ubicarse en categoras de acuerdo a dos posibles
dimensiones: sus bases matemticas y sus propiedades.
En la dimensin de bases matemticas, el texto puede ser representado como: conjuntos de
palabras o frases en donde las coincidencias se logran realizando operaciones de lgebra
booleana; modelos algebraicos que introducen parmetros e ndices para recuperar informacin con
metadatos, calificar y clasificar documentos en respuesta a una consulta, lo que lleva a modelos
en espacios vectoriales, matriciales o agrupamientos irregulares; modelos probabilsticos que
enfocan la solucin de los problemas de bsqueda desde el punto de vista probabilstico, aplicando
teoremas como el de Bayes; modelos basados en caractersticas que se eligen y combinan y
califican la relevancia de las similaridades usando mtodos de aprendizaje automtico.

CONCLUSIONES

La Extraccin de Informacin (EI) es la base de los procesos que se realizan con lenguaje natural. Para
realizar EI se utilizan distintos modelos para el reconocimiento y etiquetado de entidades que sern
comparadas y clasificadas en dos o ms clases. La clasificacin y categorizacin de textos son los
problemas ms investigados en procesamiento de lenguaje natural debido a la creciente cantidad
de documentos electrnicos existentes en libreras digitales. Como una medida de comparacin del
rendimiento global de distintos algoritmos en grupos de datos de entrenamiento ya etiquetados, se
recopilan reportes de distintos autores, que aplican clasificadores con representaciones vectorial,
jerrquica y SVM en recopilaciones disponibles en Internet: Reuters 21578 y 20Newsgroup. Estas
evaluaciones pueden servir como una aproximacin inicial para la eleccin de algoritmos de
clasificacin para distintos escenarios de implementacin de sistemas de EI.
BIBLIOGRAFIA

V. Julin, V. Botti Dpto. sistemas Informticos y Computacin Universidad

Politcnica de Valencia http://www.ati.es/novatica/2000/145/vjulia-145.pdf

Agentes inteligentes: Representacin y razonamiento

Jos A. Alonso Jimnez iguel Gutirrez Naranjo Francisco J. Martn Mateos

Dpto. de Ciencias de la Computacin e Inteligencia Artificial Universidad

de Sevilla http://www.cs.us.es/cursos/ia2-2000/temas/tema-01.pdf

Serrano Cinca C. (2005): La Contabilidad en la Era del Conocimiento

5campus.org, Sistemas Informativos Contables

Http://www.5campus.org/leccion/introduc