Este es el tipo de agente más sencillo, ya que este actúa en función de las percepciones que
está tomando en ese momento ignorando las anteriores. Actuar de esta forma puede sonar no
muy útil ya que existen acciones que requieren llevar un historial de las anteriores, por ejemplo
un juego de ajedrez, las acciones que se realizan en un determinado momento están presente
durante todo el juego porque de estas dependen las nuevas acciones. (Rodríguez, W. s/f).
Esqueleto:
Características:
Características:
Diferencia importante: una misma percepción puede dar lugar a acciones distintas.
Se pueden considerar, por ejemplo, derivadas o tendencias de las percepciones.
Esqueleto:
Características:
Ayudan al agente a decidir las acciones correctas.
Información sobre la meta ayuda al agente a describir situaciones deseables.
Si la meta no es inmediata a una acción es necesario realizar algún proceso de búsqueda
y planeación.
Las acciones no se asocian al estado del entorno mediante una tabla.
Aparecen dos elementos nuevos:
Modelado del efecto de las acciones: a cada par (estado, acción) se le asocia un efecto
(un cambio en el estado).
1. Estado_nuevo = f (estado_anterior, acción)
2. Meta: estado final deseado para el sistema.
Esqueleto:
Características:
Las metas no son suficientes para generar un comportamiento de calidad.
Las utilidades sirven para distinguir la preferencia de un estado a otro.
La utilidad mapea un estado a un número real
Debe considerarse las metas conflictivas y las metas inciertas.
Aprendizaje automático:
programas que mejoran su
comportamiento con la experiencia (aprendizaje automático = software).
Existen dos formas posibles de adquirir experiencia:
A partir de ejemplos suministrados por un usuario (ej. reconocimiento de patrones: un
conjunto de ejemplos clasificados o etiquetados es la fuente de información o la
experiencia necesaria para el aprendizaje). APRENDIZAJE SUPERVISADO
Mediante exploración autónoma (ej. software que aprende a jugar al ajedrez mediante la
realización de miles de partidas contra sí mismo; o robot que aprende a salir de un
laberinto mediante prueba y error). APRENDIZAJE NO SUPERVISADO.
El aprendizaje en agentes puede definirse como el proceso de modificación de cada componente
del agente, esto permite que cada componente se comporte más en consonancia en la
información que se recibe, lo cual permite mejorar el nivel de actuación del agente.