Está en la página 1de 91

Inteligencia artificial I Ingeniera en Sistemas Computacionales

Aportacin de la asignatura al perfil del egresado 1 Capacidad de anlisis, de desarrollo y de programacin de modelos matemticos, estadsticos y de simulacin. 2 Coordina y realiza investigaciones que fortalezcan el desarrollo cultural, 3 cientfico y tecnolgico. 4 Aplica nuevas tecnologas a la solucin de problemas de su entorno laboral. 5 Desarrolla interfaces hombre-mquina. OBJETIVO GENERAL DEL CURSO El estudiante representar problemas basados en conocimiento en trminos formales y disear la solucin a problemas tpicos de la Inteligencia Artificial ( I.A.).

1.1

El propsito de la IA y su evolucin histrica.

Qu es la Inteligencia Artificial? Robert Sternberg (Psiclogo de la Universidad de Yale EEUU) Inteligencia Cognitiva: es medida por los tests Inteligencia Social: hace referencia a la capacidad de adaptacin al entorno Inteligencia Experiencial: o aptitud para sacar partida de las experiencia cuando el individuo se enfrenta a problemas novedosos. Fundamentos de la Inteligencia Artificial Lingstica desde 1957 hasta el presente. Cmo est relacionado el lenguaje con el pensamiento? Sntesis: Representacin del conocimiento, gramtica. La lingstica moderna y la IA nacieron al mismo tiempo y maduraron juntas, solapndose en un campo hbrido llamado lingstica computacional o procesamiento del lenguaje natural. Gran parte de los primeros trabajos de la investigacin en el rea de la representacin del conocimiento estaban vinculados al lenguaje y a la bsqueda de informacin en el campo del lenguaje, y su base eran las investigaciones realizadas durante dcadas en el anlisis filosfico del lenguaje Resumen de la historia de la IA 1943 McCulloch & Pitts: modelo de cerebro 1950 Turing's "Computing Machinery and Intelligence" 1956 Se adopta el trmino "Artificial Intelligence" 195269 Look, Ma, no hands! 1950s Primeros programs de IA, programa de ajedrez de Samuel, Newell & Simon's Logic Theorist, Gelernter's Geometry Engine 1965 algoritmo completo de razonamiento lgico de Robinson 196673La IA descubre la complejidad computacional Casi desaparece la investigacin en Redes Neuronales 196979Primeros desarrollos de los Sistemas Basados en Conocimiento 1980-- La IA se convierte en una industria 1986-- Las Redes Neuronales vuelven a la popularidad 1987-- La IA se convierte en una ciencia 1995-- Emergencia de los agentes inteligentes

1.2 Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia (conductismo, Gardner).
El concepto de "habilidades cognitivas" proviene del campo de la Psicologa cognitiva. Las habilidades cognitivas son operaciones del pensamiento por medio de las cuales el sujeto puede apropiarse de los contenidos y del proceso que us para ello. Las habilidades cognitivas son un conjunto de operaciones mentales cuyo objetivo es que la persona integre la informacin adquirida bsicamente a travs de los sentidos, en una estructura de conocimiento que tenga sentido para l.

Podemos agruparlas en tres grandes ejes: 1. Direccin de la atencin A travs de la atencin y de una ejercitacin constante de sta, se favorecer el desarrollo de habilidades como: observacin, clasificacin, interpretacin, inferencia, anticipacin. 2. Percepcin La percepcin es el proceso que permite organizar e interpretar los datos que se perciben por medio de los sentidos y as desarrollar una conciencia de las cosas que nos rodean. Esta organizacin e interpretacin se realiza sobre la base de las experiencias previas que el individuo posee. Por tal motivo, es conveniente que los alumnos integren diferentes elementos de un objeto en otro nuevo para que aprendan a manejar y organizar la informacin. 3. Procesos del pensamiento Los procesos del pensamiento se refieren a la ltima fase del proceso de percepcin. En este momento se deciden qu datos se atendern de manera inmediata con el fin de comparar situaciones pasadas y presentes y de esa manera, realizar interpretaciones y evaluaciones de la informacin.

En realidad, la clasificacin de las habilidades difiere segn los autores; por ejemplo, algunos proponen la siguiente secuencia : observacin, comparacin, relacin, clasificacin, ordenamiento, clasificacin jerrquica, anlisis, sntesis y evaluacin.

Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la informacin: recogiendo, analizando, comprendiendo, procesando y guardando informacin en la memoria, para, posteriormente, poder recuperarla y utilizarla dnde, cundo y cmo convenga.
En general, son las siguientes:

1. Atencin: Exploracin, fragmentacin, seleccin y contradistractoras. 2. Comprensin (tcnicas o habilidades de trabajo intelectual): Captacin de ideas, subrayado, traduccin a lenguaje propio y resumen, grficos, redes, esquemas y mapas conceptuales. A travs del manejo del lenguaje oral y escrito (velocidad, exactitud, comprensin). 3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y mnemotecnias. 4. Memorizacin / Recuperacin (tcnicas o habilidades de estudio): Codificacin y generacin de respuestas.

La inteligencia no es una cantidad que se puede medir con un nmero como lo es el Coeficiente Intelectual (I.Q.). La inteligencia es la capacidad de ordenar los pensamientos y coordinarlos con las acciones. La inteligencia no es una sola, si no que existen tipos distintos.

Howard Gardner es el creador de la teora de "Las Inteligencias Mltiples".

Gardner, que es un neuropsiclogo y educador de la Escuela de Graduados en Educacin de la Universidad de Harvard, present su teora en su libro titulado Frames of Mind: The Theory of Multiple Intelligences en 1983. La teora bsica sobre las Inteligencias Mltiples puede resumirse en las siguientes palabras: que cada persona tiene por lo menos ocho inteligencias, u ocho habilidades cognoscitivas. Estas inteligencias trabajan juntas, aunque como entidades cognoscitivas semi-autnomas. Cada persona desarrolla unas ms que otras. Diferentes culturas y segmentos de la sociedad ponen diferentes nfasis en ellas.

Inteligencias Mltiples de Howard Gardner

Inteligencia Lingstica La inteligencia lingstica consiste en la habilidad de pensar en palabras y usar el lenguaje para expresar y entender significados complejos. Sensibilidad en el uso y significado de las palabras, su orden, sonidos, ritmos e inflexiones (tonos, pronunciaciones). 1. Destrezas en el uso de las palabras para expresarse y para todo uso prctico en la comunicacin, 2. Destrezas en la lectura, 3. Habilidad e inters en escribir y leer poemas, historias, cuentos, libros y cartas.

Inteligencia Visual - Espacial

La inteligencia visual - espacial consiste en la habilidad de pensar y percibir el mundo en imgenes. Se piensa en imgenes tri-dimensionales y se transforma la experiencia visual a travs de la imaginacin. La persona con alta inteligencia visual puede transformar temas en imgenes, tal como se expresa en el arte grfico. uso de las imgenes mentales, crear diseos, pinturas y dibujos, habilidad para construir diagramas y construir cosas, habilidad para inventar cosas.

Inteligencia Lgica - Matemtica La inteligencia lgica-matemtica utiliza el pensamiento lgico para entender causa y efecto, conexiones, relaciones entre acciones y objetos e ideas. Contiene la habilidad para resolver operaciones complejas, tanto lgicas como matemticas. Tambin comprende el razonamiento deductivo e inductivo y la solucin de problemas crticos. curiosidad por la investigacin, anlisis y estadsticas, habilidad en la solucin de problemas y el razonamiento lgico, habilidad con las operaciones matemticas tales come la suma, resta y multiplicacin. Inteligencia Corporal - Cintica La inteligencia corporal-cintica consiste en la habilidad para usar los movimientos del cuerpo como medio de auto expresin. Esto envuelve un gran sentido de

coordinacin y tiempo. Incluye el uso de las manos para crear y manipular objetos fsicos. 1. habilidad para controlar los movimientos del todo el cuerpo para la ejecucin de actividades fsicas, 2. uso del cuerpo para actividades como balance, coordinacin y deportes, 3. destreza manual y habilidades manuales para actividades detalladas y trabajo minsculo, 4. uso expresivo del cuerpo en forma rtmica e imitativa.

Inteligencia Musical La inteligencia musical consiste en la habilidad para pensar en trminos de sonidos, ritmos y melodas; la produccin de tonos y el reconocimiento y creacin de sonidos. Tambin consiste en el uso de instrumentos musicales y el canto como medio de expresin. La persona alta en inteligencia musical tiene la habilidad de expresar emociones y sentimientos a travs de la msica. 1. sensibilidad por la msica, los ritmos y las tonadas musicales, 2. habilidad tocando instrumentos musicales, 3. uso efectivo de la voz para cantar solo, sola o acompaado, 4. gusta escuchar msica.

Inteligencia Interpersonal

La inteligencia interpersonal consiste en relacionarse y entender a otras personas. Armonizar y reconocer las diferencias entre las personas y apreciar sus perspectivas siendo sensitivo o sensitiva a sus motivos personales e intenciones. Interactuar efectivamente con una o ms personas, amigos y amigas y familiares. 1. sensitividad y entendimiento con relacin a los sentimientos, puntos de vista y estados emocionales de otras personas, 2. habilidad para mantener buenas relaciones con la familia, amistades y con la gente en general, 3. tomar liderazgo entre otras personas para resolver problemas, influenciar decisiones y velar por relaciones en grupos.

Inteligencia Intrapersonal La inteligencia intrapersonal consiste en la habilidad para entenderse a uno o una mismo. La persona est consciente de sus puntos fuertes y de sus debilidades para alcanzar las metas de la vida. Ayuda a reflexionar y controlar nuestros pensamientos y sentimientos efectivamente. 1. conocedor de las ideas propias, los dones y las destrezas personales, 2. conocedor de las metas personales, 3. habilidad para controlar los sentimientos personales y las respuestas emocionales, 4. habilidad para regular la actividad mental, el comportamiento y el estrs personal.

Inteligencia Naturalista

La inteligencia naturalista consiste en el entendimiento del mundo natural incluyendo las plantas, los animales y la observacin cientfica de la naturaleza. Se desarrolla la habilidad para reconocer y clasificar individuos, especies y relaciones ecolgicas. Tambin consiste en la interaccin con las criaturas vivientes y el discernimiento de patrones de vida y fuerzas naturales. 1. habilidad para entender el comportamiento de los animales, sus necesidades y caractersticas, 2. habilidad para trabajar con las plantas, 3. conocimiento de las fuerzas enrgicas de la vida.

1.3 Proceso de razonamiento segn la lgica


Axioma. Proposicin tan clara y evidente que se admite sin necesidad de demostracin. Cada uno de los principios fundamentales e indemostrables sobre los que se construye una teora. Ejemplo: 1+1=2 A es hermano de B C es hijo de A Entonces podemos decir que B es to de C, o bien C es sobrino de B Teorema

Proposicin demostrable lgicamente partiendo de axiomas o de otros teoremas ya demostrados, mediante reglas de inferencia aceptadas. Axiomas sobre alumno: Estudia Realiza tareas Participa Programa Demostracin Demostracin matemtica, argumento utilizado para mostrar la veracidad de una proposicin matemtica. En las matemticas modernas una demostracin comienza con una o ms declaraciones denominadas premisas, y prueba, utilizando las reglas de la lgica, que si las premisas son verdaderas, entonces una determinada conclusin debe ser tambin cierta. Comprobacin, por hechos ciertos o experimentos repetidos, de un principio o de una teora. Tablas de verdad de la lgica: conjuncin, disyuncin, implicacin, negacin y condicional.

1.4 el modelo de adquision del conocimiento segn la filosofa


En el conocimiento se hallan frente a frente la conciencia y el objeto, el sujeto y el objeto. El conocimiento se presenta como una relacin entre estos dos miembros, que permanecen en ella eternamente separados el uno del otro. El dualismo de sujeto y objeto permanece a la esencia del conocimiento la funcin del objeto consiste en aprehender el objeto; la del objeto es ser aprehensible y aprehendido por el sujeto no en el objeto, sino en el sujeto, cambia algo por obra de la funcin del conocimiento visto desde el objeto, el conocimiento se presenta como una transferencia de las propiedades del objeto al sujeto

TEORA DEL CONOCIMIENTO

Es el intento intelectual de explicar la forma en la que adquirimos el conocimiento del mundo y los procedimientos por los que es generado ese conocimiento, de tal forma que pueda ser valorado ya como verdadero o como falso. Conocer Unos de los grandes temas de la filosofa, es explicar en qu consiste el acto de conocer, cual es la esencia del conocimiento, cual es la relacin cognoscitiva entre el hombre y las cosas que lo rodean. La definicin ms sencilla nos dice que conocer consiste en obtener una informacin acerca de un objeto. Conocer es conseguir un dato o una noticia sobre algo. Elementos del conocimiento 1. 2. 3. 4. 5. En todo conocimiento podemos distinguir cuatro elementos: El sujeto que conoce. El objeto conocido. La operacin misma de conocer. El resultado obtenido que es la informacin recabada acerca del objeto.

LOS TRES NIVELES DEL CONOCIMIENTO El ser humano puede captar un objeto en tres diferentes niveles, sensible, conceptual y holstico. Conocimiento sensible: Es aquel que se adquiere a travs de la captacin de un objeto por medio de los sentidos, que en el caso de los seres humanos los ms desarrollados son el odo y la vista, de este modo, somos capaces de almacenar en nuestra memoria las imgenes de todos los objetos que observamos a diario, con sus caractersticas particulares.

Conocimiento conceptual: Se trata de aquel que se forma a partir de un conjunto de representaciones definidas como invisibles, inmateriales, universales y esenciales. La diferencia ms significativa entre el conocimiento sensible y el conceptual radica en que el primero es un conocimiento particular de cada persona, en el que cada uno ve y define los conceptos y los objetos con las caractersticas propias, mientras que el conceptual hace referencia a la universalidad de los conceptos y objetos, aquellos que todos comprendemos de la misma manera, sin aadirle caractersticas propias. Conocimiento holstico: (Tambin llamado intuitivo, con el riesgo de muchas confusiones, dado que la palabra intuicin se ha utilizado hasta para hablar de premoniciones y corazonadas). En este nivel tampoco hay colores, dimensiones ni estructuras universales como es el caso del conocimiento conceptual. Intuir un objeto significa captarlo dentro de un amplio contexto, como elemento de una totalidad, sin estructuras ni lmites definidos con claridad. La palabra holstico se refiere a esta totalidad percibida en el momento de la intuicin (holos significa totalidad en griego). La principal diferencia entre el conocimiento holstico y conceptual reside en las estructuras. El primero carece de estructuras, o por lo menos, tiende a prescindir de ellas. El concepto, en cambio, es un conocimiento estructurado. Debido a esto, lo percibido a nivel intuitivo no se puede definir, (definir es delimitar), se capta como un elemento de una totalidad, se tiene una vivencia de una presencia, pero sin poder expresarla adecuadamente. Aqu est tambin la raz de la dificultad para dar ejemplos concretos de este conocimiento. Intuir un valor, por ejemplo, es tener la vivencia o presencia de ese valor y apreciarlo como tal, pero con una escasa probabilidad de poder expresarla y comunicarla a los dems.

1.5 El modelo cognoscitivo


Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la informacin: recogiendo, analizando, comprendiendo, procesando y guardando informacin en la memoria, para, posteriormente, poder recuperarla y utilizarla dnde, cundo y cmo convenga. En general, son las siguientes:

1. Atencin: Exploracin, fragmentacin, seleccin y contradistractoras. 2. Comprensin (tcnicas o habilidades de trabajo intelectual): Captacin de ideas, subrayado, traduccin a lenguaje propio y resumen, grficos, redes, esquemas y mapas conceptuales. A travs del manejo del lenguaje oral y escrito (velocidad, exactitud, comprensin). 3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y mnemotecnias. 4. Memorizacin / Recuperacin (tcnicas o habilidades de estudio): Codificacin y generacin de respuestas. Como ejemplo clsico y bsico, el mtodo 3R: Leer, recitar y revisar (read, recite, review). El concepto de "habilidades cognitivas" proviene del campo de la Psicologa cognitiva. Las habilidades cognitivas son operaciones del pensamiento por medio de las cuales el sujeto puede apropiarse de los contenidos y del proceso que us para ello. Las habilidades cognitivas son un conjunto de operaciones mentales cuyo objetivo es que el alumno integre la informacin adquirida bsicamente a travs de los sentidos, en una estructura de conocimiento que tenga sentido para l. Podemos agruparlas en tres grandes ejes: 1. Direccin de la atencin A travs de la atencin y de una ejercitacin constante de sta, se favorecer el desarrollo de habilidades como: observacin, clasificacin, interpretacin, inferencia, anticipacin. 2. Percepcin La percepcin es el proceso que permite organizar e interpretar los datos que se perciben por medio de los sentidos y as desarrollar una conciencia de las cosas que nos rodean. Esta organizacin e interpretacin se realiza sobre la base de las

experiencias previas que el individuo posee. Por tal motivo, es conveniente que los alumnos integren diferentes elementos de un objeto en otro nuevo para que aprendan a manejar y organizar la informacin. 3. Procesos del pensamiento Los procesos del pensamiento se refieren a la ltima fase del proceso de percepcin. En este momento se deciden qu datos se atendern de manera inmediata con el fin de comparar situaciones pasadas y presentes y de esa manera, realizar interpretaciones y evaluaciones de la informacin. En realidad, la clasificacin de las habilidades difiere segn los autores; por ejemplo, algunos proponen la siguiente secuencia : observacin, comparacin, relacin, clasificacin, ordenamiento, clasificacin jerrquica, anlisis, sntesis y evaluacin. Otra clasificacin propone las siguientes habilidades: Observar es dar una direccin intencional a nuestra percepcin e implica subhabilidades como atender, fijarse, concentrarse, identificar, buscar y encontrar datos, elementos u objetos. Analizar significa destacar los elementos bsicos de una unidad de informacin e implica subhabilidades como comparar, destacar, distinguir, resaltar. Ordenar es disponer de manera sistemtica un conjunto de datos, a partir de un atributo determinado. Ello implica subhabilidades como reunir, agrupar, listar, seriar. Clasificar se refiere al hecho de disponer o agrupar un conjunto de datos segn categoras. Las subhabilidades que se ponen en juego son, por ejemplo, jerarquizar, sintetizar, esquematizar, categorizar... Representar es la recreacin de nuevos hechos o situaciones a partir de los existentes. Las subhabilidades vinculadas con esta habilidad son simular, modelar, dibujar, reproducir...

Memorizar implica procesos de codificacin, almacenamiento y recuperacin de una serie de datos. Este hecho supone tambin retener, conservar, archivar, evocar, recordar... Interpretar es atribuir significado personal a los datos contenidos en la informacin recibida. Interpretar implica subhabilidades como razonar, argumentar, deducir, explicar, anticipar... Evaluar consiste en valorar a partir de la comparacin entre un producto, los objetivos y el proceso. Esta habilidad implica subhabilidades como examinar, criticar, estimar, juzgar. Las habilidades cognitivas son un conjunto de operaciones mentales que permiten que el alumno integre la informacin adquirida por va sensorial, en estructuras de conocimiento ms abarcadoras que tengan sentido para l

1.6 el modelo del agente inteligente


Un agente es todo aquello que puede considerarse que percibe su ambiente mediante sensores y que responde o acta 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 del cuerpo que sirven de efectores. En el caso de los agentes robticos, los sensores son sustituidos por cmaras y los efectores reemplazados mediante motores. En el caso de un agente de software, sus percepciones y acciones vienen a ser las cadenas de bits codificados.

Los agentes interactan con los ambientes a travs de sensores y efectores

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.

Desde el punto de vista del software: Un agente inteligente es una entidad de software que, basndose en su propio conocimiento, realiza un conjunto de operaciones para satisfacer las necesidades de un usuario o de otro programa, bien por iniciativa propia o porque alguno de stos se lo requiere Definicin de Agente Inteligente segn diversos autores. Brenner Programa que puede realizar tareas especficas para un usuario y posee un grado de inteligencia suficiente para ejecutar parte de sus tareas de forma autnoma y para interactuar con su entorno de forma til. Stuart Russel Un agente racional es aquel que hace lo correcto, entendiendo por correcto todo aquello que permite al agente obtener el mejor desempeo. Wooldridge Un agente inteligente es un sistema (hardware o software) situado en un determinado entorno, capaz de actuar de forma autnoma y razonada en dicho entorno para llevar a cabo unos objetivos predeterminados. PROPIEDADES DE LOS AGENTES INTELIGENTES Autonoma: Actuar sin ningn tipo de intervencin humana directa, y tener control sobre sus propios actos. Inteligencia: Creada o adaptable al entorno (aprendizaje). Reactividad Proactividad Reactivo: Acta en funcin de los sucesos producidos en el entorno. Proactivo: Toma la decisin de actuar antes de que se den los sucesos.

Sociabilidad: Comunicarse por medio de un lenguaje comn con otros agentes, e incluso con los humanos.

Cooperacin: Con complejidad.

otros

agentes

para

realizar

tareas

de

mayor

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: Un agente no comunica informacin falsa a propsito.

TIPOS DE AGENTES

Agentes de interfaz

Cuando un usuario hace una consulta, la interfaz recoge los trminos de sta como algo representativo de la materia en la que se est interesado. Posteriormente, y a partir de su base de conocimiento, realiza una consulta expandida. Es decir, partiendo de los trminos suministrados por el usuario, se aaden otros relacionados con el mismo concepto, realizando as una consulta mucho ms completa que la que en un principio se pretenda hacer. Por ejemplo la consulta perro puede ser expandida a perro o can o sabueso.

Agentes mviles mquina. Por ejemplo, que est realizando, reanudar la ejecucin estime oportuno. Esta

Son programas que pueden migrar de una a otra un agente mvil puede suspender el proceso transportarse a s mismo por medio de la red y del proceso que estaba llevando a cabo donde

capacidad le permite al agente seleccionar la informacin recuperada antes de enviarla por la red, lo que evita la transferencia de grandes cantidades de informacin que podra ser intil.

Tipos de agentes mviles Monosalto Se mueven a un nico y especfico lugar. Multisalto Transitan por la red de uno a otro lugar.

Agentes colaborativos

Este tipo de agentes se enfatiza en la autonoma y las habilidades sociales con otros agentes para ejecutar las tareas de sus usuarios. La coordinacin de los agentes se logra mediante la negociacin para alcanzar acuerdos que sean aceptables para los agentes negociantes. Los agentes colaborativos se pueden utilizar es la solucin de algunos de los siguientes problemas:
o o

o o o

Para resolver problemas que son muy grandes para un agente centralizado. Para permitir la interconexin e interoperabilidad de sistemas de IA existentes como sistemas expertos, sistemas de soporte de decisin etc. Solucionar problemas que son inherentemente distribuidos. Proporcionar soluciones que simulen recursos de informacin distribuidos. Incrementar la modularidad, velocidad, confiabilidad, flexibilidad y reutilizacin en sistemas de informacin.

Agentes de informacin

Estn diseados especficamente para procesar consultas, y poseen al menos uno de los siguientes elementos: capacidad de proceso, conocimiento del entorno donde se mueven e informacin de un dominio.

Un agente tiene capacidad de proceso puesto que puede descomponer una consulta en subconsultas y asociar a los distintos trminos resultantes otros trminos relacionados o afines. Su conocimiento del entorno le viene dado por su propio conocimiento y por el de otros agentes que se comunican con l (el conocimiento puede ser adquirido: del mismo usuario o de otros agentes con los que se encuentra mientras realiza una tarea determinada). En todo momento debera saber a qu informacin acceder o a qu otro agente dirigirse para obtenerla.

Esquema de una agente de informacin En su libro Inteligencia Artificial. Un enfoque moderno, Stuart Russell y Peter Norving definen conceptos importantes sobre los agentes inteligentes, recordando su definicin de agente inteligente que dice Un agente racional es aquel que hace lo correcto, entendiendo por correcto aquello que permite al agente obtener el mejor desempeo. Y en base a esto ser necesario decidir cmo y cundo evaluar el buen desempeo del agente.

El trmino medicin del desempeo se aplica al cmo, el cual es el criterio que sirve para definir qu tan exitoso ha sido un agente. Nosotros, como observadores externos, definimos la norma de lo que se considera un satisfactorio desempeo en un ambiente y emplearlo en la medicin del desempeo de los agentes. El cundo evaluar el desempeo es importante tambin. Este debe ser medido a largo plazo. Otro concepto importante es el de agente omnisciente: Un agente omnisciente es aquel que sabe el resultado real que producirn sus acciones, y su conducta es congruente con ello; sin embargo, en realidad la omnisciencia no es posible. El carcter de racionalidad de un agente depender de cuatro factores:

De la medida con la que se evala el grado de xito logrado. De todo lo que hasta ese momento haya percibido el agente. A esta historia perceptual completa se le denomina secuencia de percepciones. Del conocimiento que posea el agente acerca del medio. De las acciones que el agente puede emprender.

Agente racional ideal En todos los casos de posibles secuencias de percepciones, un agente racional deber emprender todas aquellas acciones que favorezcan obtener el mximo de su medida de rendimiento, basndose en las evidencias aportadas por la secuencia de precepciones y en todo conocimiento incorporado en tal agente. Mapeo El comportamiento de un agente depende exclusivamente de la secuencia de sus percepciones en un momento dado, es posible caracterizar cualquier agente en particular elaborando una tabla de las acciones que ste emprende como respuesta a cualquier secuencia de percepciones posible. Esta lista se denomina un mapeo de secuencias de percepciones para acciones. El especifica qu tipo de accin deber emprender un agente como respuesta a una determinada secuencia de percepciones constituye el diseo de un agente ideal.

1.7 El papel de la heurstica.La palabra heurstica procede significa hallar o inventar. del trmino griego , que

Como disciplina cientfica, la heurstica es aplicable a cualquier ciencia e incluye la elaboracin de medios auxiliares, principios, reglas, estrategias y programas que faciliten la bsqueda de vas de solucin a problemas es decir resolver tareas de cualquier tipo para las que no se cuente con un procedimiento algortmico de solucin.

Segn Horst Mller:

Los procedimientos heursticos son formas de trabajo y de pensamiento que apoyan la realizacin consciente de actividades mentales exigentes. Los procedimientos heursticos como mtodo cientfico pueden dividirse en principios, reglas y estrategias. 1. Principios heursticos: Constituyen sugerencias para encontrar (directamente) la idea de solucin; posibilita determinar, por tanto, a la vez, los medios y la va de solucin. Dentro de estos principios se destacan la analoga y la reduccin.

1. Reglas heursticas: Actan como impulsos generales dentro del proceso de bsqueda y ayudan a encontrar, especialmente, los medios para resolver los problemas. Las Reglas heursticas que ms se emplean son: 1. Separar lo dado de lo buscado. 2. Confeccionar figuras de anlisis: esquemas, tablas, mapas, etc. 3. Representar magnitudes dadas y buscadas con variables. 4. Determinar si se tienen frmulas adecuadas. 5. Utilizar nmeros (estructuras ms simples) en lugar de datos. 6. Reformular el problema.

1. Estrategias heursticas: Se comportan como recursos organizativos del proceso de resolucin, que contribuyen especialmente a determinar la va de solucin del problema abordado. Existen dos estrategias: 1. El trabajo hacia adelante: se parte de lo dado para realizar las reflexiones que han de conducir a la solucin del problema. 2. El trabajo hacia atrs: se examina primeramente lo que se busca y, apoyndose de los conocimientos que se tienen, se analizan posibles resultados intermedios de lo que se puede deducir lo buscado, hasta llegar a los dados.

En computacin, dos objetivos fundamentales son encontrar algoritmos con buenos tiempos de ejecucin y buenas soluciones, usualmente las ptimas. Una heurstica es un algoritmo que abandona uno o ambos objetivos; por ejemplo, normalmente encuentran buenas soluciones, aunque no hay pruebas de que la solucin no pueda ser arbitrariamente errnea en algunos casos; o se ejecuta razonablemente rpido, aunque no existe tampoco prueba de que siempre ser as. Las heursticas generalmente son usadas cuando no existe una solucin ptima bajo las restricciones dadas tiempo, espacio, etc. Heurstica en la inteligencia artificial.Muchos algoritmos en la inteligencia artificial son heursticos por naturaleza, o usan reglas heursticas. Un ejemplo reciente es SpamAssassin que usa una amplia variedad de reglas heursticas para determinar cuando un correo electrnico es spam. Cualquiera de las reglas usadas de forma independiente pueden llevar a errores de clasificacin, pero cuando se unen mltiples reglas heursticas, la solucin es ms robusta y creble.

Tipos de algoritmos heuristicos En una primera clasificacin podemos decir que los algoritmos heursticos pueden ser simples o complejos. Los algoritmos simples tienden a tener reglas de terminacin bien definidas, y se detienen en un ptimo local, mientras que los algoritmos ms complejos pueden no tener reglas de terminacin estndar, y buscan soluciones mejores hasta alcanzar un punto de parada arbitrario. Dentro de los algoritmos heursticos complejos podemos hacer una segunda clasificacin, esta vez orientada a la funcionalidad de los mismos. En primer lugar podemos encontrarnos con algoritmos que fueron diseados para dar solucin a problemas de bsqueda de ptimos o clasificacin y por otro lado tenemos los algoritmos que tratan de deducir conocimiento a partir de un conjunto de axiomas, estos ltimos conocidos como sistemas basados en el conocimiento.

Unidad II: Representacin del Conocimiento y Razonamiento

2.1 MAPAS CONCEPTUALES


Origen de los mapas conceptuales Los mapas conceptuales tienen su origen en los trabajos que Novak y sus colaboradores de la Universidad de Cornell. Estos autores comparten la idea, de la importancia de la actividad constructiva del alumno en el proceso de aprendizaje, y consideran que los conceptos y las proposiciones que forman los conceptos entre s son elementos centrales en la estructura del conocimiento y en la construccin del significado. Qu son los mapas conceptuales? Los mapas conceptuales o mapas de conceptos son un medio para visualizar ideas o conceptos y las relaciones jerrquicas entre los mismos.

Con la elaboracin de estos mapas se aprovecha la gran capacidad humana para reconocer pautas en las imgenes visuales, con lo que se facilitan el aprendizaje y el recuerdo de lo aprendido. ELEMENTOS DE MAPAS CONCEPTUALES

Los conceptos: Desde el punto de vista gramatical los conceptos se identifican como nombres, adjetivos y pronombres, los que representan hechos, objetos, ideas, etc. Palabras de enlace: Que se utilizan para unir los conceptos y para indicar el tipo de relacin que se establece entre ellos. Las proposiciones: Dos o ms trminos conceptuales unidos por palabras para formar una unidad semntica.

Utilizacin de los mapas conceptuales La tcnica de elaboracin de mapas conceptuales es un medio didctico poderoso para organizar informacin, sintetizarla y presentarla grficamente. Tambin nos permite apreciar el conjunto de la informacin que contiene un texto y las relaciones entre sus componentes, lo que facilita su comprensin, que es el camino ms satisfactorio y efectivo para el aprendizaje.

Otra utilidad es que pueden servir para relatar oralmente o para redactar textos en los que se maneje lgica y ordenadamente cierta informacin; de ah que sean considerables como organizadores de contenido de gran valor para diversas actividades acadmicas y de la vida prctica.

Tcnica de construccin de los mapas conceptuales Es muy sencilla pero compleja a la vez, porque requiere realizar varias operaciones mentales. Se puede utilizar didcticamente para desarrollar ideas y mostrar las relaciones que hay entre ellas.

La tcnica consta de los siguientes pasos:

Leer cuidadosamente el texto y entenderlo claramente. En caso de haber palabras que no se comprendan o no conozcan, habr que consultarlas y comprobar cmo funcionan en el contexto en que se encuentran. Localizar y subrayar las ideas o palabras ms importantes (palabras clave) con las que se construir el mapa; por lo general, son nombres o sustantivos. Determinar la jerarquizacin de dichas ideas o palabras clave.

Establecer las relaciones entre ellas. Utilizar correctamente la simbologa:

Simbologa de un Mapa Conceptual a) Ideas o conceptos: Cada una se presenta escribindola encerrada en un valo o en un rectngulo; es preferible utilizar valos.

b) Conectores: La conexin o relacin entre dos ideas se representa por medio de una lnea inclinada, vertical u horizontal llamada conector o lnea ramal que une ambas ideas.

Para conexiones y relaciones c) Flechas: se pueden utilizar en los conectores para mostrar que la relacin de significado entre las ideas o conceptos unidos se expresa primordialmente en un solo sentido; tambin se usan para acentuar la direccionalidad de las relaciones, cuando se considera indispensable.

Para indicar la direccionalidad de las relaciones d) Descriptores: son la palabra (s) que describen la conexin; se escriben cerca de los conectores o sobre ellos. Estos descriptores sirven para "etiquetar" las relaciones. Tiene gran importancia elegir la palabra correcta; o sea, la que mejor caracterice la relacin de que se trate, de acuerdo con el matiz de significado que debe darse con precisin.

Procedimiento general para construir un mapa conceptual Primero: Leer un texto e identificar en l las palabras que expresen las ideas principales o las palabras clave. No se trata de incluir mucha informacin en el mapa, sino que sta sea la ms relevante o importante que contenga el texto. Segundo: Cuando se haya terminado, subrayar las palabras se identificaron; asegurndonos de que, en realidad, se trata de lo ms importante y de que nada falte ni sobre.

Hay que recordar que, por lo general, estas palabras son nombres o sustantivos comunes, trminos cientficos o tcnicos. Tercero: Indicar el tema o asunto general y escribirlo en la parte superior del mapa conceptual, encerrado en un valo o rectngulo. Cuarto: Identificar las ideas que constituyen los subtemas qu dice el texto del tema o asunto principal? Hay que escribirlos en el segundo nivel, tambin encerados en valos. Quinto: Trazar las conexiones correspondientes entre el tema principal y los subtemas. Sexto: Seleccionar y escribir el descriptor de cada una de las conexiones que se acaban de trazar. Sptimo: En el tercer nivel se deben colocar los aspectos especficos de cada idea o subtema, encerrados en valos. Octavo: Trazar las conexiones entre los subtemas y sus aspectos. Noveno: Escribir los descriptores correspondientes a este tercer nivel. Dcimo: Considerar si se requieren flechas y, en caso afirmativo, trazar las cabezas de flecha en los conectores correspondientes. A continuacin se incluye el mapa conceptual del procedimiento anterior de manera simplificado.

2.2 REDES SEMANTICAS


Historia sobre las redes semnticas Los responsables de los primeros esquemas de representacin formalizados fueron Quillian (1968) y Shapiro & Woddmansee (1971). Los esquemas de redes semnticas tienen una fundamentacin psicolgica muy slida, por lo que se han

realizado numerosos esfuerzos por llevar a cabo implementaciones importantes basadas en ellas. Muchas disciplinas han desarrollado tcnicas de realizacin de diagramas que constituyen lenguajes formales visuales que representan el conocimiento operacional en forma esquemtica. El filsofo y lgico Charles S. Pierce desarroll sus grafos existenciales como una tcnica formal de razonamiento para la inferencia lgica. Qu son las redes semnticas? Es una forma de representacin de conocimiento lingstico en la que los conceptos y sus interrelaciones se representan mediante un grafo. En caso de que no existan ciclos, estas redes pueden ser visualizadas como rboles. Las redes semnticas son usadas, entre otras cosas, para representar mapas conceptuales y mentales. En un grafo o red semntica los elementos semnticos se representan por nodos, dos elementos semnticos entre los que se da la relacin semntica que representa la red, estarn unidos mediante una lnea, flecha o arista. Cierto tipo de relaciones no simtricas requieren grafos dirigidos que usan flechas en lugar de lneas. Las redes semnticas han sido muy utilizadas en Inteligencia Artificial para representar el conocimiento y por tanto ha existido una gran diversificacin de tcnicas.

Los elementos bsicos que encontramos en todos los esquemas de redes son: 1. Estructuras de datos en nodos, que representan conceptos, unidas por arcos que representan las relaciones entre los conceptos. 2. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de datos.

Partes de una red semntica Nodos: Es un concepto y se encierra en un crculo o elipse. Relaciones: Es una propiedad del concepto y pueden ponerse de dos formas: Implcitas: Es una flecha que no especifica su contenido Explcitas: Es una flecha en donde se especifica su contenido

2.3 RAZONAMIENTO MONOTONO

El razonamiento montono, es el que utiliza contradicciones para procesar. Elimina un hecho (factor de conocimiento) obteniendo la contradiccin hasta que llega a una conclusin final. EJEMPLO: Cuando se ve a una persona tirando basura en la calle y pensamos en lo mal que se ve, la criticamos, pero cuando realizamos el mismo acto sin pensar, caemos en una contradiccin y concluimos que somos igual a la persona que estaba tirando basura en la calle. El razonamiento montono es parte de la lgica clsica y abarca temas de la misma los cuales son: Lgica Proposicional, Deduccin Lgica y Lgica de Primer Orden. Lgica proposicional La lgica proposicional es un sistema formal diseado para analizar ciertos tipos de argumentos. En la lgica proposicional, las frmulas representan proposiciones y las constantes lgicas son operaciones sobre las frmulas que producen otras frmulas de mayor complejidad. Como otros sistemas lgicos, la lgica proposicional intenta esclarecer nuestra comprensin de la nocin de consecuencia lgica para el rango de argumentos que analiza. Deduccin lgica La deduccin lgica consiste en que a partir de unas premisas, representadas con smbolos, y a travs de unas reglas, obtenemos una conclusin (deducimos la conclusin). De manera general, en lgica se considera siempre un conjunto (conjuncin) de proposiciones P= { C 1 , C 2 ,..., C n } que constituirn lo que se denomina una teora, una base de conocimientos o un programa lgico. El objetivo es establecer que una cierta proposicin T es una consecuencia lgica (es deducible) (es un teorema) de P lo cual denotaremos por:

C1, C2,, Cn |= T Se lee T es una consecuencia lgica de C1, C2,, Cn. Sea, P1, P2, P3,, Pn |= Q Se define como correcta, cuando no existe ninguna interpretacin que simultneamente haga P1, P2, P3,, Pn verdaderos y Q falso, es decir, cuando todo modelo de las premisas, es un modelo de la conclusin.

Lgica de primer orden La lgica de primer orden, tambin llamada lgica de predicados o clculo de predicados, es un sistema formal diseado para estudiar la inferencia en los lenguajes de primer orden. La lgica de primer orden tiene el poder expresivo suficiente para definir a prcticamente todas las matemticas. Una lgica de primer orden (LPO) consta de un lenguaje L y un concepto de inferencia C, con la siguiente caracterizacin: El lenguaje L se describe en sus dos dimensiones fundamentales: Sintaxis y Semntica. Sintcticamente L consta de un alfabeto y de dos clases de expresiones bien definidas a partir de los smbolos de este alfabeto: trminos y frmulas.

2.4 LGICA DE PREDICADOS: SINTAXIS, SEMNTICA, VALIDEZ E INFERENCIA


Lgica Resumiendo, diremos que una lgica consta de lo siguiente: 1. Un sistema formal para describir lo que est sucediendo en un momento determinado, y que consta de : La sintaxis del lenguaje, que explica cmo construir oraciones. La semntica del lenguaje, que especifica las restricciones sistemticas sobre cmo se relacionan las oraciones con aquello que est sucediendo. 2. La teora de la demostracin: un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones. Nos concentraremos en dos tipos de lgica: la propositiva o lgica booleana y la lgica de primer orden (ms exactamente, el clculo de predicado de primer orden con igualdad). En la lgica propositiva los smbolos representan proposiciones completas (hechos. Los smbolos de proposiciones pueden combinarse usando los conectivos booleanos para generar oraciones de significado ms complejo. Una lgica como esta poco se preocupa por la manera de representar las cosas, por ello no es sorprendente que no ofrezca mucho como lenguaje de representacin. La lgica de primer orden (tambin conocida como clculo de predicados de primer orden) se preocupa por la representacin de los mundos en trminos de objetos y predicados sobre objetos (es decir, propiedades de los objetos o relaciones entre los objetos), as como del uso de conectivos y cuantificadores, mediante los cuales se pueden escribir oraciones sobre todo lo que pasa en el universo, a un mismo tiempo.

LOGICA POSITIVA La lgica propositiva permite ilustrar muchos de los conceptos de la lgica as como tambin la lgica de primer orden. Se explicar su sintaxis, semntica y respectivos procedimientos de inferencia. Sintaxis La sintaxis de la lgica propositiva es sencilla. Los smbolos utilizados en la lgica propositiva son las constantes lgicas Verdadero y Falso, smbolos de proposiciones tales como P y Q, los conectivos lgicos <=>, =>, y y , , parntesis ( ). Todas las oraciones se forman combinando los signos anteriores mediante las siguientes reglas:

Las constantes lgicas Verdadero y Falso constituyen oraciones en s mismo. Encerrar entre parntesis una oracin produce tambin una oracin, por ejemplo (PQ). Una oracin se forma combinando oraciones ms sencillas con uno de los cinco conectores lgicos: o ^ (y). Se le denomina conjuncin (lgica). o (o). Se le denomina disyuncin. o => (implica). Se conoce como implicacin (o condicional). o <=> (equivalente). La oracin es una equivalencia (tambin conocida como bicondicional). o (no). Se le conoce como negacin.

En la gramtica se representan oraciones atmicas, que en la lgica propositiva se representan mediante un solo signo (por ejemplo, P) y las oraciones complejas, que constan de conectores o parntesis (por ejemplo, P^Q). Tambin se utiliza el trminoliteral, que representa oraciones atmicas o una oracin atmica negada.

En rigor, la gramtica en ambigua: una oracin como P^QR se poda entender como (P^Q)R o como P^(QR). Lo anterior es semejante a la ambigedad aritmtica de expresiones tales como P+Q*R, ambigedad que tambin se resuelve de la misma manera; se considera un orden de precedencia para los operadores, pero si hay confusin, se utilizan los parntesis. El orden de precedencia lgica propositiva es (de mayor a menor); , ^, , => y <=>. Por lo tanto, la oracin: P^QR=>S Equivale a la oracin: ((P)^(QR))=>S

Semntica La semntica de la lgica propositiva tambin es bastante directa. Se define especificando la interpretacin de los signos de proposicin y de las constantes y especificando el significado de los conectores lgicos. Un signo de proposicin significa que cualquier hecho arbitrario puede ser su interpretacin. Las oraciones que contienen solo un signo de proposicin son satisfactibles pero no vlidas: son verdaderas solo cuando el hecho al que aluden es relevante en un momento dado. En el caso de las constantes lgicas no hay opcin: la oracin Verdadero siempre quiere decir aquello que sucede en la realidad: el hecho de la verdad. La oracinFalso siempre quiere decir aquello que no existe en el mundo.

Una manera de definir una funcin es construir una tabla mediante la que se obtenga el valor de salida de todos los valores de entrada posibles. A este tipo de tablas se les conoce como tablas de verdad. Mediante las tablas de verdad se define la semntica de las oraciones. P Falso Falso Verdadero Verdadero Q Falso Verdadero Falso Verdadero P P^Q PvQ P=>Q P<=>Q Verdadero Falso Falso Verdadero Verdadero Verdadero Falso Verdadero Falso Falso Falso Falso Verdadero Falso Falso Falso Verdadero Verdadero Verdadero Verdadero

Validez e inferencia Las tablas de verdad sirven no solo para definir los conectores, sino tambin para probar la validez de las oraciones. Si se desea considerar una oracin, se construye una tabla de verdad con una hilera por cada una de las posibles combinaciones de valores de verdad correspondientes a los signos propositivos de la oracin. Se calcula el valor de verdad de toda la oracin, en cada una de las hileras. Si la oracin es verdadera en cada una de las hileras, la oracin es vlida. EJEMPLO: ((PvH)^H)=>P P Falso Falso Verdadero Verdadero H Falso Verdadero Falso Verdadero PvH Falso Verdadero Verdadero Verdadero (PvH)^H) Falso Falso Verdadero Falso ((PvH)^H)=>P Verdadero Verdadero Verdadero Falso

2.5 La demostracin y sus mtodos.

La demostracin consiste bsicamente en, a partir de unas proposiciones dadas llamadas premisas, obtener otra proposicin llamada conclusin mediante la aplicacin de unas reglas lgicas. Los mtodos de demostracin son modelos o esquemas generales que se encuentran en los procesos deductivos, estos modelos estn fundamentados lgicamente en teoremas o reglas de inferencia ya establecidas, se pueden distinguir cuatro mtodos de demostracin: 1. Mtodo directo, de la hiptesis auxiliar o demostracin condicional: Dado un conjunto de premisas en una teora, si bajo el supuesto de que una proposicin P es verdadera y utilizando las premisas disponibles se puede hacer una demostracin de que una proposicin Q es verdadera, entonces en esa teora puede concluirse que P Q es verdadero. 2. Mtodo contrareciproco: Supongamos que se quiere demostrar que una proposicin especfica P Q es teorema y al intentar su demostracin por el mtodo directo no se logra obtener la conclusin deseada. Se procede entonces a demostrar por el mtodo directo su contrarrecproca PQ, si se consigue este objetivo entonces queda establecida la validez P Q de al hacer sustitucin por equivalencia. 3. Mtodo de demostracin por contradiccin o reduccin al absurdo: consiste en suponer explcitamente la negacin de la proposicin a demostrar, a partir de esta hiptesis se trata de generar una contradiccin, esto es: que la teora con ese supuesto es inconsistente y, en consecuencia, tal hiptesis es falsa, o lo que es equivalente, que su negacin es verdadera, quedando validada la proposicin inicial. 4. Mtodos de casos o silogismo disyuntivo: La regla de inferencia de ese nombre da lugar a este mtodo de demostracin, casi de forzosa utilizacin cuando la hiptesis o una de las hiptesis es una disyuncin de dos o ms proposiciones, en cuyo caso se procede as: a) Se supone la hiptesis dada correspondiente a una disyuncin. b) A partir de cada una de las proposiciones que integran la disyuncin se obtiene una conclusin parcial por el mtodo directo. c) Se concluye finalmente la disyuncin de las conclusiones parciales.

MTODO DIRECTO Si la demostracin es vlida, se dice que son ciertos y que:

P es condicin suficiente para que se verifique C C es condicin necesaria para que se verifique P

A1: Si a y b son nmeros reales, entonces a+b es un nmero real (cerradura en la suma). A2: Si a y b son nmeros reales, entonces a+b=b+a (conmutatividad de la suma). A3: Si a, b y c son nmeros reales, entonces a+(b+c)=(a+b)+c (asociatividad en la suma). A4: Sea a un nmero real. Existe un nmero real (denotado por 0 ) tal que a+0=a (neutro aditivo). A5: Para todo nmero real a existe un nmero (denotado -a) tal que a+(-a)=0 (inverso aditivo). M1: Si a y b son nmeros reales, entonces a*b es un nmero real (cerradura en el producto). M2: Si a y b son nmeros reales, entonces a*b=b*a (conmutatividad del producto). M3: Si a, b y c son nmeros reales, entonces a*(b*c)=(a*b)*c (asociatividad del producto). M4: Sea a un nmero real. Existe un nmero real (denotado por 1) tal que a*1=a (neutro multiplicativo). M5: Para todo nmero real a distinto de 0 existe un nmero (denotado por 1/a) tal que a*(1/a)=1 (inverso multiplicativo). D: Si a, b y c son nmeros reales, entonces a(b+c)=ab+ac (distributividad). Ahora bien, conociendo los axiomas, realicemos un ejemplo sencillo de demostracin directa:

Proposicin 1: Sea a un nmero real. Entonces a*0=0.

Demostracin:

a*0 es un nmero real, por M1 entonces a*0=a*0+0, por A4 entonces a*0=a*0 + (a+(-a)), por A5 entonces a*0=(a*0+a)+(-a), por A3 entonces a*0=(a*0+a*1)+(-a), por M4 entonces a*0=(a*(0+1))+(-a), por D entonces a*0=(a*1)+(-a), por A4 entonces a*0=a+(-a), por M4 por lo tanto a*0=0, por A5, l.q.q.d.

MTODO CONTRARECIPROCO

Esta ley lgica puede utilizarse como regla de derivacin en la lnea de premisas de cualquier clculo lgico. Formalmente, puede definirse como la frmula lgica . En efecto, si analizamos su tabla de valores de verdad: A B (A B) (B A) V V V V F F F F V F V V V V V F V V V V

Ejemplo

Un ejemplo sencillo: "Demustrese que todos los nmeros primos mayores que 2 son impares". Aqu, la proposicin p es "n es un nmero primo mayor que 2" y la proposicin q es "n es un nmero impar". Demostrar que todo nmero primo mayor que 2 es impar (p -> q) es lo mismo que demostrar que no existe un nmero par que sea nmero primo mayor que 2, o equivalentemente, que el nico nmero primo par es 2 (no q -> no p). Esto es ms fcil de demostrar, ya que todo nmero par se puede escribir como n = 2 k, donde k es mayor o igual que 1 (la idea de nmero primo tiene sentido slo en los nmeros naturales). Si k es igual a 1, tenemos n = 2, nmero primo. Si, por el contrario, k es mayor que 1, entonces n es mayor que 2, pero no es primo ya que tiene algn factor que no es ni 1 ni l mismo. As que 2 es el nico nmero primo par, por lo que se ha demostrado que todos los nmeros primos mayores que 2 son impares. MTODO POR CONTRADICCIN O REDUCCIN AL ABSURDO La tcnica sera la siguiente: Se supone cierto A. Se demuestra que esta hiptesis conduce a contradiccin. Se concluye A.

Ejemplo:Demostrar P Q y P Q, entonces P. Derivacin formal Regla Comentario 1. P Q Premisa 2. P Q Premisa 3. ( P) = P Hiptesis Se supone falsa la conclusin P 4. Q 1,3 y MP 5. Q 2,3 y MP 6. Q Q 4,5 y C Tenemos la contradiccin buscada. Puesto que P conduce a contradiccin se concluye P

MTODOS DE CASOS O SILOGISMOS DISYUNTIVOS

La ltima de estas estructuras lgicas primarias que utilizamos en nuestra vida -y que continuaremos utilizando por el resto de ella- es la llamada Silogismo Disyuntivo. Como argumentaremos ms adelante, esta estructura lgica es muy particular pues su componente esencial tiene una naturaleza diferente a la que ya hemos analizado hasta este momento. Su estructura es: poq -p q Dicho en otras palabras: Si es cierto/ocurre que p o q y no es cierto/no ocurre p entonces es cierto/ocurre q Quizs, una forma todava ms clara de expresarlo es la siguiente: Si necesariamente es cierto/ocurre o p o q y no es cierto/no ocurre p entonces necesariamente es cierto/ocurre q Un ejemplo simple: Un da alguien nos dice algo como: En esta vida solamente hay dos posibilidades: o eres el mejor en lo que haces o eres un fracasado. Este enunciado tambin puede ser expresado como: poq En donde: p = ser el mejor q = ser un fracasado (En el caso especfico de las proposiciones disyuntivas, el orden de los elementos no altera el resultado; es decir, ser el mejor bien podra ser q y ser un fracasado podra ser p y el significado de la proposicin seguir siendo el mismo). As:

ser el mejor o ser un fracasado

2.6 El mtodo de Resolucin de Robinson


El mtodo de resolucin de Robinson, es un mtodo para decidir si una proposicin es vlida, fue introducido por Alan Robinson en 1965, es simple de implementar y se extiende a la lgica de primer orden y otras lgicas no funcionales. Este mtodo es bastante popular en el mbito de demostracin de automtica de teoremas, tiene una nica regla de inferencia, la regla de resolucin, requiere que las proposiciones estn en forma normal conjuntiva. La idea de este mtodo es mostrar la validez de una proposicin estableciendo que la negacin de la proposicin es insatisfactible, por esta razn se dice que es un mtodo de refutacin. La resolucin en si depende de una sola regla: Si (A P) y (B P) verdadera. son ambas verdaderas, entonces (AB) es

La afirmacin se verifica escribiendo la tabla de verdad, como la resolucin depende nicamente de esta nica regla sencilla, es la base de muchos programas de computadoras que razonan y prueba teoremas. En una prueba por resolucin, las hiptesis y la conclusin se escriben como clusulas en forma normal conjuntiva, de esta manera se dice (A P) (B P) (A P) (B P) (A B) que es una tautologa. En efecto, el conjunto de clusulas {C1,K Cm,{A,P},{B,P}} es lgicamente equivalente a {C1,K Cm, {A,P ,{B, P},{A,B}}. En consecuencia, el conjunto de clusulas {C1,K Cm, {A,P}, {B, P}. es insatisfactible si lo es {C1,K Cm, {A, P}, {B, P},{A,B}} . La clusula {A,B} se llama resolvente de las clusulas {A,P} y {B,P} . El resolvente de las clusulas {P} y {P} es la clusula vaca y se anota . A un conjunto de clausulas que contiene se le llama refutacin.

Una prueba directa por resolucin procede aplicando (2.1) repetidamente, a pares de afirmaciones para derivar nuevas afirmaciones, es decir, agregar resolventes hasta llegar a la conclusin, en este caso una refutacin. De esta manera se

puede concluir que el conjunto inicial de clusulas es insatisfactible si el conjunto de clusulas final contiene la clusula. Si el conjunto de clusulas es insatisfactible entonces la proposicin o argumento es verdadero. La aplicacin reiterada de la regla de solucin termina cuando no se agregan nuevos resolventes. A continuacin se muestra un ejemplo, supngase que se desea verificar que el argumento (p q) r, p q r. De este argumento se obtienen las siguientes clusulas: C1 : p r C2 : q r C3 : p q C4 : r Ahora hay que demostrar que el conjunto de clusulas es insatisfactible mediante la regla de refutacin: {{p {{p {{p {{p {{p r},{q r},{q r},{q r},{q r},{q r},{p r},{p r},{p r},{p r},{p q},{r}} q},{r},{p}} q},{r},{p},{q}} q},{r},{p},{q},{r}} q},{r},{p},{q},{r},{}}

Como se ha demos que con el conjunto inicial de clusulas llegamos a una clusula vaca, el conjunto es insatisfacible y por tanto el argumento es correcto.

2.7 Conocimiento no montono y otras lgicas


La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de sentencias S1 del que se puede inferir C, al aadir otro conjunto de sentencias S2, se tiene que seguir infiriendo C a partir de S1 U S2. Esto es un inconveniente en gran cantidad de problemas que se presentan en IA y que tienen carcter no montono, histricamente se puede decir que la necesidad del razonamiento no montono se presento cuando se plantearon problemas de representacin del conocimiento en aplicaciones de IA. El razonamiento no montono es una forma de razonamiento que contrasta con el razonamiento deductivo estndar de la siguiente manera: Suponga que se conoce que todos los hombres son mortales y que Scrates es un hombre, entonces por simple razonamiento, Scrates es mortal. Nada podemos sumar a nuestro conocimiento que cambie esta conclusin. El razonamiento deductivo internamente es una teora local en la expresin, derivndose una conclusin desde las premisas, por lo tanto no se preocupa sobre alguna otra sentencia en la

teora. Un caso de razonamiento no montono es el razonamiento de sentido comn, el cual establece conclusiones a partir de informacin parcial, que muchas veces se revisan o se desechan cuando se obtiene nueva informacin o evidencia del dominio. Por ejemplo, si se dice que alguien tiene un pjaro, se piensa que este vuela, si luego se dice que es un pingino, entonces ya no se piensa que vuela. Las lgicas clsicas parten del carcter no excluyente de los nuevos axiomas aadidos a los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad de detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento. En pocas palabras, la lgica no-montona permite representar leyes como si x es un ser humano, entonces x puede andar, a menos que haya algo que lo contradiga.

2.8 Razonamiento probabilstico


El razonamiento probabilstico es un caso de razonamiento no montono, esta ms apegado a la vida real, en donde las premisas no suelen tener certeza absoluta para poder hacer una inducciones rigurosas. La principal ventaja de este tipo de razonamiento es que permite tomar decisiones racionales an en los casos en que no haya suficiente informacin para probar que cualquier accin dada funcionar, por esta razn se aplica en problemas en los que hay incertidumbre.

2.9 Teorema de Bayes


El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el resultado que da la distribucin de probabilidad condicional de una variable aleatoria A dada B (probabilidad posteriori) en trminos de la distribucin de probabilidad condicional de la variable B dada A y la distribucin de probabilidad marginal de slo A (probabilidad apriori). Sea {A1,A2,K , Ai,K An} un conjunto de sucesos mutuamente excluyentes y que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se conocen las probabilidades condicionales P(B|A1). Entonces, la probabilidad P(A1|B) viene dada por la expresin:

Donde: P(Ai) son las probabilidades a priori. P(B|A) es la probabilidad de B en la Hipotesis Ai. P(Ai|B) son las probabilidades a posteriori. Esto se cumple

El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y permitir revisar esas estimaciones en funcin de la evidencia es lo que est abriendo nuevas formas de hacer conocimiento.

Unidad III: Sistemas de Razonamiento Logico

DEFINICIN Son sistemas que representan explcitamente el conocimiento y pueden efectuar razonamientos sobre este. La principal ventaja de estos sistemas es su alto grado de modularidad. Es posible independizar la estructura de control del conocimiento, con lo que cada porcin del conocimiento mantiene total independencia entre s.

Se clasifican en 4 grandes grupos: Demostradores de teoremas y lenguajes de programacin lgica En los demostradores de teoremas se utiliza la resolucin (o algn otro procedimiento de inferencia completa) para demostrar oraciones expresadas en lgica de primer orden, frecuentemente en trabajos de razonamiento matemtico y de tipo cientfico. Los lenguajes de programacin lgicos se caracterizan por restringir la lgica, lo que impide el manejo completo de la negacin, la disyuncin y/o la igualdad. Sistemas de cuadro y redes semnticas En estos sistemas se aplica la metfora de que los objetos son nodos en una grfica, de que estos nodos se organizan de acuerdo con estructura taxonmica y de que los vnculos que existen entre los nodos representan relaciones binarias. Sistemas lgicos por descripcin Estos sistemas son la consecuencia de la evolucin de las redes semnticas, la idea consiste en emplear como medio de expresin y de razonamiento las definiciones complejas de objetos y clases, as como las relaciones entre ellos. Sistemas de produccin o sistemas basados en reglas Los sistemas de produccin son uno de los mecanismos de representacin del conocimiento, ms populares y ampliamente empleados. Su simplicidad y similitud con el razonamiento humano, han contribuido para su popularidad as como tambin el hecho de que han sido utilizados con xito en la construccin de sistemas expertos. Los sistemas de produccin utilizan reglas para examinar un conjunto de datos y solicitar nueva informacin hasta llegar a un diagnostico. Tambin se denominan sistemas basados en reglas. Un sistema basado en reglas utiliza el modus ponens para manipular las afirmaciones y las reglas durante el proceso de inferencia. En lgica, el modus ponens, es una regla de inferencia que tiene la siguiente forma:

Si A, entonces B A Por lo tanto, B Por ejemplo, un razonamiento que sigue la forma del modus ponens podra ser: Si est soleado, entonces es de da. Est soleado. Por lo tanto, es de da. Mediante tcnicas de bsqueda y procesos de unificacin, los sistemas basados en reglas automatizan sus mtodos de razonamiento y proporcionan una progresin lgica desde los datos iniciales, hasta las conclusiones deseadas. Esta progresin hace que se vayan conociendo nuevos hechos o descubriendo nuevas afirmaciones, a medida que va guiando hacia la solucin del problema. En consecuencia, el proceso de solucin de un problema en los sistemas basados en reglas va realizando una serie de inferencias que crean un sendero entre la definicin del problema y su solucin.

3.1 Reglas de Produccin


Las reglas de produccin son un mtodo procedimental de representacin del conocimiento. Se usan en teora de autmatas, gramticas formales y en el diseo de lenguajes de programacin, originalmente las producciones eran reglas gramaticales para manipular cadenas de smbolos. Las reglas representan el conocimiento utilizando un formato SI-ENTONCES (IF-THEN), es decir tienen 2 partes:

La parte SI (IF), situacin.

es

el

antecedente,

premisa,

condicin

La parte ENTONCES (THEN), es el consecuente, conclusin, accin o respuesta.

Con base en lo anterior tenemos que las reglas de produccin se dan de la siguiente manera: IF IF IF IF IF IF premisa, THEN conclusin entrada, THEN salida condicin, THEN accin antecedente, THEN consecuente datos, THEN resultados accin, THEN meta

La parte IF generalmente contiene varias clusulas unidas por los conectivos lgicos AND y OR. La parte THEN consiste en una o ms frases que especifican la accin a tomar. Tambin se dice que tanto las premisas como las conclusiones, no son ms que una cadena de hechos conectados por Y o por O, que de forma general sera: SI (hecho1) Y/O (hecho2) Y/O (hechoN) ENTONCES (hecho1) Y/O (hechoN). Los hechos son afirmaciones que sirven para representar conceptos, datos, objetos, etc. El conjunto de hechos que describen el problema es la base de hechos. Ejemplo de hechos: Juan es un estudiante Juan tiene 8 aos El perro es blanco A Mara le gusta el cine Pedro prefiere la pelcula

La edad de Luis es de 25 aos Pedro tiene un salario de 200 pesos Una regla es una combinacin de hechos que permite representar conocimientos y sacar inferencia de los mismos. Ejemplos de reglas: R1: SI Juan es un estudiante Y Juan tiene 8 aos

ENTONCES Juan estudia en la primaria. R2: SI el perro es blanco Y el perro se llama Dinky

ENTONCES el perro es de Juan. Observamos que partiendo de hechos conocidos que describen algn conocimiento se pueden inferir nuevo hechos (nuevos conocimientos).

3.2 Sintaxis de Regla de Produccin


Recordando las reglas de produccin tienen el siguiente formato: IF <condiciones> THEN <acciones> antecedente consecuente

Las condiciones cumplen con las siguientes caractersticas:


Formadas por clusulas y conectivas (and, or, not). Formato tpico: <parmetro / relacin / valor>

Parmetro: caracterstica relevante del dominio Relacin: entre parmetro y valor Valor: numrico, simblico o literal

Ejemplo: IF temperatura = alta AND sudoracin = presente AND dolor_muscular = presente THEN diagnostico_preliminar = gripe

Representacin objeto atributo valor Los hechos se representan por ternas objeto-atributo-valor: (<objeto>, <atributo>, <valor>)

Ejemplos:

(rayo, es-un, caballo) (veloz, es-un, caballo) (cometa, es-un, caballo) (veloz, hijo-de, cometa)

Una terna en el antecedente es cierta solo si existe en la base de hechos. Si se aplica una regla se ejecutan todas las acciones del consecuente que pueden ser nuevas ternas o llamadas a funcin.

Ejemplo: R1: IF (X, es-un, caballo) AND (X, hijo-de, Y) AND (Y, es-un, caballo) AND (Y, rpido, si) THEN (X, valioso, si)

3.3 Semantica de Reglas de Produccin

1. Base de conocimientos (bc)


Rene todo el conocimiento del sistema Formada por base de reglas (BR) + base de hechos(BH)

2. Memoria activa (ma)


Coleccin de hechos, representando el estado actual del problema Acta como disparador del motor de inferencias Refleja los cambios en el conocimiento del sistema Interacta con el mundo exterior (usuario, bases de datos, etc...)

Contiene:

Datos inciales del problema + datos incorporados con posterioridad Hechos establecidos durante procesos de inferencia Hiptesis de trabajo, metas y subtemas aun no confirmadas

Reglas activadas

Estn en condiciones de ser ejecutadas Encadenamiento. Hacia adelante: antecedentes representados en la MA Encadenamiento. Hacia atrs: consecuentes representados en la MA El MI decide cual o cuales de las reglas ACTIVAS se ejecutara

3. Motor de inferencias (mi)


Controla el funcionamiento del sistema Procesos de emparejamiento Seleccin de reglas Ejecucin de reglas Rutinas externas Compuesto por: interprete + estructuras de control Separado e independiente de la BC. Funcionamiento anlogo a bsqueda en espacio de estados

ESTADO: Representado por un conjunto hechos de MA OPERADORES: Reglas de la BR Con encadenamiento hacia atrs: bsqueda en grafos AND-OR (bsqueda por Sub objetivos) Tareas mi (motor de interferencias): Ciclo bsico: 1. Examen de la MA (Memoria Activa) y seleccin de reglas activas (emparejamiento): Depende del tipo de encadenamiento. 2. Seleccin reglas a ejecutar (resolucin conflictos), en funcin de: La estrategia de exploracin y los modelos de resolucin de conflictos 3. Ejecucin reglas y actualizacin de la MA 4. Mantenimiento del autoconocimiento del sistema: Es el control de reglas activadas y ejecutadas, control del orden de activacin y del orden de ejecucin, mantiene el orden de los hechos en la MA. El ciclo anterior depende de la direccin del proceso inferencia.

Encadenamiento hacia adelante (progresivo): emparejamiento de hechos en la MA con antecedentes. Encadenamiento hacia atrs (regresivo): emparejamiento de hiptesis en MA con consecuentes 16

Interpretacin cognitiva: Correspondencia componentes sistemas de reglas con elementos del pensamiento humano. Memoria activa (Memoria corto plazo): Conocimiento intermedio que se maneja durante el razonamiento es temporal (se olvida) y de pequea capacidad. Base de conocimiento (Memoria a largo plazo):Conocimiento permanente, puede ser innato o adquirido (aprendizaje). Motor de inferencias: Equivale a los mecanismos de razonamiento humanos.Es una aproximacin limitada.

Mejora eficiencia: Emparejamiento + Resolucin conflictos /Determinan eficiencia en el sistema de reglas.


o o o o o o o o o o o o o o

Proceso de Emparejamiento Emparejamiento: proceso muy costoso ) Punto critico Unificacin clsica (o sus variantes) demasiado costosa Algoritmo RETE: Mejora eficacia emparejamiento Pre procesa las reglas, construyendo una red. Red RETE se modifica a medida que se incorporar o eliminan hechos en MA IDEA BASE: Modificaciones en MA solo afectan a una porcin de la red Estrategias Resolucin Conflictos Decidir que regla ACTIVADA ejecutar Ejecutar TODAS o usar estrategias ms refinadas No aplicar 2 veces la misma regla Preferencia por reglas que usen hechos de incorporacin reciente a MA Preferencia por reglas ms especificas Asignacin de prioridades

Conocimiento Casual Los conocimientos causales y de procedimientos fueron propuestos por Zack en el ao de 1999 quien establece lo siguiente de dichos conocimientos. Este tipo de conocimiento tiene que ver con el porqu ocurren las cosas. Es un tipo de conocimiento explcito y compartido mediante historias de la organizacin, posibilita una estrategia de coordinacin para alcanzar objetivos y resultados.

La explicacin causal

Las generalizaciones habituales nos dicen cmo son las cosas: Las catedrales castellanas son gticas. Forman juicios descriptivos de la realidad. A diferencia de ellas, las generalizaciones causales nos explican el porqu de las cosas: Por qu se ha muerto mi perro? Por qu hay paro? Por qu se adelantan las elecciones?

La causalidad El argumento causal pretende razonar la existencia de una causa para determinado efecto. Su conclusin dice:

A causa B. Mi perro ha muerto porque comi un cebo envenenado.

Las relaciones Hablamos de causa cuando al fenmeno en cuestin, el efecto, le acompaa o le precede otro con el que podemos asociarlo. Percibimos una relacin regular entre la aparicin de dos sucesos. As, pues, nuestra primera pregunta en la investigacin de una causa es acerca de esa relacin: Qu ha intervenido para modificar la marcha habitual de los acontecimientos? Qu cosa nueva ha ocurrido?

Los tipos de relacin. No todas sucesos Decimos aparicin las relaciones son iguales. En ocasiones, observamos que los de tipo A se siguen regularmente de sucesos de tipo B. que entre ambos existe una relacin positiva: A, suscita la de B.

Comer bien mejora el humor.

Al contrario si cada vez que aparece A, no aparece B, hablamos de relacin negativa: A inhibe la aparicin de B. Cuando llega la primavera no apetece estudiar.

Condiciones Por la manera de intervenir unos sucesos en la aparicin de otros, distinguimos:

Condicin suficiente: la que asegura la produccin de un efecto. Pueden ser una o varias. Condicin necesaria: la indispensable para la produccin de un efecto, pero incapaz de producirlo por s sola. Habitualmente, varias condiciones necesarias concurren para formar una condicin suficiente. Condicin suficiente y necesaria es la que siendo necesaria se basta para la produccin del efecto porque todas las dems condiciones estn cumplidas.

Conocimiento de procedimiento (procedural): Se refiere a cuando ocurre algo. Este tipo de conocimiento, de carcter explcito y compartido, permite una mayor eficiencia en la coordinacin. Un sistema basado en reglas de produccin consta de:

Un conjunto de reglas de produccin Par condicin/accin: si C, entonces A Se trata del conocimiento de un experto. A veces llevan asociado un factor de certeza. Un sistema de gestin de base de datos (memoria de trabajo) Consta de un nmero de hechos relevantes para el problema a solucionar. Un interpret de reglas.

Identifica las reglas aplicables y el orden en que se tienen que aplicar.

Ventajas:

Modularidad del enfoque Captar conocimiento probabilstico til.

Desventajas:

Carencia de formalizacin, aunque debido a su similitud con las frmulas de la lgica verifica muchos de sus teoremas. Como administrar ciertas cosas, por ejemplo administrar un medicamento. Comprender el porqu de las cosas, por ejemplo el por qu un medicamento es efectivo.

Conocimiento de procedimiento

Conocimiento causal

Conocimiento de Diagnostico El problema del diagnostico ha sido, desde los comienzos de la IA, uno de los ms estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos. El diagnostico en el campo de la medicina es sin duda, una de las reas de la IA que supone todava una gran desafi. Una de las caractersticas ms frecuentes en resolucin del problema del diagnostico en dominios reales es la necesidad de trata con la dimensin temporal. As, una vez propuesto un modelo terico, una tendencia cada vez ms habitual a la hora de desarrollar sistemas de diagnostico temporal es necesario abordar el problema del diagnostico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximacin

ms adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.

3.4 Arquitectura de un sistema produccin

Los primeros S.B.R. se remontan a los aos 70:

Newell y Simon, (1972)

Modelan el comportamiento inteligente mediante reglas (las pautas de actuacin de un agente inteligente son reglas).

Buchanan y Feigen, (1978)

Primer sistema basado en reglas. Generacin de estructuras qumicas que expliquen los resultados espectrogrficos.

Buchanan y Shortliffe, (1984)

Sistema MYCIN. El primer sistema en el que se usan las reglas tal como se entienden hoy da. La siguiente figura muestra los componentes fundamentales de un sistema de produccin, que son: una base de hechos, una base de reglas de produccin (a veces llamada base de conocimientos del dominio del sistema), una maquina deductiva (motor de inferencia) y un mdulo de explicacin.

Hechos La base de hechos es el conjunto de informacin invariable de una a otra resolucin. Los hechos se diferencian de los datos en el sentido que los hechos forman parte del SP, mientras que los datos, al poder variar de una solucin a otra, conviene agruparlos en archivos externos al SP. Algunos autores no consideran a la base de hechos en forma independiente. Los conocimientos y los hechos pueden aparecer conjuntamente en una sola base, la de conocimientos. Ejemplo: Unos de los tantos hechos que pueden constituir un sistema de produccin para realizar un diagnostico medico y producir un tratamiento, son los siguientes: Fiebre, tose, dolor muscular y no tiene lcera, etc. Base de Conocimientos

Contiene el conocimiento del dominio en el cual el programa es competente. El conocimiento tiene que estar representado en la forma que resulte ms adecuada para el dominio de su competencia. Adicionalmente hay que tratar que esa representacin sea:

Sencilla. Independiente. Fcil de modificar. Transparente: justificacin de soluciones y explicacin de los procesos. Relacional. Potente: poder expresivo y eficiencia de clculo.

Un aspecto importante de una base de conocimientos es su capacidad, expresada sobre la base del nmero de reglas que posee:

Demostracin interesante: 50 reglas. Prototipo funcional: 250 reglas. SE operacional medio: 500 - 1000 reglas. SE operacional especial: 4000 reglas.

Una base de conocimientos debe ser coherente, rpida, modular, fcil de desarrollar y mantener. Ejemplo: Como una base de conocimientos est dada por un conjunto de reglas, se puede aplicar estas reglas para un sistema que deduzca la enfermedad y el tratamiento de un paciente. R1: si el paciente tiene fiebre, musculares entonces tiene gripe. y tose, y tiene dolores

R2: si el paciente tiene gripe o resfriado, lcera entonces recomendar aspirina y coac. Motor de Inferencia

no

tiene

Selecciona, decide, interpreta y aplica el conocimiento de la base de conocimientos sobre la base de hechos con el fin de obtener la solucin buscada. Un mecanismo de inferencia debe ser independiente del conocimiento y de los hechos.

Est caracterizado por:


El lenguaje en que ha sido escrito. La velocidad de trabajo: Inferencias/segundo. Las estrategias de bsqueda de soluciones: o No Ordenada: aleatoria, heurstica. o Ordenada: Encadenamiento hacia adelante (guiado por los datos, deductivo), encadenamiento hacia atrs (guiado por los objetivos, inductivo). La forma en que elige el conocimiento. La posibilidad de incorporar metaconocimiento. El tipo de lgica que emplea en el razonamiento: Booleana, trivalente, multivalente, difusa, monotnica o no monotnica, atemporal o temporal, lgica de orden 0, orden 0+, orden 1. El mtodo que utiliza para la evaluacin del conocimiento incompleto o incierto: Determinstico, probabilstico, aproximado, difuso.

Encadenamiento hacia delante

Este mtodo es usado cuando los datos iniciales son muy pocos y/o existen muchas posibles conclusiones. Los pasos para realizar el encadenamiento hacia delante son:

Matching: Bsqueda de las reglas para las que es cierto su antecedente

Resolucin de conflictos: Seleccin, entre las reglas encontradas no redundantes, de aquella que se va a ejecutar.

Criterios de seleccin (estrategia de bsqueda)


Mayor numero de premisas en el antecedente Prioridad ms alta Bsqueda en profundidad Bsqueda en anchura Ejecucin: Se dispara la regla, por lo que ampliamos los datos conocidos.

Encadenamiento hacia atrs

Caractersticas del encadenamiento hacia atrs:


Mtodo muy til en aplicaciones con muchos datos disponibles de partida, de los que solo una pequea parte son relevantes. Sistema interactivo, solo pregunta lo estrictamente necesario a diferencia del encadenamiento hacia delante que no pregunta nada.

Los pasos para realizar el encadenamiento hacia atrs son:


Se forma una pila inicial compuesta por los objetivos iniciales. Considerar el primer objetivo de la pila. Localizar todas las reglas que lo satisfagan.

Examinar las premisas de dichas reglas, en orden: Si todas las premisas se satisfacen. Ejecutamos las reglas y se derivan sus conclusiones. Si se deriv un valor para el objeto actual entonces se elimina de la pila y se vuelve al paso 2. Si una premisa de una regla no se satisface (tiene un valor desconocido en la base de conocimientos), se mira si existen reglas que concluyan un valor para ella. Si existen se inserta en el tope de la pila de objetos y se vuelve al paso 2. Si por b) no se encontr ninguna regla que concluya un valor para la premisa actual. Entonces se pregunta al usuario por dicho valor y se aade a la base de conocimientos. Si el valor satisface la premisa actual se contina examinando el resto del antecedente. Si no, se considera la siguiente regla que concluya un valor para el objeto actual.Si se han eliminado todas las reglas que concluyen un valor para el objetivo actual y todas fallaron entonces se marca el objetivo como indeterminado, se extrae de la pila y se vuelve al paso 2. Si la pila est vaca el proceso finaliza

Mecanismos de control

Los mecanismos de control para un sistema de produccin permiten que el contenido de la informacin permanezca en perfecto orden, esto es, que las reglas ms especificas y las que tratan con excepciones deben de aplicarse antes que las generales, adems el dialogo entre el sistema y el usuario debe de hacer preguntas siguiendo una lnea de razonamiento clara y no debe de preguntar lo que no puede deducir. Para controlar un SP se requiere lo siguiente:

Ordenar las reglas. Poco elegante. Difcil de mantener.

Solo aplicable en sistemas simples en los que las reglas se almacenan en una lista que se recorre cclicamente. Ordenar las conclusiones de cada regla. Valido solo en encadenamiento hacia atrs. Colocar primero las que tienen ms posibilidades de fallar. Aadir nuevas premisas para controlar las reglas a aplicar en cada punto de la inferencia

Ejemplo: Si hielo_en_la_carretera y velocidad > 70 entonces recomendacin = reducir_velocidad Si situacin = coche_en_marcha y hielo_en_la_carretera y velocidad > 70 entoncesrecomendacin = reducir_velocidad

Aunque obedeciendo siempre al esquema conceptual general, los mecanismos de control pueden clasificarse, dependiendo del momento en que se realice la accin de control, en la forma que se indica a continuacin: a) Control Direccional El mecanismo de control acta antes de que la actividad este totalmente concluida. En este caso el control se realiza de modo continuo y no en puntos determinados, de modo que cada elemento de la accin sea el resultado de la rectificacin casi instantnea de la accin anterior.

Es lo que ocurre, por ejemplo, con un conductor de carro, al orientar su trayectoria de acuerdo con los obstculos que se encuentran en el camino. El espacio de tiempo entre la percepcin de la nueva situacin, la evaluacin de la rectificacin a efectuar, la decisin y la accin correctiva debe ser mnimo, so pena de ocasionar un accidente.

En proyectos, este tipo de control se puede realizar cuando se tiene estructurado un sistema, que permita controlar los diferentes factores de manera continua. 3.5 Ciclo de vida de un sistema de Produccin

Un sistema de produccin tpico se caracteriza por lo siguiente:

El sistema mantiene una base de conocimientos conocida como memoria de trabajo. En ella se guarda un conjunto de literales positivas que no tienen variables. El sistema tambin mantiene una memoria de reglas independiente. sta contiene un conjunto de reglas de inferencia, de la forma p1 p2 => act1 act2, en donde las p1 son literales y las act1 son acciones que se emprenden cuando todas las p1 se satisfacen. Entre las acciones permitidas estn el aadir y eliminar elementos de la memoria de trabajo, as como algunas otras, tales como la impresin de un valor. En cada ciclo, el sistema calcula el subconjunto de reglas cuyo lado izquierdo se satisface con el contenido actual de la memoria de trabajo. A lo anterior se le conoce como fase de cotejo . El sistema decide entonces cual de las reglas se va a ejecutar. A esto se le conoce como fase de resolucin de conflictos .El paso final de cada ciclo en ejecutar la (s) accin (es) de la (s) regla (s) elegida (s). A esto se le conoce como fase de actuacin.

Fase de Cotejo

Se compara, para cada una de las reglas, cada elemento de la premisa con las sentencias en la memoria de trabajo. Se incorpora al conjunto de conflicto cada una de las reglas para las cuales se cumplan todas las premisas. Para evitar reclculos que atenten contra la eficiencia, se puede utilizar un algoritmo tal como Rete, que se basa en dos suposiciones:

La memoria de trabajo es muy grande y cambia poco entre cada ciclo. Toda la informacin que sigue presente en el siguiente ciclo se puede utilizar. Rete guarda informacin de losmatchings parciales entre ciclos, de manera que el esfuerzo de matching depende de la razn de cambio de la memoria de trabajo en lugar de su tamao. Las condiciones de muchas reglas se repiten. Rete localiza condiciones comunes y produce un grafo que representa la memoria de produccin, en donde los nodos son las condiciones de las reglas.

En qu consiste el algoritmo Rete? Para comprender en qu consiste este algoritmo, utilizaremos el siguiente ejemplo: Supongamos que tenemos la siguiente memoria de reglas: A(x) B(x) C(y) => aadir D(x) A(x) B(y) D(x) => aadir E(x) A(x) B(x) E(x) => borrar A(x) El algoritmo rete lo que hace primero es compilar la memoria de las reglas en la red mostrada en la figura 1.1. En este diagrama, los nodos circulares representan ocasiones en que se han recogido en la memoria de trabajo. En el nodo A se recogen y guardan los elementos de la memoria de trabajo A (1) y A(2).

Los nodos cuadrados indican unificaciones. De las seis posibles combinaciones A x B en el nodo A = B slo A(2) y B(2) satisfacen la unificacin. Por ltimo, las cajas rectangulares indican acciones. En la memoria inicial de trabajo, la regla sumar D es la nica que aplica, lo que da por resultado la incorporacin de la oracin D (2) a la memoria de trabajo. Una de las ventajas ms obvias de la red rete es que elimina la duplicacin en las reglas.

Fase de Solucion de Conflictos En algunos sistemas de produccin se ejecutan todas las reglas que pasan la fase de cotejo. En otros sistemas de produccin tales reglas se consideran slo como sugerencias; la fase de resolucin de conflictos sirve para decir cul de las sugerencias se va a aceptar. A esta fase se le puede considerar como la estrategia de control. Algunas de las sugerencias que se han utilizado son las siguientes:

No Duplicacin: no aplique dos veces la misma regla a los mismos argumentos. Novedad: prefiera a aquellas reglas que se refieren a elementos de la memoria de trabajo de recin creacin. Especificidad: d preferencia a aquellas que sean ms especficas. Por ejemplo, la segunda de las dos reglas siguientes es la que se preferira.

Mamfero (x) => aadir Piernas (x, 4) Mamfero (x) Humano (x) => aadir Piernas (x, 2)

Prioridad de operacin: prefiera aquellas que tienen mayor prioridad, segn lo especificado por cierto sistema de calificacin. Por ejemplo, la segunda de las reglas siguientes posibles es la que tenga ms alta prioridad.

TableroDeControl (p) Polvoso (p) => Accin (Desempolvar (p)) TableroDeControl (p) LmparaDeFusionEncendida (p) => Accin (Evacuar)

Fase de Actuacin Es la fase donde se aplica el consecuente de la regla seleccionada, producindose el cambio correspondiente en la memoria de trabajo.

UNIDAD IV Bsqueda y satisfaccin de restricciones.


Existen varios problemas que pueden ser resueltos mediante el uso de bsquedas inteligentes. La experiencia revela que un problema de bsqueda est asociado a dos importantes aspectos: Que se busca Donde se busca 4.1 Problemas y espacion de estados

Existe cierto tipo de agentes inteligentes basados en metas denominados agentes para la solucin de problemas. Este tipo de agentes determina lo que debern hacer al determinar secuencias de acciones que les permitan obtener estados deseables.

Los agentes inteligentes deben actuar de manera que el entorno experimente una serie de estados tales que permitan obtener un mximo en la medida de rendimiento. En trminos generales, es difcil lograr la plena traduccin de esta especificacin en un satisfactorio diseo de un agente. El logro de este objetivo se simplifica cuando agente tiene una meta y se esfuerza por lograrla. La formulacin de metas tomando como base la situacin de un momento dado, es el primer paso en la solucin de problemas.

Se considera que las metas son conjuntos de estados del mundo. Se puede considerar que las acciones son las causantes de la transicin

entre uno y otro estado del mundo; por ello, obviamente el agente tiene que decidir qu acciones permiten obtener el estado correspondiente a una meta. Pero para ello, primero tiene que decidir qu tipos de acciones y estados habr que tomar en consideracin. La formulacin de un problema es el proceso que consiste en decidir qu acciones y estados habrn que considerarse y es el paso que sigue a la formulacin de metas. En trminos generales, cuando un agente tiene ante si diversas opciones inmediatas cuyo valor ignora, para decidir lo que debe hacer primero tiene que evaluar las diversas secuencias de acciones posibles que le conducen a estados cuyo valor se conoce, y luego decidirse por la mejor. Al anterior proceso de hallar tal secuencia se le conoce como bsqueda. En un algoritmo de bsqueda la entrada es un problema y la respuesta es una solucin que adopta la forma de una secuencia de acciones. Una vez encontrada una solucin se procede a ejecutar las acciones que esta recomienda. A la anterior se le denomina fase de ejecucin. Es decir el diseo del agente se reduce a formular, buscar y ejecutar.

Problemas bien definidos y soluciones Un problema en realidad es un conjunto de informacin que el agente utiliza para decidir lo que va a hacer. Hemos visto que los elementos bsicos que configuran la definicin de un problema son los estados y las acciones. Para capturarlos formalmente necesitamos lo siguiente:

El estado inicial, que el agente sabe que all es en el que se encuentra. El conjunto de posibles acciones que el agente puede emprender. El trmino operador denota la descripcin de una accin en funcin de la cual se alcanzar un estado al emprender una accin en un estado particular.

Los dos trminos anteriores definen el espacio de estados de problema: El cual se define como el conjunto de todos los estados que puedan

alcanzarse a partir del estado inicial mediante cualquier secuencia de acciones. Una ruta del espacio de estados es simplemente cualquier secuencia de acciones que permiten pasar de un estado a otro. El siguiente elemento de un problema es:

La prueba de meta, es lo que el agente aplica a la descripcin de un solo estado para decidir si se trata de un estado meta. Hay ocasiones en las que existe un conjunto explicito de posibles estados meta y la prueba slo sirve para cerciorarse si hemos alcanzado alguno de ellos. Por ejemplo en el ajedrez la meta es alcanzar un estado denominado jaque mate, en la que el rey del contrincante se capturar en la siguiente jugada, haga lo que haga.

Por ltimo hay casos en los que una solucin es preferible a la otra, no obstante que con ambas pueda lograrse la meta. Por ejemplo son preferibles las rutas que entraan menos acciones o acciones menos costosas.

4.2

Problemas de Estados deterministicios y espacios no Deterministicos

Como se mencion en el tema anterior, el espacio de estados es la representacin de un problema que abarca todas las posibles situaciones que se pueden presentar en la solucin del problema. Los espacios de estados pueden clasificar en dos tipos: los implcitos y los explcitos, como se muestra en el diagrama siguiente.

Los espacios de estados implcitos normalmente utilizan un sistema de produccin para generar sobre la marcha los posibles estados siguientes de un estado dado. Los juegos suelen crear un espacio de estados implcito ya que un juego puede variar dependiendo de las reglas que lo describen. Los espacios de estados explcitos son aquellos en los se define, previo al inicio de la bsqueda, todos los estados posibles y las conexiones entre ellos. La representacin de los espacios de estados explcitos se puede dar o no determinsticamente, esto es, que el espacio de estados determinsticos contienen un nico estado inicial y seguir la secuencia de estados para la solucin, mientras que el no determinstico contiene un amplio nmero de estados iniciales y sigue la secuencia de estados perteneciente al estado inicial del espacio. Los espacios de estados determinsticos son usados por los sistemas expertos, mientras que los no determinsticos son usados por sistemas de lgica difusa.

Ejemplo de espacio de estados determinsticos

Ejemplo de espacio de estados no determinsticos.

4.3

Bsqueda Sistemtica

Los problemas de bsquedas, que generalmente encontramos en Ciencias Computacionales, son de un estado determinstico. Por

ejemplo, en los algoritmos de bsqueda de anchura y de bsqueda de profundidad, uno sabe la secuencia de los nodos visitados en un rbol. Sin embargo, los problemas de bsqueda, los cuales siempre tendremos que tratar en Inteligencia artificial, son no determinsticos y el orden de elementos visitados en el espacio de bsqueda depende completamente en el conjunto de datos. Dependiendo de la metodologa de expansin de un espacio de estado y consecuentemente el orden de los estados visitados los problemas de bsqueda se nombran diferentes:

Busqueda de metas a profundidad


El algoritmo de ms utilizado es el de bsqueda de metas por profundidad. Es llamado as porque sigue cada camino hasta su mayor profundidad antes de moverse al siguiente camino.

Asumiendo que iniciamos desde el lado izquierdo y trabajamos hacia la derecha, la bsqueda de metas por profundidad involucra trabajar todos los caminos debajo del camino de rbol ms a la izquierda hasta que un

nodo hoja es alcanzado. Si esta es una meta de estado, la bsqueda es completada y reportada como exitosa. Si el nodo hoja no representa la meta de estado, la bsqueda se dirige atrs y arriba al siguiente nodo ms alto que tiene un camino no explorado. La bsqueda de profundidad es un ejemplo de la bsqueda de fuerza bruta, o la bsqueda exhaustiva. La bsqueda de profundidad es usada por computadoras a menudo para los problemas de bsqueda como ubicar archivos en un disco. Complejidad de espacio

Se requiere mayor cantidad de memoria en la bsqueda de profundidad, cuando alcanzamos la mayor profundidad a la primera vez. Complejidad de tiempo

Si encontramos la meta en la posicin ms a la izquierda de profundidad (D), entonces el nmero de nodos examinados es (d+1). De otra forma, si encontramos la meta en el extremo derecho a una profundidad (D), entonces el nmero de nodos examinados incluyen todos los nodos en el rbol.

Busqueda de metas en anchura


Una alternativa para la bsqueda de profundidad es la bsqueda de metas de anchura (amplitud). Como su nombre indica, este enfoque supone atravesar un rbol por anchura ms que por profundidad. El algoritmo de anchura empieza examinando todos los nodos de un nivel (a veces llamado hebra uno) abajo del nodo raz.

Si una meta de estado es alcanzada aqu, el xito es reportado. De otra forma, la bsqueda contina ampliando caminos de todos los nodos del nivel en curso, para posteriormente bajar al prximo nivel. De este modo, la bsqueda contina revisando nodos en un nivel especial, e informar sobre el xito cuando un nodo meta es encontrado, y reportar una falla si todos los nodos han sido revisados y ningn nodo meta ha sido encontrado.
Comparativa de casos de bsqueda de profundidad y por anchura

Busqueda optima

La bsqueda heurstica, trata de resolver los problemas mediante una nueva tcnica. Podemos expandir nodos por seleccin juiciosa, seleccionado el nodo ms prometedor, donde estos nodos estarn identificados por el valor de su fuerza comparada con sus competidores homlogos con la ayuda de funciones intuitivas especializadas, llamadas funciones heursticas. En algunos casos los algoritmos de bsqueda heurstica, son tambin llamados OR-graphs o Best First Algorithms (Algoritmo de bsqueda ptima). La mayora de los problemas de razonamiento pueden ser representados por un OR-graph, donde un nodo en el grafo denota un problema de estado y un arco representa una aplicacin o regla para el estado actual para causar transicin de estados. Cuando un nmero de reglas son aplicables a un estado actual, podemos seleccionar un mejor estado entre el nodo hijo y el siguiente estado. Ejemplo de algoritmo de bsqueda ptima Inicio 1. Identificar los posibles estados inciales y medir la distancia (f) del ms cercano con a la meta; ponerlos en una lista (L) 2. Mientas L no est vaca has Inicia a) Identificar el nodo n de L que tenga el mnimo f; Si existe ms de un nodo con un f mnimo, seleccionar uno de ellos, (tomar n, arbitrariamente) b) Si n es la meta Entonces regresar n a lo largo del camino desde el nodo inicial; salir con xito. Si no remover n de L y agregar todos los hijos de n a L, junto con su camino etiquetado desde el nodo inicial

4.4

satisfaccion de Resticciones

Un problema que satisface restricciones (o PSR) es un tipo especial de problema que satisface algunas propiedades estructurales adicionales adems de los requisitos bsicos de los problemas en general. En el caso de un PSR los estados se definen mediante los valores de un conjunto de variables y la prueba de meta especfica en conjunto de restricciones que los valores deben satisfacer. La solucin de un PSR especifica valores para todas las variables de manera tal que se satisfagan las restricciones. Las restricciones son de diverso tipo. Las unarias se refieren al valor de una sola variable. Por ejemplo, las variables correspondientes al dgito del extremo izquierdo de una de las hileras de un problema de criptoaritmtica tienen la restriccin de no ser nunca cero. Las restricciones de orden superior entraan una restriccin de adicin y pueden llegar a tener varias variables. Y, por ltimo, las restricciones pueden ser absolutas, y cuya violacin rige una solucin potencial, o restricciones de preferencia, y que dirn qu tipo de solucin es la que se prefiere. Un problema de satisfaccin de restricciones (PSR) viene definido por los siguientes elementos:

Un conjunto finito de variables X1, . . . ,Xn Un conjunto finito de dominios Di asociados a cada variable Xi, especificando los posibles valores que puede tomar Un conjunto finito de restricciones C1, . . . ,Cm, que definen una serie de propiedades que deben verificar los valores asignados a las variables Una solucin al problema es una asignacin de valores a las variables {X1 = v1, . . . ,Xn = vn} tal que vi 2 Di y se verifican las restricciones.

Cada variable, Vi, de un PSR tiene un dominio Di, que es el conjunto de posibles valores que puede adoptar la variable. El dominio puede ser discreto o continuo. En el caso de los PSR discretos cuyos dominios son finitos, las restricciones se representan sencillamente enumerando las combinaciones permitidas de los valores.

Para la resolucin de los PSR continuos se necesita algebra muy compleja. Las restricciones discretas, absolutas, binarias (o unitarias) son contadas todava con la suficiente expresividad que les permite manejar una amplia gama de problemas y utilizar muchas de los ms interesantes mtodos de solucin. Primero hay que considerar cmo puede aplicarse un algoritmo de bsqueda de propsito general a un PSR. El estado inicial ser el estado en el que todas las variables todava no estn asignadas. Los operadores asignarn un valor a una variable, tomndolo del conjunto de los valores posibles. En la bsqueda preferentemente por profundidad en un PSR se pierde tiepo empleado en ver cuando se violan las restricciones. Debido a la manera como se definen los operadores, imposible emplear una de stos para recuperar restricciones violadas. Ejemplos de PSR:

Criptoaritmtica El problema de las N-reinas Problemas de diseo y planificacin 3SAT Alimentacin de ganado vacuno

Complejidad de los PSR: En muchos de los problemas reales se aprovecha la estructura del problema para reducir el espacio de bsqueda. Se pueden utilizar algoritmos de bsqueda general, pero tienen mayor eficiencia algoritmos diseados especialmente (verificacin anticipada, consistencia de arco, etc)

La verificacin anticipada es un caso especial de la verificacin por consistencia de arco. Se dice que en un estado hay consistencia de arco si toda variable tiene un valor en su dominio congruente con todas las restricciones de dicha variable. La consistencia de arco se logra borrando uno tras otro aquellos valores incongruentes de dicha variable. La consistencia de arco se logra borrando uno tras otro aquellos valores

incongruentes con alguna restriccin, es decir en la consistencia de arco se produce una forma de propagacin de restricciones, conforme van disminuyndolas opciones. Es frecuente emplear la consistencia de arco como un paso previo al procesamiento, aunque tambin se puede emplear durante la bsqueda misma. Aplicaciones en Problemas con Satisfaccin de Restricciones (CSP) Un problema consta de cuatro partes: el estado inicial, un conjunto de operadores, una funcin prueba de meta y una funcin costo de ruta. El ambiente del problema se representa mediante un espacio de estados. A la ruta que pasa por el espacio de estados, cuyo origen es el estado inicial y cuyo destino es el estado meta, se le denomina solucin . Las Aplicaciones en Problemas con Satisfaccin de Restricciones (CSP) pueden ser:

Resolver los CSP por mejoramiento iterative. Solucin inicial - uso de todas las variables. operador de modificacin - asignar un valor diferente a una variable reparacin heurstica heurstica de min-conflictos - seleccionar el valor que resulte en un nmero mnimo de conflictos con otras variables

Para resolver cualquier tipo de problema se utiliza un algoritmo de bsqueda general, cada variacin especfica de este algoritmo entraa estrategias diferentes. Los algoritmos de bsqueda se evalan en base a la completez, idoneidad, complejidad temporal y complejidad espacial. La complejidad depende de b, el factor de ramificacin del espacio de estados y de d, la profundidad de la solucin ms prxima.

4.5

Resolucion de Problemas de Juego

Es fcil representar el estado del juego, los agentes generalmente estn restringidos a una cantidad bastante reducida de acciones bien definidas. De esta forma, los juegos constituyen una idealizacin de mundos en la que los agentes hostiles actan de manera que logren disminuir nuestro bienestar. Otro tipo de juegos menos abstractos, como el croquet o el futbol, no han resultado tan atrayentes para la comunidad de IA.

Los juegos son uno de los campos de trabajo ms antiguos de la IA. En 1950, casi en cuanto fue posible programar las computadoras, Claude Shannon, inventor de la teora de la informacin, y Alan Turing elaboraron los primeros programas de ajedrez. Desde entonces, se han realizado continuos avances en el juego, al grado de que los sistemas actuales son capaces de desafiar a campeones mundiales humanos sin temor de que puedan hacer el ridculo.

La complejidad de los juegos trae aparejado un tipo de incertidumbre totalmente nuevo, no visto hasta ahora; la incertidumbre no es consecuencia de la informacin faltante, sino debido a que no hay tiempo suficiente para calcular las consecuencias exactas de una jugada. Solo se intenta deducir lo que sera lo mejor con base en experiencias pasadas y proceder, sin estar completamente seguro de cul sera la mejor accin.

La investigacin de los juegos ha generado una gran cantidad de interesantes ideas sobre cmo utilizar de la mejor manera el tiempo para obtener buenas decisiones, cuando la obtencin de las ptimas es imposible.

Decisiones perfectas en juegos de dos participantes. Consideraremos el caso general de un juego con dos participantes, al que se denominar MAX y MIN, MAX es el que inicia el juego, y los jugadores alternan su participacin hasta que concluyen el juego. Al

final de este se dan puntos al vencedor. Una definicin formal de juego sera la de un tipo de problema de bsqueda integrado por lo siguiente:

Un estado inicial, que incluye la posicin del tablero y a quien le toca jugar. Un conjunto de operadores, quienes definen que jugadas estn permitidas a un jugador. Una prueba terminal que define el trmino del juego. Los estados donde termina el juego se denominan estados terminales. Una funcin de utilidad (tambin conocida como funcin de resultado) asigna un valor numrico al resultado obtenido en un juego.

El algoritmo minimax sirve para determinar la estrategia ptima para MAX, y decidir cul es la mejor jugada. Los algoritmos se componen de cinco pasos:

Generacin de todo el rbol de juego, completamente hasta alcanzar los estados terminales. Aplicacin de la funcin de utilidad a cada estado terminal y obtencin de su valor respectivo. Uso de la utilidad de los estados terminales para calcular la utilidad de los nodos del siguiente nivel superior en el rbol de bsqueda. Continuacin del respaldo a los valores de los nodos hojas en direccin a la raz, una capa a la vez. Finalmente, los valores respaldados llegan a la parte superior del rbol; en ese sitio, MAX elige la jugada que le permita obtener el valor ms alto.

La funcin del nivel superior, DESICIN-MINIMAX, escoge una de las jugadas disponibles, las que a su vez se evalan mediante la funcin VALOR-MINIMAX. Decisiones imperfectas. El algoritmo minimax parte del supuesto de que el programa dispone de todo el tiempo necesario para efectuar una bsqueda hasta que logre llegar a los estados terminales, supuesto que por lo general no es

prctico. En el primer artculo de Shannon sobre ajedrez, se propona que en vez de llegar hasta los estados terminales utilizando la funcin de utilidad, el programa debera suspender antes la bsqueda y aplicar a las hojas del rbol una funcin de evaluacin heurstica, es decir se est sugiriendo modificar minimax de dos maneras: la funcin de utilidad se reemplaza mediante una funcin de evaluacin EVAL y la prueba terminal se remplaza por la llamada PRUEBA-SUSPENSIN.

Funciones de evaluacin Las funciones de evaluacin producen una estimacin de la utilidad esperada de un juego correspondiente a una posicin determinada. Conviene aclarar que el desempeo de un programa para juegos depende considerablemente de la calidad de su funcin de evaluacin. Si esta no es exacta, llevar al programa a posiciones que aparentemente son buenas, pero que en realidad son desastrosas. Primero, la funcin de evaluacin deber coincidir con la funcin de utilidad de los estados terminales. Segundo, su clculo no debe ser tardado. Es decir, se establece un compromiso entre precisin de la funcin de evaluacin y su respectivo costo-tiempo. Tercero, la funcin de evaluacin deber reflejar con precisin las posibilidades de poder ganar. En la funcin de evaluacin de la ventaja material se parte del supuesto de que el valor de una pieza puede calcularse independientemente de las otras piezas que estn en el tablero. A este tipo de funcin de evaluacin se le denomina funcin lineal ponderada.

Suspensin de una bsqueda La forma ms directa de controlar la cantidad de bsqueda consiste en de finir un lmite de profundidad fijo, de manera que la prueba de suspensin concluya en todos los nodos que estn por encima o justo en la profundidad d. La profundidad se escoge de manera que la cantidad de tiempo invertida no exceda lo permitido por las reglas del juego Un procedimiento un poco ms slido seria el de aplicar profundizacin iterativa. Obvio qu es necesario contar con una prueba

de suspensin ms completa. La funcin de evaluacin podr utilizarse slo en los casos de posiciones que estn en reposo, es decir, aquellas cuyos valores es poco probable que sufran grandes fluctuaciones en un futuro cercano. A esta bsqueda adicional se denomina bsqueda en reposo; a veces se le restringe a tomar en cuenta solo cierto tipo de jugadas, como las de captura de piezas, lo que despeja de inmediato las incertidumbres de una posicin. Es ms difcil eliminar el problema del horizonte. Surge cuando el programa enfrenta una jugada del contrincante que causa un grave dao y que finalmente es inevitable. Hasta el momento no se ha encontrado ninguna solucin al problema del horizonte. Poda alfa beta Supongamos que se ha logrado implantar una bsqueda minimax que cuenta con una funcin de evaluacin razonable para el ajedrez y una razonable prueba de suspensin con una bsqueda en reposo. Contando con un programa bien elaborado, y una computadora normal, probablemente se podrn buscar 1000 posiciones por segundo, el factor d ramificacin del ajedrez es de 35 por tanto el programa slo podr explorar tres o cuatro capas y su juego tendr el nivel de novato, incluso los jugadores humanos promedio pueden anticipar sus jugadas seis u ocho capas: nuestro programa perdera sin mayor dificultad. Afortunadamente es posible calcular la decisin minimax correcta sin tener que explorar todos los nodos del rbol de bsqueda. Al proceso para evitar la exploracin de una de las ramas del rbol de bsqueda se le conoce como poda del rbol de bsqueda. A la tcnica que consideraremos en particular se le conoce comopoda alfa beta. Aplicada a un rbol minimax estndar, produce la misma jugada que se obtendra con minimax pero elimina todas las ramas que posiblemente no influirn en la decisin final. El principio general es el siguiente: considrese un nodo n del rbol, tal que exista la posibilidad e que el jugador pueda ir a ese nodo. Si el jugador tuviera una mejor opcin m, ya sea en el nodo padre de n, o en cualquier punto de eleccin posterior,en un juego real nunca se

alcanzar n. Es decir, una vez que se cuenta con suficiente informacin sobre n (mediante la exploracin de algunos de sus descendientes) que permita llegar a esta conclusin, se procede a podar. Recuerde que la bsqueda minimax es preferente por profundidad, por lo que en todo momento es necesario considerar todos los nodos que estn en una solo ruta del rbol. Conforme se efecta la bsqueda alfa-beta se van actualizando los valores de o y se poda un subrbol (es decir concluye la solicitud de peticin) en cuanto se determina que es peor que el valor actual de o . La funcin de bsqueda de alfa- beta es en s una copia de la funcin VALOR MAX, con un cdigo adicional para recordar y responder con la mejor jugada que se haya encontrado. Eficiencia del poda alfa-beta La eficiencia de alfa-beta depender del orden como se exploren los sucesores. Alfa-beta puede anticipar el doble que minimax por el mismo costo. As al generar 150,000 nodos en el lapso permitido, un programa puede explorar ocho capas en vez de cuatro, al considerar cuidadosamente qu clculos son los que en realidad afectan la decisin ser posible transformar el programa de novato a experto. Otro mtodo muy comn es el de la bsqueda de profundizacin iterativa, empleando los valores respaldados en una iteracin y con base en estos definir la secuencia de los sucesores en la iteracin siguiente. En todos los resultados de complejidad de los juegos (y, en realidad, de todos los problemas de bsqueda en general) si se quiere obtener resultados, es necesario considerar un modelo de rbol idealizado. La intensidad de la correlacin depender en gran medida del tipo de juego de que se trate y su posicin particular en la raz. Se puede afirmar que est presente un inevitable factor de empirismo en la investigacin de los juegos, que elude todo el anlisis matemtico.

Lo ltimo en programas de juegos:

Ajedrez

Juego de fichas o damas Othello Backgammon Go

Todos ellos son juegos de tablero que han sido llevados a la digitalizacin por medio de la IA.

También podría gustarte